地图图像智能识别与理解:特征、方法与展望

随着测绘制图与通讯技术的发展,公众能够借助各种平台和工具实时地自由创建、发布、编辑和共享地图图像大数据资源和产品,地图图像在地图内容、绘图标准等方面具有了显著的泛在性,导致难以创建大规模、高质量的地图图像标注数据。因此,尽管现有深度学习方法在识别标准地图的内容中取得了突破性的进展,但受制于地图图像标注数据的局限,依然无法有效应对地图图像的识别和理解。根据目前国内外的相关研究进展与挑战,结合地理空间人工智能技术,探讨支持泛源地图图像大数据识别的理论与技术框架。首先,提出既能够表达地图图像内容,又能够为模型或算法表征的地图特征;然后,探讨面向地图图像内容识别的地理空间人工智能技术,以及面向地图图像理解的语义分析方法;最后,总结和展望基于地图图像大数据的相关应用及潜在价值。需要进一步研究支持地图图像表征的理论与方法,且集成地图图像显式内容的识别（地图感知）和地图图像潜在语义的分析（地图认知）才可充分挖掘地图图像大数据的价值。希望能够从数据表征和地理空间人工智能的角度为地图图像的研究提供新思路。     

聚类特征和SVM组合的高光谱影像半监督协同分类

本文提出了一种聚类特征和SVM组合的高光谱影像半监督协同分类方法。利用构建的协同分类框架能够将KSFCM聚类算法与半监督SVM分类器相结合,同时利用聚类和分类优势,提高分类器的分类准确率。其中,通过聚类损耗函数、分类一致函数、分类差异性、样本差异性四个指数用以构建协同分类框架,以充分利用少量类标签样本信息,避免高光谱类标签样本获取困难问题,在一定程度上解决SVM支持向量随着训练样本增加而线性增加的问题,从而寻求最佳分类结果。实验结果表明,本文所提方法得到的分类精度优于直接利用SVM进行半监督分类。     

一种QaR树的图像粒优化分解方法

首先提出图像粒的概念,然后将所提出的概念应用于QaR树进行图像分解,最后对基于QaR树分解的结果和其他算法进行评估和对比.实验结果表明,在冗余度和精度两个指标上,基于QaR树的图像粒分解结果均优于已有方法,能够提供更为贴近图像数据和图像空间的图像局部区域.     

改进多尺度Retinex理论的低照度遥感影像增强方法

由于天气和光照等外邵因素的影响,常常会出现亮度和对比度低的影像本文将基于Rctincx理论的算法和经颜色空间变换后对亮度和饱和度分量进行增强的算法进行结合,提出了一种基于多尺度Rctincx理论的改进算法,在保证色调基本不变的情况下,对亮度和饱和度进行调整,同时加入影像边缘细节特征,使增强后的影像更加符合人眼视觉特性,亮度和对比度大幅提高,影像细节更丰富,并避免了颜色失真以低照度遥感影像作为数据源,并采用清晰度、色调偏差指数和墒等影像质量评价指标验证了本文算法的有效性.