一种广义时间域电磁测深法——单脉冲电磁测深方法

电磁测深方法可分为频率域测深和时间域测深两大类.时间域测深主要是在一次激励场结束后,观测二次涡流场.对于频率域电磁测深方法,研究问题时仅考虑边界条件即可,但对时间域方法,不但要考虑边界条件,还要考虑初始条件,所以时间域的研究往往比频率域的研究要复杂得多.在以往的时间域方法中,通常使用阶跃波作为激励源,这主要是由于阶跃波激励完成后,有充裕的时间间隙可以观测感应二次场.但由于阶跃波的时间域电磁响应的复杂性,往往采用分时段(分区间)的处理方式,分为远区(早期)、近区(晚期)、过渡区(过渡期)等方式.本文介绍一种利用?单脉冲函数的激励源的时间域电磁响应实现电磁测深的方式.它不需要将时间域分成多个区段,且可以借助任何的第三方激励源来进行激励.观测电磁响应也不需要在激励结束后进行.     

基于卷积运算的影像镶嵌算法研究

本文将距离加权运算运用到卷积运算上提出了改进的图像镶嵌算法。该算法针对重叠区域图像边缘灰度之间的差异,考虑到中心像元与周围像元之间的相关关系,即临近像元效应,因而需要采用一定的方法来消除或减小这种影响效应,基于空间分析方法给出了像元权重因子的求解,确定出了周围像元对中心像元灰度的影响。之后运用此权重因子采用卷积距离加权算法实现了影像的无缝镶嵌。文中最后对算法在时间和视觉效果上做出了一定的评价。经与其他3种镶嵌算法分析对比,该算法简单易行、耗时少、效率高,达到了良好的视觉效果。     

基于二维三次卷积插值算法的波前构建射线追踪

针对波前构建法在实现波前射线路径追踪过程中所遇到的速度以及速度导数的插值问题,提出一种更精确的二维三次卷积插值算法,将该算法应用到波前构建法中,得到比较精确的射线路径。实例证明,所采用的插值算法在应用到波前构建的过程中,在求解非网格节点的速度及导数时与双三次多项式插值算法相比能够更加快速准确地获得射线路径。     

基于残差网络结构的道路语义分割

从高分辨率光学遥感影像中提取地物信息受到广泛关注,道路提取是其中一项重要任务.设计了一种基于残差网络结构的深度学习神经网络模型,并将该模型与FCN网络模型和U-Net网络模型输出结果进行了对比.结果表明,本文方法不仅在F1得分和IOU上均优于其他两个模型,并且在提取的道路平滑度和图像噪声处理方面也具有一定的优势.     

基于改进卷积神经网络的城市地下排水管道视频智能识别

城市地下排水管道是市政工程中的一个重要基础设施,但随着管道的老化,不同类型的缺陷开始产生,如何及时有效地对其进行智能识别是当前市政管理面临的一个重要挑战。对此,本文利用当前最新的深度学习进行管道视频图像的智能识别,提出了基于改进卷积神经网络的IM-CNN算法。算法基于InceptionV3框架,针对需要识别的管道图片不同类别缺陷间具有类不平衡性的特点,设计了面向管道识别的改进特征融合策略及新的目标函数。基于地下排水管道数据集的试验表明,该算法的预测识别能力不仅优于传统的机器学习算法,而且强于已有直接利用卷积神经网络的算法。     

基于注意力机制的高分遥感图像采石场识别

采石业对国民经济起到积极作用的同时,给生态、环境和人居安全带来了隐患。目前,石矿区生态修复成为重要的生态文明建设问题。解决该问题的前提是识别采石场且确定石矿区边界。高分遥感对地观测和深度学习技术为高精度识别采石场并确定矿区边界提供了有效的途径。本文基于残差网络,设计了注意力金字塔结构和细节增强模块,以少量参数和极低计算复杂度为代价,从无人机高分遥感图像中有效识别石矿区。试验采用福建省南安市高分遥感图像和人工实地考察获取的石矿区边界真值作为数据源,构建用于卷积神经网络训练的数据集,并对算法精度进行验证。试验结果表明,本文方法速度快、精度高,可为石矿区生态修复提供可靠的支撑材料。     

