一种基于面向对象的时空实体复合模型

提出时空实体的概念,将一个实体的时空演变看作是一个完整的时空目标,综合面向对象方法和关系模型的优点,拓展传统的面向对象的时空建模思路,建立面向对象的时空实体复合模型.模型采用链表结构,并建立时态关系表,支持对实体的演变历史检索,可实现灵活的关联分析,并能兼顾个体和位置的时空变化,具有较好的时空分析处理能力.     

基于感兴趣区域在区域层面上决策的SAR图像变化检测的方法研究

在现有的变化检测方法中,针对差分图像的方法得到了广泛的应用,但现有该框架下的技术都在在像素层面上决策产生的变化检测结果,这易使结果中存在诸如有噪声般散落的杂点、连通区域内有孔洞及边缘不平滑等缺陷。为此,本文给出一种在区域层面上决策生成变化检测结果的技术,其核心为抽取并处理感兴趣区域,而关键在于获取合适的抽取感兴趣区域的标签和如何在区域层面上生成变化检测结果。为使抽取的感兴趣区域包含几乎所有的变化类信息,我们用平稳小波变换和模糊C-均值(Fuzzy C-Means, FCM)算法分两步获取抽取感兴趣区域的标签;为在区域层面上生成变化检测结果,我们依据标签搜索感兴趣区域内所有的连通区域,并把每个连通区域看作为一个数据点,再由阈值技术处理这些数据点生成最终的变化检测结果。对真实SAR图像数据集的变化检测结果表明,其主观效果和客观性能都优于其他相关技术的。     

基于最优极化相干系数的倾斜建筑物解译研究

基于Freeman_Durden分解的全极化SAR影像分类方法能够较好地保持地物极化散射特性,但在分类的过程中,不能改变初始散射机制,导致分解结果对分类精度影响很大。在Freeman_Durden分解中,排列方向相对雷达飞行方向不平行的建筑物（简称为倾斜建筑物）常被分为体散射类型,使得该类建筑物往往被误分为植被。本文通过分析建筑物在SAR影像中的后向散射特性,利用建筑物具有较高相干性的特点,引入最优极化相干系数,在目标分解的基础上通过阈值分割将两者区分开来,进而提高反射非对称性人工目标的分类效果。通过使用E-SAR系统在德国DLR附近Oberpfaffenhofen地区获取的L波段PolInSAR影像和国内X-SAR系统在海南陵水地区获取的X波段PolInSAR影像进行实验,证明本文提出的方法能够有效地将与雷达飞行方向不平行的建筑物与森林区分开。     

后装配组件的分析与设计方法

后装配组件的分析与设计方法是为如何方便组装、拆卸和替换组件而提出的，它是建立在面向对象和基于组件的软件工程基础上，把组件的概念引入到需求分析中，建立起组件与具体需求的映射关系。该方法能根据用户需求变化直接确定要维护的组件，从而提高组件的适应能力。     

一种面向对象的时空数据模型

地理信息系统中，时间、空间和属性是信息的3种基本成分，理想的地理信息系统应支持信息的时态性，对时空数据进行统一的模拟和管理。由于当前的地理信息系统软件难以处理时态现象，时空数据模型已成为GIS领域的一个研究热点。首先对当前时空数据模型研究现状进行了分析，在此基础上，提出了一种面向对象时空数据模型，并从3个方面描述了该模型的数据结构，包括时空对象结构、时空数据组织方式和时空数据存贮方式。     

基于MapObject的地图符号库设计

对 Arc/Info中面向对象的控件 Map Object实现地图符号的方法进行了分析 ,对比了 Auto CAD等图形设计软件组织符号的方式 ,根据地图符号的一般分类 ,利用面向对象的语言 Visual C 和 Map Object设计了基于可扩展的动态连接库的地图符号库 ,通过 Map Object的渲染功能 ,实现地图符号与符号代码索引的联系 ,可快速进行空间对象的符号化。试验结果表明 ,该符号建库技术可应用于 GIS中空间对象的符号组织     

