排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
传统遥感影像变化检测方法依赖人工构建特征,算法设计复杂且精度不高;而将2幅不同时相影像叠加后输入神经网络的遥感影像变化检测方法会造成不同时相的特征相互影响,难以保持原始影像的高维特征,且模型鲁棒性较差。因此,本文提出一种基于改进DeepLabv3+孪生网络的遥感影像变化检测方法,以经典DeepLabv3+网络的编解码结构为基础对网络进行改进：① 在编码阶段利用共享权值的孪生网络提取特征,通过2个输入端分别接收2幅遥感影像,以保留不同时相影像的高维特征;② 在特征融合中用密集空洞空间金字塔池化模型代替空洞空间金字塔池化模型,通过密集连接的方式结合每个空洞卷积的输出,以提高对不同尺度目标分割的精度;③ 在解码阶段中针对不同层级特征图信息差异较大,难以融合的问题,引入基于注意力机制的特征对齐模型,引导不同层级的特征对齐并强化学习重要特征,以提升模型的鲁棒性。应用开源数据集CDD验证本文方法的有效性,并与UNet-EF、FC-Siam-conc、Siam-DeepLabv3+和N-Siam-DeepLabv3+网络对比试验。试验结果表明,本文方法在精确率、召回率、F1值和总体精度上达到87.3%、90.2%、88.4%、96.4%,均高于UNet-EF、FC-Siam-conc、Siam-DeepLabv3+网络和N-Siam-DeepLabv3+网络,检测结果较为完整,对边界的检测也更为平滑,且对尺度变化具有更高的鲁棒性。 相似文献
2.
特征匹配是面阵摆扫式航空影像处理的关键步骤,针对传统特征匹配方法在面阵摆扫式航空影像匹配时存在匹配点数量少,分布不匀均的问题,本文提出一种基于自适应亮度空间的特征匹配方法。首先根据影像POS（Postion Oriental System）信息求解待匹配影像间变换关系进行影像校正,在校正后的影像上构建自适应亮度空间,使用ORB算子和BEBLID算法在亮度空间上获取特征点和二进制特征描述符,然后基于汉明距离获取初始匹配点,使用RANSAC算法剔除粗差,最后将匹配点变换到原始影像上得到最终匹配结果。本文选取6组具有视角差异及亮度变化的面阵摆扫式航空影像进行实验,将本文算法与SIFT、SURF、ORB、ORB+BEBLID、ASIFT等匹配方法进行比较,结果表明：本文算法通过建立影像间变换关系,构建自适应亮度空间,使得算法提取的特征点数量增加1.5倍,获取匹配点数量是其他算法的3倍以上,且匹配点分布更加均匀,匹配效率高于其他算法,验证了本文算法在具有亮度变化及视角差异的面阵摆扫式航空影像上匹配的有效性。 相似文献
3.
ICESat-2(Ice, Cloud and land Elevation Satellite-2)数据的平面定位精度达到米级,高程定位精度达到亚米级,但受各种外界因素的影响,部分激光足印点的高程精度较差,不能用作高程控制点。针对上述问题,本文提出一种适用于ICESat-2数据的多参数联合的高程控制点提取方法。该方法首先利用内置参数辅助检查激光足印点数据质量,滤除异常激光足印点,然后参考内置DEM（Digital Elevation Model）数据进行高程粗差剔除,最后结合云量标记、坡度参数以及时间标记属性参数设置阈值精细筛选,保留满足质量检查、坡度小、云量少的激光足印点作为最终高程控制点,并利用高精度参考高程数据进行精度验证。为验证本文方法的有效性,选取郑州西部、北科达他州西南部、印第安纳州北部地区的ICESat-2激光数据（高程平均绝对误差分别为3.711、0.582、0.333 m）进行高程控制点提取实验,实验结果表明,筛选后的激光足印点平均绝对误差分别达到0.827、0.393、0.131 m,该提取方法在多种地形场景下均能够提取出一定数量且精度较高的高程控制点,不仅能为1：50 000以及1：10 000立体测图提供数据支撑,还能为全国甚至是全球高程控制点提取和高程控制点库建设提供参考。 相似文献
1