利用深层卷积神经网络实现地形辅助的多波束海底底质分类

海底底质分类对于海洋资源开发与利用、海洋科学研究等多方面具有重要意义。目前,多波束探测是实现大范围海底底质分类的有效手段之一,通常基于多波束反向散射强度提取角度响应(AR)特征及反向散射图像特征进行底质分类。由于特征来源较单一,分类器结构简单,往往分类精度不高。为此,本文提出了一种基于深层卷积神经网络(CNN)的多波束海底底质分类方法。除反向散射强度特征外,还利用地形特征,将特征向量转换为波形图,再输入卷积神经网络进行训练和分类。试验对比不同特征组合以及BP网络、支持向量机(SVM)、K近邻(KNN)、随机森林(RF)4种常规分类器,本文模型算法总体分类精度达到94.86%,Kappa系数为0.93,精度具有明显优势,效率也比较高。表明该方法有效利用两种数据类型所蕴含的海底底质信息,充分发挥卷积神经网络权值共享、高效率等特点,实现高分辨率海底底质分类,可对海底底质分类研究提供参考。     

改进全卷积网络方法的高分二号影像农村道路提取

针对目前利用高分遥感数据提取农村道路的研究与应用少,提取结果精准度不够的问题,提出了结合空洞卷积和ASPP（Atrous Spatial Pyramid Pooling）结构的改进全卷积农村道路提取网络模型DC-Net（Dilated Convolution Network）。该模型基于全卷积的编解码结构来提取道路深度特征信息,同时针对农村道路细长的特点,在解编码层之间加入了以空洞卷积为基础的ASPP（Atrous Spatial Pyramid Pooling）结构来提取道路的多尺度特征信息,在不牺牲特征空间分辨率的同时扩大了特征感受野FOV（Field-of-View）,从而提高细窄农村道路的识别率。以长株潭城市群郊区部分区域为试验对象,以高分二号国产卫星遥感影像为实验数据,将本文提出的方法与经典的几种全卷积网络方法进行实验结果对比分析。实验结果表明：（1）本文所提出的道路提取模型DC-Net在农村道路的提取上具有可行性,整体提取平均精度达到98.72%,具有较高的提取精度;（2）对比几种经典的全卷积网络模型在农村道路提取上的效果,DC-Net在农村道路提取的精度和连结性、以及树木和阴影的遮挡方面,均表现出了较好的提取结果;（3）本文提出的改进全卷积网络道路提取模型能够有效地提取高分辨率遥感影像中农村道路的特征信息,总体提取效果较好,为提高基于国产高分影像的农村道路提取精度提供了一种新的思路和方法。     

基于深度卷积神经网络的云检测方法

本文将Fmask云检测结果作为标记样本对深度卷积神经网络进行训练以实现云检测。在仅利用可见光波段和近红外波段的前提下,本文方法的云检测总体精度达到87.65%,高于Fmask的86.92%,而且单景Landsat 8影像的识别用时18 s,远低于Fmask的72 s,具有更高的精度和效率。另外,该方法适用于不同的地表土地覆盖类型,具有很强的泛化能力,是一个通用性强的算法,为进一步的遥感应用打下基础。     

多尺度自卷积变换与MSER组合的影像匹配方法研究

针对影像仿射变换较大,目前常用局部特征提取算法匹配效果不理想的问题,提出以信息熵为约束条件,筛选出高信息量的MSER特征区域.文中利用多尺度自卷积(MSA)变换的灰度概率密度函数直方图熵构造新的特征向量,并以此作为优化后的MSER局部特征区域的描述符,组合成一种新的具有抗仿射变换的局部特征匹配方法,经过两组具有仿射变换的近景影像对该算法的实验验证,算法整体上可以有效地剔除10％ 以上的质量不好的特征区域.研究表明,在匹配准确性上,效果要优于MSER算法,尤其是程度较大的仿射变换,平均匹配准确率也要比MSER高.