基于约束Delaunay三角网的线、面群目标分布边界计算

群组目标的分布边界在空间方向关系判断、相似度计算以及地图自动综合等领域有着重要的应用,但目前的分布边界计算主要是针对空间点群目标,鲜有涉及空间线、面群目标。在约束Delaunay三角网的基础上,利用动态阈值"剥皮"法实现线、面群目标的分布边界计算。方法得到的分布边界多边形符合人们的空间认知习惯,能够较好地描述线、面群目标的空间形态和分布范围。     

一种顾及精细层级的室内拓扑模型

针对室内精细化管理的需求,提出了一种顾及精细层级的室内拓扑模型。该模型首先将室内空间构件分为“主体对象-连通对象-虚拟对象”三种类型;接着以主体对象为基准,在垂直方向上又将室内空间划分为“楼栋-楼层-房间-设备”4个级别,并抽象出虚拟对象实现对对象的二次划分;然后针对同级别对象和跨级别对象建立了拓扑组织规则;最后结合三维引擎Cesium.js对模型进行了管理可视化验证。结果表明,该数据模型能够有效地满足精细场景的数据管理需求。     

基于深度学习的目标检测定位系统设计与实现

针对传统遥感影像目标检测方法效率不高,并且无有效手段对检测信息进行管理利用的问题,提出了在B/S构架下基于深度学习的目标检测及定位方法。通过集成深度学习框架、WebGIS以及数据库,实现了集遥感影像目标检测、展示及管理于一体的目标检测定位系统,满足多用户基于前端浏览器的并发目标检测需求。利用网格划分策略,实现了基于前端的大区域范围的目标快速检测。基于某机场飞机目标及某城市区域运动场目标检测结果表明:本文设计的目标检测定位系统能够在前端实现目标快速检测定位,具有较高检测精度,并可有效管理检测信息,为深度学习循环再利用提供数据支撑。     

基于分层自适应部分模型的遥感图像飞机目标检测

提出一种基于分层自适应部分模型(HAPM,hierarchical adaptive part-based model)的目标检测方法,用于遥感图像的飞机目标检测。针对目前目标检测方法在子类型数目确定、模型多分辨率结构关系方面存在的不足,构造如下算法:首先构建一个扩展的Part-based Model模型;其次,分别从子类型的自适应选择、子类型的多层次建模和检测阶段加权距离变换的形变优化等方面对其进行改进;最后,HAPM算法充分考虑了模型的形变,同时结合多层次的建模思想使得目标的检测精度和算法适用性大大增强。用收集的10大国际机场的真实遥感图像数据进行实验验证,证明了算法的有效性。     

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。     

面向对象的语义数据模型及其在空间数据库中的应用

传统的数据库模型适合于表示数字字母数据,难以处理复杂的空间数据。面向对象的语义数据模型克服了传统数据模型的许多不足,越来越多地应用于计算机科学各个领域。本文先描述了面向对象的语义数据模型,然后介绍了建立于这种模型基础上的空间数据库实验系统 spobase。     

Novel fusion approach on automatic object extraction from spatial data: case study Worldview-2 and TOPO5000

The automatic extraction of information content from remotely sensed data is always challenging. We suggest a novel fusion approach to improve the extraction of this information from mono-satellite images. A Worldview-2 (WV-2) pan-sharpened image and a 1/5000-scaled topographic vector map (TOPO5000) were used as the sample data. Firstly, the buildings and roads were manually extracted from WV-2 to point out the maximum extractable information content. Subsequently, object-based automatic extractions were performed. After achieving two-dimensional results, a normalized digital surface model (nDSM) was generated from the underlying digital aerial photos of TOPO5000, and the automatic extraction was repeated by fusion with the nDSM to include individual object heights as an additional band for classification. The contribution was tested by precision, completeness and overall quality. Novel fusion technique increased the success of automatic extraction by 7% for the number of buildings and by 23% for the length of roads.     

A geometric-based approach for road matching on multi-scale datasets using a genetic algorithm

Object matching is used in various applications including conflation, data quality assessment, updating, and multi-scale analysis. The objective of matching is to identify objects referring to the same entity. This article aims to present an optimization-based linear object-matching approach in multi-scale, multi-source datasets. By taking into account geometric criteria, the proposed approach uses real coded genetic algorithm (RCGA) and sensitivity analysis to identify corresponding objects. Moreover, in this approach, any initial dependency on empirical parameters such as buffer distance, threshold of spatial similarity degree, and weights of criteria is eliminated and, instead, the optimal values for these parameters are calculated for each dataset. Volunteered geographical information (VGI) and authoritative data with different scales and sources were used to assess the efficiency of the proposed approach. According to the results, in addition to an efficient performance in various datasets, the proposed approach was able to appropriately identify the corresponding objects in these datasets by achieving higher F-Score.     

改进Faster R-CNN的遥感图像多尺度飞机目标检测

为了提高遥感图像中多尺度飞机目标的检测精度,本文提出一种基于改进Faster R-CNN的遥感图像飞机目标检测方法。该方法借助多层级融合结构,将深层次的语义特征与浅层次的细节特征相结合,生成多种尺度的既具有精确的位置信息又具有深层次的语义特征的特征图;再借助Faster R-CNN的多尺度RPN (Region Proposal Network)机制,通过对RPN中候选区域尺度的修正,从而提高遥感图像中多尺度飞机目标的定位精度;最后利用Faster R-CNN的分类回归网络,得到飞机目标检测结果。在高分辨率遥感图像中进行了实验,对3种特征提取网络ZF、VGG-16以及ResNet-50进行改进,改进后的精度分别提高了11.34%、9.87%以及1.66%,并且生成的检测框更加贴合飞机目标。实验结果表明,本文方法适用于遥感图像多尺度飞机目标检测,在提高目标定位精度的同时降低了目标漏检现象。