LIDAR点云建筑物数据提取及三维模型建立

对原始LIDAR点云数据采用谢别德法进行内插生成规则格网的数据形式DSM,利用双次最小二乘法来进行滤波分离地面点云和非地面点云形成DTM,从而得到了规则化的DSM.采用区域增长法对规则化的DSM进行分割,去除非建筑物点云,获取建筑物点云信息.采用Canny算子来将分割后的影像进行建筑物边缘的提取,采用基于Hough变换检测直线来对提取出的建筑物边缘进行规则化操作使其光滑均匀,最后使用E3De 3.0软件进行建筑物三维模型的建立.     

基于改进层次分析的机载LiDAR点云分类

针对机载LiDAR点云信息挖掘研究,提出了改进层次分析的机载LiDAR点云分类方法。首先选出5个判定准则,使用层次分析方法对每一个点云做出相应的判定,然后根据一定的规则对判定的结果生成一个二进制信号,最后使用BP神经网络方法确定判定因子在不同地物分类中的权重并对机载LiDAR点云分类。实验数据结果表明:该方法能够很好的将点云数据分类为高大的树、人工建筑物、低矮植物、地表和道路,分类精度Kappa系数达到0.87。     

空间关系辅助的面向对象建筑物提取

根据高分辨率影像的特点提出一种采用面向对象的建筑物提取方法. 该方法以影像对象为处理单元,利用其丰富的光谱、形状以及隐含在影像中的深层空间语义关系等信息进行分类,然后结合空间关系特征对分类结果进行优化,并使用均值滤波对类别边缘进行修正. 实验表明,基于面向对象的方法能比较完整地提取出建筑物对象,且空间关系辅助能进一步提高建筑物提取的精度.     

区域生长滤波算法在机载LiDAR数据城市建筑物提取中的应用

随着我国城市化进程的不断加快,城市布局和城镇化扩张已成为国情监测的主要内容之一。地理信息系统的发展为市政管理带来了极大的方便,但在国情监测方面,主要还是依赖遥感图像人工解译等半自动方法、机载激光雷达扫描技术,为地理国情监测提供了一种快速有效的新方法。基于此,分析区域生长滤波在LiDAR数据建筑物提取中的应用,描述LiDAR作为地理信息系统新型数据源在地理国情监测中的重要作用。     

基于张量投票的道路表面裂缝检测

以车载LiDAR数据为对象,提出一种基于多尺度张量投票技术的道路表面裂缝提取方法. 首先沿行车路线从剖面图中提取道路路坎,通过行车轨迹线约束提取道路数据. 再根据强度和距离信息将道路数据转换成二维特征图像,采用多尺度张量投票法增强特征图像的裂缝信息提取道路表面裂缝. 利用点云数据和道路影像数据进行实验验证,结果表明该方法抗噪能力强,裂缝检测质量高.     

一种基于自适应高提升滤波的遥感影像的阴影处理方法

利用遥感影像的颜色特性,基于亮度的阈值检测方法,将阴影区和光照区进行分割;通过高提升滤波方法对阴影区域进行补偿处理.实验证明,对分割出的遥感影像的阴影区域进行补偿处理后,区域内形状信息更加明显.经如上方法预处理后,明显提高了遥感图像超块分割的精确度,进而提高目标物体提取的精度.     

边缘检测算子LiDAR河流数据提取的研究

由于LiDAR数据具有离散、不连续的特点,在空间上并没有明确的函数关系,现有的LiDAR数据地形地物的提取算法存在依赖辅助数据和算法只针对建筑物等明显地物提取的问题。河流的数据存在形状不规则、边缘不明显的特征,自然形成的原因导致其坡度信息多变,常见的数据提取算法难以解决这类问题,Robert边缘检测算子对边缘信息更为敏感,实验证明,与Sobel和Prewitt算子对比,Robert算子更适用于提取较高精度河流地物边缘并且有较好的精确性和适用性,可获得较高精度作为准确的目标信息。     

迷彩设计中背景图像聚类方法的比较分析

迷彩设计中,通过对目标背景的图像信息进行归类处理,利用图像分割技术获取背景斑点,然后设计出与背景亮度和纹理相协调的迷彩图案. 目前,最常用的图像分割方法是均值聚类法,由于它直接利用灰度信息以致分割的细节不明显,容易导致模拟背景纹理失真. 针对它的不足,提出了采用基于自组织特征映射(self organizing feature map, SOFM)神经网络的分割方法对背景进行聚类分割. 该方法将整幅图像作为神经网络的输入,聚类分割后的颜色作为输 出,按照自组织特征映射网络的学习过程,使用其函数进行迭代运算直至学习停止. 比较实验结果表明,SOFM方法能更好地保留图像的细节纹理,得到较为理想的设计效果.     

几何特征表达及基于几何特征的建筑物提取

通过分析高分辨率遥感图像中建筑物光谱特征存在严重的“同物异谱”和“同谱异物”等情况,发现建筑物的几何特征比其光谱特征更加典型. 在总结了建筑物的一些典型几何特征之后,进行了基于几何特征(面积特征、矩形拟合度特征、长宽比特征、走向特征)的建筑物提取实验,发现利用几何特征能够比较有效地提取到建筑物. 由于图像分割离不开光谱特征,即建筑物几何特征的计算受到其光谱特征的影响,依据几何特征的建筑物提取结果不是非常令人满意的. 高度特征是建筑物最典型的几何特征之一,因此将高度特征引入到图像分割和建筑物提取过程是提高建筑物提取精度的新方向.     

