资源三号影像朵云识别中云雪分离研究

针对资源三号全色卫星影像在朵云识别过程中云雪不能分离的问题,提出了一种基于云雪边界特征并利用改进的平均梯度和分形维数等纹理信息的云雪分离方法。首先为了减少雪和其他地物对云的干扰进行初步云识别,本文利用灰度均值、分形维数和灰度共生矩阵计算的能量作为特征参数大体提取云区,此时云雪不分;然后再进行云雪分离,利用改进的平均梯度和分形维数特征值来剔除被误识别为云的雪。本文采用的分类方法是支持向量机分类。利用资源三号全色卫星影像测试结果表明,该方法是资源三号全色遥感影像朵云识别中一种有效的云雪分离方法。     

一种新的基于高分辨率全色影像的城市建成区边界提取算法

针对城市建成区在高分辨率全色影像中的特点,提出了一种城市建成区边界提取的新算法。该算法首先基于边缘检测算子提取城市建成区的边缘密度特征,然后基于灰度共生矩阵和神经网络算法提取其纹理特征,最后结合多种数学形态学的方法提取出城市建成区边界。最后以武汉市为例,采用资源三号全色影像对比传统提取算法与本文提出的新算法,结果表明本文算法精度有明显提高,提取正确率能达到90%以上,且误判率和漏判率较低。     

矿山地面塌陷的高分辨率遥感识别与边界提取

为在高分辨率遥感图像上准确识别地面塌陷、圈定其边界、提取其面积,总结了地面塌陷遥感影像识别标志,提出了一种边界提取方法。该方法以GeoEye高分辨率遥感图像为数据源,在图像融合的基础上,首先用Robert算子和方向算子对融合图像进行边缘增强;然后分别选择原始图像和上述2种边缘增强图像的第一波段进行假彩色合成(Original,Robert and Direction enhanced image,ORD);最后利用ArcGIS软件圈定地面塌陷的边界并提取其相关参数。研究结果表明,该方法可以有效地突出地面塌陷边界,提高其面积提取的精度。     

车载LiDAR点云中建筑物立面位置边界的自动提取

提出了一种基于点云特征图像和特征值分析的车载LiDAR点云建筑物立面位置边界的自动提取方法。首先利用车载LiDAR点云数据生成扫描区域的点云特征图像,并通过图像处理手段提取可能的建筑物目标点云;然后对提取的目标点云进行剖面分析和特征值分析,识别建筑物目标;最后对建筑物点云进行平面分割,提取建筑物立面,并对立面点云进行特征值分析,得到建筑物立面与地面交接的三维位置边界。实验结果表明,该方法能快速有效地提取车载LiDAR点云数据中的建筑物目标,同时提取的建筑物立面位置边界与原始点云能准确符合。     

多因素参与的3D特征点检测方法

针对现有3D特征点提取方法易造成边界点遗漏和尖锐点错判的问题,提出一种基于多因素参数的3D特征点检测方法.首先在3D特征点提取过程中,利用相邻投影法向夹角的大小提取边界点,以保证边界的完整性;其次针对点云尖锐点的提取,通过将k邻域中曲率权值、法向量夹角均值和距离均值用于定义特征点识别参数;然后根据曲率最大值和相邻点间的距离均值定义3D特征点识别阈值,并将识别参数与阈值进行比较而判定特征点;最后将所提出的方法分别与现有的基于曲率和法向量的3种方法进行实证分析比较,实验结果表明,基于多因素参与的3D特征点检测方法能够有效识别出点云尖锐点,并且能够保证边界点的完整性.     

高分辨率遥感图像道路分割算法

为了提高从高分辨率遥感图像(high-resolution remote sensing image,HRI)中提取道路信息的自动化程度和准确性,发展了一种HRI道路分割算法,主要包括光谱合并、边界合并和基于形状特征的道路区域提取等3个步骤。其中,前2个步骤是基于区域生长的图像分割算法。光谱合并综合考虑了区域的均值、方差等统计特征量,以提高分割精度;边界合并采用了基于矢量梯度的边界计算方法,以准确提取多光谱HRI中的边界强度;结合全局最优合并算法实现光谱和边界合并,以得到最优化的分割结果。在道路区域被完整分割出来的基础上,利用形状特征提取道路,采用圆形度特征区分道路和非道路。利用2景Orb View3多光谱图像进行道路提取实验的结果表明,该方法的道路提取结果总精度和Kappa系数分别在97%和0.8以上,明显优于SVM监督分类方法。     

一种改进的点云边界快速提取方法

为进一步提高提取边界点的效率,提出了一种k-均值聚类与象限识别相结合的点云边界快速提取方法,通过k-均值聚类将点云划分为许多个子集群,根据三维格网划分方法探测出边界集群,在边界集群中通过象限识别提取出边界点。两组边界提取实验结果表明,本方法不仅能够提取到分布均匀的边界特征点,且与传统方法比较,效率更高。     

基于多源遥感图像和复杂网络的城市主城区识别方法

针对现有的采用遥感图像的城市主城区提取方法仅利用数据光谱特征,未考虑城市的空间结构特征的情况,本文提出了一种基于多源遥感图像和复杂网络模型的城市主城区提取新方法。首先,采用八邻域极值法识别夜光图像的特征点,通过最佳路径成本法识别特征点的连接边,从而构建夜光图像复杂网络;其次,利用特征向量中心度改进复杂网络模型核心边缘结构识别方法,弥补其无法顾及节点邻域特征的不足;最后,依托分形网络演化算法获取Landsat-8图像的图像对象,构建夜光图像复杂网络节点与图像对象的空间映射关系,实现城市主城区提取。本文以沈阳、成都、西安3个城市为研究区域,以2019年的NPP/VIIRS夜光图像和Landsat-8图像为数据源,实验结果表明本文识别方法的总体精度为0.880 0,Kappa系数为0.741,较传统方法分别提高了0.119 8和0.255 9。     

基于改进邻域均值的全色影像水域提取

利用传统邻域均值法对全色影像水域进行提取时,所提取的水域边界精确度严重依赖于搜索窗口的大小。本文通过分析水域灰度特征以及提取边界不精确的原因,对方法进行针对性的改进:依据邻域各像素点与种子点的灰度差值分别对其赋予不同的灰度值,以处理后的邻域均值作为特征进行水域提取。实验结果表明:基于改进的邻域均值方法对遥感影像水域有较好的提取结果,提取精度较之改进前有明显改善。     

基于栅格的点云数据的边界探测方法

分析三维激光扫描点云的数据特征,得到一种将三维点云数据转换为深度图像形式后提取边界的方法。通过原始点云数据扫描线分组分行使点云数据实现X,Y方向数据的规格化,以Z方向代表深度,将规则的点云数据转换为图像形式。采用图像边界提取方法——Canny算子来提取边缘信息,并将其转换到三维空间中显示出来。实验表明,基于栅格的点云数据的边界探测方法能快速实现三维点云边界的提取与显示,可应用在基于边界特征的点云配准、点云的角点检测、点云的三维建模等后续处理工作中。