排序方式： 共有14条查询结果，搜索用时 22 毫秒
1.
一种由粗到精的机载激光测深信号检测方法 总被引：1，自引：1，他引：0
针对机载激光测深（airborne lidar bathymetry,ALB）中不同环境下波形的差异性较大,且信号检测精度受限于系统采样间隔等问题,提出一种由粗到精的机载激光测深信号检测方法。该方法首先利用接收波形的有效长度快速估计水深;粗检测依据水深近似值,分别采用理查德森-露西去卷积法（Richardson-Lucy deconvolution,RLD）和平均差方函数法（average square difference function,ASDF）对波形预处理,通过包含距离、导数和极值约束的逐级检测确定信号的初始位置;精检测以粗检测结果为初值,利用改进的二阶多项式指数函数模型,并在模型参数求解中引入信赖域优化算法以实现波形的精确拟合,进而获得信号的精确位置。实测数据和模拟数据的试验结果表明,粗检测能够根据波形的特点采取相应的处理方式为精检测提供可靠的初值;精检测可将检测结果精确至子采样间隔并在粗检测基础上进一步提高精度。与极大值检测、ASDF、RLD和四边形拟合法等传统方法相比,本文方法正确率平均提高10%左右,精度平均提高约30%。 相似文献
2.
海陆回波分类是机载激光测深中的一项波形预处理步骤,关系着后续信号检测和点云生成的精度。针对现有海陆回波分类方法不适用于单频机载激光测深系统且自动化程度不高的问题,本文提出一种单频机载激光测深海陆回波自动分类方法:首先,通过首末回波信号检测及点位计算获得回波的点云高程特征;然后,采用高程直方图拟合的方式确定平均水面位置,依据点云高程特征判定大部分回波的海陆属性,对余下的未定回波,仅保留其中的最强信号并统一处理为单信号回波,同时提取波形的信号特征和能量分布特征,依据点云高程特征的相似性自动建立训练样本集;最后,利用支持向量机分类器实现未定回波的分类。采用国产系统Mapper5000采集的实测数据进行试验,结果表明基于首末回波点云的初分类可快速、准确地对远离海陆交界处的回波进行分类,基于波形特征的未定回波分类可在自动建立的训练样本集支持下实现海陆交界处未定回波的高精度分类。与传统方法相比,本文方法无须近红外通道波形和人工样本的辅助就可以达到较高的分类精度,其中总体分类精度可达99.82%,海陆交界处分类精度可达91.59%。 相似文献
3.
全色图像和多光谱图像由于光谱和空间尺度上的差异,融合结果容易出现光谱失真或空间失真。如何同时实现两个尺度上的对齐,是提高融合效果的关键。传统的SFIM(Smoothing Filter-based Intensity Modulation)遥感图像融合方法可以保证光谱尺度上的一致,但在衡量空间尺度一致上还不够精确。针对此问题,本文提出了一种基于局部方差互信息的空间尺度对齐方法,并在平均梯度一致性的约束下进一步改进SFIM方法。该方法首先对多光谱各波段线性拟合生成多光谱强度图像,并对高分辨率全色图像进行高斯低通滤波,改变滤波参数循环计算2幅图像的局部方差图像间的互信息,当互信息最大时,高斯滤波参数为最佳滤波估计参数;然后,用该高斯滤波器卷积高分辨率全色图像,得到与多光谱图像空间尺度一致的低分辨率全色图像;之后,高低分辨率全色图像间比值处理得到细节图像,以高分辨率全色图像平均梯度为基准,引入调节系数控制细节图像的注入量;最后,细节图像、调节系数与多光谱图像相乘得到融合图像。为验证本文方法的有效性,在IKONOS和Quickbird两种数据集的植被区、建筑区和混合区3个不同场景六组图像开展融... 相似文献
4.
为利用高分辨率遥感影像实现高精度的飞机目标变化检测,提出了一种自适应的多特征融合变化检测与深度学习相结合的方法。首先,通过加权迭代的多元变化检测法获取变化强度图,并结合自适应的直方图统计法自动获取显著的变化与不变化样本;然后,提取多时相影像的光谱、边缘和纹理特征,完成多特征融合的变化检测,并通过形态学处理得到变化图斑;最后,利用训练的NIN(Network in Network)结构的卷积神经网络飞机识别模型,完成变化图斑的类型判别,实现变化飞机的检测。实验结果表明,本文方法在两组数据的正确率分别达到100%和91.89%,均优于对比方法,能实现准确可靠的飞机目标变化检测。 相似文献
5.
