一种基于同态滤波的遥感图像薄云去除算法

目前国内外常用的去除遥感图像薄云的方法是同态滤波法,但该方法在去除薄云的同时,图像无云区域特别是边缘区域的信息出现了严重丢失。为此,提出了基于同态滤波的像素替换法,该方法既可以去除薄云,又可以恢复无云区域的信息,使得处理后的图像和原始图像在无云区域有极大程度上的相似性。     

基于改进同态滤波的无人机影像匀光匀色应用

针对传统的同态滤波无人机影像匀光匀色算法,传递函数存在多个不确定性参数,且匀光匀色效果存在色彩失真严重等问题,本文提出了一种基于改进同态滤波的无人机影像匀光匀色方法。该算法先构造一种新的且参数量较少的传递函数,将该传递函数使用到同态滤波算法,用改进的同态滤波算法分别对无人机影像的RGB各分量进行匀光匀色处理。实验结果表明,本文算法比传统的同态滤波算法匀光匀色效果好。     

多源数据融合的DIM点云滤波及DEM生成

针对已有密集影像匹配(DIM)点云滤波算法通用性差,滤波效果受限于参数设置,且均未利用生成点云的影像信息等问题,该文提出一种融合多源数据的DIM点云滤波算法。首先融合影像和DIM点云高程多源信息;再引入新型分类器对融合影像进行分类,其分类结果作为知识引导用于点云滤波中,即将分类专题图与DIM点云叠加以过滤非地面点,实现点云滤波并生成数字高程模型;最后选用航空影像进行密集匹配和滤波实验。实验结果表明,利用该点云滤波算法生成的DEM与参考DEM呈现高度相关性,可大大减少生产DEM人工后处理的工作量。     

一种基于GPU并行计算的无人机影像快速镶嵌方法

提出了一种从匀光后无人机影像出发,以Voronoi图为镶嵌线网络,基于GPU并行计算的无人机影像快速镶嵌方法。首先,通过Wallis滤波处理影像间色彩不一致问题;然后,以测区影像位置自动生成Voronoi图镶嵌线网络;最后,基于GPU并行计算将无人机影像快速正射纠正并镶嵌。通过对230张空间分辨率为0.1 m的无人机影像进行快速纠正镶嵌,实验结果表明,该方法较传统方法效率有很大提升。     

分类线性回归的Landsat影像去云方法

首先,对参考影像和待去云影像上的云覆盖区域进行检测和掩膜;然后,对掩膜后的参考影像进行ISODATA聚类,并建立各个类别参考影像到待去云影像灰度值的线性回归方程;再对待去云影像上的云覆盖区域,依据参考影像上的灰度值进行最小距离方法分类,划分到聚类形成的各个类别之中;最后,依据各个类别回归方程进行灰度值预测。实验结果表明,所提方法能够进行云区的检测和去除,预测精度相比传统方法有较大提高。     

遥感图象中薄云的去除方法

云覆盖是遥感图象处理中最常遇到的一种情况，如何有效地去除云的影响，为后续图象识别与分类奠定基础，是图象预处理阶段的一个重要任务。本文介绍使用同态滤波进行去云处理方法，并分别对实际的卫星象片和航空象片进行处理，说明了方法的有效性和可操作性。     

结合双边滤波Retinex和图像融合的图像去雾方法

针对传统的去雾方法对无人机有雾图像进行去雾时存在细节丢失严重、去雾效果差等问题,本文提出了一种结合双边滤波视网膜反应（Retinex）算法和图像融合的图像去雾方法。首先,利用双边滤波Retinex精确计算入射分量,对亮度分量进行双边滤波Retinex处理。其次,对两个色彩空间处理后的影像进行图像融合。最后,本文以两景无人机有雾图像为实验数据进行实验,结果表明,本文方法的标准差和信息熵等指数整体上升,能获得细节与色彩较好的去雾影像。     

基于中值滤波的LiDAR点云生成地貌要素方法探讨

LiDAR点云的分类处理对地表覆盖的要求较高,植被稀疏或无植被的区域,易于实现自动分类,且生成的等高线较光滑,无需后期人工干预处理;植被茂密区域则无法实现自动分类,生成的等高线也不光滑,后期需对等高线进行大量修编处理。旨在探讨植被茂密区域机载LiDAR点云数据用于1∶10 000 DLG地貌要素更新的方法,提出用中值滤波的算法,对LiDAR点云生成的DEM进行滤波处理,实现等高线的光滑抽稀处理。同时,利用原有高程注记的点位,根据DEM数据重新赋值,实现高程注记的快速更新。     

滑坡误检测形变区域定位与分析

植被检测是利用近景影像进行滑坡变形监测应用的一项关键步骤,滑坡近景影像中植被信息的特殊性给自动化匹配带来困难。针对经过高精度影像配准和点云滤波等处理后仍然存在形变区域检测误差,通过叠加滑坡体形变前后的数字表面模型和植被检测结果,实现对误检测形变区域的定位和分析。实验结果表明,形变区域检测误差主要来自植被剔除残余、点云滤波或点云模型不精确和数字高程模型采样误差等。     

大面积含云卫星遥感影像匀光算法的改进

针对卫星影像生产过程中现有匀光算法不适用于大面积含云影像的缺点,提出一种基于快速云检测的影像匀光改进策略。首先使用Otsu算法实现影像云区检测,然后使用分类处理的策略,在匀光时仅对非云区域影像进行统计和处理。实验表明,对于Mask和Wallis等常用匀光算法,改进后可有效改善含云影像晴空区域的匀光效果,更符合实际生产的需要。     

