基于GVF模型的地物边界边缘优化方法

采用梯度矢量流(GVF)模型对自动提取的地物边界进行优化,可以在一定程度上提高其与实际边界的匹配度,但GVF模型进行边缘优化在计算过程中容易受到周围突变点或突变区域的影响,导致部分点位偏离真实边界。本文对GVF模型进行改进,分别对道路和海岸线边界进行优化,提高提取结果与实际边界的匹配程度。     

主成分分析与改进PSO-BP神经网络的下沉系数预测

针对BP神经网络预测下沉系数时易陷入局部极小以及下沉系数影响因素间存在一定相关性的问题,该文提出了一种基于主成分分析(PCA)和模拟退火—粒子群优化算法(SAPSO)优化BP神经网络的下沉系数预测模型。该模型首先采用PCA对下沉系数影响因素进行降维,消除其所包含的冗余信息;然后利用SAPSO优化BP神经网络的权值与阈值;最后使用训练样本训练模型,利用训练后的模型预测5组测试样本的下沉系数,并对比分析SAPSO-BP、PSO-BP和BP神经网络模型的预测结果。实验结果表明：基于PCA-SAPSO-BP神经网络的下沉系数预测模型的预测值与实际值最为吻合,其平均绝对误差、平均绝对百分比误差及均方根误差相比SAPSO-BP、PSO-BP和BP神经网络模型显著降低,可以有效提高下沉系数预测的准确性。     

利用LiDAR和航空影像的屋顶边缘提取及优化

提出以LiDAR为辅助数据对航空影像的规则建筑物进行边缘提取和优化的方法。首先采用Alpha Shapes算法对点云数据进行初始边缘提取,同时规则化初始边缘;再利用屋顶点云辅助航空影像的建筑物分离,采用Canny算子和Hough变换对建筑物分离后影像进行边缘提取,并用LiDAR规则边缘对Hough变换结果进行边缘优化。对比单独运用航空影像进行边缘提取的结果表明,采用优化方法后,提高了屋顶边缘提取的准确性,得到了较完整的建筑物边缘。     

利用多个小棋盘的大视场相机标定方法

为了实现高精度的相机标定,一般要求标定物的尺寸能够布满整个相机视场,而大的标定物不但制作、移动过程复杂,而且灵活性差的同时还会遮挡场景中的有用信息。本文提出了一种基于多个小棋盘的大视场相机标定方法,能兼顾相机标定的精度和灵活性。首先在场景靠近边缘的4个角处各放一个小棋盘（摆放姿态不限）,采用待标定的相机从不同角度多次拍摄场景（不少于3次）;然后将4个棋盘经过旋转和平移变换移到以左上角棋盘为基准的平面上构成一个大棋盘;最后建立大棋盘上所有角点的重投影误差函数,以左上角小棋盘的多幅图像的标定结果作为初值,迭代优化误差函数得到标定结果的最终解。模拟和真实数据试验结果表明该方法是可行的,且有较高的精度和灵活性。     

改进的果蝇优化与Tikhonov正则化相结合的病态问题稳健解法

在对基本果蝇优化算法的优化流程进行深入分析的基础上,通过改变其随机搜索方向与增加搜索半径调整系数,给出了一种改进的果蝇优化算法(IFOA)。并在IFOA算法的目标函数中引入正则化项,提出了将IFOA算法与Tikhonov正则化方法进行结合以进行病态问题解算的方法。通过实例分析表明:该方法的解算精度要优于遗传算法和单一的Tikhonov正则化方法;在观测值含有粗差时,使用最小二乘法进行求解,其结果与真值的偏差会迅速增大,而此时本文方法的解算结果具有一定的稳健性。与以遗传算法为代表的智能搜索方法相比,本文方法具有参数设置少、计算速度快、寻优过程简单等特点,在病态问题解算中更具有实用性。     

关系数据库中地理空间数据存储优化研究

针对地理空间数据存储总量增大导致的系统空间查询性能下降的问题,本文详细分析了不同数据的存储特征,将关系数据库的分区技术应用到地理空间数据存储管理系统的存储优化领域。采用合适的分区策略,选择合理的分区键和分区索引来帮助管理大容量的地理空间数据,有效缩短了系统查询的响应时间,对地理空间数据的存储与管理具有优化作用。     

负载分配的CPU/GPU高分辨率卫星影像调制传递补偿方法

本文系统地探讨了使用CPU/GPU协同处理理论对高分辨率卫星影像进行MTF补偿的方法。首先在GPU上对方法进行了基本实现,并通过三种性能优化策略（执行配置优化、存储访问优化和指令优化）进一步提高了方法的执行效率。在Intel Xeon E5650 CPU和NVIDIA Tesla C2050 GPU组成的CPU/GPU系统中对高分一号卫星全色影像进行MTF补偿,加速比达到42.80倍。在此基础上,为充分利用CPU的计算性能,使用CPU/GPU负载分配策略将部分负载分配给CPU进行处理,使用该策略后,方法加速比达到47.82倍,相应的处理时间压缩至1.62s,可满足对高分辨率卫星影像进行近实时MTF补偿的需求。     

实时地形可视化ROAM算法的分块改进

ROAM(实时优化适应性网格)算法由于计算速度快，图像质量损失少．是当前主要的实时地形可视化方法之一。以Duchainean提出的ROAM算法为基础，将地形分块引入世界空间误差区间，减少屏幕空间误差的计算次数，从而进一步提高运行效率。