高分一号卫星遥感影像提取冰川堰塞湖水体方法比较

快速准确地从遥感影像提取冰川堰塞湖水体信息,是研究冰坝遥感监测与应急监测的核心热点问题.以GF-1卫星遥感影像为主要数据源,采用归一化差分水体指数(NDWI)、改进阴影水体指数(ENDWI)和面向对象(SVM)对克亚吉尔冰川堰塞湖水体进行定量提取.比较分析3种水体判识方法,3种方法均可以提取完整的水体边界,并且抑制了9...     

变形监测缺失数据序列灰色建模方法探讨

在测量工作中,由于气候环境、观测方法、观测仪器以及观测人员自身因素等多方面的原因,可能造成观测数据的丢失或者不完全。文中针对这类数据的处理,采用加权平均法和三次样条插值法对缺失数据进行修复,建立GM （1,1）模型,并与非等间隔预测模型进行对比。通过两组仿真数据和两组实测数据验证发现：对于呈指数增长的序列和高增长序列修复之后建模预测精度更高;三次样条插值法数据修复后GM （1,1）建模预测精度较加权平均法预测精度更高;对于低增长序列,直接采用非等间隔建模预测精度更高。     

体素模型的战场环境建模研究

针对基于面模型的战场环境建模难以展现战场环境要素的内部属性和规律等的不足,该文提出了利用体素模型实现战场环境建模的基本方法。该方法能够记录战场环境各要素的不同属性,反映其内部属性和规律,准确地模拟战场地理环境的变换过程,可实现战场环境各要素的统一建模。文章利用体素模型实现了对战场环境的认知与抽象,对战场环境体素数据模型进行了分类。最后以战场地形环境要素为例,利用战场环境基本体元实现了对战场地形环境的体素建模。     

局部均值分解与支持向量回归的大坝变形预测

针对现有变形预测方法对于大坝变形的预测效果不理想的问题,该文利用局部均值分解方法获取生产函数分量并进行支持向量回归建模,用此方法对大坝变形进行多尺度分析。通过局部均值分解对大坝变形序列进行分解得到其乘积函数分量,然后利用支持向量机回归进行外推预测,再把各乘积函数分量的预测结果进行叠加重构生成,进而获得大坝变形预测值。通过实例分析,比较GM(1,1)、支持向量机和该文方法3种模型在变形监测数据处理中的拟合和预测结果,表明该文方法充分发掘数据本身所蕴含的物理机制和物理规律,提高了大坝变形多尺度预测精度。     

多光谱遥感影像亮度空间相位一致性特征点检测

提出了一种基于亮度空间和相位一致性理论的多光谱遥感影像特征点检测算法。首先利用参数自适应的灰度变换函数建立影像亮度空间;然后结合相位一致性方法在影像亮度空间进行候选特征点检测,并将候选特征点映射到原始影像上进行非极大值抑制;最后在尺度空间计算特征点的特征尺度值。本文方法有效结合了亮度空间特征检测和相位一致性特征检测的优势,对多光谱遥感影像的辐射变化具有较强的稳健性。试验结果证明,与传统特征点检测算法相比,本文方法在特征重复率和重复特征数量方面都具有明显的优势。     

复杂城区车载激光扫描点云分层路段定位与数据纠正实验研究

高精度的车载点云数据是实现各种城市地物要素提取的前提,但在复杂城市环境下车载作业时信号遮挡、衰减和多径效应频繁发生,进而造成点云数据精度严重降低,如何对复杂环境下的点云数据进行分析和纠正就显得至关重要.现有的质量分析方法多从测距误差、仪器安装误差和数据处理误差方面出发,虽然可以在一定程度上改化数据,但在如何快速定位出分...     

马尔科夫链优化Richards曲线的沉降预测模型

针对建筑物沉降具有非线性及随机性的特点,建立了基于马尔科夫链修正的Richards曲线预测模型,以提高模型的预测精度。首先利用Matlab平台的fminsearch函数,以拟合值与实测值误差平方和最小为原则,然后求得Richards模型的最优参数解,最后利用马尔科夫思想修正拟合残差,进行沉降预测。以安阳市某高层建筑实际数据为研究对象,通过实例比较分析模型的预测精度。结果表明利用fminsearch进行Richards参数估计是有效的,经马尔科夫链优化后的Richards模型预测值平均绝对百分误差及均方根误差都比单模型预测小,预测精度有了一定的提高,能更好地反映数据序列随时间发展变化的总体趋势,适合于建筑物沉降预测。     

拉格朗日/高斯无奇点卫星运动方程推导与分析

针对卫星轨道理论中的奇点问题,对拉格朗日/高斯无奇点卫星运动方程做了深入的分析和探索,从原始拉格朗日和高斯运动方程及其物理意义出发,考虑圆轨道、圆赤道轨道和赤道轨道3种奇点情况,推导了一种新的拉格朗日/高斯无奇点卫星运动方程,并探讨了方程的连续性。该方程消除了零因子,解决了卫星运动方程的奇点问题。     

改进的AKAZE特征提取的全局式SFM三维重建算法

针对增量式SFM算法过渡依赖初始图像的选择,重建时误差累积导致场景漂移且计算效率低的问题,设计了一种改进的加速KAZE特征提取的全局式SFM三维重建算法.首先通过增强特征接受阈值并构造非线性尺度空间来提取图像的特征,使用改进局部差分二进制MLDB描述符对特征进行描述;然后利用全局式SFM算法对整个场景的相机位姿进行估计,从而减小误差并减少光束法平差BA的使用次数,降低了算法的复杂度,大大提高计算效率;最后利用基于面元的多视立体匹配PMVS算法得到稠密重建结果.实验结果表明,同等条件下该方法能够得到更多的有效点对,计算效率约为增量式SFM算法的2倍,且特征匹配准确率提高5％,稠密重建的点云精度高,信息丰富且纹理清晰,是一种有效的三维重建方法.     

基于自适应Ransac算法的基础矩阵估算

基础矩阵估算是计算机视觉中恢复两张影像相对运动不可缺少的步骤,通常使用Ransac算法从包含大量外点的数据集中估计基础矩阵。经典Ransac判断样本是否为内点的阈值是经验值,不能满足所有样本,且在两个矩阵含有相同内点数时无法确定最优基础矩阵。本文介绍了自适应Ransac算法及流程,将其应用与基础矩阵的解算中。通过利用无人机影像与手机拍摄照片进行实验。实验结果表明,自适应Ransac算法可得到比经典Ransac更精确的基础矩阵。