机载LiDAR制作高精度DEM的关键技术分析

介绍了LiDAR数据生产DEM处理流程,选取淮河某一区域的点云数据,重点研究自动滤波技术在高树植被区域、居民区域、光伏区域的滤波效果以及人工分类方法在低矮植被区域的分类效果,计算野外检测点,对DEM同名点高程中误差进行精度评定。实验结果表明,自动滤波技术对高树植被、房屋区域、光伏区域等区域点云,能高效、准确滤掉非地面点,保留真实地面点;人工分类手段用于低矮植被分类效果明显,有效解决了自动滤波在该类区域分类效果不佳的问题;野外检测点和DEM同名点高程中误差满足设计精度要求,以点云数据生产高精度DEM具有可行性。     

LiDAR-DP软件对点云数据自动分类结果分析

对激光雷达(Li DAR)点云数据使用点云数据处理软件(Li DAR-DP)时,利用其自动分类进行处理,对其使用渐进三角加密滤波算法得到的建筑物、桥梁和高架路、植被、水体以及其他各种特色地形地物的分类情况进行分析判断,并对自动滤波效果不好的区域,给出相应的解决方案。经本次分析,在地形地物复杂区域,自动滤波效果不好。在地形简单、地物规则且大型区域滤波效果真实可靠。Li DAR-DP软件在点云数据处理过程中,使用简便,能提高作业效率。     

无人机Lidar技术在复杂艰险山区高精度制图中的应用

为解决复杂艰险山区高精度制图难题,本文提出了利用无人机Lidar技术获取高精度、高密度点云数据,针对不同地形特点,利用点云回波强度进行聚类,通过聚类结果选取滤波方法,提高分类及滤波精度;同时对密林等无法获取地面点云的特殊区域进行监督分类获取植被高度,结合穿透区的点云进行内插拟合,构建出更符合实际现状的地形数据。试验表明利用本文方法能够明显提高制图精度,满足艰险山区高精度制图要求。     

基于UASMaster的影像匹配点云分类的应用分析

根据近年来对无人机航测的实践应用经验及其发展趋势,结合河南理工大学项目对基于影像匹配融合获取的点云进行点云分类,得出利用UASMaster结合分层分类思想对无人机获取的点云进行分类处理的方案是可行的。     

TLS三维点云聚类滤波算法应用研究

现有地面三维激光扫描点云数据滤波算法较少,针对地形复杂区域的点云滤波效果更是不甚理想,因此对二维聚类算法进行改进,提出三维点云聚类滤波算法,并对其在地形复杂区域的TLS数据滤波中的应用进行研究。以重庆鸡冠岭危岩体的TLS数据为例,分别采用曲率平滑滤波方法和文中提出的点云聚类滤波方法处理,并对两种方法处理过的数据进行形变量计算和分析。实验证明,针对植被覆盖茂密、地形复杂的山体,该方法的点云滤波效果较好,且处理速度有较大提升,能为点云后期形变量计算提供较好的基础。     

使用安置参数优化的无人机点云与影像精配准

针对现有的无人机激光点云与影像配准方法主要基于仿射变换建立点云与影像之间的配准模型,无法描述激光点云与影像之间的复杂变换关系问题,该文提出一种基于安置参数优化的无人机激光点云与光学影像精确配准方法.以相机安置参数为优化参数,以归一化互信息作为点云特征影像与光学影像之间的相似性测度,采用改进Powell算法作为优化策略,获得最优配准参数,实现无人机激光点云与无人机影像之间的精确配准.基于实验数据与现有两种配准方法进行精度对比.实验表明,基于相机安置参数优化的配准方法优于两种常规配准方法,可以实现无人机激光点云与光学影像之间的自动化配准,并达到像素级的配准精度.     

基于深度学习理论的无人机影像分类

针对无人机影像深度学习分类方法缺乏现状,本文利用深度学习理论卷积神经网络方法对无人机影像进行了分类。该法首先抽取无人机影像作为训练集和检验集,然后建立一个2个卷积层-池化层的卷积神经网络模型进行深度学习,通过设定参数并运行模型实现无人机影像分类。实验表明,本文提出的方法可完成较复杂地区无人机影像分类,其分类精度与支持向量机方法相当,为无人机遥感影像分类提供了一个崭新的技术视点。     

利用双边滤波法进行点云去噪的试验与分析

利用无人机影像生成点云数据时,会产生一些噪声点,这些噪声点对点云数据的分类提取等会带来不利影响。为了消除这些噪声点,利用栅格法去除浮在点云上方的稀疏点,并利用pcl库的StatisticalOutlierRemoval滤波器去除离群噪声点,以及利用双边滤波算法对小型的噪声点进行纠正。试验结果表明,本文方法既保留了目标地物的几何特征,又能够有效地去除影响目标地物识别的噪声。     

无人机与卫星影像匹配的相似性逼近算法

针对现有算法在无人机与卫星影像具有较大空间分辨率差异时存在匹配正确率不高的问题,本文提出了一种无人机与卫星影像匹配的相似性逼近算法。该方法在匹配前对无人机影像进行高斯滤波处理,提高了无人机与卫星影像的尺度相似性,并最终提高了匹配算法的正确率。试验结果表明,该算法具有较高的匹配精度,适用于无人机与卫星影像空间分辨率差异较大时无人机影像的匹配与自主定位。     

利用特征面进行LiDAR点云分类的方法

为提高激光雷达点云自动分类程度,提出了一种新型激光点云分类方法。在TerraSolid软件中,结合点云滤波、影像解译和特征要素采集等技术进行点云分类,并基于新昌县点云分类数据进行实验。结果表明,该方法可快速准确地分类建筑物,减少了大量手动编辑分类工作,加强了自动化分类程度,可大大提高工作效率。