����˫����Ĵֲ�̽�ⷽ���о�

???????????????????????????????в??????У?????3?????????????????????桱????α????????????????????м?????????????????????????????????????ж?????????????????ж??????д????????????С???????????????????????????????????????????÷??????????Ч???????Ρ?     

����³�����Ͼ����LiDAR���ƴֲ�̽�������

????3?????????????????LiDAR??????????????????????????LiDAR??????????????飬????????????????????????????????????????С???巽???????????3??????????????????3?????????????3???????????????????????????裬?????????????μó?????????б????????????????????????????????????????????????????????????????й???????????У?????????????в??????С??detMCD?в????????????С????????????????????????????????????????????????????????????????????????????????????С???????????????????????????????????????TIN?????????????,???????????????????????????Ч???LiDAR?????????е????????????????????????     

F-K�任������������Ԥ�����������е���ֵģ���о�

?????????????????????????????????????????????????????????????????з?????????????????????????????????Ч?????????????????????,?????Ч??????P????S????????????????е?????????????????????о???F-K?任???в??????????Ч????????????о????????????????????????????????????仯???Χ???90°??45°????F-K?任????????Ч?????????????????????????????????????????Ч???????档??????????????????????????????????????????????S????????????P???????????????????????????S???????????????????????????????????????????????????????????????С???????P???????     

���ڻҶȹ�����������������SARӰ��仯��ⷽ���о�

????????????????SAR??????????????????????????????????????????????????????????????????????????????????????????????????????????????仯?????????????????????????仯????????????????????????????????????????EM????????????????в????????????????????С????????б仯????????????????????????仯????????б?????????????????????????????????仯??????????????????????????????С?????и??????Ч????     

������С������ARMA���ģ�͵ĺ�ƽ���쳣Ԥ��

??????С??????????????????е?????????????????????????????в????????ARMA????????????????????????????????????1???????????0.29 cm???????????????0.63 cm????????????????????????????Ч???ж???SLA?????     

���ڿ��ؽ���LiDAR������̬ѧ�˲�����

??????LiDAR???????????????Ч????????????????????????????????????????????LiDAR?????????????????????????DSM???и????????????????????????????в????????????????????????????e????任?????n??DSM???????????????????????ISPRS????????????????????????÷???????????????????????3.51%??7.20%??4.26%??????????????????????????????????????????￡?15?????????????????????????????????С??     

һ�ּ��㲹����С�������򻯲��������Ż�����

??????????????С????????У??????Ч????????????????????????????????μ??????С????????????????????彻??????L??????????????????????????????????????????????????????????????????????????Ч???????     

����GPS��վ����в����е�ARMA��ģ�����о�

??GPS???????в????????????????ARMA?????????佨???????Box-Jenkins??????Pandit-Wu???????????????????????????????????,???в??????????????????????Ч??????????????????????????????Pandit-Wu???????Ч???????Щ,???в??????Box-Jenkins?????????1/3??????????????     

�����SVD�ֽ����ʼ������ȿ���ƽ���е�Ӧ��

??????????????(SVD,Singular Value Decomposition)????????????????????????????M-P??????????????????ó????????????????????????M-P??????;??????????????????????????С??????С?????????????????????????????????????????????????????????;?????????С??????С??????????????????????????????????????δ???????С??????С?????;????????????????????????????????????????????????Ч???     

T/P,Jason��1�������ټ���Ч���ߵ���֤��Ƚ�

????T/P(TOPEX/POSEIDON)????????????????????????????????????T/P?????????????????????????????????????????????????????????У??????С????????????????????????????????????????????????????Ч??????T/P?????Ч???????0.3m??????T/P????????Jason??1?????????????????????????????????????????????????????????????????????????????????????????????????????á?T/P??Jason??1????????????????Ч?????????????????????????0.21 m??0.05 m??     

