基于激光反射率的点云与图像自动融合

提出一个基于激光反射率的点云图像自动融合算法,数字图像与点云反射率图像特征点匹配,得到数字图像特征点像点坐标和相应物点物方空间坐标对,采用直接线性变换算法(DLT)建立点云数据反投影至二维图像点的投影模型,实现点云图像自动融合,得到目标表面的全面信息,包括物体表面三维坐标和纹理信息。自动地实现点云图像融合,无需人工参与,提高效率和准确率,同时结合实验验证该算法的可行性。     

图像重建的射线交切反投影法

本文详述了一种快速图像重建方法——射线交切反投影法。它吸取了代数重建算法的某些长处,但无迭代计算,简单实用,对于野外作业使用更显得方便,利用此方法,重建了实测的电磁波吸收系数图像,它比传统的阴影交汇法有更好的分辨率。     

PZ-600型全身CT机反投影原理及其框图

目前大部分CT机常用的成像方法仍是卷积反投影法。对于在医院工作的某些工程技术人员来说是很想了解该方法在计算上是如何实现的。笔者在对我院 PZ-600型 CT 机的有关资料进行了分析和整理后,试图较直观地说明 PZ-600型 CT 机反投影成像的具体实现过程。PZ-600型机也有专用硬件,本文介绍其硬件框图。     

用CT技术反演面波Q值空间分布及其研究前景(英文)

本文运用CT技术反演地壳面波品质因数Q值空间分布,采用在医学上X—CT技术中的卷积反投影方法,引用 Radon 变换反演和图像重建方法来拟合地壳面波 Q 值的空间分布。由600次地震实际的2200条地震波射线的面波振幅、周期资料,进行实际地壳 Q 值反演,首先获得四川盆地附近:北纬26°—34°,东经103°—112°范围的面波 Q 值分布,作出该区 Q=210-255的等值线图,其平均 Q 值为225,在四川盆地中部面波 Q 值偏高,这可能与该盆地中部沉积物介质比较均匀,非弹性成分较少有关。然后以上述经纬度范围的四川盆地为基地,将面波扫描的方框分别向北、向南、向西、向东移动各2度,再做四次 Q 值成像,取其中间重迭部位,计算 Q 值的平均值及其残差,得每经纬度为半度的像素中观测误差的空间分布图。求得该范围的平均误差为8%。进一步将平面范围地震面波 Q 值成象扩大成球面上的投影成像:系将上述单框 Q 值图像沿经纬度方向各移动2度进行叠加,使若干个平面小单框复盖在预想的球面上的大区域上,除去边缘部分之外,在该范围的经纬度网上都叠加有一个以上的 Q 值数据,通过计算每个网点上的平均 Q 值及其标准误差的等值线,可获得球面上大范围的 Q 值成象图。得到了7×7框范围内的面波 Q 值分布图。本文探讨了 Q值成像在改进面波震级标度和解释地震震级的路径校正值以及为地震监测预报服务的研究前景。     

城市绿地聚集度评价系统的设计与实现

随着现代城市化进程的快速发展,城市绿地的研究和规划成为目前城市建设的重中之重。为能有效反映绿地在城市中的分布状况和绿地的辐射效应,设计和开发了基于卷积运算的城市绿地聚集度评价系统。在分析需求的基础上提出系统的设计思路及体系结构,并对功能模块进行分析。利用德州和枣庄的矢量数据、温度反演图像等数据,结合Super Map i Objects 7C组件进行二次开发,实现城市绿地的聚集度评价以及绿地聚集度与热岛效应相关性分析。该系统有助于用户了解城市绿地聚集度情况,同时为城市管理规划相关部门决策提供依据。     

