基于SIFT特征的多源遥感影像自动匹配方法

本文提出一种基于SIFT特征的不同源遥感影像自动匹配方法。首先利用Harris算子结合SIFT特征提取影像上均匀分布的特征点,建立高维SIFT特征描述符;然后以待匹配点与参考点间的欧氏距离为相似性测度,实施两种不同源遥感影像的特征匹配;最后将SIFT特征匹配结果作为初始值,采用将搜索范围扩大到尺度空间后的改进最小二乘影像匹配方法对SIFT特征匹配获得的同名像点进行精匹配。经对同一地区SPOT-5 HRG全色影像与航空摄影影像的匹配试验,取得了较好的结果。     

基于道路绿地特征的遥感影像道路信息提取方法研究

针对高空间分辨率卫星遥感图像上道路绿地的特点,提出一种基于道路绿地形状和空间分布特征识别道路边线和中心线的方法。在基于NDVI提取绿地信息的基础上,根据道路绿地的形状特征(细长),采用面积、主轴方向、紧致度、矩形度和长宽比等形状指数,区分道路绿地与其他绿地;根据道路绿地之间以及道路绿地和道路之间的空间关系特征,同时通过生成已知道路绿地区域的缓冲区,分隔那些与非道路绿地连成一片的道路绿地;最后,根据道路绿地的方向和距离特征提取出道路边线和中心线。     

共轭面状特征的快速提取与遥感影像精确配准

使用数学形态学的"膨胀算子"对影像进行预处理,提出了一种改进的基于高斯拉普拉斯算子的面状特征提取和细化方法,并利用边界代数快速标注边界封闭的面状特征。在提取面状特征的基础上,利用奇异值分解算法,实现了基于面状质心的遥感影像匹配,进而完成精确配准。实验结果表明,与传统方法相比,此方法在速度与准确度上具有明显优势。     

基于ArcGIS的山地与非山地分类方法体系研究

在GIS空间分析和数理统计分析技术的支持下,以四川省为研究区域,基于ArcGIS平台分析提取出了绝对高程、相对高程、坡度和地面粗糙度这4类因子;然后利用这4类因子参与确立山地特征分类临界值,在此基础上,运用数理统计方法将其归并为两大类,并制定出山地分类标准体系;最后在ArcGIS软件平台下,运用栅格计算器提取出了四川省...     

基于特征的面向对象虚拟GIS数据模型

通过对现有的数据模型分析,针对其不足,使用基于特征的建模技术,将特征作为建模的基本单元,建立基于特征的虚拟GIS概念模型框架.基于概念模型,运用面向对象的思想,设计了基于特征的面向对象虚拟GIS数据模型(FOVGISDM).采用Oracle Spatial对象-关系型数据库管理模式实现基于特征的面向对象虚拟GIS数据管理.     

超高阶次勒让德函数递推计算中的压缩因子和Horner求和技术

摘要：超高阶次（如2000阶次）缔合勒让德函数值的递推计算,在接近两极时达到极大的数量级（超过10的数千次方）,这导致现有递推方法在计算缔合勒让德函数值及其导数值时失效。我们通过插入压缩因子技术,提出一个修改的递推算法,并结合使用Horner求和技术计算球谐级数的部分和。试验表明,该算法至少可以计算到3600完全阶次的球谐级数式,优于现有结果。     

一种纹理特征融合分类算法

分别利用多通道Gabor滤波器和马尔可夫随机场模型对纹理图像进行分析,得到两组特征影像。将上述两组特征影像进行融合,最后利用融合后的数据实现图像的分类。实验证明,基于上述方法的纹理特征融合分类算法大大提高了图像的分类精度。     

DEM流域特征提取及其在非点源污染模拟中的应用

概述了数字高程模型(DEM)的特点及对其进行流域特征信息的提取原理和方法,结合流域非点源污染模拟研究的需要,在GIS软件和非点源污染模型SWAT的技术支持下,对密云县密云水库北部流域DEM进行了流域的刻划及模型运行单元HRUs的生成,最后从三个方面:对DEM在非点源污染研究中的应用进行了有益的探讨。     

高光谱数据的降维及Tabu搜索算法的应用

在高光谱影像的分类过程中,如何有效地降低特征空间的维数,又能保证原始数据所包含的丰富地物信息是一项十分重要而繁琐的工作.深入分析了这种降维的必要性,并针对当前常用的降维方法存在的问题,提出了运用Tabu搜索算法获取对分类最为有利的特征波段的思想.考虑到高光谱数据的特点,指出了算法运行中应该注意的若干关键参数设置问题.实验表明,Tabu搜索算法在求解质量和执行效率方面都有着良好的表现,可以用于高光谱数据的降维处理.     

基于点特征的单目视觉里程计实现

本文采用特征点检测实现移动机器人的单目视觉里程计,通过对图像进行网格划分保证特征点均匀分布,提高特征点匹配效率。并行计算基础矩阵及单应矩阵实现单目视觉里程计的自动初始化,采用RANSAC算法剔除外点提高特征点匹配质量。设定运动模型及参考帧模型加速帧间运动估计,并通过合理的关键帧选取策略及图优化提高相机位姿精度及鲁棒性。利用TUM数据集测试本文设计的单目视觉里程计,实验轨迹误差为3.58 m,通过Turtlebot2移动机器人对真实环境进行测试,实验表明本文方法的有效性。