基于动态阈值的移动终端GNSS定位阴影匹配算法

阴影匹配算法可在城市峡谷中较好地提高移动终端GNSS定位精度,但是传统阴影匹配算法中用于判断卫星可见性的信噪比阈值为固定单一阈值,无法保证所有卫星可见性的判断正确,从而影响定位精度。针对以上情况提出基于动态阈值的阴影匹配算法,使每颗卫星的判断阈值随卫星几何可见性和信噪比可见性相互校正而改变。通过对手机GNSS原始定位结果及卡尔曼滤波后的定位结果进行两种阴影匹配算法计算及对比分析,结果表明,动态阈值法相对于单一阈值法平均点位误差在标准单点定位时可降低约15.1%,在卡尔曼滤波后可降低22.4%,定位精度均得到提升。     

一种地形自适应的机载LiDAR点云正则化TPS滤波方法

随着机载激光雷达成像技术（LiDAR）的不断发展,激光点云数据处理的相关研究也在不断深入。点云滤波是机载激光雷达点云数据处理的重要环节之一。针对多数经典滤波方法在复杂地形和地物条件下的滤波效果不够理想的现状,提出一种新的基于相对变异系数的地形自适应正则化薄板样条插值点云滤波方法。采用二维区域增长获取初始插值参考点后,基于线特征约束对参考点进行优化,去除部分低可靠性参考点以得到较准确、分布离散均匀的初始插值参考点集合,在此基础上通过正则化薄板样条插值方式来拟合地形点与地物点之间的滤波分类面,完成对机载激光点云的高精度自适应滤波。对比实验结果表明,本文的地形自适应滤波方法在2组实验数据的总体错误率分别达到4.14%和4.17%,在错误率和多地形综合表现等方面具有优势,且滤波运算效率在目前主流的滤波算法中处于较高水平。另外,实验结果验证了地形自适应滤波方法在斜坡、山脊等起伏较多的复杂地形与包含植被和建筑物的混合地形等处的点云滤波结果具有较好的准确性。     

机载LiDAR点云数据的二面角滤波算法

机载LiDAR是获取地表DEM的重要技术之一。本文针对机载LiDAR点云数据在复杂城区环境下的大型建筑及低矮地物滤波问题,提出一种新的二面角滤波法。利用空间二面角的平面角可以表达空间两相交平面相对位置的原理,实现机载LiDAR点云数据滤波。首先,算法提取点云数据中的高程突变点,以非突变点的二面角余弦均值稳定性作为判定迭代结束的条件;其次,分别统计高程突变和非突变点集的二面角余弦值频率分布,以交点处对应余弦值和最后一次迭代的坡度值作为LiDAR点云滤波的判定条件;最后,利用数学形态学“开”算子,去除残留低矮植被,得到可靠的滤波结果。对同一区域机载LiDAR点云数据,通过“二面角法”与“渐进三角网法”进行滤波处理。实验结果表明,二面角滤波法能有效地降低地物点错分为地面点的百分率,且在去除地物信息的同时能良好地保留地形特征。     

一种灰度体素结构分割模型下的机载LiDAR 3D滤波算法

针对现有的基于机载LiDAR数据的滤波算法未能充分利用数据提供的所有信息及其所采用的数据结构表达复杂、存在信息损失等缺陷,提出了一种灰度体素结构分割模型下的机载LiDAR 3D滤波算法。算法首先以综合利用机载LiDAR数据的高程及强度信息为目的将点云数据规则化为灰度（体素内激光点的平均强度的离散化表示）体素结构,然后基于各体素间的空间连通性和灰度相似性准则,将灰度体素结构分割并标记为若干个3D连通区域,最后依据地面与其它目标的高差特性提取与其对应的3D连通区域。算法优势在于:基于体素结构设计,为3D滤波算法;综合利用了地面目标的几何及辐射特征,对比传统滤波算法可应用于更复杂的场景;滤波结果为3D地面体素形式,可直接用于创建地面3D模型。实验采用国际摄影测量与遥感协会（International Society for Photogrammetry and Remote Sensing, ISPRS）提供的不同密度的机载LiDAR基准测试数据测试了邻域尺度参数的敏感性及提出的算法的有效性,并和其他经典滤波算法做对比。定量评价的结果表明,51邻域为最佳空间邻域尺度;点云密度为0.67点/m²的数据集1的滤波平均完整率、正确率及质量分别为0.9611、0.9248及0.8934;点云密度为4点/m²的数据集2的滤波平均完整率、正确率及质量分别为0.8490、0.8531及0.7404;对比其全经典滤波算法本文算法在高密度点云数据滤波时表现更佳。     

