南极冰貌卫星影像条带噪声的剔除

本文在简要叙述条带噪声形成原因的基础上 ,针对南极地区的ASTER 1A的可见光影像中出现的条带噪声的现象 ,通过设计了基于切比雪夫窗、凯瑟窗的FIR滤波器和约束最小二乘FIR滤波器对其条带噪声进行剔除 ,这两种滤波器能够尽可能地剔除条带 ,同时使影像的灰度分布发生最小畸变。并通过与其他方法 (例如 :低通滤波 ,直方图匹配等 )比较 ,说明这两种滤波的方法优于其他的方法     

机载激光雷达技术现状及展望

介绍了LiDAR系统的特点,与航空摄影测量技术进行对比。总结当前LiDAR硬件系统和数据处理的现状和主要趋势,以期对国内用户在仪器选型和行业应用中提供帮助,对我国LiDAR硬件系统研制和数据处理软件开发提供借鉴和参考。     

小波分析去噪在腰沙围垦变形监测中的应用

由于受到许多复杂因素影响,沉降监测过程中所得到的信号数据可能会含有噪声。Matlab中小波分析功能能够对信号数据中的噪声信号进行有效的分解,最后重构处理后的信号。通过实例对比,选用合适的去噪方法和去噪函数,对信号数据进行处理,最后能够得到更适合的最优估计。     

三维古构造恢复技术在油气评价中的应用——以珠江口盆地番禺-流花地区为例

目前常用的古构造图的制作方法为"厚度图法"和"断层平移法",这两种方法对断控圈闭为主的古构造恢复具有一定的局限性,且不能定量化的研究古构造生长发育情况。本论文首次将三维古构造恢复技术应用于珠江口盆地番禺-流花地区。三维古构造恢复技术在应用时,避免了厚度异常现象,实现了去压实恢复,能够更真实的反映古构造情况。该技术在珠江口盆地番禺流花地区"A"构造的应用,达到了定量分析古构造发育的效果,并且认识到了A构造在关键时期T32时期古构造幅度较小,后期构造幅度增大是A构造充满度过低的重要原因之一。     

GNSS 监测数据预处理在变形预测中的应用

GNSS监测技术被广泛应用于变形监测工作中,但GNSS监测数据中会有缺失值、噪声等误差的存在,对预测结果造成影响。引入改进的小波神经网络模型进行变形预测,并考虑该模型的自适应性和容错性,分别采用三次样条插值法、小波滤波法和拉依达准则对原始监测数据进行缺失值填补、去噪和粗差剔除等预处理。并利用实际监测数据进行短期预报分析,对比原始监测数据和预处理后的监测数据的预测结果,结果表明预处理后的监测数据的预测效果更好。     

影像与激光雷达数据的城市地物信息提取

针对城市地物信息提取中地物边界难以确定、分类精度不高的问题,该文提出一套综合利用影像及激光雷达点云高程信息的面向对象分类方法。在分割中,各类地物的最佳分割尺度由监督法分割精度评价确定,最终分割结果利用粒度理论下的分割尺度综合方法进行合成,能兼顾不同地物最优分割尺度,获得准确地物边界;在分类中,采用ReliefF特征选择算法度量从影像及点云数据提取的对象特征重要度,选择最佳特征组合,并采用多分类器组合方法进行分类,以消除Hughes现象,提高分类精度。选择德国斯图加特市两块实验区进行分类实验,结果表明:该方法有利于提高大范围城市地物精细信息提取的精度和效率,具有较高的应用价值。     

改进的距离约束最小二乘模糊度搜索算法

针对短基线最小二乘模糊度搜索算法搜索效率低的缺点,该文提出了一种改善模糊度搜索空间以提高模糊度搜索效率的方法。最小二乘搜索算法通过基线长度范围确定模糊度搜索空间,完成模糊度的搜索和确认。距离约束的短基线模糊度搜索空间是一个空心椭球,各模糊度之间具有相关性,影响模糊度搜索效率。该文通过最小二乘去相关调整方法降低模糊度之间的相关性,减少搜索次数。实验证明,该算法的搜索效率提高了25%以上,且随着基线长度的增加,搜索效率有更多的提升。     

机载LiDAR定位精度分析

介绍机载激光雷达测量技术,根据测量的几何原理推导定位方程。讨论定位的误差来源,建立误差模型并对误差影响进行分析。综合各项因素的影响,将模拟数据代入误差传播公式,计算定位精度。     

结合模平方的双树复小波变形监测数据滤波

针对变形监测数据的去噪问题,该文在分析离散小波变换去噪不足的基础上,提出了一种基于模平方的双树复小波变形监测数据滤波方法。该方法利用双树复小波变换的完全重构、近似平移不变性和较好的方向选择性等特点,通过最小尺度空间的小波系数得到噪声强度,并结合模平方处理法确定各层的阈值,经重构阈值处理后的各层小波系数即得到去噪后的信号;经算例,并与传统离散小波变换对比分析。结果表明:双树复小波变换的分解效果优于传统离散小波变换,能较好地表现出细节部分的频率信息,使变形信号的周期性变化特征更为明显。该方法去噪更彻底,进一步提高了消噪的精度和可靠性,可作为变形监测数据降噪处理的新方法。     

支持向量机的车载雷达点云目标识别

为了进一步研究移动测量系统的数据处理问题,该文根据点云的基本特征,归纳了由7个特征构成的点云原始特征向量,在此基础上,结合语义环境构建了由17个特征构成的点云扩展特征向量,并采用支持向量机模型对车载LiDAR点云进行行道树点云识别的一系列实验。实验中采用粒子群优化算法和遗传算法对支持向量机进行参数寻优;采用不同特征向量和不同数目样本对点云进行学习和目标识别;分析了特征向量的学习曲线和识别精度。实验结果表明,支持向量机模型能够在行道树点云识别中取得较高的精度。