相对仿射变换自适应模拟下的ASIFT宽基线立体匹配研究!

针对Affine-SIFT(ASIFT)穷举模拟影像匹配带来的海量特征描述符提取以及高维距离计算问题,本文提出了一种自适应选取最优仿射变换集以大幅减少模拟影像数量,进而提高ASIFT宽基线立体影像匹配效率的方法,并就其中单应性下的相对仿射变换模拟、渐进式匹配搜索与模型参数估计以及最优仿射变换集的确定等关键问题进行了阐述。实验表明,本方法较好地兼顾了ASIFT宽基线立体影像匹配的稳健性与效率,具有实用价值。     

道路网匹配的蚁群算法求解模型

利用蚁群算法的群体优势,寻找全局最优的道路网同名实体匹配方案。首先从几何矢量误差和结构特征两方面建立了匹配问题的数学约束模型;然后阐述了蚁群算法求解匹配问题的基本原理,设计了问题求解模型,并引入自适应和局部搜索策略提高了算法效率;最后给出了求解的关键步骤。实验证明,利用蚁群算法进行道路网匹配是有效、可行的,为求解匹配问题提供了新思路。     

几何地理要素的相似性度量方法研究

几何地理数据相似性是地理数据匹配处理的基础,决定着地理数据匹配结果的成功率和准确率。本文分别从点、线、面3个角度对几何地理数据的相似性进行深入分析,通过对点、线、面三种地理要素特点的深入研究,给出了几何地理数据的相似性算法和度量模型。通过实验,初步验证了所提算法的可行性,为地理数据的相似性匹配研究奠定了基础。     

严密定位模型辅助的国产卫星影像匹配

针对不同传感器下的国产卫星影像特点,提出了一种基于严密定位模型的影像匹配方法。在现有方法的基础上,改进扫描行迭代搜索法,实现同名点的快速预测。在全球SRTM数据的辅助下,建立了近似核线方程。通过局部畸变改正,消除了匹配窗口的几何与辐射变形。引入多片最小二乘匹配(MPGC)算法,对匹配结果进行精化,并剔除误匹配点。综合运用了小面元几何纠正法与基于控制网的匹配生长算法,提高了匹配点的匹配精度与分布均匀性。利用天绘一号、资源一号02C、资源三号卫星影像进行试验,结果表明所提出的方法能够较好地结合国产卫星影像特点,实现多传感器下多轨道影像的全自动联合匹配,获得高精度的同名点观测值。     

基于Landsat-7影像的缺行修复算法对比分析

采用人为制作的缺行模拟数据,基于Matlab平台对其中4种修复算法——全局直方图匹配修复算法、局部直方图匹配修复算法、自适应窗口直方图匹配修复算法以及自适应窗口回归图像修复算法编程实现图像修复,定量比较4种算法修复效果。结果表明,当修复缺行数据宽度较大的图像时,无论缺行数据位于图像何处,全局直方图匹配修复算法修复效果最理想;当修复缺行数据位于图像内部且宽度较小的图像时,自适应窗口回归修复算法修复效果最理想。     

基于主方向的SIFT误匹配点剔除方法

针对RANSAC方法在剔除SIFT误匹配点方面的不足,提出了一种基于主方向的SIFT误匹配点剔除方法。结果表明,该算法与RANSAC相比,耗时较少,剔除效果更好,保留的正确匹配点数更多,且当误匹配点数量多于正确匹配点时也能得到很好的剔除效果。     

基于Google Maps的路径分析方法研究

路径分析是GIS中的常用功能,它根据起点和终点的位置坐标,计算出一条可行路线表示在地图上,为大众用户的出行提供路线查询方法。本文在研究地名地址匹配技术与Google路线请求服务及Google地名服务基础上,结合两者优势,提出基于Google Maps的路径分析方法,并以实验进行论证,为在基于网络地图服务的WebGIS系统上实现路径分析功能提供一种新思路。     

利用方向纹理特征从影像上搜索道路中心线

针对遥感影像道路中心线提取问题,提出利用方向纹理特征辅助道路中心线匹配搜索的思想,以人工给出的道路种子点和初始搜索方向为基础,运用方向纹理特征直接从遥感影像上匹配搜索道路的中心线。算法通过预测道路的宽度、弯曲等情况来自动调整纹理窗口的大小,因而能够很好地搜索到道路中心线,此外算法针对树木遮挡、车辆压盖设计了相应的处理策略。实验表明:该方法对遥感影像上不同类型道路均有很好的提取效果,且提取效率高于现有的道路提取算法。     

基于概率的地图实体匹配方法

数字地图合并是通过同名实体匹配和合并变换技术,调整相关地物实体的几何、属性等差异,实现同一地区不同来源地图数据的集成和融合。其中同名实体匹配是极为重要的第一步,也是一个存在大量不确定性的过程,匹配阈值的选取、实体非一对一的匹配关系是匹配中的关键难题,匹配效果不佳或出现错误匹配直接影响着后续合并结果的正确性。本文提出一种基于概率理论的匹配模型,该模型融合多种匹配指标,通过计算实体匹配概率大小来确定匹配实体。该方法避免了匹配指标精确阈值的选取,并且能够有效地解决匹配中非一对一的情况。     

卫星影像匹配的深度卷积神经网络方法

本文侧重于智能化摄影测量深度学习的第一个方面：深度卷积方法。传统的影像同名点对提取算法通常利用人工设计的特征描述符及其最短距离作为匹配准则进行匹配,其匹配结果易陷入局部极值,造成部分正确匹配点对的遗漏。针对这一问题,本文引入深度学习方法,设计了一种基于空间尺度卷积层的两通道深度卷积神经网络,采用其进行影像间的匹配模式学习,实现了基于深度卷积神经网络的卫星影像匹配。试验表明,在处理异源、多时相、多分辨率的卫星影像情况下,本文方法比传统匹配方法能提取到更为丰富的影像同名点对,且最终匹配提纯结果正确率优于90%。