利用卷积神经网络的高光谱图像分类

针对高光谱图像分类中对光谱信息利用不足的问题,提出一种基于卷积神经网络在光谱域开展的分类算法。该算法通过构建五层网络结构,逐像素对光谱信息开展分析,将全光谱段集合作为输入,利用神经网络展开代价函数值的计算,实现对光谱特征的提取与分类。实验中采用三组高光谱遥感影像数据进行对比分析,以India Pines数据集为例,提出的基于卷积神经网络的分类方法的分类正确率达到90.16%,比RBF-SVM方法高出2.56%,相比三种传统的深度学习方法高出1%~3%,训练速度也较为理想。实验结果表明,本文所提出的算法充分利用了高光谱图像中逐像素点的光谱域信息,能够有效提高分类正确率。与传统学习算法相比,在较少训练样本的情况下,更能发挥其良好的分类性能。     

基于语义分割深度学习的找矿靶区预测研究——以广东省阳江-茂名地区为例

找矿靶区预测需要综合考虑地质背景、地球化学数据、地球物理勘探数据、遥感数据等因素。随着人工智能时代的到来,靶区预测可以最大限度地利用计算机运算性能,通过特定的规则集成所有地学数据对各类矿种的找矿靶区进行预测,尽可能规避由于数据种类多、数据量大、方法复杂、主观性强造成的预测结果可靠性差等问题。本文以广东省阳江-茂名地区为例,融合地球化学、地层岩性、地质构造、地形地貌等数据,基于PSPNet、SegNet、UNet三种语义分割深度学习模型进行预测,结果表明PSPNet模型在预测精度方面优于SegNet及UNet模型,并预测出了55处铁矿、金矿、铜矿、高岭土矿找矿靶区,其中79.7%的已查明矿点位于预测靶区内,表明该方法在找矿靶区预测中具有较高的可行性,可以用于找矿勘查并圈定靶区。     

基于FM-UNet++和高分二号卫星影像的露天矿区范围变化检测

利用遥感和深度学习技术实现露天矿区土地利用变化信息的自动提取对于矿区开采监测、生态环境保护具有重要意义。针对复杂异质矿区场景下土地利用类型的变化,构建新型深度学习模型FM-UNet++,利用高分二号(GF-2)卫星影像实现露天矿区的自动变化检测。首先,通过资料调查和目视解译制作露天矿区变化检测数据集,通过数据增强对其进行扩充;其次,通过在UNet++模型中引入特征增强坐标注意力机制FECA(Feature-enhanced Coordinate Attention)和Mish激活函数构建面向露天矿区变化检测的FM-UNet++模型;最后,训练FM-UNet++及7种对比模型进行露天矿区变化检测实验,并比较不同深度学习模型的检测结果。结果表明：特征增强坐标注意力机制FECA和Mish激活函数均提升了UNet++模型的露天矿区变化检测性能。FM-UNet++模型对露天矿区变化检测的精确率(Precision)、召回率(Recall)、F1-Score和交并比(IoU)值分别达到95.6%、89.2%、92.3%和85.7%,相较于FCN、PSPNet、Deeplabv3+、LANet、UN...     

卷积神经网络和视觉注意力语义分割模型在高分辨率遥感影像分类中的性能分析

随着深度学习语义分割的快速发展,基于计算机视觉语义分割模型的高分辨率遥感影像分类方法也大量涌现。为系统定量地研究经典的和先进的视觉语义分割模型在遥感影像分类中的性能,在总结深度学习语义分割进展的基础上,选择9种基于卷积神经网络(CNN)和视觉注意力的语义分割算法,对米级和厘米级2个尺度的遥感数据集进行分析研究。在模型构建上基于计算机视觉通用的语义分割框架,训练时采用红绿蓝3波段遥感图像并基于ImageNet预训练权重进行迁移学习训练。研究结果表明：通用的语义分割模型通过常规训练设置进行训练能取得较好的遥感影像分类效果,部分地物的交并比(IoU)可以达到90%以上;基于视觉注意力的遥感影像分类模型的精度普遍高于基于CNN的模型,且MaskFormer能更有效地提取离散的地物信息;不同类别的精度最高值并不全在总体最优模型中,部分会存在于次优模型中;类似的地物在更高分辨率遥感数据集中可以获得更高的精度。