排序方式: 共有109条查询结果,搜索用时 15 毫秒
61.
针对现有的特征点匹配结果的密集度无法满足于三维重建的需求问题,本文提出了一种结合局部单应矩阵的资源三号遥感影像稠密匹配方法。首先,采用ASIFT算法对资源三号遥感影像进行特征点匹配,通过随机抽样一致性(RANSAC)算法对初始的匹配结果进行优化,提高ASIFT匹配结果的精度;其次,以优化后ASIFT匹配结果作为匹配基元,构建Delaunay三角网,利用Delaunay三角网间的同名三角单元的单应矩阵关系对已有匹配结果进行加密;最后,通过灰度相似性和最小二乘双重约束提高加密特征点的精度,从而达到精匹配的目的。实验选取ZY-3遥感影像作为实验数据,实验表明,本文算法具有较好的可靠性与鲁棒性,能获得比ASIFT匹配多6倍的同名点。 相似文献
62.
西部基础空间数据质量检查与评价技术研究 总被引:1,自引:0,他引:1
针对西部测图工程,采用基于地理实体的质量检查方法,并利用云模型和粗集理论进行地图质量评价。首先分析西部测区特征,在此基础上建立数字线划图质量模型,进而总结质量元素及其相应的质量子元素。其次,归纳总结基本空间算子,形成具体检查规则。然后,根据粗集的属性依赖度计算各个质量元素和质量子元素的权重,接着对评语进行云模型化,根据X-条件云发生器和最大隶属原则判断地图等级。最后研制开发了质量检查、评价软件。实验证明,检查、评价方法可行,软件自动化程度高,并具有良好的交互性。 相似文献
63.
针对现有路面裂缝自动化提取精度低和效率差的问题,该文提出一种结合条带池化改进U-Net网络的道路裂缝自动提取方法。该方法以U-Net网络为基础,将编码器与残差模块、空洞卷积相结合,增加网络深度扩大感受野,丰富裂缝提取信息、有效抑制噪声;使用注意力机制将编码与解码过程相连接,提升裂缝提取效率和准确率;以条带池化模块替换池化层,解决传统裂缝分割方法对条状特征提取精度差的问题。以CFD数据集为例,将该文方法与U-Net等其他4种提取方法进行对比分析。结果表明,结合条带池化改进U-Net网络的道路裂缝自动提取方法提取的裂缝完整,计算时间短,在指标F1上有明显提升。 相似文献
64.
65.
基于Voronoi几何划分和EM/MPM算法的多视SAR图像分割 总被引:1,自引:0,他引:1
基于区域和统计的SAR分割方法,提出一种结合Voronoi划分技术、最大期望值EM(Expectation Maximization)和最大边缘概率MPM(Maximization of the Posterior Marginal)算法的多视SAR图像分割方法。首先利用Voronoi划分将图像域划分成不同的子区域,而每个子区域可以被看成待分割同质区域的一个组成部分,并假设每个子区域内的像素满足同一独立的Gamma分布,从而建立多视SAR图像模型,并在贝叶斯理论架构下建立图像分割模型,然后结合EM/MPM算法进行图像分割和模型参数估计。该方法将基于像元的马尔可夫随机场(Markov Random Field,MRF)模型扩展到基于区域的MRF模型,并且能同时有效地获取模型参数估计和基于区域的SAR图像最优分割。采用本文算法,分别对RADARSAT-Ⅰ/ⅡSAR强度图像和合成SAR强度图像进行了分割实验,定性和定量的测试结果验证了本文方法的有效性、可靠性和准确性。 相似文献
66.
67.
68.
针对公路路面病害与背景像素对比度低导致检测困难的问题,本文提出了改进Mask R-CNN公路病害检测算法(FAC-Mask R-CNN)。首先在ResNet101基础上增加强位置信息浅层特征表达,并融合相邻特征图作为主干网络最终特征输出,同时引入CBAM模块,以减弱目标与背景像素间低对比度的影响;然后采用深度可分离卷积和空洞卷积分别代替主干网络及有效特征层输出过程应用的普通卷积,提升模型计算效率及掩码预测精度。FAC-Mask R-CNN在公路路面病害数据集(RDD)上平均精确率为89.86%,召回率为88.54%,调和均值为90%,相较于Mask R-CNN算法平均精确率提升3.09%。结果表明,FAC-Mask R-CNN能有效完成公路路面病害精细化检测与分割任务。 相似文献
69.
针对农村道路裂缝识别中存在训练样本数量少、场景单一、提取结果不准确等问题,本文首先依托辽宁省多年份实测道路图像数据,构建具有多种类、多场景的路面裂缝数据集(PCDs),以ResNet50为编码器、SegNet为解码器,构建路面裂缝图像识别模型Res-SegNet,通过增大卷积核的大小获取更丰富的裂缝信息,使用Focal Loss损失函数,令模型更专注困难样本。然后采用分块预测方法提升裂缝在图片中的占比,使图片预测更加精细。最后通过网络模型和预测方法进行对比试验。结果表明,使用Res-SegNet识别PCDs的测试集,在不同的场景中F值为0.691,使用Res-SegNet结合分块预测识别PCDs的测试集,在不同的场景中F值达0.753。 相似文献
70.