数学形态学在等高线数据采集中的应用

根据实际工作情况，提出利用数学形态学基本变换技术对地图数据等高线进行自动化采集的方法，该法提高应急数字化的能力，具有一定的实用性。     

面向复杂多边形合并的视觉邻近探测与缝合算法

正在数字地图特别是大比例尺地图生产中,涉及较多面状目标合并的操作[1],其实质是寻找包围邻近多边形的边界,且尽可能保证合并后的形状与原多边形相似,而邻近关系是以视觉距离感来认知的。视觉邻近多边形群的空间关系在制图综合中扮演重要角色[2]。目前应用较多的是基于Delaunay三角网进行多边形合并[3-5],其效果较好但算法复杂度较高;凸壳[1]、栅格扩展[2]、缓冲区[6]以及与之类似的扩展形态学算子[9]等进行建筑物合并的方法多具有针对性,用于邻近区域     

基于ENVI+IDL的水体提取后处理实现研究

通过IDL语言调用ENVI二次开发函数库,首先基于多波段谱间关系法实现华南山区细小水体的自动提取,然后利用数学形态学膨胀滤波算法对图像进行断线连接和小孔填充,最后通过对比形态学腐蚀算法和Pavli-dis异步细化算法对图像进行细化处理,从而得到比较理想的细小水体。结果表明:该方法能够有效解决水体提取后断线连接、空洞填充及细小水体细化等问题,从而为水体自动、快速提取和分类提供有力帮助。     

一种基于Canny和数学形态学的海洋锋检测方法

MODIS遥感影像中海洋锋呈现明显的弱边缘信息特征。为有效获得海洋锋信息,首先应用调整后的Canny边缘检测算法,获取海洋锋初步检测结果,然后基于数学形态学二值重构及击中击不中算法,对检测出来的海洋锋进行再处理,确保了海洋锋的连续性及定位准确性。试验结果表明了该算法在海洋锋检测上的有效性与实用性。     

基于MATLAB图像处理的汽车牌照识别研究

汽车牌照识别是智能交通领域的重要研究课题,整个过程主要分为预处理、车牌定位、字符分割、字符识别4个环节。用MATLAB软件编写代码实现每一个过程,有效地解决恶劣环境下的车牌定位、字符倾斜、字符分割等复杂问题,结果表明MATLAB在彩色汽车牌照的识别中十分有效。     

基于GDAL和ArcGIS Engine的水系中心线自动提取

为提高地理国情要素中水系中心线的采集效率,在地表覆盖水系要素采集的基础上,采用二值化、图像形态学、图形细化等算法,基于GDAL和ArcGIS Engine技术,实现了水系中心线的自动提取。实验结果表明,本文采用的方法在生产中具有一定的实用价值。     

红纤维虾形草(Phyllospadix iwatensis)种子形态及内部特征

海草床可以为海洋动物提供产卵、索饵、繁育等场所。目前, 海草床面积急剧下降, 其中我国关于虾形草属(Phyllospadix)海草的研究相对较少, 对于虾形草主要繁育载体种子的描述、显微观察和萌发过程方面存在较多空白。本研究以红纤维虾形草(Phyllospadix iwatensis)为研究对象, 对其生长环境、种子外部特征、内部结构、萌发过程等进行了定性定量描述。结果表明, 虾形草果实种子对于海洋环境有着外部形态与内部结构的适应性, 外部形态特点包括独特的果序和果实形状, 以及翅状结构和内侧鬃毛, 其中果序呈弯虾形, 平均长度3.4cm, 果实呈马掌形, 直径3~4mm, 内部结构特征包括胚乳占比大、果皮种皮解剖结构复杂等, 具有作为海岸带植被修复工具种的优势。本研究补充了目前对虾形草等海洋沉水植物种子的研究资料, 为虾形草海草种质库保护与海草床修复提供了建议和参考。     

基于分水岭算法的高分遥感图像道路提取优化方法

针对高分辨率遥感图像城市道路提取中存在的问题,在面向对象方法和数学形态学等理论基础上,提出了一种基于改进的分水岭分割算法的道路提取方法.在图像预处理基础上,首先使用改进的分水岭算法分割影像,提取基本的道路信息;然后利用面向对象方法提取道路基元,完善道路信息;最后将道路信息二值化,并采用数学形态学等方法进行优化,去除和修补不完善的道路.结果表明,该方法能有效地提取出城市地区的道路信息,对较复杂的道路环境也有较好的效果.     

关于机载LiDAR点云数据形态学滤波的几点思考

形态学滤波是一种典型的机载LiDAR点云数据滤波方法,然而滤波过程中还存在某些容易被忽视的细节.本文在回顾现有各种形态学滤波算法的基础上,分析了特殊地形下点云数据内插存在的问题,提出了改进的内插算法;深入探讨了两种不同数据组织形式的滤波算法,指出基于不规则离散点和基于规则格网两种滤波方法各自的优势及不足;最后通过实验数据对两种方法在滤波性能和效率上给出了定性分析和定量评价.     

基于Car(p,q)模型和数学形态学理论的LiDAR点云数据滤波

在分析现有的LiDAR点云数据后处理方法的基础上,本文提出了一种点云数据“分步”滤波方法。首先对LiDAR点云数据进行数学形态学“粗”滤波,得到“地面点假设”和“非地面点假设”。然后引入顾及因果关系的自回归模型（car）对两类点云数据假设进行模型化处理和假设检验,根据假设检验的结果判断地面点和非地面点,最终得到可靠的分类结果。与单纯的“最小二乘拟合预测法”或“数学形态学”方法相比,这种“分步”处理的思想用于LiDAR点云数据分类处理的结果更可靠。