利用目标分解特征的全极化SAR海冰分类

特征提取及其选择是SAR海冰分类的重要步骤之一。在众多特征中选取有效特征,进而构建表达地物类型的特征空间是提高分类精度的关键。为此,本文提出一种基于目标分解特征的全极化SAR海冰分类算法。首先,对全极化SAR数据进行多视化处理及滤波操作,生成相干矩阵;其次,对相干矩阵进行目标分解,并针对分解结果提取散射特征参数,进而构建特征空间;再次,通过对所提取的特征进行统计相关性分析,并对高相关特征采用PCA降维,以优化特征组合;最后,设计BP神经网络分类器,并将所得的优化特征矢量作为输入,海冰类别为输出,实现海冰分类。本文以格陵兰中部海域作为研究试验区域,采用L波段ALOS PALSAR全极化数据。通过对本文算法与对比算法的分类结果进行定性定量分析,可以得出本文所选取的特征对海冰识别较好。此外,通过对利用各个不同特征海冰分类结果的性能分析,可以得出基于散射模型的目标分解比基于特征值的H/α/A分解更有助于海冰分类。     

双极化SAR数据反演裸露地表土壤水分

为了较高精度地获取大范围地表土壤水分,提出一种基于双极化合成孔径雷达数据的裸露地表土壤水分反演模型即非线性方程组,通过改进的粒子群算法求解非线性方程组从而得到土壤水分。首先通过AIEM模型数值模拟和回归分析,得到一种新的组合粗糙度,然后模拟分析得到土壤水分与雷达后向散射系数的关系,从而建立雷达后向散射系数与组合粗糙度、土壤水分的经验关系。利用ASAR C波段双极化雷达数据,基于经验关系和改进的粒子群算法即可实现土壤水分的反演。经过黑河流域实测土壤水分数据对模型进行验证,反演结果与实测数据具备良好的相关性(R~2=0.778 6)。与以往同一区域研究成果比较,文中的方法反演精度有所提高,更适用于裸露地表土壤水分反演。     

粒子群算法及多阈值指数熵的遥感影像变化检测方法研究

在遥感影像检测中,一般采用多变化阈值来提高检测精度,但会导致运算量的增加。为解决该问题,提出利用粒子群算法及多阈值指数熵的遥感影像变化检测新方法。首先采用影像差值法构造差异影像;然后提出利用粒子群和多阈值指数熵的遥感影像分割方法,并将其用于对差异影像进行分割获取变化区域;最后对选取的实验数据进行变化检测,并与基于模糊C均值、双阈值指数熵、三阈值指数熵的非监督变化检测方法进行比较。实验结果显示,提出的变化检测方法其精度为94.77%,本案方法是一种有效地、可靠的遥感影像变化检测方法。     

基于MATLAB的图像边缘检测算法的比较与分析

图像的边缘中包含有图像的大部分信息,并且图像边缘检测是图像处理与分析的关键性步骤,也是模式识别与计算机视觉领域的主要研究内容之一,因此,研究边缘检测算子对图像处理十分重要。运用MATLAB对Sobel算子、LOG算子及Canny算子三种常用的边缘检测算子进行了仿真实验,分析了其各自的优缺点,得出Canny算子是三种算子中边缘检测效果最好的边缘检测算子。为今后的实际应用,选择合适的算子提供了参考依据。     

基于自适应Ransac算法的基础矩阵估算

基础矩阵估算是计算机视觉中恢复两张影像相对运动不可缺少的步骤,通常使用Ransac算法从包含大量外点的数据集中估计基础矩阵。经典Ransac判断样本是否为内点的阈值是经验值,不能满足所有样本,且在两个矩阵含有相同内点数时无法确定最优基础矩阵。本文介绍了自适应Ransac算法及流程,将其应用与基础矩阵的解算中。通过利用无人机影像与手机拍摄照片进行实验。实验结果表明,自适应Ransac算法可得到比经典Ransac更精确的基础矩阵。     

基于PCA和极限学习机的高光谱遥感分类研究

针对高光谱遥感分类研究中面临的数据处理效率低、分类结果精度不高等难题,本文在引入极限学习机(ELM)算法的基础上,顾及其在噪声影响下出现稳健性降低的现象,进一步将主成分分析(PCA)应用于ELM的前端,从而构建了一种基于PCA和ELM的联合算法。将该算法与目前常用的神经网络和支持向量机进行对比分析发现:PCA-ELM分类结果的精度最高,其数据处理效率也较高,该算法具有较强的稳健性和泛化能力,适用于高光谱遥感信息的高效提取。     

FREAK和改进的RANSAC算法在影像匹配中的应用

针对倾斜摄影中包含多个视角的影像而使匹配速度较慢的问题,提出了一种Speeded up robust features(SURF)、Fast Retina Keypoint(FREAK)和改进的Random Sample Consensus(RANSAC)算法相结合的影像匹配算法。首先利用SURF算法提取出稳健的特征点,然后利用FREAK描述符对特征点进行描述,在影像匹配阶段首先进行预匹配,然后用改进的RANSAC算法剔除错误匹配点对。经实验比较分析后得出:该算法在效率和匹配精度上都有较好的鲁棒性。     

一种基于无人机载LiDAR点云的 电力线安全距离判定算法

针对无人机电力巡检距离判定算法缺乏问题,本文提出了一种基于无人机LiDAR点云分类的安全距离判定算法,该法首先对LiDAR点云进行维度特征分类,然后将电力悬线方程改进为最小二乘法模型,并以分段的方法计算地物到电力悬线的空间距离。实验表明,本文提出的距离判定算法距离测量精度接近于全站仪测量精度,且算法鲁棒性较好,具有较低的时间复杂度,不失为一种高精度无人机载LiDAR点云电力线安全距离判定新方法。