太行山前平原井灌农田点尺度土壤水分动态随机模拟

基于中国科学院栾城农业生态系统试验站2002—2008年夏玉米生长期内的土壤水分观测数据及2000—2008年的降水(灌溉)、气象、生物数据,结合Laio土壤水分动态随机模型研究了太行山山前平原典型农田点尺度土壤水分动态的随机性。结果表明:研究区2000—2008年夏玉米生长期内日平均降水量为10.71 mm,降水频率0.290 9,其中小雨、暴雨的发生频率表现出明显上升趋势,中雨的发生频率呈显著下降趋势,大雨发生频率表现出微弱下降倾向;玉米生长期的土壤含水率6月份处于增长期,7月份达到生长期最高值并稳定在32.2%的水平,8月份以后下降并在9月份趋于稳定;Laio模型模拟得到土壤相对湿度的概率密度函数在曲线形状(峰值、峰值出现的位置、90%置信区间)与数字特征(中位数、均值、方差)方面与观测结果一致(α=0.05),模型在井灌区具有很好的适用性,且可以将灌溉作为一次降雨事件来处理;应用Laio模型得到在多年平均降雨条件下,32.1 mm的田间净灌溉量可以在50%水平上使夏玉米生长期内的土壤含水率保持在田间持水量的80%以上。

半干旱区垄沟集雨系统点尺度土壤水分动态随机模拟

为揭示土壤水分动态对半干旱区垄沟集雨系统水文和生态过程的影响机理,基于Laio土壤水分动态随机模型(Laio模型),利用中国气象局定西干旱气象与生态环境试验基地2012—2013年垄沟集雨燕麦生长季根系层土壤水分观测数据及2000—2015年日降水资料,分析不同覆盖材料(生物可降解膜、普通塑料膜和土壤结皮)和不同沟垄比(30∶60,45∶60和60∶60cm)对生长季燕麦根系层土壤水分动态的影响,研究点尺度土壤水分概率密度函数特征,并对模型涉及参数进行敏感性分析。结果表明:研究区年降水的季节分配极不均匀,主要集中在5—10月份,占总降雨次数的66.6%;年降雨量的85.32%来源于>10 mm的降雨,以暴雨为主;近16年研究区降水量呈缓慢增长趋势。生物可降解膜垄(BMR)、普通地膜垄(CMR)和土垄(SR)临界产流降雨量分别为1.35、0.95 mm和5.31 mm,平均集水效率分别为87.892%、94.203%和27.488%;在燕麦生长季,BMR和CMR的土壤含水量显著大于SR,SR的土壤含水量显著大于传统平作,各处理土壤含水量均服从正态分布;通过Laio模型模拟得到的各处理土壤水分概率密度函数的曲线特征(峰值及其位置、90%置信区间)及数字特征(期望、方差)与观测结果基本一致,CM指数均大于0.5,且可将集雨垄径流量作为单次降水的随机事件处理,说明该模型可应用于垄沟集雨系统土壤水分概率密度函数的模拟,为半干旱区农田水分高效利用管理提供理论依据。

基于RS-Conv的多尺度神经网络LiDAR点云断裂带提取方法

断裂带与地震、滑坡等自然灾害的发生有着密切关系,精准提取断裂带不仅可为地震断层的定量化研究提供指导,还可为地震灾害风险评估及防震减灾决策的制定提供科学依据。针对现有方法中LiDAR点云断裂带提取不完整、连续性差及错误率高等问题,文中提出了一种基于RS-Conv的多尺度神经网络LiDAR点云断裂带提取方法,以便更好地解决复杂地形区域的断裂带自动提取问题。该方法首先构建不同空间尺度的邻域点集,从而更全面地考察点云的局部几何结构特征。考虑到RS-Conv算子能够很好地表征中心点与邻域点的空间关系,文中以RS-Conv算子作为卷积模块构建了多尺度神经网络模型,以提取出LiDAR点云不同尺度的深层次特征,对其进行堆叠并输入到全连接层,以完成对断裂带点的提取。最后,在ISPRS点云数据集、川滇点云数据集和鲜水河数据集上对文中所述方法与张量分解方法和Deep Neural Networks(DNN)方法进行了对比实验,结果表明,文中方法的分类精度最高,分类总误差最低仅为0.3%,较其他方法降低了0.91%~2.79%,证实了该方法在点云断裂带提取方面的优越性。

