无人机高光谱影像分层分类的松材线虫病监测

松材线虫病在秦岭以南传播广、蔓延快,利用遥感技术提取病害松可为疫情防控提供数据支撑。以无人机获取的高分辨率、高光谱数据为基础,捕捉区分病害松与健康松的特征波段,提出一种结合植被指数与小波神经网络的林地分层分类新方法,用于提取病害松树冠图斑。病害松识别结果与实地核查数据对比表明,分层分类结果与实地核查情况基本一致,病害松识别总精度达到89.87%,优于单一使用支持向量机、小波神经网络的分类结果。林地分层分类新方法与传统分类方法相比,分类精度更高,所需的样本更少。无人机高光谱数据信息丰富,病害松、健康松在可见光、近红外范围内均有光谱敏感特征,后续应进行病害松时序光谱监测,进一步研究松材线虫病害影响因子。     

基于无人机遥感影像的松材线虫病病害木检测

在松材线虫病防治中,快速有效地检测并定位患有松材线虫病的病树及枯死木具有十分重要的意义.研究了根据无人机航摄获取的地面厘米级高分辨率光学影像,利用深度学习目标检测模型Faster R-CNN和YOLO V4进行松材线虫病枯死木的自动化识别与定位.结果表明,YOLO V4目标检测模型对病树及枯死木的检测精确度可达80％以...     

无人机高空间分辨率影像分类研究

本文利用无人机影像进行土地利用类型研究,面向对象方法对影像分割,获取了最佳分割尺度;根据各土地类别的特征信息建立分类定义,提出了快速、准确获取土地利用类型的方法。研究结果表明,运用面向对象方法能很好地解决无人机高分辨率影像分类问题,其中关键是影像分割尺度的选择和影像对象特征信息的提取。     

基于无人机航空影像的薄云去除方法研究

提出一种新的结合面向对象分类方法进行同态滤波的薄云去除方法,该方法采用Ecognition软件,将无人机影像划分为有云区域和无云区域,并对无人机影像进行同态滤波,用滤波后影像的有云区域代替原影像的有云区域,无云区域保持不变.并对处理后的影像进行监督分类,再对整幅影像进行Wallis滤波匀光匀色处理,使得有云区域的色调、对比度和亮度与无云区域趋于相同.实验结果表明方法效果较好,能有效地消除或减弱薄云对无人机影像的影响.     

基于神经网络的无人机影像多目标检测方法

针对现有方法检测无人机目标时精度与泛化能力不足,提出一种基于回归的多目标检测方法.使用密集连接增强层间信息传递,添加批量再规范化(Batch Renormalization,BRN)层加速模型训练,降低样本分布不均而导致的精度偏低,使用密集连接结构聚合上采样层不同层信息.以开源数据集Vision Drone为基础建立优化数据集训练模型.结果表明,提出模型检测精度达89.57％平均精度均值,相比(You Only Look Once v3,YOLOv3)模型和(Region Full Convolutional Network,R-FCN)分别提高6.53％和3.11％,检测速度达27每秒传输帧数,在不同场景表现稳定.     

基于Harris与RANSAC算法的无人机影像拼接方法研究

针对Harris算法在进行无人机影像拼接时的特征点误匹配问题,利用RANSAC算法对误匹配的特征点进行剔除,进而实现无人机影像的无缝拼接。首先,基于Harris算法提取兴趣点,利用最短欧式距离进行特征匹配;然后,利用RANSAC算法实现对特征点的精确匹配;最后,利用RANSAC算法得到的单应性矩阵完成无人机影像拼接。实验结果表明:本文方法能够较好地剔除无人机影像拼接时误匹配的特征点,实现对无人机影像的拼接,拼接效果良好。     