天绘一号卫星影像的平原绿化提取方法

平原绿化是我国平原地区森林植被的主体,为生态环境建设提供了有力保障。但平原绿化分布零散,斑块面积小,不易被准确提取。本文以河南省封丘县为例,利用天绘一号卫星影像面向对象分类技术提取了平原绿化。在面向对象分类过程中,针对不同平原绿化信息选取不同的分割尺度和参数,建立影像对象的分割层次结构,确保农田林网、通道防护林、四旁防护林等平原绿化信息能够被准确分割。分类时通过构建隶属度函数,利用层与层之间的关系,子类继承父类的分类特征,在此基础上增加自己的特征,建立分类规则集,逐层提取绿化信息。本文共获取封丘县平原绿化面积152.51 km²,其中,农田林网36.09 km²,通道防护林21.29 km²,四旁防护林71.56 km²,片林23.57 km²。利用验证点数据,对分类结果进行精度评价,总体分类精度为93.50%,Kappa系数达到0.92。     

Landsat时序变化检测综述

时序变化检测已成为当前Landsat数据主流的变化检测方法。本文从检测算法对比、时序数据构建和精度评价等方面对Landsat时序变化检测进行回顾和评述,进而提出Landsat时序变化检测当前所存在的问题,及其所面临的挑战。Landsat时序变化检测算法可大致归纳为轨迹拟合法、光谱-时间轨迹法、基于模型的方法3大类,这些算法大多基于森林扰动提出;变化检测常用指标有波段型、植被指数型、线性变换型、组合型4大类,每类指标的优势不同,可综合多类指标以更全面地检测不同扰动类型。尽管Landsat时序变化检测已取得长足发展,但仍然面临诸多挑战,其中最大挑战是缺少一致性的参考数据集进行变化检测精度评价。     

通过软硬变化检测识别冬小麦

提出一种软硬变化检测的作物识别方法 SHLUCD(Soft and Hard Land Use/Cover Change Detection Method)。该方法利用多期遥感影像能够有效表达作物的生长物候特征,以达到在离散变化区(即纯净像元区,包括完全转换成作物的突变区域和非作物区域)和连续变化区(即渐变区,混合像元区,是部分转化为作物的区域)准确进行作物的识别。在北京市选择一个研究区,以冬小麦为研究对象,选用2011年10月6日(播种期)和2012年4月16日(拔节期)两期环境减灾1号卫星影像,分别采用硬变化检测方法 HLUCD(Hard Land Use/Cover Change Detection Method)、软变化检测方法 SLUCD(Soft Land Use/Cover Change Detection Method)和SHLUCD进行冬小麦的识别。实验结果表明:在不同尺度窗口下,SHLUCD较传统方法表现出较明显的优势,具有更低的均方根误差RMSE(SHLUCD为[0.14,0.07],HLUCD为[0.15,0.07],SLUCD为[0.16,0.08])和偏差bias(SHLUCD为-0.0008,HLUCD为-0.007,SLUCD为0.014)和更高的决定系数R2(SHLUCD为[0.68,0.86],HLUCD为[0.62,0.86],SLUCD为[0.60,0.86])。针对冬小麦突变区域、冬小麦渐变区域和非冬小麦区域分别进行评价,表明SHLUCD识别精度接近各区最佳的识别方法,进一步验证了SHLUCD的灵活性和适用性。SHLUCD方法在离散变化区能够通过土地覆盖类型状态变化来有效地识别出冬小麦,在连续变化区可识别出土地覆盖的状态变化程度定量表达冬小麦的丰度,是其他作物多时相遥感变化检测的前期实验基础。     

面向对象的泰安市高分辨率影像住宅建筑物提取

基于eCognition Developer平台,以泰安市QuickBird影像为数据,采用面向对象多尺度分割、最邻近和隶属度分类,充分利用高分辨率QuickBird影像具有的丰富光谱、形状、纹理和结构等地物信息,对实验区进行分类并提取住宅建筑物信息。实验表明,与传统逐像元分类法相比,面向对象分类法有效地避免了分割区域的离散破碎,地类信息的提取更加完整、精确、高效。