1 昆明理工大学国土资源工程学院, 云南 昆明 650093
2 南京大学地理与海洋科学学院, 江苏 南京 210023
3 中国南海研究协同创新中心, 江苏 南京 210023
4 江苏省地理信息资源开发与利用协同创新中心, 江苏 南京 210023
5 江苏省软件新技术与产业化协同创新中心, 江苏 南京 210023
6 西南林业大学地理与生态旅游学院, 云南 昆明 650051
针对港口难以自动识别的问题,在高分辨率可见光遥感影像上将深度学习和地理空间分析相结合,提出了船舶-码头-港口递进式识别模型。首先,对构建的码头样本数据集进行数据增强,并用增强后的数据集来训练YOLO v3算法。然后,在大幅遥感影像上利用滑动窗口进行多尺度识别,获取影像底层特征以计算出码头类别和像素坐标。最后,将码头点位转化为地理坐标,使用Getis-Ord Gi *统计方法进行热点分析。并利用经典的密度聚类方法,实现了对港口位置及范围的识别与提取。在实验区中的识别对比结果表明,在1000 m聚合阈值下,所提模型对港池识别的比例达到82.79%。
遥感 光学遥感影像 目标识别 港口 码头 YOLO v3 滑动窗口 激光与光电子学进展
2021, 58(20): 2028002
1 大同煤炭职业技术学院建筑工程系, 山西 大同 037003
2 石家庄铁路职业技术学院测绘工程系, 河北 石家庄 050041
3 中国矿业大学环境与测绘学院, 江苏 徐州 221116
提出了一种基于k均值(k-means)聚类的点云精简方法。与包围盒法相比,在压缩率近似相同的条件下,k-means聚类方法能较好地保留细节特征,与原始数据的稠密稀疏分布更加一致,所建模型表面更光滑。
图像处理 点云精简 k均值聚类 曲面拟合 均方根曲率 压缩率 激光与光电子学进展
2019, 56(9): 091002
