基于人工智能的无人机测绘遥感图像信息提取方法

针对遥感图像信息提取过程中,因训练样本过大而导致提取结果不精准的问题,提出了基于人工智能的无人机测绘遥感图像信息提取方法。根据每一张图像数据的归一化指数构建图像信息提取模型;采用人工智能的机器学习卷积过程对图像信息进行降维处理;融合图像特征,获取概率特征图,构建目标相对优属度矩阵,共享卷积过程中的权值,实时更新机器学习的判别参数。使机器学习过程与判别过程平衡,将卷积得到的特征图连接起来作为判别依据,判别图像真假,由此提取图像真实信息。引入一个模型复杂性惩罚项,控制训练样本数量,实现无人机测绘遥感图像信息提取。实验结果表明,所提方法提取精度最高为0.93,损失程度最高为0.22,该方法信息提取精准度较高。     

无人机测绘遥感

本文阐述了无人机发展历程和我国无人机应用技术现状,论述无人机在遥感测绘领域的应用优势,描述无人机遥感在移动通信和电力行业的应用.无人机数据处理方法及其传感器的搭载是无人机遥感测绘技术的未来研究热点与研究方向,提出了无人机技术在测绘遥感领域的应用问题.     

应用于无人机平台的红外图像拼接技术研究

利用非制冷长波红外热像仪设计了红外图像拼接系统,提出可以应用于无人机平台的红外图像拼接方法.目前的红外图像拼接方法基本都是对经过亮度和对比度增强处理的图像进行拼接,当采集图像的场景不同时待拼接红外图像之间会存在亮度差异,导致最终拼接图像中存在明显接缝.为解决此问题,提出改进的红外图像拼接算法,对未经过亮度及对比度调整的14 bit红外图像进行拼接,然后对拼接图像进行畸变校正,最后将14 bit拼接图像通过平台直方图均衡算法压缩到8 bit灰度范围显示,提高红外拼接图像的对比度.实验结果表明:当相邻两幅待拼接图像的重叠视场不小于单幅红外图像视场的15％时,该方法具有较好的场景适应性,可以实现红外图像无缝拼接,拼接图像重叠区域过渡平滑,畸变校正后的拼接图像更加符合真实场景.     

无人机航拍图像拼接技术研究与实现

图像拼接是从局部视图序列中获得更宽视野的过程,在过去的二十年中,相关专家学者们已经提出了许多图像拼接算法和技术。在无人机航拍中,受限于无人机稳定性差、像素低等局限,所获得的图像往往需要拼接降噪后方能进行实际应用。然而,传统的图像拼接直接应用于无人机航拍图像中,存在运算复杂、占用内存大、图像精准性较差等问题。因此,迫切需要适用于无人机航拍图像的拼接算法和技术。文章据此出发,首先分析无人机航拍图像拼接的必要和技术现状,指出一般的图像拼接需要准备和测量GCP的位置,且需要消耗较多的时间和精力。在此基础上,提出无人机航拍图像拼接的关键技术与实现,指出HARRIS算法更加适用于无人机航拍图像的拼接,并且详细论述了图像拼接的流程。     

机动飞行环境无人机航拍图像拼接技术研究

以实战环境下无人机航拍图像的全景拼接为研究目的,提出了一种适用于无人机在机动飞行条件下的航空图像拼接算法,该算法采用空间变换、特征识别、匹配相关和信息融合等图像处理技术,可实现序列图像空间旋转、变形、尺度变换等特殊情况下的无缝拼接,通过真实使用环境试验测试,该算法具有在多种机动飞行环境下航拍图像拼接准确的特点,取得了良好的效果。     

一种快速的基于SIFT算法的无人机航拍序列图像自动拼接方法

无人驾驶飞机在短时间内具有相对稳定的航向、飞行速度、飞行高度等特点,这些特点决定了相同时间间隔的航拍序列图像的重合区域相对稳定,在此基础上,本文提出了航拍序列图像拼接方法的约束性条件,及一种快速的无人机航拍序列图像的自动拼接方法。该方法运用自回归模型,将历史相交区域中心点作为模型的输入数据,对当前用于拼接的重合区域进行预测,然后在预测区域内进行SIFT特征提取和特征提纯,并根据提纯后的特征进行快速的序列图像拼接。通过在无人驾驶飞机航拍序列图像上对该方法性能进行实验,结果显示本文的方法具有较好的拼接效果,在海量无人机航拍数据的情况下,能大大减少拼接时间。      

