论地球重力场奇积分计算

定义斜率Ｙ／Ｘ作为新的积分变量,将地球重力场中与距离倒数１／ｒ有关的奇异积分转化为非奇异。斜率变量使用前后的对比表明,在新变 量的形式下,数值积分收敛很快。     

高程对TDICCD相机像移补偿影响分析

高分辨率遥感卫星中常使用TDICCD(时间延迟积分CCD)相机,为获取高质量遥感影像,在相机成像过程中须采用像移补偿技术,而目前大部分像移补偿忽略了高程的影响。基于参考椭球面下成像矢量模型,建立考虑高程的成像矢量模型及解算方法流程,精确地计算相机成像时像点对应地面成像点的坐标及像移补偿参数。根据计算结果,分析高程对像移补偿参数的影响,在此基础上,综合考虑像移补偿参数精度对高程误差的要求、星上存储空间及高程查询速度,讨论星载数字高程模型(DEM)的生成,为星载DEM的使用及TDICCD相机高精度像移补偿提供理论基础和实验分析。     

k均值聚类引导的遥感影像多尺度分割优化方法

针对不同尺度地物的分割需求,提出了一种k均值聚类引导的多尺度分割优化方法。首先对原始影像进行小尺度分割和k均值聚类,然后利用k均值聚类结果引导对象合并,在合并过程中利用Otsu阈值方法自动选择k均值聚类的影响因子,最终得到适应不同尺度地物的分割结果。以FNEA多尺度分割方法为例,利用模拟数据和真实的GeoEye-1影像数据进行相关试验,目视和定量评价表明本文方法能够得到适宜不同尺度地物的高质量分割结果。     

改进的模糊聚类遥感影像分割

聚类是数据挖掘的重要分支之一,引入模糊理论的模糊聚类分析为显示数据提供了模糊处理能力,在许多领域被广泛应用。本文应用考虑邻域关系的约束模糊C均值(Fuzzy C-Means with Constrains,FCM_S)算法,将邻域像素引入到目标函数中,进而有效地利用邻域像素信息,提高分割精度。本文应用FCM_S算法对模拟彩色纹理图像进行分割,计算其混淆矩阵,定性定量地与FCM算法进行对比分析,证明了该算法的鲁棒性。     

核密度估计的道路匹配方法探讨

针对目前地图合并技术的同名实体匹配中线实体(以道路为例)研究的不足,文章基于密度插值和DEM分析,提出一种针对线实体进行全局匹配的方法:采用积分的思想将核密度估计方法扩展应用于线实体密度计算,通过提取其密度谷脊线,将其应用于地图合并技术领域中的线实体匹配研究主题,指导相似度指标阈值的选取,并取得了较好的效果,为实现同一地区不同来源或不同比例尺(主要是相近比例尺)地图数据合并及数据库集成提供了参考。     

图像分类中基于核映射的光谱匹配度量方法

针对多光谱遥感数据特点利用SSV匹配技术改进高斯核函数得到新的KSSV函数,然后在由KSSV核函数映射得到的高维空间中利用SAM匹配技术代替基于欧氏距离的相似性度量。如此可以充分挖掘多光谱影像中的波谱特征信息并有效利用,提高模式识别方法应用的有效性。将此方法分别应用于非监督分类(k均值)与监督分类(最小距离、SVM)的试验表明,改进度量的分类方法可显著提高地类间的可区分度并有效降低类内的不一致性,更有效针对多光谱遥感影像中的地物类型,获得较好的精度改进。     

基于马尔可夫随机场的模糊c-均值遥感影像分类

针对模糊c-均值聚类方法对初始值敏感,且在聚类时忽略空间相关信息的不足提出一种基于马尔可夫随机场的模糊c-均值聚类方法,该方法用马尔可夫随机场来描述像元的空间相关性,形成顾及空间相关的模糊c-均值分类方法。初始值依据第一主成分的密度函数确定,既克服对初始值的依赖性,又在聚类的时候考虑空间相关信息。通过实例数据验证,所提出的方法分类精度优于传统的模糊c-均值模型。     

利用区域辐射特性优化获取光学遥感数据

通过分析成像过程及其影响因素,提出了对成像积分时间进行控制的优化成像方法。首先建立成像参数模型,探讨了模型参数计算、成像过程中模型参数的选择,分析了图像后处理问题,并利用北京一号小卫星进行了遥感数据优化获取实验。实验结果表明,根据地物特性进行成像参数优化后获取的图像具有更宽的动态范围和更高的辐射分辨率,信息量和信噪比也大幅增强。     

基于积分图像的面状注记配置方法研究

提出了一种基于积分图像的面状图形注记自动配置算法,设计并实现了基于积分图像的面状注记配置的核心算法。实验表明,该算法能快速准确地定位待标记注记的位置,合理而又美观地实现面状图形注记的自动配置。该算法已成功应用于深圳市地籍测绘大队的房产测绘系统中。     

求解半变异函数的常用方法与新方法研究

半变异函数的获取既有人为主观求取法,又有运用数学工具客观求取法,但是后者是今后的主要趋势。笔者在前人工作的基础上,归纳出多项式回归法、线性规划法和目标规划法三种求解半变异函数的成熟方法,以及非线性回归理论直接求解法、进化计算和积分面积三种新兴方法,并总结出各种方法的优缺点。最后概括出计算权重的两种方法。