用于三维地震数据记录和处理的六方形采样网络

三维地震数据通常是在矩形网格中记录和处理,其采样一般是用常规的一维方法得到。对于三维数据集。带状区(傅里叶空间区,区内振幅谱不为零)可用以两个锥形为界的区域来近似。考虑该带状区的特殊形状,我们可以应用三维采样方法,这种方法对采样的要求比一维方法更低;即只需更少的采样点就能达到相同程度的精确度。该三维采样方法是研究规则的非矩形采样网格。 本文探讨了在一个六方形采样网格上进行的三维地震数据的记录和处理。在六方形采样网格上进行的三维地震数据采集,是一个经济有效的可供选择的方法,因为它所需的采样点比矩形采样网格少13.4％。该六方形采样降低了三维地震数据存储和处理的费用。 在六方形网格上采样的三维地震数据集情况下,本文用合成实例介绍和说明了用于三维离散谱计算和道内插的快速算法。对于三维相移偏移,采用这种算法,六方形采样大约节省13.4％的数据存储和计算时间。

LiDAR采样形状及采样尺度对林分均高估测的影响

采样形状及采样尺度的合理选择对于节约人工成本、提高计算效率以及进一步提高森林结构参数估测精度均具有重要意义。以长春净月潭国家森林公园激光雷达(LiDAR)数据为基础,通过对LiDAR数据进行圆形及方形采样,并在方形采样的基础上对LiDAR数据进行不同空间尺度采样,从中提取一系列点云分位数高用于估测樟子松及落叶松的林分均高,以此量化LiDAR采样形状及采样尺度对不同林分均高估测的影响。结果表明:对樟子松而言,无论是圆形还是方形采样,林分均高估测结果最优时所对应的参数均为HP55,且方形采样林分均高估测结果(R^2=0.896,R_(mse)=0.853 m)高于圆形采样估测结果(R^2=0.892,R_(mse)=0.868 m);对落叶松而言,圆形和方形采样均是在HP99时林分均高估测结果最优,且圆形采样林分均高估测结果(R^2=0.741,R_(mse)=1.161 m)高于方形采样估测结果(R^2=0.705,R_(mse)=1.238 m)。在方行采样条件下,樟子松林分均高估测精度最高(R^2=0.904,R_(mse)=0.820 m)时所对应的采样尺度为35 m;落叶松估测精度最高(R^2=0.720,R_(mse)=1.206 m)时所对应的采样尺度为15 m。结果表明:不同LiDAR数据采样形状对不同林分类型均高估测的影响不同,且不同林分类型均高估测结果精度达到最高时所对应的采样尺度不同。

理想边缘产生方法的研究

详细介绍了产生理想直线边缘的方法。在亚像素提取算法中 ,通常要考察算法两个方面的内容 ,一是在没有噪声的情况下算法本身的精度 ,二是在有噪声的条件下考察算法的抗噪声能力 ,这两个方面是分开的。本文所介绍的理想边缘就可以用来考察亚像素算法精度的两个方面。本方法以CCD成像原理为基础 ,根据方形孔径采样定理 ,给出了边缘点灰度值的计算方法 ,并以一种情况为例给出了边缘点灰度值的计算公式 ,利用此公式可直接编程产生理想边缘 ,产生的边缘可用于亚像素细分算法的评价。

纹理映射技术中Mip-Map的研究

在图形处理中,一个重要的研究方向是图形的真实感问题。纹理映射是高质量图像生成的一种重要技术,使三维图形更富真实感。Mip-Map纹理映射技术中,常常用一个正方形来近似表示象素在纹理空间的投影,但是像素投影并非正方形,是各向异性的,所以这种方法不符合反走样的要求,本文提出改进d值算法和长方形区域采样两种改进的算法来实现反走样。