关于Lowen空间指数对象的一点注记

Ｌ－拓扑空间（Ｘ，△）称为一 Ｌｏｗｅｎ空间若△有一组由层特征函数构成的基，即△中形如ａ∧Ｕ，ａ∈Ｌ，Ｕ Ｘ的元素构成△的一组基．若Ｌ＝［０，１］；则（Ｘ，△）是一Ｌｏｗｅｎ空间当且仅当（Ｘ，△）是一 Ｌｏｗｅｎ意义下的ｆｕｚｚｙ邻域空间．通过在函数空间上引入适当的Ｌ－拓扑结构，证明了若０∈Ｌ是一素元并且Ｌｏｗｅｎ空间（Ｘ，△）的开集格是一连续格，则（Ｘ，△）是Ｌｏｗｅｎ空间范畴中一指数对象．特别地，若一ｆｕｚｚｙ邻域空间的开集格连续，则它是ＦＮＳ中一指数对象．

面向对象-改进冰雪指数法消除冰湖干扰提取冰川边界的优越性分析--以各拉丹冬冰川为例

冰川作为气候变化的重要指标器,其范围监测对区域生态环境以及人类社会生活具有重要意义。目前基于遥感技术的冰川范围监测应用广泛,然而传统遥感监测方法中冰雪指数阈值法的提取结果存在无法区分冰川与冰湖的现象,面向对象分类法受地物光谱纹理信息限制无法避免同谱异物现象的出现。为弥补上述不足,提出一种可区分冰湖与冰川的改进冰雪指数,并将其融入面向对象分类法中,构建了一种面向对象-改进冰雪指数法。将各拉丹冬冰川作为试验区(该地区冰川表面洁净),运用面向对象-改进冰雪指数法识别冰川边界,使用青藏高原冰川数据产品及常规遥感监测方法的提取结果作为参考数据,以验证此方法的有效性和稳健性。结果表明:面向对象-改进冰雪指数法综合了改进冰雪指数阈值法以及面向对象分类法的优点,冰川范围提取精度高达97.26%,与冰雪指数阈值提取结果相比精度提高了0.12%,与面向对象分类法提取结果相比精度提高了0.38%。此方法不仅有效地解决了地物错分的问题,还实现了冰川边界的精确识别。

面向对象的多尺度加权联合稀疏表示的高空间分辨率遥感影像分类

针对高空间分辨率遥感影像中的地物具有多尺度特性,以及各个尺度的对象特征对地物分类精度的影响具有较强的尺度效性,并结合面向对象影像分析方法和多尺度联合稀疏表示方法在高空间分辨率遥感影像分类中的各自优点,提出了一种面向对象的多尺度加权稀疏表示的高空间分辨率遥感影像分类算法。首先,采用多尺度分割算法获得多尺度分割结果并提取对象的多尺度特征;然后,根据影像对象的多尺度分割质量测度计算各尺度的对象权重,构建面向对象的多尺度加权联合稀疏表示模型;最后,采用2个国产GF-2高空间分辨率遥感数据集和1个高光谱-高空间分辨率航空遥感数据集(WashingtonD.C.数据)验证该算法的有效性。试验结果表明,与SVM、像素级稀疏表示、单尺度和多尺度对象级稀疏表示和深度学习等算法相比较,本文算法获得了较高的OA和Kappa分类精度,提高了各个尺度地物的分类精度,有效抑止了地物分类结果中的椒盐噪声现象,同时保持大尺度地物的区域性和小尺度地物的细节信息。

Combined Selection Index for New Yorkshire Dam Line with High Prolificacy

The combined selection index used in the breeding of new Yorkshire dam line with high prolificacy according to breeding objects was formulated as /：2.272E- BVNB-0.056EBVDAYS. After 5 generations breeding, the two main selected traits such as total number of born and age at 100 kg weight was 12.17 piglets/litter and 165.18 d, respectively. The genetic improvements per generates was 0.156 and -2.198, respec- tively. The breeding objects of the new Yorkshire dam line with high prolificacy were basically reached. It indicated that the methods and index could be used in pig breeding.

融合光谱及形态学信息的对象级空间特征提取方法

针对传统的高分辨率遥感影像分割方法仅利用光谱特征或者形态学特征的弊端,提出了一种融合光谱信息和形态学信息的多尺度分割算法。该算法首先利用差分多尺度形态学序列特征与影像光谱特征构造光谱-形态学特征集,然后利用Hausdorff距离计算相邻像素的边权值并构造图模型,利用最小生成树Kruskal算法完成影像的初始分割,最后结合分形网络进化的区域异质性准则完成区域合并。在该分割结果的基础上,提出了面向对象的灰度共生矩阵特征和面向对象的像元形状指数特征。实验结果显示,所提出的分割方法在效果和效率上均优于eCognition 8.0和Meanshift算法,并且对象级灰度共生矩阵特征和对象级像元形状指数特征明显优于传统的像素级特征。