一种基于DCT变换的盲水印检测算法

提出了一种基于DCT变换的盲图像水印算法。实验表明,该算法对典型攻击具有较好的鲁棒性。     

QuickBird遥感全色影像平面精度分析

QuickBird卫星是目前全世界最高分辨率的商用遥感卫星,通过实验对QuickBird遥感影像平面精度进行验证.实验表明,QuickBird标准影像具有良好的内部几何精度,几何纠正后的影像平面坐标绝对误差精度均方根为0.35m.就单纯单点绝对精度来看,已达到1:2000地形图平面精度要求.     

基于岭估计的SPOT影像外方位元素的解算方法

后方交会法解求 SPOT卫星影像的外方位元素时 ,其法方程系数矩阵经常产生很严重的病态 ,若用最小二乘法估计 ,参数解将明显偏离真值 ,甚至无法解得外方位元素。本文中提出了用最小二乘岭估计的方法解求外方位元素 ,实验证明这是非常有效的。     

核线影像生成过程中的大图像分块问题

讨论了核线影像生成过程中的大图像分块处理问题 ,给出了按条分块的策略及其有关问题的解决方法。研究成果对其它应用中的大图像分块处理也具有一定的参考价值     

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。     

基于卷积神经网络的地铁保护区风险源识别北大核心CSCD

城市轨道交通沿线的风险源识别是防止违规作业导致的安全事故的重要手段。为解决传统识别方法效率低、漏检率高、成本大等问题,本文基于无人机地铁保护区巡检系统,采用卷积神经网络对无人机采集的影像数据进行风险源识别。首先介绍无人机影像获取的流程,并在原始影像数据的基础上,通过数据增强的方式制作多角度、多尺度的风险源数据集;然后使用卷积神经网络建立风险源识别模型,对无人机采集影像中的风险源进行自动识别和定位。试验结果表明,多角度、多尺度风险源数据集的建立进一步提升了模型的识别准确率,且比传统方法具有效率高、成本低等优点。     

Semi-automatic delineation of badlands using contrast in vegetation activity: a case study in the lower Chambal valley,India

Population growth worldwide leads to an increasing pressure on the land. Recent studies reported that many areas covered by badlands are decreasing because parts of badlands are being levelled and converted into arable land. It is important to monitor these changes for environmental planning. This paper proposes a remote-sensing-based detection method which allows mapping of badland dynamics based on seasonal vegetation changes in the lower Chambal valley, India. Supervised classification was applied on three Landsat (Thematic Mapper) images, from 3 different seasons; January (winter), April (summer) and October (post-monsoon). Different band selection methods were applied to get the best classification. Validation was done by ground referencing and a GeoEye-1 satellite image. The image from January performed best with overall accuracy of 87% and 0.69 of kappa. This method opens the possibilities of using semi-automatic classification for the Chambal badlands which is so far mapped with manual interpretations only.     

基于时间序列统计特性的森林变化监测

森林动态变化分析对揭示生态系统环境变化及植被恢复和布局重建等具有重要意义,时间序列的遥感数据为森林监测提供了基础数据。本文根据森林植被的统计学特性,在暗目标法的基础上,利用归一化植被指数NDVI实现森林样本自动选择;并融合NDVI构建了新的综合森林特征指数(Integrated Forest Z-Score,IFZ);以时间序列的IFZ分析森林动态信息,实现森林变化动态监测。以三峡大坝及周边区域森林为研究区,利用2001年至2012年每年生长季节(5月—10月)的Landsat TM影像检验本文算法。基于2002年、2006年和2010年三期7月—9月的Quick Bird影像的精度分析结果发现:研究区森林变化检测的总体精度可达96.53%,Kappa系数为0.9512。在添加NDVI指数后构建的IFZ提高了总体监测精度。其中,毁林类别的检测精度提高显著,漏检率和误检率分别为2.74%和3.64%;干扰后重建的森林类别的检测精度有一定提高,其漏检率和误检率分别为10.79%和10.51%。研究结果表明,改进暗目标法能提高森林样本的选样效率,添加NDVI的IFZ能提高森林动态变化的识别度。此外,本算法不仅能定性识别森林变化,而且能定量提供森林干扰发生时间和干扰强度。     

应用图像关联度的图像模糊分类

提出了应用图像关联度的图像模糊分类新方法。该方法在求得每幅图像相对各个类别的关联度的基础上,求得每个类别图像关联度的均值和标准差σ;然后计算每幅图像的关联度与所在类别关联度均值之差Δi,差值Δi≤2σ,该图像应“留“在该类中;否则,该图像应归入与另两个类别的关联度较大的类别。每幅图像都经过这样的检验,实现图像的再划分,直到这一过程稳定为止。实验结果表明,该方法的图像分类质量有一定优势。     

基于码字匹配和引力筛选的半监督协同训练算法

针对传统的Co-training和Tri-training协同训练算法中基分类器独立性低、迭代过程中误差累积和整体泛化性能低的问题,将多视图理论、编码理论和万有引力公式引入协同训练分类算法中,提出了改进算法,算法有效地防止了迭代过程中的误差累积,同时提高了分类系统的泛化性能。在高光谱图像分类实验中,随机地从数据集中抽取5%、10%和20%样本作为已标记训练集时,码字匹配的协同训练分类算法对比Co-training和Tri-training算法,在分类精度上平均分别提高了12.38%和6.13%,在Kappa系数上平均分别提高了0.2和0.07。进一步加入引力筛选机制,对比Co-training和Tri-training算法,在分类精度上平均分别提高了21.30%和10.99%,在Kappa系数上平均分别提高了0.26和0.13,结果表明了本文算法的有效性。