基于无人机测绘的复杂地形图像特征提取方法

目前研究的地形图像特征提取方法存在灰度值与实际值相差较大,导致复杂地形图像特征提取精度较低等问题。为解决上述问题,提出基于无人机测绘的复杂地形图像特征提取方法。计算地形图像特征的多阈值,基于多阈值计算结果,提取地形图像特征点,通过SIFT按照递减顺序结合复杂地形图像特征点,完成匹配;采用隔阶比较的方法,对匹配后地形图像特征点进行处理,以此提升地形图像特征点提取的鲁棒性。实验结果表明,基于无人机测绘的复杂地形图像特征提取方法优于传统地形图像特征提取方法,其灰度值和实际值相差较小,吻合度较高,且提取精度较高。     

一种新的无人机航拍序列图像快速拼接方法

 无人驾驶飞机航拍序列图像的邻近帧间含有大量的相交区域,这些相交区域是进行基于特征的图像拼接的基础,但是也成为了降低拼接效率的冗余信息.因此,本文提出一种既稳定又具有较小时间开销的无人机航拍序列图像的自动拼接方法.利用图像拼接过程中查找到的匹配特征点,自适应提取出适于航拍序列图像快速拼接的关键帧;在分析了序列图像的拼接时的相交区域的运动模型的基础上,建立了无人机航拍序列图像配准过程中的特征搜索区域预测的卡尔曼滤波器,减少了特征搜索和配准的时间;然后给出了详细无人机航拍序列图像的快速拼接方法,实验结果显示,本文的方法具有较好的拼接效果和拼接效率.     

基于图像点特征的拼接技术研究

图像拼接技术已经广泛应用于各个领域,本文实现了对灰度图像拼接技术,利用角点检测算子来得到图像特征点,采用归一化相关法（NCC）找出匹配角点,通过改进的RANSAC算法消除错误匹配,得到精确度更高的匹配点对,运用加权平均算法进行图像拼接,对拼接后的图像与原图像进行对比,效果很好,具有较高的精度和可靠性,且运行速度良好,可推广应用。     

基于特征的遥感图像自动配准算法

面向光学图像的多时相、多光谱、多传感器图像的自动配准,本文描述一个基于特征的高精度图像配准算法.它以点映射配准技术为基础,处理具有全局仿射几何失真的图像配准问题.首先,通过边缘检测和相应的后处理提取封闭边界;其次,根据边界链码相关和区域不变矩匹配策略建立边界的对应,并对对应重心即匹配点对进行一致性检测获得基元控制点;最后,估计初始变换参数,并通过显著点片的相关匹配来增加控制点个数,迭代修正变换参数以提高配准精度.多种遥感图像数据的配准实验和对比试验证实了的自动算法具有较高的可靠性和配准精度.     

基于压缩感知的遥感图像融合方法

压缩感知理论,以远低于奈奎斯特采样定理要求的速率对图像进行采样,可利用图像的部分信息重构原始图像,有效地减轻图像处理的计算复杂度,降低对硬件的要求。文中提出了一种基于压缩感知的遥感图像融合方法。在压缩域对多光谱和全光谱遥感图像进行了融合实验,并与传统的融合方法进行了比较,实验结果表明,文中方法在遥感图像融合上有着良好的性能。     

基于特征的遥感图像匹配技术研究

针对目前图像匹配问题,分析对比了近些年来较为经典的基于点特征的图像匹配算法。归纳了2种较为实用的图像预处理方法:Wallis滤波与灰度均匀化。为提高搜索效率引入了近年来热门的k-dimensional(KD)树与Best Bin First(BBF)结合的匹配方法。总结了除外点的2种前沿方法:双向匹配与Progressive Sample Consensus(PROSAC)。为基于特征点的图像匹配提供了整体思路。     

