曲波特征加权的高分辨率遥感图像统计分割方法研究

高分辨率遥感图像精确分割是遥感图像处理的研究热点和难点。高分辨率遥感图像中同质区域间的差异性不仅表现在光谱特征上,同样存在于边缘、纹理等结构特征上。为了更好分割高分辨率遥感图像,需在分割算法中考虑结构特征。因此,如何提取更多有助于精准分割的结构特征,并探究这些特征在分割过程中的作用规律成为设计高分辨率遥感图像分割算法的关键问题。为此,论文提出在曲波变换理论基础上构建不同结构特征提取模型,并以加权的方式将提取的结构特征纳入贝叶斯和能量分割模型中。     

基于MEA-BP神经网络的卫星钟差预报

卫星钟差是影响导航定位精度的重要因素之一,建立高精度的钟差预报模型对高精度定位有重要意义。针对常用模型卫星钟差在短期预报中随时间增加误差积累,以及传统BP神经网络不稳定,容易出现过拟合等问题,本文提出一种基于思维进化算法(MEA)优化的BP神经网络钟差预报模型和算法。首先对原始钟差数据进行一次差处理;然后利用思维进化算法对BP神经网络的初始权值和阈值进行优化,给出该模型进行钟差预报的具体步骤;选用IGS站提供的多天GPS精密钟差产品数据进行试验分析,使用GPS一天中前12 h数据建模,进行2、3、6和12 h的钟差预报。结果表明:利用MEA-BP模型得到的上述4种时段的预报精度分别优于0.36、0.38、0.62和1.56 ns,预报误差曲线变化起伏较小,说明新模型的预报性能优于3种传统模型,新模型在钟差预报短期预报中的实用性及稳定性是较佳的。     

顾及兴趣点潜在上下文关系的城市功能区识别

城市功能结构的探索对人们理解城市及城市规划有着重要的作用。兴趣点(point of interest,POI)数据作为城市设施的代表,被广泛应用于城市功能区提取。以往对城市功能区研究大多只考虑了POI统计信息,忽略了POI中丰富的空间分布信息,而POI空间分布特征与区域功能密切相关。本文利用空间共位模式挖掘方法挖掘POI潜在上下文关系,提取POI空间分布信息,构建区域特征向量,并进行区域聚类;再利用POI类别比例、居民的出行特征等对聚类结果进行识别。以北京市核心城市功能区为例,将研究结果与北京市百度地图、居民出行特征进行对比验证分析。试验表明,本文方法能识别出具有明显特征的城市功能区,如成熟的娱乐商业区、科教文化区、居住区等。同时,与基于POI语义信息的LDA方法及顾及POI线性空间关系的Word2Vec方法进行对比分析,证明了本文方法的优越性。     

ASTER GDEM V2的南极冰川高程误差校正及精度分析

ASTER GDEM V2是研究南极冰盖表面的一种重要DEM数据源。由于南极冰雪区反射率高且缺乏地形特征,导致ASTER GDEM V2存在大量的坑、隆起等噪声,难以直接用于南极地形分析。本文以ICESat/GLAS激光点高程数据作为参考,采用修正等高线法对南极伯德（Byrd）冰川ASTER GDEM V2进行了误差校正,并将其与ICESat-1 DEM的垂直精度进行了对比分析。结果表明：ASTER GDEM V2的RMSE由校正前的26.56 m下降到校正后的18.77 m,远低于ICESat-1 DEM的RMSE（121.24 m）;校正后的ASTER GDEM V2高程精度受坡度影响较小,不存在明显的系统误差,而ICESat-1 DEM的高程精度受坡度的影响较大。本研究进一步通过地形剖面分析得到：校正前的ASTER GDEM V2噪声主要分布于高程较低、地形平坦的区域,通过修正等高线的方法可以有效去除这些噪声,去除噪声后的ASTER GDEM V2可作为研究伯德冰川理想的DEM数据源。     

京津冀协同发展重要地理国情监测研究与应用

文章阐述了开展京津冀协同发展重要地理国情监测的现实背景和意义,依托地理国情普查和常态化监测,结合京津冀一体化发展需求,提出了京津冀协同发展重要地理国情监测的总体思路、研究内容、关键技术和研究方法等,并开展了京津冀地区自然生态空间变化监测、高等级公路和铁路交通网络变化监测、重点大气颗粒物污染源空间分布监测等重要地理国情信息监测研究,成果已经在京津冀地区可持续发展评价、京津冀生态文明建设、空间规划管理等工作中得到了广泛应用。     