改进AKAZE算法的泥石流区无人机影像特征匹配

针对在泥石流区灾害应急中使用无人机高分辨率影像特征匹配时时效性较低的问题,本文提出了一种改进AKAZE无人机影像特征匹配的算法。该算法首先使用AKAZE特征点检测算法提取局部稳定不变特征,用二进制描述符BEBLID描述检测到的特征点,采用最近邻次近邻距离比(NNDR)完成初步匹配;然后采用核线几何约束计算变换矩阵,达到内点提纯、提高匹配质量的目的;最后选取5组同一无人机序列影像进行特征匹配试验,分别与经典SIFT算法、AKAZE算法、ORB算法进行比较。试验结果表明,该方法的匹配准确率与SIFT算法接近,略高于AKAZE算法,明显优于ORB算法,计算速度明显优于SIFT算法和AKAZE算法,基本达到ORB算法的计算效率。本文方法能较好地应用于对匹配精度和匹配时效均要求较高的泥石流场景无人机影像数据处理中。     

面向对象的无人机影像分类研究

选取同处于夏收秋种时期、不同地点的3幅无人机影像进行面向对象分类。将影像在14个不同尺度上进行多尺度分割,以便获取对于分类对象较好的分割尺度。在对象基础上,将影像分为灌木、农田、道路、房屋及水体,并将分类结果精度与最大似然分类结果进行对比。结果表明,采用定量评价分割效果的方法,同时采用面向对象的方法进行信息提取,总体精度均在80%以上,明显高于最大似然分类。     

基于CRF模型的高分辨率遥感影像变化检测

针对传统高分辨率遥感影像变化检测方法大多直接利用光谱信息进行计算,导致检测精度不高的缺陷,提出了一种基于条件随机场模型（CRF）的高分辨率遥感影像变化检测方法。该方法利用CRF模型融合差值影像的光谱项和空间项,在融合过程中,引入EM迭代策略不断更新影像检测结果,提高变化检测精度。试验结果表明,本文方法的分类精度好于传统方法,并且稳定性良好。     

一种基于SVM多特征综合的图像分类方法

分别利用多通道Gabor滤波器和HSV颜色模型对图像进行特征提取,得到两种特征空间。用顺序向前浮点法搜索,以J-M距离(Jeffreys-Matusitas distance)为评价指标进行特征选择,最后利用综合后的特征数据在SVM基础上实现图像的监督分类。上述方法提高了彩色纹理图像和遥感图像的分类正确率。实验表明,多特征融合的分类效果比单一特征要好。     

基于多特征融合与典型降维方法的高光谱影像分类

高光谱影像的冗余信息给影像的分类效果带来一定的负面影响。本文利用CB法(CfsSubsetEval评估器结合Best-First搜索策略)与PCA变换两种降维方法,分别结合随机森林分类器对4种多特征融合方案(共8种组合)进行高光谱影像分类对比,基于分类的总体精度、Kappa系数探究提高高光谱影像分类的最佳组合方法。结果表明:①多特征融合可提升高光谱影像的分类效果,两种降维方法的分类精度均随地理特征、纹理特征、指数特征的加入而逐渐提高。②两种降维方法中,经CB法降维后的分类精度均比通过PCA变换降维的分类精度高。在构造的8种组合中,基于所有特征信息(光谱特征、地理特征、纹理特征、指数特征)的CB法分类精度最高,其总体精度为98.01%;Kappa系数为0.969 9。     

最优路径的无人机影像拼接

SIFT算法是基于尺度空间的特征匹配方法,该算法为每个关键点指定了方向参数,具备旋转不变性,对图像倾斜的适应性很强.本文采用SIFT算法对无人机图像提取特征点,利用欧氏距离粗匹配,通过距离中误差精匹配.在对拼接误差原因分析的基础上,提出了采用最优路径的拼接方法来降低误差.     

