基于SVM不同核函数的多源遥感影像分类研究

选取同地区同时相的多光谱和高光谱影像,在实验样本和验证样本相同的情况下,采用SVM分类算法中4种不同的核函数,对2种影像进行分类实验.结果表明,对于多光谱影像,RBF核函数分类精度最高,Sigmoid最低;对于高光谱影像,Linear核函数分类精度最高,Sigmoid最低;对于同地区相同分辨率的遥感图像,在分类条件相同的情况下,多光谱影像的分类精度和高光谱的分类精度相近.     

双分支多维注意特征融合的高光谱图像分类

为改善高光谱图像小样本类别的分类性能,提高模型特征表达的稳健性,提出了双分支多维注意力特征融合的神经网络分类模型（DBMD）。DBMD采用两个分支分别进行光谱特征提取和混合特征提取。光谱分支通过密集连接的扩张卷积逐级提取特征,然后融合低、中、高级语义信息作为特征输出。混合分支采用3D-2D网络架构,并通过改进的Inception块提取空间尺度特征。此外,注意力机制分别应用于光谱、空间和空谱特征,进行特征细化,增强重要区域的特征响应。最后,将不同维度的细化特征联合输入至分类器进行分类。在Indian Pines和Salinas Valley数据集上利用5%和1%的样本进行实验,分别取得了98.40%和99.78%的总体精度,与其他六种网络架构相比,该模型在准确性和稳定性上都具有更优的表现。     

抗差岭估计在概率积分法预计参数求取中的应用研究

针对目前采用最小二乘算法拟合求参时,结果容易受到病态法矩阵和异值点干扰而出现发散等问题,建立了基于抗差岭估计的概率积分法求参模型。结合工程实例进行了人工干预求参试验,结果表明:采用抗差岭估计求参算法既可以抑制异值点的干扰,又可以克服病态法矩阵问题,从而保证了求参结果的有效性和可靠性。     

畸变差改正算法OpenCL并行加速研究

针对畸变差改正算法的处理速度不高和CUDA实现算法加速的设备局限性问题,提出了一种OpenCL并行改进畸变差纠正算法实现加速的方法。该方法是对传统的畸变差纠正算法进行并行改进,通过调用计算机GPU的计算单元实现算法加速;采用CPU+GPU的异构模式实现算法加速,将传统算法中逐像素密集计算部分分配到GPU进行处理;与CUDA实现算法加速针对NVIDIA显卡设备不同,OpenCL并行改进的算法没有了设备的限制。实验结果表明,相对于传统算法来说,影像畸变差纠正处理速度显著提升,总体加速比最高达5.976,计算部分加速比最高达到63.432,同时在AMD显卡设备上也得到了较好的加速效果。     

基于多进制小波的多源遥感影像融合

首先介绍了遥感影像融合的一般理论和方法，然后在讨论多进制小波理论和影像特征的基础上，提出了一种基于特征的多进制小波变换的影像融合算法，该算法根据待融合影像分辨率之比来确定采用几进制小波，将待融合的高分辨率影像进行多进制小波变换，然后把高分辨影像经小波变换后获得的低频成分和低分辨率影像依据一定的关系进行相互转换，以形成新的高分辨影像的低频成分，经过多进制小波逆变换获得到融合后的影像，最大限度地利用了待融合影像的信息，防止了影像信息的丢失，通过对具体影像的清晰度和空间分辨率，融合后的影像最大限度地保留了待融合影像的光谱信息，同时提高了待融合影像的清晰度和空间分辨率，给出了SPOT全色影像与SPOT多光谱影像，SPOT全色影像与TM影像的融合结果，并与其他方法进行了比较，从而证明了本方法的优越性和自适应能力。     

一种快速空间矢量数据压缩方法

提出了一种线与多边形矢量数据的压缩方法，并在此方法的基础上提出了基于非拓扑关系的穷举搜索压缩法。利用MapInfo交换格式矢量数据进行实验，结果表明，使用该方法数据压缩量大、逼真度无明显变化且运算速度快。     

基于多源遥感数据融合的SVM分类研究

针对SVM对遥感数据进行分类时出现的“同谱异物”和“椒盐现象”,提出利用LiDAR数据和遥感影像相融合的分类方法.实验结果表明：该方法在有效提高分类精度和解决“同谱异物”与“椒盐现象”的同时,还可以加快分类速度.     

矩阵因子和信息散度融合的高光谱波段选择方法

高光谱数据的数据量大、冗余度高,影响了影像分类的精度和速度。为解决这一问题,在基于矩阵模式的高光谱波段选择方法的基础上,提出了一种基于矩阵因子和光谱信息散度融合的波段选择方法。首先,用光谱信息散度代替原始用光谱相关系数衡量光谱维的相关性。然后,调整矩阵因子定义方式,根据单一量化指标大小选择最佳波段组合。最后,分别用最佳指数因子、自适应波段选择法、最优波段指数法波段和所提出的算法对AVIRIS高光谱数据进行波段选择试验。结果表明,在选择相同波段数目的情况下,所提出的算法最大化保留了光谱信息并去除了冗余波段,分类精度有明显提高。     

一种基于多视倾斜影像的PMVS改进算法

针对PMVS算法在多视倾斜影像密集匹配中的不足,结合城市三维建模的物方特点,将高程约束条件、聚类分析方法和候选影像排序策略引入其中,并用格网扩散代替原算法中的六方向扩散,从而形成了一种适合大倾斜影像的PMVS改进算法。实验结果表明:提出的改进算法能有效限制初始匹配的种子点个数,较大程度提高种子点的精度和质量,减小后续扩散和滤波的不确定性,使最终获得的点云个数增加78%,点云漏洞明显减少,甚至消失,为DEM生产和城市三维建模提供了一种新的技术手段。