内点最大化与冗余点控制的无人机遥感图像配准

利用小型无人机进行遥感图像配准在自然灾害损害评估、环境监测和目标检测与追踪等领域发挥着至关重要的作用,但小型无人机的图像采集过程容易受风速/风向、复杂地形、电池容量、飞行姿态、飞行高度等自然或人为因素的影响。这些问题通常会导致捕捉到的场景重叠率低与图像非刚性畸变,在特征点提取过程中产生大量冗余点,增加了图像配准的难度。本文提出一种基于特征点的小型无人机图像配准方法,该方法的核心思想是在配准过程中识别冗余点,同时最大化可用内点数量。所识别的冗余点当作控制点,用于控制网格代图像的运动。最后通过最大化内点和合理移动控制点来恢复图像变换。本文使用50对小型无人机图像进行特征匹配和图像配准的实验,其中平均配准精度可达80.38%,并且本文方法在所有的情况下都优于5种当前流行算法。     

基于间接平差的ICP点云配准算法研究

点云配准精度是决定三维重建模型的质量因素之一,目前,最常用是ICP点云配准算法,经典的ICP算法易局部收敛,影响点云配准精度。本文提出基于间接平差的ICP点云配准算法,设定目标点集中目标点坐标与转入目标点集中的点坐标之间的距离阈值实现点云精确配准。通过与经典ICP算法对比可知,本算法在一定程度上提高了点云配准精度和速度。     

基于二三维一体化的智慧警务地理信息平台建设与研究

"智慧警务"是"智慧城市"的重要组成部分,也是社会治安防控体系发展的必然趋势,应提高认识,积极探索和论证建设"智慧警务"的模式和方法。本文阐述了基于二三维一体化的智慧警务地理信息平台建设内容和总体框架,并详细地介绍了警用地理信息系统及智慧警务应用系统建设内容和技术路线。     

复杂卫星图像中的小目标船舶识别

船舶作为海上的重要目标,实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰,以及小目标船舶高漏检率问题,本文提出一种多尺度深度学习模型训练策略,在此基础上构建了一种船舶识别的深度学习网络,该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先,采用多尺度的训练策略,将多尺度的船舶样本送入网络中进行训练,这样在训练样本中加入了大量小目标船舶的样本,使网络充分提取到小目标船舶的特征;其次,通过卷积神经网络对目标船舶进行特征自适应提取;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船舶的位置;最后,通过多个全连接层的组合,将高维特征映射到一个4元组中,再运用分类函数输出每一类船舶的概率值,概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种负样本增强学习的方法,在样本数据集中加入了大量只含有云雾和海岸背景的图片,进行负样本扩充,增强网络模型对云雾及海岸背景的特征学习能力,以此解决复杂海情的影响。实验结果表明,所提方法有效解决了复杂海情条件下的船舶识别难,以及小目标船舶识别难的问题,实现了复杂海情条件下的船舶识别。同时,与现有成熟的深度学习目标识别算法相比,本文算法的精确度和召回率分别提升了6.98%和18.17%,所训练的模型具有良好的泛化能力和鲁棒性。     

A-FPN算法及其在遥感图像船舶检测中的应用

光学遥感图像船舶检测主要面临两个挑战:光学遥感图像背景复杂,船舶检测易受海浪、云雾及陆地建筑等多方面干扰;遥感图像分辨率低,船舶目标小,对于其分类与定位带来很大困难;针对上述问题,在FPN的基础上,提出一种融入显著性特征的卷积神经网络模型A-FPN (Attention-Based Feature Pyramid Networks)。首先,利用卷积提取图像特征金字塔;然后,利用顶层金字塔逐级构建显著特征层,抑制背景信息,通过金字塔顶层的细粒度特征提高浅层特征的表达能力,构建自上而下的多级显著特征映射结构;最后利用Softmax分类器进行多层级船舶检测。A-FPN模型利用显著性机制引导不同感受下的特征进行融合,提高了模型的分辨能力,对遥感图像处理领域具有重要应用价值。实验阶段,利用公开的遥感目标检测数据集NWPU VHR-10中的船舶样本进行测试,准确率为92.8%,表明A-FPN模型适用于遥感图像船舶检测。