1 河南大学环境与规划学院, 河南 开封 475004
2 南昌工程学院江西省水信息协同感知与智能处理重点实验室, 江西 南昌 330099
针对利用现有深度学习方法进行植被提取时出现的相邻地物处于同一窗口、分类结果出现一些无用破碎图斑和“椒盐现象”等问题,提出最优分割尺度与深度置信网络相结合的方法进行植被提取研究,并利用光谱-纹理特征等信息进行对比实验。实验结果表明,与现有的深度学习方法相比,本文方法分类结果的总体精度达到91.92%,Kappa系数为0.8677,能够有效提高实验的分类精度,而且分类结果显示本文方法能有效减轻“椒盐现象”,并能很好地表达影像上各类地物清晰的边界。
图像处理 图像分析 深度学习 深度置信网络 植被提取 无人机影像 激光与光电子学进展
2018, 55(2): 021001
1 四川建筑职业技术学院测绘工程系, 四川 德阳 618000
2 四川大学水力学与山区河流开发保护国家重点实验室, 四川 成都 610065
3 四川大学水利水电学院, 四川 成都 610065
轻型无人机以其机动灵活的特点，能够适应地形复杂、多云雾地区的飞行任务。但是由于其镜头小，获取的影像具有像幅小、数量多、基线短、重叠度不规则等特点，使得在进行区域网平差时和传统的航空影像有所不同。为解决无人机影像区域网平差工作量大、精度不高的问题，对获取的无人机影像进行了常规光束法区域网平差试验，利用无人机机载POS 数据进行POS 辅助光束法区域网平差，针对无人机获取的原始POS 数据精度不高的问题，通过在区域网内布设少量控制点，建立POS 数据改正模型，从而获取POS 数据误差改正参数，对原始POS 数据进行改正。提出了一种利用改正后POS 数据辅助区域网平差的方法，并对三种方法的精度进行了评定。研究结果表明，常规方法的精度要优于直接利用原始POS 数据的方法，利用改正后POS 数据的方法在精度上接近常规方法，同时提高了区域网平差的效率。
无人机影像 POS 数据 区域网平差 精度分析 激光与光电子学进展
2014, 51(6): 061001
西南交通大学地理信息工程中心, 四川 成都 610031
由于无人机体积小、重量轻，其在空中受到风力的影响较大，所拍摄的影像存在的畸变也比较大，因此，在影像匹配处理前进行畸变校正具有实际意义。利用Canny算子进行边缘提取，并依据Hough变换理论获得大量地物轮廓线；再利用以步长逼近获得像点真实坐标的反解算模型的方法来辅助校正并检测校正结果。同时，针对地物轮廓线之间存在平行、垂直等特点，提出了四边形连接法、平行线约束法等校正方法，并通过实验证明取得的结果令人满意。
成像系统 无人机影像 校正 轮廓线 反解算 激光与光电子学进展
2013, 50(6): 061102
