1 西南林业大学 大数据与人工智能研究院，云南 昆明 650224
2 西南林业大学 森林生态大数据国家林业与草原局重点实验室，云南 昆明 650224
3 西南林业大学 林学院，云南 昆明 650224
4 西南林业大学 艺术与设计学院，云南 昆明 650224
5 河南大学 数学与统计学院，河南 开封 475004
6 昆明理工大学 国土资源工程学院，云南 昆明 650093
为有效利用高光谱影像与LiDAR数据的互补性信息，解决单一融合策略造成的场景解译地物边界不准确和分类精度低的问题，提出了一种光谱-空间-高度特征融合、并顾及场景地物类别共生特性的条件随机场分类方法。首先，对两种数据分别提取光谱及形态学特征，对特征集采用图模型进行特征融合，将特征输入概率支持向量机分类器，得到初始分类结果。然后，基于融合特征计算反映像素间类别本质差异的局部光谱-空间-高度协同的异质性值，并统计类别间的空间共生关系。最后，在条件随机场框架内，整合初始分类结果、局部异质性信息及类别共生关系，通过目标函数的迭代求解获得最终分类结果。通过将像素间的权重定义为对应像素位置融合特征的归一化欧式距离的单调减函数，对标记不同但特征差异较大的类别间给予较小的权重，以达到地物边界空间规整化的目的。通过对标记不同但共生概率较大的类别对给予较小的权重，达到保留空间关系稳定的类别对的目的。采用城区场景的美国休斯顿地区数据集和林区场景的中国广西高峰林场两组数据集对提出方法进行了验证。实验结果表明：休斯顿和高峰林场数据集精度分别达到94.00%和92.84%，分类结果的“胡椒盐”现象明显减少，证明了该方法的有效性。
高光谱 LiDAR 条件随机场 图模型特征融合 局部异质性 空间共生关系 hyperspectral LiDAR condition random field feature fusion based on graph model local heterogeneity spatial co-occurrence 红外与激光工程
2021, 50(12): 20210112
西南石油大学 机电工程学院，四川 成都 610500
目前，虽然各种自适应分层方法层出不穷，但针对模型特征偏移和丢失的自适应分层方法还相对较少。针对此点，提出一种以体积误差为基础的自适应分层方法。首先，在成型方向上将单个切片层对三角面片的切割分为未跨越、跨越到相邻、跨越到不相邻三角面片3种情况，并建立了数学模型。分析了模型特征的保留特性，并结合3种情况依照体积误差公式给出了具体的算法流程。最后，为验证方法的有效性，对一零件应用3种不同方法进行分层，得到相应的模拟成型件，并与CAD原件进行对比。结果表明，体积自适应算法较其余2种方法与CAD模型轮廓最为接近，在采样点处的偏离距离分别为0.09 mm和0.10 mm，形状精度最高。
快速成型 自适应分层 模型特征 STL文件 rapid prototyping adaptive slicing model characteristics STL files
第二炮兵工程大学 信息工程系，陕西 西安 710025
鉴于生物视觉特征对于图像的良好表征能力，提出了一种基于生物视觉特征的无参考型图像质量评价方法。对生物视觉ST模型进行了研究和分析，完成了对图像的稀疏化表示[利用最小二乘支持向量机回归方法训练生物视觉特征到图像质量的映射关系，获得能够预测图像质量的回归器[通过学习的回归器完成了对图像质量的评价。基于LIVE图像库的实验结果表明，该方法对于特定失真和交叉失真的预测误差分别为2%和5%左右，并且与目前技术条件下的质量评价方法相比具有很好的精确性和单调性。
无参考型图像质量评价 生物视觉模型 标准模型特征 最小二乘支持向量机 失真图像 nonreference image quality assessment[biological
