共查询到20条相似文献,搜索用时 343 毫秒
1.
2.
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。 相似文献
3.
4.
5.
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。 相似文献
6.
遥感图象中薄云的去除方法 总被引:1,自引:0,他引:1
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。 相似文献
7.
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。 相似文献
8.
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。 相似文献
9.
10.
11.
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。 相似文献
12.
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。 相似文献
13.
14.
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。 相似文献
15.
16.
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. 相似文献
17.
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。 相似文献
18.
19.