姿势自适应权重更新策略及尺度回归的煤矿井下目标跟踪算法

随着计算机技术的飞速发展,煤矿井下智能工作面的建设取得了巨大进步。目标跟踪作为井下智能工作面建设的一个重要环节,在保证作业人员安全,提升开采效率等方面发挥着重要作用。但是煤矿井下光照条件较差,当目标有较大外观变化和遮挡时,算法的跟踪预测框将不能准确跟踪目标。为了解决上述问题,设计出姿势自适应权重更新策略,该策略能计算出不同帧与模板帧之间目标外观姿势的变化程度,该变化程度作为目标估计网络调制向量更新的依据,动态地更新调制向量。通过该更新策略,使得算法对于目标尺度变化较大物体的跟踪精度得到提升。同时设计的中心点尺度回归损失函数,将中心点距离和高宽损失引入损失函数,使得目标框回归更加精准。

非线性方程组的仿射尺度内点信赖域算法

很多领域研究寻优问题时,所采用的寻优算法普遍存在全局搜索能力差、收敛速度慢的问题,导致求出的解无法达到最优。针对上述问题,研究了一种非线性方程组的仿射尺度内点信赖域算法。构建目标最小化或者目标最大化非线性方程组,并针对方程组设置等式或者不等式约束条件;在约束条件下,利用仿射尺度内点信赖域算法求取非线性方程组最优解;将所研究算法应用到有功优化当中,以线损最小化和电压偏差最小化构建非线性方程组,并为其设置四个约束条件,利用仿射尺度内点信赖域算法求取最优解。实验结果表明:与自适应粒子群算法、樽海鞘群算法以及改进差分灰狼算法相比,所研究算法应用下,线损以及电压偏差均要更小,说明仿射尺度内点信赖域算法的求解结果更优,算法的寻优能力更强。

基于三维点云建模的单木胸径非接触式测量

为提升单木胸径三维点云非接触式测量的便利性和精度,提出一种基于三维点云建模的单木特征参数提取与检测方法.首先,采用IMAGER 5010陆地式三维激光扫描仪获取单木多方向点云数据,并采用最近点搜索法实现多方向点云配准;其次,结合统计滤波和几何滤波滤除大尺度点云噪声,采用改进的双边滤波算法消除小尺度点云噪声,再通过包络网格法进行点云数据精简;然后,通过蚁群算法对单木胸高处的散乱点云进行优化排序;最后,对胸高处的排序点云进行三次B样条轮廓线拟合及单木胸径计算.实验结果表明,本方法可有效实现多方向点云配准和滤除不同尺度点云噪声,蚁群算法可以较好地逼近全局最优解、收敛效率高,采用蚁群算法对胸高处散乱点云优化排序后,单木胸径的测量精度和稳定性都得到较好的提升,测量相对误差均在技术规定的1.5%以内,可实现单木胸径的远距离非接触式快速精确测量.

点邻域尺度差异描述的点云配准算法

针对传统特征描述符计算复杂度高、配准精度低的问题,提出一种基于不同尺度点邻域特征信息差异的点云配准算法。在特征描述符方面,对关键点选取不同尺度的邻域空间,计算各尺度空间之间的特征值归一化向量差异和法向量夹角,建立点邻域尺度差异描述符,特征描述符计算简单且节省时间。在关键点选取方面,根据曲面形状指数设计了一种寻找关键点的方法,提取的点具有很好的代表性。在对应关系寻找方面,提出一种基于欧式距离的对应点二重筛选方法,找出对应点对集,设计了基于全局距离的全局最优点云变换矩阵求取方法。实验结果表明,点邻域尺度差异描述的点云配准算法具有良好的配准精度和稳健的噪声鲁棒性。