形态学和小波域滤波级联的杂波抑制算法研究

为保留目标的同时尽可能多地抑制图像背景杂波,在研究形态学滤波、空域平滑滤波、小波域平滑滤波以及它们级联的背景杂波抑制算法的基础上,提出形态学滤波和小波域平滑滤波级联的杂波抑制算法。该算法先对含有微弱目标和白高斯噪声的原始图像进行空域形态学滤波,然后对形态学滤波结果进行小波变换,在小波域中对各小波系数分别平滑滤波,用滤波前的小波系数减去滤波后的小波系数得到差值系数,对差值系数再进行逆小波变换。仿真测试表明,提出的算法在得到的残差图像中目标邻域信杂比(SCNR)平均增益比空域形态学滤波算法和空域平滑滤波算法等均有较明显的提高,为后续的目标检测与跟踪提供了良好的保障。     

�����ƶ����ڵĿ�������Ӧ�˲��㷨�о�

??????????С??????????????????????????????????????????????????????????????????????GPS/COMPASS?????·??????????????????????????μ??????????λ?????     

基于EMD和小波的GPS/BDS变形监测中的多路径误差削弱方法

针对GPS/BDS实时监测坐标序列中多路径误差的周日重复特性和高频随机噪声,分别采用EMD以及EMD与小波阈值去噪相结合的方法对现有坐标序列构建多路径时序模型,并通过恒星日滤波削弱后续坐标序列中具有强相关性的多路径误差。实测数据的处理结果表明,EMD可以很好地去除GPS/BDS实时监测序列中的高频随机噪声并削弱多路径误差的影响,提高实时监测精度50%左右,EMD和小波组合方法较单EMD效果稍好。     

图像目标形状匹配与视频过滤技术研究

通过研究图像目标形状特征的提取、匹配，运用随机过程，投影理论，提出用于识别目标形状统计特性的波动度特征，建立目标形状匹配函数，给出实际图像目标的匹配实现算法，实际系统测试表明该算法能准确、快速完成实际图像目标形状的匹配、过滤，为图像跟踪、识别及视频过滤等应用领域提供了新的可借鉴方法。     

捷联式海洋重力数据的小波阈值滤波

基于捷联式海洋重力测量数据,对比不同小波、阈值及施加方式对滤波效果的影响。结果表明,db6、db7、db8、db9、db10、sym6、sym7、sym8、sym9、sym10、coif3、coif4和coif5小波较适用于海洋重力测量,小波分解层次可取至8层或9层,采用史坦无偏风险阈值滤波效果较好;小波分解至第8、9层时,阈值滤波结果与截止频率为0.005 Hz和0.003 3 Hz的Butterworth低通滤波器的滤波结果吻合较好,但小波阈值滤波结果更加平滑,两者差值的RMSE在0.25 mGal以内,且小波阈值滤波更容易分解出噪声成分,可以更有效地消除重力畸变。     

结合改进的降斑各向异性扩散和最大类间方差的SAR图像水体提取

利用遥感成像技术获取地面水体信息对水资源调查、自然灾害评估、流域规划和生态环境监测等具有重要意义,其中SAR成像作为大范围地面监测的可靠数据源,拥有全天时、全天候、广覆盖等光学遥感系统所不具有的优点,在水体提取中得到了广泛的应用。但由于受SAR图像相干斑噪声的影响,现有水体提取方法难以迅速、精确提取SAR图像中复杂精细的自然水体结构。为此,提出一种结合改进的降斑各向异性扩散和最大类间方差的SAR图像水体提取方法。首先,利用降斑各向异性扩散滤波SAR图像,在迭代滤波过程中通过计算图像间平均结构相似度自适应控制迭代过程,使其同时保持精细边缘和纹理结构;然后,以类间方差最大为准则,自适应确定阈值,实现滤波结果图像二值化分割。在二值化分割结果中,搜索具有相同像元值且位置相邻的前景像元点组成的连通区域,使每个单独的连通区域形成一个被标识的块,通过获取这些块的几何参数来消除图像的误分割,精确划定真实的水体区域,以实现SAR图像水体提取。为了验证提出方法的准确性,将本文方法提取的水体边界与人工绘制的水体边界叠加,结果表明二者可较好吻合。同时,从视觉、提取精度和运行时间对本文方法与目前常用3种SAR图像水体提取算法的结果进行比较分析,其中本文方法的运行时间满足实时应用的要求,提取结果的边界在2个像元评级区重叠度均达到80%,明显优于其他方法且本文方法提取结果在边界及细节信息等视觉方面也更加显著。对结果的定性及定量评价表明本文方法的优越性。