基于无人飞行器遥感影像的数字摄影测量关键技术研究

随着无人飞行遥感器越来越多的应用到国民经济建设,无人飞行器遥感影像的处理已成为当下一个热点的研究问题。但相对于传统的航空摄影测量而言,无人飞行器遥感影像有着很多传统航空影像所不具有的问题。针对这些特点,本文着重探讨影像畸变改正、Harris特征点提取、基于特征点的金子塔影像双向匹配以及核线影像生成等无人机影像数字摄影测量处理的关键技术。     

图论算法的无人机影像匹配特征点粗差剔除

无人机影像匹配过程中,粗差是不可避免的,因此,获取稳健性较高的特征点进行无人机影像匹配至关重要。传统的方法是采用经典的RANSAC算法进行粗差剔除,该算法受抽样次数、误差阈值的影响,还会残存部分误匹配的特征点。利用图论原理,对SIFT算法提取的特征点进行预处理,通过构建特征点的能量函数剔除能量较低的特征点,可以提高匹配特征点的稳健性,减少特征点的粗差。本文提出了一种新的方法,将图论算法与经典的RANSAC算法相结合进行粗差剔除。该方法命名为GSIFT-RANSAC算法,利用该算法可以提高特征点的稳健性,获取高精度的单应矩阵。采用两组无人机影像进行验证,本文提出的算法与单独利用图论剔除特征点的算法相比,粗差剔除率分别提高了5.31%和14.29%,说明该方法效果较好。     

无人机影像特征联合提取与双向匹配研究

针对无人机影像数据量大、存在旋转和尺度变化的问题,提出了基于特征联合提取与双向匹配的影像配准方法。分析了SURF算法和BRISK算法的特点,研究了融合SURF特征点检测和BRISK特征点描述的影像特征联合提取和PROSAC双向匹配的算法和步骤,并结合试验分析验证了该方法的有效性。     

投影相似变换的无人机影像拼接

针对当前无人机遥感影像存在的成像范围小、视差角度大的缺点,该文提出一种改进的投影-相似变换方法来进行无人机遥感图像的拼接:通过对初始获得的单应矩阵进行改进,平滑推导重叠区域的投影变换到非重叠区域形成相似变换;该变换同时考虑拼接过程中图像重叠区域的配准精度和非重叠区域的视场一致。实验结果表明,该方法的拼接性能优于传统拼接方法。     

序列无人机影像拼接方法研究

无人机影像具有数量多、畸变大、POS数据不准确等特点,导致其在拼接过程中会产生大量的累积误差,要快速地获得大范围准确的全景图有一定的困难。基于此,提出一种既精确又高效的无人机序列影像拼接方法。首先计算大致的影像匹配区域,减少特征搜索和匹配的时间,同时记录匹配区域中心位置的特征点坐标,引入平差理论,区分平地、丘陵、山区等不同区域加权纠正匹配特征点的坐标位置。同时针对航带间重叠率小、姿态差异大等特点,采用"先航带间再航带内、旁边航带向中间航带靠拢"的拼接方式,减少整体区域的累积误差产生,最终完成全局影像的拼接。     

利用无人机遥感监测农作物种植面积

南方平原耕地具有地块破碎、农作物种植品种多且空间分布混杂程度高等特点,运用传统的遥感技术方法精确监测农作物面积较为困难。无人机航拍具有拍摄时间灵活、空间分辨率高、成本低等优势,为解决这一难题提供了有利途径。本文通过地面样地调查,获取杭州市余杭区瓶窑镇农作物样地的位置及种植品种数据,利用面向对象的多尺度分割方法与随机森林的分类方法对无人机航拍数据进行分割、分类,深入挖掘高分辨率遥感数据信息,用于提取农作物种植品种及其空间分布信息,实现高精度的农作物种植面积遥感监测,推进无人机遥感在农业中的深入应用,提高农业遥感应用效益。     

基于本质矩阵的无人机影像精确匹配

无人机影像以其低成本、获取容易、信息量大等优点得到了广泛的应用。影像匹配是影像数据处理的重要环节,常用影像匹配的方法存在误匹配多或剔除大量正确匹配的问题。LMed S算法比其他稳健方法更严格,"5点算法"得到的本质矩阵可用于匹配点对共面的场景。本文使用LMedS算法结合"5点算法"求解本质矩阵作为剔除误差的模型,同时利用ORB算法提取速度快的特点,构建了一种精准同时兼顾了效率的匹配方法。本文对该算法开展了试验研究,并与其他常规算法进行比较。试验结果表明,本文算法保留的匹配点数数量多,分布较均匀,适用于多种场景,是一种有效、快速精准的影像匹配算法。