基于PCAnet的高分辨率遥感影像场景分类

高分辨率遥感影像中的场景信息,对影像解译和现实世界的理解具有重要意义。传统的场景分类方法多利用中、低层人工特征,但是高分辨率遥感影像的信息丰富,场景构成复杂,需要高层次的特征来表达。本文提出一种基于PCAnet的高分影像场景分类算法,无监督地逐级提取深层特征。首先,利用显著性探测算法获取显著图,根据显著区域,采样具有代表性的影像块作为初始样本集;然后,将样本集输入到PCAnet中进行特征提取;最后,利用支持向量机(SVM)进行分类。高分影像场景数据UC Merced 21类实验表明,与已有方法相比,本文方法能够有效地提高分类精度。     

新时期遥感类课程教学改革的传承与变革辩证关系

从教学理念、教学内容、教学方法及考试考核等关键教学环节,系统总结了遥感类课程的核心要义,深刻剖析了其传承与变革的辩证关系,最后以笔者所在学校遥感应用与专题制图课程为例,介绍其在变革与传承中的做法,以期为其他高校或专业的遥感类课程教学提供参考与借鉴。     

面向对象的高分辨率遥感影像城区建筑物分级提取方法

提出一种高空间分辨率遥感影像城区建筑物自动提取方法。该方法将面向对象的思想融入到基于邻域总变分的建筑物分割方法中,并通过分析分割后不同类型建筑物提取的难易程度,提出一种多特征融合的建筑物对象分级提取策略:首先通过形状分析检测一部分分割完整的矩形建筑物目标,然后采用新提出的多方向形态学道路滤波算法将建筑物与邻近光谱相似的道路目标分离,确保每一个候选建筑物目标都是独立的对象,最后利用初提取的建筑物对象和已剔除的非建筑物对象作为样本建立概率模型,根据贝叶斯准则进行建筑物后提取。实验表明:该方法可以检测同一幅影像中具有不同形状结构和光谱特性的建筑物目标,准确率高、鲁棒性好。     

基于局部拉普拉斯算子的灾后建筑物损毁检测

灾后建筑物损毁检测有助于灾后的迅速救助,因此,开展对高分辨率遥感影像灾后建筑物损毁检测的研究具有重要意义。本文提出了一种基于局部拉普拉斯算子的高分辨率遥感影像灾后建筑物损毁检测的方法。首先,利用局部拉普拉斯算子将灾后高分辨率遥感影像分为平滑表面类和粗糙表面类,然后,根据灾害前建筑物数字线划图提取灾害后未损毁建筑物得到检测结果。为验证本文方法的有效性,采用两组纽约市2012年飓风后的高分辨率遥感影像进行实验。结果表明,本文提出的方法能取得超过92%的总体精度。     

空-谱信息与稀疏表示相结合的高光谱遥感影像分类

针对传统的高光谱遥感影像分类中多依赖光谱信息而忽视空间信息以及提取的特征维数高的问题,提出了一种空-谱信息与稀疏表示相结合的分类算法。首先,利用最小噪声分离对原始影像进行降维,在此基础上,对主成分图上局部影像块内的所有像素进行重组,并用排序的方法得到旋转不变的空-谱特征。然后,对空-谱特征进行监督学习得到字典,并将提取的测试样本的空-谱特征编码到字典中以得到测试样本的稀疏表示。最后,使用支持向量机分类器(SVM)对高光谱影像进行分类。3组高光谱数据试验表明,与传统的分类方法比较,本文方法能有效提高分类精度。     

一种新的高分辨率遥感影像城区提取方法

利用城区特有的局部特征,提出了一种新的高分辨率遥感影像城区提取方法。该方法首先对原图像做多角度和多频率组合的Gabor变换,然后利用Ostu方法阈值分割所有变换结果,并在每个中心频率上对各个方向的阈值分割图做逻辑与运算,其次根据运算结果图上Gabor特征的分布情况,确定适合影像的最优中心频率,最后利用滤波器在最优中心频率上的特征提取结果,结合高斯函数构建空间投票矩阵,最终提取城市区域。实验表明,该方法可以成功地提取高分辨率影像城市区域,且具有较高的准确度。     

测绘工程专业硕士卓越工程师相关培养环节现状分析

培养测绘工程专业卓越工程师的主要目的是打造创新能力强、实践能力强、竞争能力强的测绘人才队伍。本文针对中南大学测绘工程专业硕士卓越工程师培养过程中学生、企业、学校管理和导师4个层面之间遇到的衔接问题进行一定程度的探索研究,为健全和完善工程类高层次测绘人才培养机制提供参考。     

测绘工程专业硕士卓越工程师校企联合培养模式现状分析

2011年教育部和国家测绘局正式启动测绘领域卓越工程师教育培养计划,旨在共同打造创新能力强、实践能力强、竞争能力强的测绘人才队伍。在卓越工程师教育培养计划下,校企合作培养人才是测绘工程教育发展的必然选择,本文针对校企联合培养模式现状进行分析,提出在现有培养模式基础上进一步完善校企合作机制,以培养具有实践能力和创新意识的卓越测绘工程人才。     

高分辨率遥感影像的压缩纹理元分类

针对传统的高分辨率遥感影像分类中特征提取复杂,特征维数大等问题,提出一种新颖,简单,高效的纹理特征提取方法。首先,利用随机投影对基于原始像素灰度值的纹理元矢量进行降维,将其投影到压缩的纹理特征子空间。然后,在压缩子空间中对各类纹理元进行聚类,将聚类中心作为纹理字典,得到局部纹理特征集。最后,将样本中包含的纹理元编码到纹理字典中对应距离最近的词汇,得到样本的视觉词汇图,并融合词汇统计直方图与词汇二阶矩信息作为最终的纹理表达。通过两组实验,验证了本文方法能够有效的表达纹理,提高分类精度。