CORS支持下的超站仪快速坐标测量算法分析

超站仪是全站仪和GPS接收机的一体化仪器,在CORS网络的支持下,可以实时得到仪器的厘米级精度坐标,通过距离交会,可以实现无定向点设站。文中对该方法做了分析,并进行精度评定。通过实验得出实测结果与理论分析一致,表明文中方法能够满足目前的应用部门对测量的精度要求,且算法简单,方便易行,能极大地提高作业效率,具有一定的工程应用价值。     

基于ArcGIS的省级政务电子地图制作方法及关键技术探讨

首先介绍了ArcGIS平台利用广东省基础地理数据快速制作出省级政务版多比例尺电子地图的流程,重点对遇见的相关技术问题进行了分析探讨,并提出了解决问题的方案及办法,为其他地区大范围多级比例尺电子地图快速制作提供参考。     

资源三号卫星前视影像的建筑物高度提取

建筑物高度对建筑物容积率、城市风向以及城市环境等都具有明显的影响。针对太阳入射方向与卫星观测方向在建筑物异侧时,建筑物侧面与阴影在遥感影像上因极其相似而难以区分的问题,该文基于资源三号卫星前视影像,利用基于规则的面向对象特征提取方法提取建筑物侧面及阴影特征。根据卫星成像时的太阳、卫星以及建筑物之间的空间几何关系,构建了建筑物侧面与阴影的长度比例系数,进而估算了建筑物的高度信息。最后以实测高度进行了高度提取的精度评价,验证结果表明,反演的平均精度达到了92.28%,证明了资源三号卫星前视影像在提取建筑物高度方面的良好可行性。     

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。     

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。     

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。     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

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。     

长距离GPS/BDS参考站网多频载波相位整周模糊度解算方法

长距离网络RTK是实现GPS/BDS高精度实时定位的主要手段之一,其核心是长距离参考站网GPS/BDS整周模糊度的快速准确确定。本文提出了一种长距离GPS/BDS参考站网载波相位整周模糊度解算方法,首先利用GPS双频观测数据计算和确定宽巷整周模糊度,同时利用BDS的B2、B3频率观测值确定超宽巷整周模糊度。然后建立GPS载波相位整周模糊度和大气延迟误差的参数估计模型,附加双差宽巷整周模糊度的约束,解算双差载波相位整周模糊度,并建立参考站网大气延迟误差的空间相关模型。根据B2、B3频率的超宽巷整周模糊度建立包含大气误差参数的载波相位整周模糊度解算模型,利用大气延迟误差空间相关模型约束BDS双差载波相位整周模糊度的解算。克服了传统的使用无电离层组合值解算整周模糊度的不利影响。采用实测长距离CORS网GPS、BDS多频观测数据进行算法验证,试验结果证明该方法可实现长距离参考站网GPS/BDS载波相位整周模糊度的准确固定。     

电离层局部格网降分辨率层析方法

网格划分是电离层层析的重要一环,也是影响层析精度的重要因素之一。然而,现有研究更多地关注如何通过反演算法及模型来提高精度,较少关注格网划分这一手段。本文拟从格网划分这一角度来对电离层层析方法进行优化。先利用若干试验研究了格网分辨率与层像精度的关系,然后在此结论基础上提出了一种通过降低非感兴趣区域格网分辨率来提高感兴趣区域层像精度的方法。为验证本文方法的可行性,分别开展了两个不同的层析试验。两个试验同时表明:相对于传统的格网划分方法,本文方法在均方根误差、平均绝对误差、68%及95%百分位、标准差等多个精度指标上均具有优势。根据本文试验,利用本文方法均方根误差及平均绝对误差可望分别减少15%至40%。