基于单邻点多波段预测的高光谱图像无损压缩算法

提出了一种基于聚类-单邻点、多波段预测-熵编码的高光谱数据无损压缩方法。根据谱向特征,进行高光谱图像矢量聚类。对各个分类,采用单个空间位置邻点、多个波段作为预测数据,训练预测系数,进行三维预测。残差采用Golomb-Rice编码。实验证实了算法的有效性。     

基于独立分量分析的遥感图像分类技术

遥感图像的自动分类方法一般基于图像的统计信息。多光谱遥感图像之间有着一定的相关性 ,对遥感图像的自动分类有不利影响。一般用主成分分析去除波段之间的相关性。独立分量分析能利用相对主成分分析更高的统计分量 ,不但可以获得去相关的效果 ,而且可以得到相互独立的结果波段图像。本文首先讨论了独立分量分析的基本原理。在此基础上 ,介绍FastICA算法 ,并对其进行改进 ,得到M FastICA算法 ,并将其应用到遥感图像的分类上。实验结果表明 ,M FastICA算法较FastICA算法收敛性大为改善 ,提高了独立分量分析在遥感图像的分类上的有效性     

非对称缓和曲线坐标计算方法

本文重点阐述高等级公路非标准缓和曲线的施工放样测量.缓和曲线是设置在直线和圆曲线之间的一种线型,起缓和过渡作用,其目的在于保证车辆由直线进入圆曲线(或由圆曲线进入直线)时的横向稳定,缓和曲线的曲率半径随曲线长度的增加而均匀连续地变小,本文综合了各种情况下的曲线计算,给出了直接计算和间接计算两种计算方法,并用C编写了计算...     

道路工程平面坐标系的统一性理论研究

传统上道路工程勘测、设计、施工各单位统一采用以初测导线点处垂线为基准线、水准面为基准面的,把各相邻测站处局部水准面相连拼接成一个统一带状的平面坐标系统（定义为道路工程渐变平面坐标系）。本文提出顾及地球重力场模型,用GPS直接建立垂线和水准面系统的道路工程渐变平面坐标系的解决方案,从理论上统一了勘测坐标系（GPS平面坐标系）和设计、施工坐标系（道路工程渐变平面坐标系）,消除了其间存在的系统误差。     

高分辨率遥感影像提取道路的方法综述与思考

 介绍了高分辨率遥感影像上道路的特征、模型和道路提取的基本思想，对已有的道路提取方法进行了分析，并对道路提取问题进行思考，提出下一步的研究方向。     

一种适用于低空影像的数字表面模型自动获取方法

无人飞行器系统获取的低空影像数据往往倾角大、像幅小且重叠度不规则,同时在灰度与比例尺上可能不一致.针对其特点,提出了一种适用于低空影像的数字表面模型自动获取方法.首先,采用影像水平纠正、构建金字塔、Wallis滤波以及Harris特征提取等方法对低空影像进行匹配预处理;然后,对经预处理的多级影像采取由粗到精的匹配,再基于低空影像高重叠度的特点进行三视检核以剔除误匹配点;最后采用近邻内插生成规则格网的数字表面模型.试验表明,该方法有效可行,生成的数字表面模型产品精度较高,对于改进现有的生产流程具有一定的实际意义.     

多尺度字典学习的高光谱图像压缩算法

结合小波变换及字典学习提出了一种针对高光谱图像的压缩算法。该算法首先通过小波变换构建多尺度样本集,在小波域使用K-均值奇异值分解(K-SVD)方法学习得到原子尺寸不同的多尺度字典,然后在稀疏表示的过程中,定义一个原子使用频次筛选因子,通过统计局部最优波段稀疏表示时原子使用情况,结合筛选因子对字典原子进行优化筛选,使用精简后的字典对其余波段进行稀疏求解,最后针对不同尺度的表示系数采用自适应的量化编码。实验结果表明,与目前常用的3D-SPIHT和其他的多尺度字典学习算法相比,本文算法在中低比特率下,具有更好的重建性能。     

独立坐标系模型对长度变形影响的研究

针对海拔较高的城市建立或改造独立坐标系,存在着如何选择模型及各模型对长度变形的影响等问题,通过算例对常见椭球变换和比例缩放模型进行较为全面系统的分析,归纳出常见模型在不同投影带区域、不同投影面高度对长度变形的影响差异,并得出有益的结论。     

典型遥感数据分类方法的适用性分析——以遥感图像场景分类为例

目前普遍采用的分类器通常都是针对单一或小量任务而设计的,在小数据量的处理中能取得比较满意的结果。但对于海量遥感数据的处理,其在处理时效和分类精度方面还有待研究。本文以遥感图像场景分类任务为例,着重对遥感数据分类问题中几种典型分类方法的适用性进行比较研究,包括K近邻(KNN)、随机森林(RF),支持向量机(SVM)和稀疏表达分类器(SRC)等。分别从参数敏感性,训练样本数据量,待分类样本数据量和样本特征维数对分类器性能的影响等几个方面进行比较分析。实验结果表明:(1)KNN,RF和L0-SRC方法相比RBF-SVM,Linear-SVM和L1-SRC,受参数影响的程度更弱;(2)待分类样本固定的情况下,随着训练样本数目的增加,SRC类型分类方法的分类性能最佳,SVM类型方法次之,然后是RF和KNN,在总体分类时间上呈现出L0-SRCL1-SRCRFRBF-SVM/Linear-SVMKNN/L0-SRC-Batch的趋势;(3)训练样本固定的情况下,所有分类方法的分类精度几乎都不受待分类样本数目变化的影响,RBF-SVM方法性能最佳,其次是L1-SRC,然后是Linear-SVM,最后是RF和L0-SRC/L0-SRC-Batch,在总体分类时间上,L1-SRC和L0-SRC相比其他分类方法最为耗时;(4)样本特征维数的变化不仅影响分类器的运行效率,同时也影响其分类精度,其中SRC和KNN分类器器无需较高的特征维数即可获得较好的分类结果,SVM对高维特征具有较强的包容性和学习能力,RF分类器对特征维数增加则表现得并不敏感,特征维数的增加并不能对其分类精度的提升带来更多的贡献。总的来说,在大数据量的遥感数据分类任务中,现有分类方法具有良好的适用性,但是对于分类器的选择应当基于各自的特点和优势,结合实际应用的特点进行权衡和选择,选择参数敏感性较小,分类总体时间消耗低但分类精度相对较高的分类方法。     

遥感影像制图综合的智能化研究

本文以人工智能为基础,用计算机模拟一般制图人员对遥感图像进行制图综合的过程,用框架的知识表示方法建立了一个实验性的知识库,并设计了一个推理机。对蒙古人民共和国乌布苏淖尔地区的ＴＭ分类图进行了实验,取得了较好的效果。