一种新的Harris多尺度角点检测

Harris角点检测是一种经典的角点检测算法,但不具有尺度变化特性。该文把多分辨分析的思想引入到该算法中,构造了基于小波变换的灰度强度变化公式,并得到了具有尺度变换特性的自相关矩阵,从而构建了一种新的基于小波变换的Harris多尺度角点检测算法。这样,使得新的角点检测可以在不同的尺度下获取角点,并克服了单一尺度的Harris角点检测可能存在的角点信息丢失、角点位置偏移和易受噪而提取出伪角点等问题。通过对比实验,新算法明显地提高了图像角点检测性能。

行阶梯观测矩阵、对偶仿射尺度内点重构算法下的语音压缩感知

基于语音信号在离散余弦域上的近似稀疏性,针对采用随机高斯观测矩阵及线性规划方法进行语音压缩感知与重构时,重构零(近似零)系数定位能力差而导致重构效果不好的缺点,本文提出一种新的行阶梯矩阵做观测矩阵,用对偶仿射尺度内点重构算法对语音进行压缩感知与重构,并对该算法下的重构性能进行理论分析.语音压缩感知仿真结果表明,在离散余弦基下,压缩比(观测序列与原始序列样值数之比)为1∶4时,行阶梯观测矩阵下的平均重构信噪比比随机高斯观测矩阵下提高9.73dB,平均MOS分比随机高斯观测矩阵下提高1.22分.

MSP-Net:多尺度点云分类网络

针对传统点云分类网络难以充分发挥卷积神经网络优势的问题,提出一种多尺度点云分类网络MSP-Net.首先,基于局部区域划分的完备性、自适应性、重叠性及多尺度特性要求,提出了多尺度局部区域划分算法,并以点云及不同层次的特征为输入,得到多尺度局部区域;然后构建了包含单尺度特征提取、低层次特征聚合及多尺度特征融合等模块的多尺度点云分类网络.该网络充分地模拟了卷积神经网络的作用原理,具备随着网络尺度和深度的增加,局部感受野越来越大,特征抽象程度越来越高的基本特征.最后将该算法应用在标准公开数据集ModelNet10和ModelNet40上,分别取得了94.71%和91.73%的分类准确率,表明该算法在同类工作中处于领先或相当的水平,验证了算法思想的可行性及有效性.

基于多尺度曲率乘积的鲁棒图像角点检测

为了更好地进行图像角点检测,在曲率尺度空间(CSS)框架下,提出了一种基于多尺度乘积的角点检测技术,其中曲率尺度积函数被定义为各个尺度下轮廓曲率的乘积,而角点则被定义为曲率乘积的局部极值点。这种尺度积不仅能显著地增强角点曲率极值点的峰值,同时能抑制噪声影响,而且不改变角点的位置,为了说明该技术的优点,根据角点数一致性(CCN)准则证明了该技术优于其他的角点检测算法。实验结果表明,该方法不仅具备优越的检测效果,并对噪声有较强的鲁棒性。

一种基于尺度不变特征点的运动目标检测算法

针对PTZ(Pan/Tiit/Zoom)摄像机的运动目标检测,提出了一种基于尺度不变(Scale Invariant Feature Transform,SIFT)特征点的运动补偿解决方案.首先,采用相邻两幅图像特征点匹配的方法获得运动补偿,从而解决了PTZ摄像机的自主运动带来的问题;然后利用时间差分法得到运动目标的区域;晟后利用形态学中的腐蚀和膨胀方法去除噪声.测试结果验证了算法的实用性和有效性.

数据去冗余的多尺度多结点技术

从多结点样条理论出发 ,提出一种自适应的多层次淘汰冗余数据的算法 ,并通过不同的采样数据对算法进行了有效的论证 充分利用多结点样条函数拟合的基数型、显式计算和局部性等优点

一种快速多尺度特征点匹配算法

为了快速稳定地进行特征点的跟踪,提出了一种快速多尺度特征点的提取算法。该算法首先利用快速局部窗口极值搜索算法提取出不同尺度空间特征点的局部极值,减少了局部极值搜索的冗余性,然后再利用最近邻算法对特征点进行匹配。实验结果表明,该算法的计算速度快于SIFT算法和MOPS算法,稳定性强于传统的Harris算法,可以用于实时图像配准及目标跟踪。

