多尺度字典学习的高光谱图像压缩算法

结合小波变换及字典学习提出了一种针对高光谱图像的压缩算法。该算法首先通过小波变换构建多尺度样本集,在小波域使用K-均值奇异值分解(K-SVD)方法学习得到原子尺寸不同的多尺度字典,然后在稀疏表示的过程中,定义一个原子使用频次筛选因子,通过统计局部最优波段稀疏表示时原子使用情况,结合筛选因子对字典原子进行优化筛选,使用精简后的字典对其余波段进行稀疏求解,最后针对不同尺度的表示系数采用自适应的量化编码。实验结果表明,与目前常用的3D-SPIHT和其他的多尺度字典学习算法相比,本文算法在中低比特率下,具有更好的重建性能。     

Hyperion 影像分形信号特征研究

高光谱影像具有“谱像合一”的特征, 因而可以从谱和像两个角度对高光谱影像进行分形分析。本文把计 算表面分形维的双层地毯法用于计算Hyperion 高光谱曲线的分形维, 根据每一像元的高光谱曲线计算出每一尺度 的上分形信号和下分形信号, 并对分形信号值及分形特征尺度进行分析。结果表明对于不同地物其分形信号在某些 特定尺度(分形特征尺度)有较大的差异, 而且对于Hyperion 高光谱影像, 下分形信号可更有效地突出地物特征。文 章最后简要讨论了上分形和下分形、起始计算尺度以及原始采样点数目对分形特征尺度的影     

基于GIS的马尾马江片区公共厕所布局分析与优化

公共服务配套设施的合理布局和质量提升是新型城镇化的内涵之一,将GIS技术应用于规划领域可使规划成果具更理性与可实施性。以福州市马尾区马江片区为例,基于出行人群密度、区域繁华程度、公共厕所服务半径三者间的对应关系,对马江片区公共厕所的空间布局进行分析,认为该片区现状公共厕所存在数量与质量上的双重不足。针对存在的不足,提出优化算法与优化布局方案,并基于GIS技术实现可视化模拟。优化后的公共厕所共有53座,较现状的27座增加26座,符合《城市公共厕所设计标准》规定;公共厕所服务区覆盖片区总面积的91.5%,较现状的38.8%增加52.7%,满足城市规划与未来发展的需求。     

一种Brovey变换图像融合法的改进算法

分析了的Brovey变换融合算法,提出了一种新的基于Brovey变换、对数变换亮度调整的图像融合方法,试验数据的对比和分析证明了其保留多光谱影像的光谱信息.     

跨海大桥高程基准统一新方法研究

提出基于高程异常差的GPS跨海水准新方法,给出新方法的基本原理和数据处理方案,对用垂线偏差、神经网络法、支持向量机求解高程异常差方法的精度和实用范围作计算分析.结果表明:基于垂线偏差的高程异常差拟合方法适用于距离约5 km的高程传递.基于支持向量机的高程异常差拟合方法,在平原地区,当GPS和水准重合点的点数较多、点位分布较合理时,跨距可以达到30 km.而基于神经网络进行高程异常差拟合适用于距离约10 km的高程传递.     

D-InSAR三轨法监测城市地表沉降的研究

差分干涉测量（DInSAR）技术是合成孔径雷达（SAR）卫星应用的一个拓展。雷达图象的差分干涉可用于监测厘米级或更微小的地表形变,以揭示许多物理现象,如地震形变、火山运动、大气变化、冰川漂移、地面沉降以及山体滑坡等。实验选取典型的上海市地面沉降场作为研究对象,使用三幅欧洲空间局ERS1和ERS2的C波段数据,采用三轨法,成功提取了上海市相隔20个月的地面沉降图。     

利用Jason-1卫星确定全球平均海面高

介绍了卫星测高数据处理的基本方法,分析研究了卫星测高的主要误差,提出了Jason-1的数据编辑准则,并用其测高数据确定了全球平均海面高,与CLS01模型进行了比较分析.     

顾及地貌特征的矿区地表塌陷DEM的生成方法

地下煤炭资源开采导致矿区地表塌陷和矿区地形的变化,直接由开采沉陷下沉预计数据生成的DEM不能表现矿区地表塌陷后的地形状况。通过在开采沉陷下沉预计程序中增加高程修正计算功能,对矿区原始地貌高程进行下沉修正计算,生成矿区地表塌陷高程数据文件,由该数据文件可以生成顾及地貌特征的矿区地表塌陷DEM。该方法操作和实现简单,生成的DEM精度可靠,能够表现矿区地表塌陷后的地形状况,可以作为矿区地理信息系统的基础数据,对于指导开采沉陷的防治和治理具有重要意义。     

非量测数码影像在航测成图中的应用

如何加速成图周期,快速、高效地生产各种地理信息产品是摄影测量应用研究的主要内容.本文介绍了非量测数码航摄影像在全数字摄影测量工作站上进行地理信息产品生产的技术方法和工作流程,研究了关键技术环节.     

Automated Target Detection and Discrimination Using Constrained Kurtosis Maximization

Exploiting hyperspectral imagery without prior information is a challenge. Under this circumstance, unsupervised target detection becomes an anomaly detection problem. We propose an effective algorithm for target detection and discrimination based on the normalized fourth central moment named kurtosis, which can measure the flatness of a distribution. Small targets in hyperspectral imagery contribute to the tail of a distribution, thus making it heavier. The Gaussian distribution is completely determined by the first two order statistics and has zero kurtosis. Consequently, kurtosis measures the deviation of a distribution from the background and is suitable for anomaly/target detection. When imposing appropriate inequality constraints on the kurtosis to be maximized, the resulting constrained kurtosis maximization (CKM) algorithm will be able to quickly detect small targets with several projections. Compared to the widely used unconstrained kurtosis maximization algorithm, i.e., fast independent component analysis, the CKM algorithm may detect small targets with fewer projections and yield a slightly higher detection rate.