SAR影像匹配算法的研究

提出了一种高效稳定的SAR影像匹配算法,该算法首先采用Frost滤波对SAR影像的斑点噪声进行预处理,再结合SIFT和SURF算法对滤波后的SAR影像进行特征点提取,使用Matlab程序实现立体影像无痕拼接,实现了SAR影像的高精度匹配,该方法提高了SAR影像的匹配成功率,减少了匹配时间。     

无人机影像匹配中尺度不变特征应用改进

针对尺度不变特征变换算法用于无人机影像匹配中存在匹配效率低下,误匹配较多等问题,该文提出一种特征点提取优化算法,并改进了特征点匹配策略。通过将原始影像划分格网,依据每个格网影像信息熵的大小来合理分配各格网中特征点数量,实现了基于纹理信息丰富程度的特征点均匀分布;基于Harris兴趣值进行筛选,保留了适合于摄影测量的特征点;采用一种多层次自适应的匹配策略,在尽可能保留正确匹配的同时提高了匹配正确率。基于一对由小型无人机拍摄影像的实验结果表明,所提方法在大量减少SIFT特征点的同时,保证较高的正确率,增加了匹配点的精度,且提高了算法效率。     

遥感影像仿射不变特征匹配的自动优化

针对基于仿射不变特征的遥感影像匹配技术,提出了一种自动优化方法,以进一步提高匹配准确性.根据典型需求形成了两套优化实施方案,基于所提出的自动优化方法实现了相应具体算法.针对不同类型的多组影像,自动优化的效果与相应方案的预定目标一致,充分证明了本方法的有效性与适用性.     

方差分量估计理论及其在边角网平差中的应用

本文从理论上阐明了MINQE(I,U)(最小范数二次不变无偏估计)方差分量估计出现负方差的原因;论述了存在MINQE(U,NND)估计量的充要条件;对边角网平羞问题而言,MINQE(I,U)估计法不可能同时准确地求出边长误差模型中的m_a~2和m_b~2。文章从边角网误差模型的特点出发,提出了一种新的方差分量估计模型(改进的方差分量估计模型),该模型能合理地确定方向和边长的方差分量,从而较好地解决了边角网平差中的定权问题。     

非线性规划的对称对偶性

提出了一个非线性规划的对称对偶模型，它统一了非线性规划中两类对称模型，在不变凸条件下证明了该对称对偶模型具有弱对偶性、强对偶性和逆对偶性。     

用不变矩从机载激光扫描测高点云数据中重建规则房屋

介绍了不变矩的概念，结合实例，基于机载激光扫描测高的三雏点云数据，用不变矩实现了规则房屋的模型重建。对不变矩重建房屋模型的精度进行了讨论和分析．得出了一些有益的结论。     

小波分析在重力界面反演中的应用

基于Parker-Oldenburg反演方法，分析了低通滤波器B（K）的不同阈值对位场分离的影响。分别采用小波变换和低通滤波对青藏高原地区布格重力异常进行了位场分解和莫霍面反演，并将反演结果与地震资料作比较。结果表明，在重力位场分解中小波多尺度分解可以代替低通滤波器B（K），避免了闻值的选取。     

一种改进的无人机航摄影像快速拼接方法

为提高无人机航摄影像快速拼接的速度和精度,针对无人机影像处理特点,提出重叠区分块并行处理策略;通过对不同图像分辨率和尺度下的特征匹配情况进行分析,提出分块阈值自适应调节方法来改进尺度不变特征转换(SIFT)算法;利用匹配点距离中误差进行粗差去除,获取最优随机一致性检验(RANSAC)样本,得到更精确匹配点对。试验结果证明,改进策略既可保证拼接精度,又可提高拼接效率。     

基于精选基准消秩亏的GNSS参考网数据处理方法

全球导航卫星系统（GNSS）参考网多用于估计卫星轨道/钟差、监测地表形变和速度场、确定精密地球自转参数等方面。相关数据处理模式包括：双差基线解（DD）和非差精密单点定位（PPP）等。本文首先从GNSS基本观测方程出发,通过选取两组基准参数,导出了上述两模式下的列满秩观测方程,然后分析了它们的不足,例如：相位偏差在DD模式中吸收了钟差,丧失了时不变特性;模糊度在PPP模式中吸收了相位偏差,失去了整数性。基于上述分析,本文提出了一种新的参考网数据处理方案,以充分融合DD和PPP模式的优势。它的关键策略是精选基准参数,以达到消秩亏的目的,具体优点体现在：相位偏差独立可估,若合理约束为时不变参数,可充分减少参数个数,提高网解精度;待估模糊度具备整周特性,经由模糊度固定,可改善网解可靠性。     

运用SI-Harris算子提取遥感图像点特征

推导了SI-Harris算子(尺度不变Harris算子)的理论公式,并将其应用于遥感图像的点特征提取。重点对Harris算子与SI-Harris算子在不同空间分辨率遥感图像上的点特征提取进行实验比较,利用"重复率"指标对实验结果进行定量评价。实验表明:SI-Harris算子"重复率"较Harris算子有明显提升,可用于不同空间分辨率遥感图像的点特征提取,进而可服务于不同空间分辨率遥感图像的匹配。