利用Leberl模型进行机载SAR图像的立体定位

随着微波遥感技术逐步走向实用化，雷达摄影测量技术研究也越来越受到重视。从SAR图像的成像特点出发，研究了Leberl雷达构像模型的描述和解算过程．实现雷达影像立体定位的理论和方法。并通过实验加以证实。     

基于航空立体影像对的复杂房屋三维拓扑重建

对利用航空影像对重建复杂房屋三维模型进行了研究，提出了拓扑链、外拓扑和内拓扑的概念，分析了复杂房屋的内拓扑和外拓扑的三维重建，构造了复杂房屋的三维拓扑数据模型。基于此模型设计了双向搜索算法，用于自动构建复杂房屋的三维拓扑面，从而实现了复杂房屋的自动三维拓扑重建。实验证明，本文提出的双向搜索算法是很稳健、高效的。     

基于相对定向结果和多视几何约束的序列影像直线相关研究

以对序列影像进行连续像对相对定向的结果 (自由网相机参数和部分同名像点 )为基础 ,对VIDEO序列影像的直线相关问题进行了研究 ,提出并实现了相关的算法 ,给出了在具体实践中的应用效果。     

三线阵测绘卫星的偏流角改正问题

简要介绍了三线阵测绘卫星的基本工作原理,分析了偏流角产生的原因及其对三线阵相机立体摄影覆盖的影响,提出了采用对卫星进行偏航姿态控制以改正偏流角的策略,给出了对卫星姿态控制系统偏流角改正的控制精度要求,并对偏流角改正的有效性进行了评估。     

基于双目视觉的船舶跟踪与定位

设计了基于双目视觉的船舶跟踪与定位系统,并且完成对应算法设计.算法分为摄像机标定、目标跟踪、立体匹配、视差定位4个模块,其中,跟踪模块以目标窗口的形式给出跟踪结果,匹配模块在跟踪结果中进行左右目立体匹配,定位模块根据左右目匹配点对的像素位置计算其在物理空间的坐标,减少了匹配时间.实验结果表明,该方式可实现实时跟踪目标并给出目标的准确位置,满足应用要求.该定位系统可同时完成动态目标跟踪和定位,提供三维图像的丰富信息,具有很强的推广应用价值.     

基于数字视差模型和改进SIFT特征的数字近景立体影像匹配

针对数字近景立体摄影测量中立体影像的高效自动匹配的需要,提出一种基于数字视差模型（digital parallax model,DPM）和改进SIFT(scale invariable feature transformation)特征的立体影像匹配算法。该算法首先根据近景立体摄影系统中相机基距和相互关系固定的特点,利用已知的标定数据,构建立体影像的数字视差模型,并计算立体影像中的同名核线参数,再在DPM和核线的约束下,确定右影像上同名像点的搜索范围,以提高匹配速度和准确性;其次,利用SIFT特征和灰度特征,设计结合局部结构信息和全局灰度信息的匹配相似性测度计算模型,以增强匹配的稳健性。利用该算法对实际立体影像进行实验,结果表明本文方法可大大消减错误匹配,提高匹配的可靠性和精度。     

近景摄影测量可视化摄影与处理管理

近景摄影中的场景较为复杂,通常不能采用常规航空摄影测量中的摄影方式,而是以单摄站旋转拍摄、多光束交会的方式进行。这种方式增加了摄影测量后续处理的难度,尤其是模型选取以及空三处理。介绍了一种简单实用的方法,通过机助的可视化界面建立摄影方案图,实现检索功能,简化数字近景摄影测量后续处理。     

基于几何规则的车载近景立体影像道路交通标线自动提取

道路交通标线信息是道路导航地图中必不可少的数据,对于制作精度更高、道路细节信息更加丰富清晰的高精度导航地图具有重要的作用。本文以车载近景立体影像中的道路交通标线信息自动提取为研究目标,针对道路交通标线快速、精确采集的应用需求,提出了基于几何规则的车载近景立体影像道路交通标线自动提取方法。该方法首先分析了道路交通标线的几何特征;其次,构建了基于几何特征的交通标线信息提取规则;最后,以标线种子点为基础,结合前述规则,实现了道路交通标线三维空间信息的自动采集。以南京师范大学的车载移动测量系统拍摄的实际近景立体影像为数据进行了试验,试验结果证明,本文方法相比传统人机交互采集方法,在交通标线特征点采集效率、标线几何相似度等方面有较大的优势,可为高精度导航地图的生产提供一种可借鉴的技术支撑。     

使用卫星立体像对提取城市容积率的研究

随着城市化的不断发展,日益增多的城镇人口与稀少的土地资源之间矛盾与日俱增。容积率是反映土地利用强度的一个重要指标。本文选取Pleiades卫星立体像对生成研究区域的nDSM影像,不仅可以克服阴影法精度较低的问题,而且运用拟合的方法得到了更为准确的建筑面积,从而得到更精确的容积率值。结果表明,该方法得到的容积率更加准确,完全可以满足大面积普查的要求。     

基于深度学习的航空遥感影像密集匹配

本文探讨了深度学习在航空影像密集匹配中的性能,并与经典方法进行了比较,对模型泛化能力进行了评估。首先,实现了MC-CNN(matching cost convolutional neural network)、GC-Net(geometry and context network)、DispNet(disparity estimation network)3种代表性卷积神经元网络在航空立体像对上的训练和测试,并与传统方法SGM(semi-global matching)和商业软件SURE进行了比较。其次,利用直接迁移学习方法,评估了各模型在不同数据集间的泛化能力。最后,利用预训练模型和少量目标数据集样本,评估了模型微调的效果。试验包含3套航空影像、2套开源街景影像。试验表明:①与传统的遥感影像密集匹配方法相比,目前深度学习方法略有优势;②GC-Net与MC-CNN表现了良好的泛化能力,在开源数据集上训练的模型可以直接应用于遥感影像,且3PE(3-pixel-error)精度没有明显下降;③在训练样本不足时,利用预训练模型做初值并进行参数微调可以得到比直接训练更好的结果。