6.
针对阴影在高分辨率遥感影像的特性,提出了一种色彩空间变换和多尺度分割相结合的阴影检测方法。该方法首先对原始影像进行连续两次HSV变换,并分别提取前后两次变换的亮度分量和色度分量;然后引入面向对象思想,进行多个尺度的影像分割并依次实现每一尺度下的阴影检测;最后将多个尺度的检测结果进行决策级融合获取最终检测结果。利用高分二号和Google Earth影像分别进行实验,实验结果表明,该方法有效结合了粗细尺度优势,阴影检测误检率和漏检率较低,同时对较亮阴影和较暗地物均具备较好的识别效果。 相似文献
7.
建筑物屋顶面大小差异较大、形状复杂、数量不确定等特点,以及机载LiDAR点云密度不均、分布不规则、缺乏语义信息等特性,对屋顶面的准确分割造成了很大干扰,因此现有分割方法的精度和适用性仍有待提高.针对上述问题,本文提出一种结合区域增长与RANSAC的机载LiDAR点云屋顶面分割方法.首先,引入稳健的法向量估计算法计算点云法向量,利用提出的迭代区域增长策略和RANSAC提取多个可靠屋顶面片;然后,基于可靠屋顶面片参数和RANSAC计算内点的思想,迭代合并可靠屋顶面片,并精化屋顶面参数;最后,计算未能通过前面步骤分割的点到各屋顶面的垂直距离,将其标记为距离最小且小于阈值的屋顶面,并通过局部范围内投票的方式精化屋顶面分割结果.利用多个具有代表性的建筑物点云和一组区域建筑物点云进行试验,结果表明,所提出的方法可有效地分割不同复杂程度的建筑物屋顶面,并能较好地分割面积较小的屋顶面,以屋顶面和单点为评价单元的平均分割正确率为95.56％ 和97.93％,分割的结果可为建筑物三维模型重建、点云精简等应用提供可靠的信息. 相似文献
8.
9.
高光谱影像标记样本的获取通常是一项费时费力的工作，如何在小样本条件下提高影像的分类精度是高光谱影像分类领域面临的难题之一。现有的高光谱影像分类方法对影像的多尺度信息挖掘不够充分，导致在小样本条件下的分类精度较差。针对此问题，本文设计了一种面向高光谱影像小样本分类的全局特征与局部特征自适应融合方法。该方法基于动态图卷积网络和深度可分离卷积网络，分别从全局尺度和局部尺度挖掘影像的潜在信息，实现了标记样本的有效利用。进一步引入极化自注意力机制，在减少信息损失的同时提升网络的特征表达，并采用特征自适应融合机制对全局特征和局部特征进行自适应融合。为验证本文方法的有效性，在University of Pavia、Salinas、WHU-Hi-LongKou和WHU-Hi-HanChuan4组高光谱影像基准数据集上开展分类试验。试验结果表明，与传统分类器和先进的深度学习模型相比，本文方法兼顾执行效率和分类精度，在小样本条件下能够取得更为优异的分类表现。在4组数据集上的总体分类精度分别为99.01%、99.42%、99.18%和95.84%，平均分类精度分别为99.31%、99.65%、98.89%和... 相似文献
10.
多特征多尺度相结合的高分辨率遥感影像建筑物提取 总被引：3，自引：0，他引：3
在高分辨率遥感影像中,建筑物通常表现为多尺度形态,且存在同谱异物和同物异谱现象。因此,本文提出了一种综合利用光谱特征、形状特征和纹理特征,并结合多尺度分割的建筑物分级提取方法。该方法首先对遥感影像进行形态学建筑物指数（MBI）计算,而后对其特征影像进行阈值分割,并借助形状特征参数实现建筑物初提取;然后引入面向对象思想完成遥感影像多尺度分割,并利用纹理特征实现单一尺度的建筑物对象识别;最后借助多尺度融合思想完成建筑物后提取。利用本文方法对冲绳某地区影像进行了建筑物提取试验。试验结果表明,该方法的识别查准率和查全率在对象级和像素级两方面均取得较高精度。 相似文献