基于NDISI的七台河市不透水面信息提取

基于遥感手段,利用TM影像,对黑龙江省七台河市进行不透水面信息的提取,选取的方法是改进的归一化不透水面指数法(NDISI).这种方法利用各个波段反射率的强弱的特点突出不透水面信息,对结果利用阈值法加以提取,并进行了精度验证.经验证,七台河市的不透水面信息被较好的提取出来了,总精度达到了81.7%,kappa系数达到了0.7162.经过验证,证明归一化不透水面指数法(NDISI)在该地区能够得到较好的应用,也为大范围的不透水面制图提供了指导.     

高分遥感影像不同形状建筑物半自动提取与规则化

现有的高空间分辨率遥感影像交互式建筑物提取方法需要用户在建筑物上勾画出与建筑物大小和形状相近的线，且大多方法只能提取直角建筑物。为降低交互要求并实现不同形状建筑物的精确提取，该文首先在用户少量交互的基础上采用区域生长、高斯混合模型、CannyLines线段检测算法以及基于多星形约束的最大流/最小割分割模型获得建筑物图斑，然后分别针对直角建筑物和非直角建筑物图斑进行规则化，得到与实际建筑物形状一致的提取结果。实验表明，该方法交互简单且建筑物提取精度F₁值可达到0.9，具有较强的鲁棒性。     

植物三维点云分割

针对植物点云具有形状不规则、密度不均匀的特点,提出一种适用于植物的三维点云分割方法.将烟草、玉米、黄瓜这3种植物作为样本数据,以滤波等预处理方法去除离群点与背景点,以欧氏聚类算法分割植物群体,并用区域增长算法、边缘提取算法、超体素聚类算法以及基于凹凸性的方法来分割叶片器官.将所提出的方法用于分割烟草、玉米的三维点云,其...     

非穿戴指势手指三维定位

根据小波变换在时域和空域均具有优异的局部化特征,基于背景差分,利用小波多尺度特性进行小波多尺度 变换,提取视频运动对象并抑制阴影. 根据手指在图像中的空间位置关系,基于阈值分割与色彩信息融合方法,提取手 指区域. 融合手指指尖特征点、指势手指的手臂中心轴线及其外极线的多几何约束的立体匹配策略,采用求解反对应方 法,确保手指特征匹配的正确性. 实验验证了文中所提方法能有效定位指势手指的三维信息.     

基于阴影检测模型的图像拼接盲取证

拼接篡改是最常见的篡改手段之一。在拼接带有阴影的图像时,篡改者为了掩饰篡改痕迹往往会伪造拼接物的阴影。提出一种基于阴影模型的拼接图像盲取证方法。分析各种经典的阴影模型,在此基础上建立一种适用于拼接篡改取证的阴影模型。使用图像区域增长算法实现对图像阴影的自动提取和定位,并采用能量最小化方法和干扰点去除技术得到鲁棒的阴影比例因子,利用阴影比例因子的不一致性对拼接篡改图像进行盲取证。实验结果表明,该拼接取证方法对于带阴影的拼接篡改图像有较高的检测准确率,能应对各种伪造阴影手段。     

面向地理国情监测的CRF遥感影像分类

针对地理国情监测中地表覆盖信息的提取,提出了一种基于条件随机场的高分辨率遥感影像自动分类方法.与面向对象的传统分类方法不同,该方法基于概率图模型分别计算像素级和对象级的势函数,以及像素与它所属对象之间的层间势函数,将所得势函数统一到一个CRF模型中进行图割求解.该方法较充分地表达了像素与对象之间的关系,从而降低了对象分割误差传递对影像分类结果的影响.以“高分1号”遥感影像为实验数据,借鉴地理国情普查中地表覆盖分类体系进行实验验证.分类总体精度和平均精度分别达到91.08%和86.95%,远高于基于面向对象的分类结果.     

基于卷积神经网络的时空权重姿态运动特征提取算法

在传统姿态运动特征提取过程中存在有效提取效率低的问题,于是提出了基于卷积神经网络(convolutional neural network,CNN)算法的时空权重姿态运动特征提取算法.针对所选择的运动时空样本,提取相应的时空运动关键帧并以静态图像的形式输出;采取运动目标检测、图像增强等多项措施完成初始运动图像的预处理工...     

基于Kim与Camshift结合的运动目标跟踪算法

为了能够准确和快速的跟踪部分遮挡的运动目标,提出了Kim与Camshift相结合的运动目标跟踪算法。首先通过Kim算法(即帧差法与背景相减法结合)自动的提取目标,通过提取目标确定运动区域及运动区域的质心,然后通过此运动区域提取目标特征,用Camshift方法进行跟踪。此法克服了传统Camshift算法需要人为定位,对部分遮挡目标出现目标丢失和跟踪区域偏移的情况,最后通过实验验证了本算法对部分遮挡运动目标跟踪有较好的鲁棒性。     

一种基于属性加权朴素贝叶斯算法的OTSU图像分割方法

为了增强图像分割技术的准确性并优化图像分割技术的细节分割效果,提出了一种基于属性加权朴素贝叶斯算法的OTSU图像分割方法。将OTSU算法中依据图像灰度特征选取的图像中的前景和背景通过属性加权朴素贝叶斯算法进行分类处理,计算图像中前景和背景的概率,训练该模型以获得最佳阈值进行图像分割处理,优化图像分割的效果。利用无人机航拍采集的图像数据进行实验,结果显示基于属性加权朴素贝叶斯算法的OTSU图像分割方法优化了图像的分割效果,较完整地展示了分割后的图像细节,具有较好的应用价值。