结合多尺度角点和Harris变换的遥感图像配准方法

提出了一种新的基于多尺度角点和Harris变换相结合的角点检测的图像配准方法。其核心思想是采用Harris算子和Laplace图像金字塔相结合,对原始图像进行不同尺度的向下采样并对得到的图像进行角点检测,得到角点的角度和尺度响应的最值点比(尺度精定位),对图像进行旋转和平移变换,完成图像配准。理论分析和仿真实验表明,该算法具有较高的配准精度且计算量较小。

基于小波的多尺度SUSAN角点检测

SUSAN角点检测是一种经典的角点检测算法,但不具有尺变化特性。利用小波变换的多尺度特性,即在小尺度下的定位准确和大尺度下的抗噪性强,该文把多分辨分析的思想引入到该算法中,从而构建了一种新的基于小波变换的SUSAN多尺度角点检测算法。新的角点检测可以在不同的尺度下获取角点,克服了单一尺度的SUSAN角点检测可能存在的角点位置偏移和易受噪声干扰而提取出伪角点等问题。为了综合利用各个尺度下的角点信息,该文提出了由粗到细的角点筛选方案。通过对比实验,新算法明显地提高了图像角点检测性能。

具有SIFT描述的多尺度角点图像配准

角点含有丰富的图像结构信息,在图像配准中是广泛应用的图像特征。Harris算法是经典的角点提取算法,Harris角点对图像旋转具有不变性,但对尺度变化敏感,在有尺度变化的图像配准中,应用受限。仿照SIFT特征点提取过程,提出了一种多尺度角点提取方法,提取的多尺度角点对图像旋转和尺度变化有很好的适用性。并用SIFT描述子描述,用光学及SAR图像进行了配准实验。结果表明,与SIFT、Harris算法相比,本文方法在保证配准精度的基础上,配准时间减少40%以上,特征点在配准过程中的利用率提高一倍多。

基于图像深度信息的尺度不变特征变换算法误匹配点对剔除

特征点匹配是基于特征点的图像配准技术中的一个重要环节。针对现有基于尺度不变特征变换(SIFT)图像配准技术特征点匹配不理想,也无法较客观、快速地筛选正确匹配点对的问题,提出结合图像深度信息进行特征点误匹配筛选剔除的方法。该算法首先根据模糊聚焦线索和机器学习算法估计出待配准图像的深度信息图,再提取SIFT特征点,并在特征点匹配环节利用随机抽样一致性(RANSAC)算法迭代循环,结合深度局部连续性的原理来进一步提高匹配精度。实验结果表明,该算法具有很好的误匹配点对剔除功能。

基于离群点探测的点云间距离估计改进算法

针对传统多尺度模型对模型点云比较方法(Multiscale Model to Model Cloud Comparison,M3C2)计算法向量与形变量时易受离群点影响的缺点,提出一种基于离群点探测准则的改进算法。首先,在估计关键点法向量时,依据改进离群点探测准则迭代剔除离群点,提高法向量估计的准确性,然后,通过离群点探测剔除圆柱内离群点,最后,结合正态分布加权计算形变量。实验结果表明,相较于M3C2原始算法,改进算法将法向量均方差精度指标提升50%以上,在形变量较大区域可将形变量估值均方差精度指标提高200%以上。改进算法具有更好的适用性和可靠性。

具有SIFT描述的Harris角点多源图像配准

多源传感器成像原理的差异给图像配准带来了很大困难,本文针对红外与可见光图像配准提出了一种具有SIFT描述特征的Harris角点多源图像配准算法。首先建立多尺度空间,以多尺度空间检测尺度不变的Harris角点作为特征点;然后通过改进SIFT对特征点的描述方法,采用圆环结构算子对Harris角点进行类SIFT的特征描述;最后利用双向最近邻方法进行匹配,通过最小二乘法实现图像的配准。实验证实了算法配准的精确性、快速性和稳定性,具有较好的配准效果。