基于改进最大似然方法的多光谱遥感图像分类方法

最大似然(ML)分类方法是一种典型的基于统计分析的监督分类方法, 从理论上讲,具有最小出错率与最高分类精度的特点。但最大似然分类方法是以数据的正态分布假设为前提的, 这在真实遥感数据中很难满足, 从而导致分类精度下降。根据数据分布可以以任意精度由多个正态分布的线性组合表示, 对最大似然分布的数据分布进行修正, 既提高了数据模型的正确性, 又充分利用正态分布的优点。最大似然分类方法的训练样本挑选也具有一定的随意性和主观性, 先验概率直接影响分类结果, 而且对整幅图像采用同样的先验概率会导致分类精度下降。针对训练样本的选择问题, 先用ISODATA聚类算法对数据进行聚类, 对比参考分类图像选择训练区域, 一方面利用聚类结果可以选择性质均匀的区域, 另一方面使得样本的选择变得简单, 最后进行了遥感数据的分类实验。实验结果证明了该方法不仅可以实现遥感数据的分类, 而且具有较高的总体分类精度和Kappa系数。     

无人机遥感技术在测绘工程测量中的应用

测绘工程在全面测量和绘图的基础上,借助卫星定位系统、地理信息系统以及遥感技术等,为工程有序开展提供准确的数据和技术支持.在测绘工程的测量环节,无人机遥感技术可以极大程度地提高测绘工作的整体质量,使工程建设行业进入高速发展阶段,具有理想的应用成效.基于此,深入分析无人机遥感技术的概念、组成及优势,提出科学和有效的应用策略...     

无人机遥感技术在测绘工程测量中的应用分析

随着科学技术的发展,目前我国多个领域都应用了较多先进的技术手段.例如,测绘工程测量领域应用了无人机遥感技术.无人机遥感技术的有效应用提高了工作效率,保障了工作质量,取得了较好的效果.基于此,简要介绍无人机遥感技术,阐述该技术具体的应用状况.     

基于多特征组的遥感图像中建筑物目标自动识别与标绘的方法

该文提出了一种新的针对高分辨率遥感图像中建筑物目标自动识别与标绘的方法。该方法首先统计建筑物的多类特征,然后利用PCA方法分析选取最优特征组,将图像分割为建筑物目标区域与非目标区域。最后,提出一种主方向结合面积因子的方法将建筑物目标标绘为规则的矢量多边形。实验结果表明,该方法识别率高、准确性好、鲁棒性强,具有一定的实用价值。     

基于近邻传播聚类与核匹配追踪的遥感图像目标识别方法

核匹配追踪算法在生成函数字典的过程中常采用贪婪算法进行全局最优搜索,导致算法学习时间过长。该文针对这一缺陷,提出一种基于近邻传播(Affinity Propagation, AP)聚类与核匹配追踪相结合的分类方法(AP-Kernel Matching Pursuit, AP-KMP),该方法利用聚类算法来优化核匹配追踪算法中的字典划分过程,使用近邻传播聚类将目标数据集划分为若干小型字典空间,随后KMP算法在小型字典空间进行局部搜索,从而缩短学习时间。针对部分UCI数据集和遥感图像数据集,分别采用AP-KMP算法与另4种经典算法进行分类比较实验,结果表明该文算法在时间开销和分类性能上均有一定的优越性。     

基于多尺度Retinex算法的遥感图像增强

遥感图像增强是对遥感图像进行后继处理的必要步骤且在遥感图像的处理中占有独特的地位.当前,有很多图像增强方法被应用到遥感图像的增强当中,文中引入Retinex增强算法,该算法可以实现对图像进行自适应的增强处理.为了使Retinex算法更具有普遍性和自适应性,采用多尺度Retinex算法对图像进行增强.多尺度Retinex算法即结合多个尺度上的单Retinex算法,因而可以进一步提高Retinex算法的自适应能力和对图像的增强效果.应用小波变换方法和多尺度Retinex算法对遥感图像进行增强对比实验,实验结果表明多尺度Retinex算法在遥感图像的增强方面具有优越性,并且可以取得令人满意的增强效果.     

基于噪声建模的遥感卫星图像分层去噪算法

在遥感卫星成像机理分析的基础上,提出一种分层去噪算法,该算法引入了噪声分类建模的思想,根据噪声模型的特殊性分层降噪,最后进行轮廓填充恢复.实验结果表明,该算法不仅能有效抑制多类噪声,也能很好地保持图像的边缘细节信息,在经典去噪评价指标信噪比SNR、均方误差MSE上也都达到了很好的实验标准,具有良好的去噪性能.