一种多特征融合的面向对象多源遥感影像变化检测方法

当前,随着遥感影像数据来源越来越丰富,且分辨率越来越高,传统的变化检测方法已经无法满足实际应用的需要。针对这一问题,提出了一种多特征融合的面向对象多源遥感影像变化检测方法。在对象获取和多种特征提取的基础上,利用SVM对高维数据分类的优异特性,将基于SVM的二类分类方法与对象级变化检测有机结合,提高了多源遥感影像变化检测的精度和可靠性。结合人工目视判读,设计了一种面向地物的指标计算方法。实验采用多源多时相的遥感影像进行,并对不同地物变化检测的精度进行统计,验证了提出方法的有效性。     

基于仿射变换的带状影像数据处理技术研究

带状影像数据处理是数字正射影像图生产中的一项重要工作内容.现针对传统带状影像处理方式的不足,根据影像坐标配准信息的特点,提出基于仿射变换的带状影像数据裁切处理方法,并以带状矩形为基本数据处理单元,利用ArcGIS Python语言实现了带状影像数据的自动处理,简化了数据处理流程,减少了成果影像的数据冗余,对于提高数字正射影像图的生产和使用效率有重要的实践意义.     

三线阵推扫式ADS80影像数据源生产地理国情影像底图技术流程

为确保甘肃省第一次全国地理国情普查工作的顺利进行,结合工作实际,介绍利用ADS80影像数据生产地理国情普查影像底图,并对生产技术环节进行阐述.     

DMC影像在土地确权项目中控制点布设方案

通过对同一区域 DMC 影像使用不同的像片控制点布设方案分别进行空三平差,比较定向点、检查点的误差以及正射影像的平面精度情况,研究不同的布点方案对 DOM 精度的影响,最后得出在土地确权DOM制作项目中像控点布设方面的初步建议,供同行在实际作业中参考.     

面向地学应用的遥感影像分割评价

影像分割是面向地理对象影像分析(GEOBIA)中的一个关键环节。分割评价有助于为影像选择合适的分割方法和最佳分割尺度。本文提出一种以遥感地学应用面向的对象为依据的分割方法分类及评价体系。首先将影像分割方法分为面向局部特征监测的典型目标识别和面向全局特征监测的面向GEOBIA的分割方法两组,进而针对这两组分割方法提出了两套分割评价测度指标及相应的综合评价方法。在面向典型目标识别的分割方法评价中,使用区域内部非均质度、区域间灰度对比度、区域间散度对比度、边界点梯度和单位像素运行时间作为评价测度,并针对由于评价测度间的相关性而无法直接确定各测度权重分配的问题,提出利用熵权法为各个评价测度分配权重以获得综合评价结果的分割评价方法,该评价方法可用于选择合适的分割方法。用于面向GOEBIA的分割方法中使用分割区域内均质性和区域间异质性作为评价测度,这种评价方法适用于选择最优分割尺度参数。本文通过定量试验论证了这两种评价方法的有效性,试验结果表明其在遥感应用中具有实际意义。最后本文分析了影像分割评价方法的不足及未来的发展方向。     

浅谈高原高寒地区遥感影像判读技巧

以西藏怒江流域高原高寒地区为背景,对利用高分辨率遥感影像进行判读时经常遇到的几方面问题,运用实例分析的方法,给出了解决问题的思路,为以后的工作和类似区域遥感影像的判读提供了参考依据。     

高分一号遥感卫星影像融合及质量评价方法研究

遥感技术正在突飞猛进的发展,影像融合技术得到了深入研究,本文在像素级融合的基础上,以高分一号卫星影像为实验数据源,并用主成分变换、Brovey变换、Gram－Schimdt变换、HSV变换等方法,进行试验研究,并以主客观相结合的方式,对实验结果进行评价,最后得出结论,本文研究成果可对高分一号影像进一步应用提供借鉴。     

地理国情普查外业调绘系统关键技术及实现

介绍了基于Android的地理国情普查外业调绘系统实现数据采集、离线存储的开发技术和实现方法;实现了影像数据和内业解译数据的浏览、查询、核查及GPS定位以及与数据库同步更新等功能。转变传统纸质调绘方式,起到提高效率,降低成本和有效控制信息获取质量的重要作用。     

某数字城市实景影像数据采集方案设计

随着测绘科技、计算机及网络技术的飞速发展,完全基于4D数据构建的数字城市已不能适应信息时代对于属性信息"准、全、新"的要求。可量测立体影像和360°全景影像数据将原来地理信息数据由4D上升到5D,弥补了4D数据的缺憾。本文主要介绍了这两种数据外业采集和内业处理的方法和过程,对未来数字城市建设数据采集方法的改进有一定的参考价值。     

融合光谱-空间信息的高光谱遥感影像增量分类算法

提出了一种融合光谱和空间结构信息的高光谱遥感影像增量分类算法INC_SPEC_MPext。通过主成分分析(PCA)提取高光谱影像的若干主成分,利用数学形态学提取各主分量影像对应的形态学剖面(MP),再将所有主分量影像的形态学剖面归并联结,组成扩展的形态学剖面(MPext)。将MPext与光谱信息相结合以增加知识,最大限度地挖掘未标记样本的有用信息,优化分类器的学习能力。不断从分类器对未标记样本的预测结果中甄选置信度高的样本加入训练集,并迭代地利用扩大的训练集进行分类器构建和样本预测。以不同地表覆盖类型的AVIRIS Indian Pines和Hyperion EO-1Botswana作为测试数据,分别与基于光谱、MPext、光谱和MPext融合的分类方法进行比对。试验结果表明,在训练样本数量有限情况下,INC_SPEC_MPext算法在降低分类成本的同时,分类精度和Kappa系数都有不同程度的提高。