协同多时相波谱特征的不透水面信息级联提取

不透水面作为反应城市表征变化和区域城镇化的重要技术指标,其位置、图斑大小、空间分布等信息在地表水热循环和能量平衡等领域被广泛需求。传统方法大都基于单一时相信息提取不透水面,而忽略多时相所蕴含的丰富信息。因此,本文提出多时相信息融合的不透水面级联提取方法,利用Landsat-8 OLI遥感影像分析归一化植被指数(Normalized Difference Vegetation Index, NDVI)、改进的归一化水体指数(Modified Normalized Difference Water Index, MNDWI)和归一化建筑指数(Normalized Difference Building Index, NDBI)年内时序变化特点和典型地物间多时相波谱曲线的协同特征,并归纳不透水面多时相变化规律;再根据先验知识所获取的有效地表信息,进行多时相分级提取不透水面信息。此外,基于实地考察数据和同期2 m GF-1遥感影像屏幕数字化生成30 m不透水面图斑,进行精度验证、分析和对比单时相、四季相及多时相3种时序情况下的提取精度。结果表明:单时相提取不透水面总精度最低,四季相提取精度优于单时相,而多时相提取精度最高(精度可达93.66%,Kappa系数为0.81)。本方法在偏远城镇不透水面的有效识别中显露潜在优势,可为不透水面提取方法融合时序波谱特征提供新思路。

基于多关键点检测加权融合的无人机相对位姿估计算法

针对无人机降落阶段中无人船受水面波浪影响导致图像产生运动模糊以及获取无人机相对位姿精度低且鲁棒性差的问题,提出一种基于多模型关键点加权融合的6D目标位姿估计算法,以提高位姿估计的精度和鲁棒性.首先,基于无人船陀螺仪得到的运动信息设计帧间抖动模型,通过还原图像信息达到降低图像噪声的目的;然后,设计一种多模型的级联回归特征提取算法,通过多模型检测舰载视觉系统获取的图像,以增强特征空间的多样性;同时,将检测过程中关键点定位形状增量集作为融合权重对模型进行加权融合,以提高特征空间的鲁棒性;紧接着,利用EPnP(Efficient perspective-n-point)计算关键点相机坐标系坐标,将PnP(Perspective-n-point)问题转化为ICP(Iterative closest point)问题;最终,基于关键点解集的离散度为关键点赋权,使用ICP算法求解位姿以削弱深度信息对位姿的影响.仿真结果表明,该算法能够建立一个精度更高的特征空间,使得位姿解算时特征映射的损失降低,最终提高位姿解算的精度.

BDCN和U-net边缘生成两阶段修复算法

为了对图像中大面积不规则缺失区域进行合理的结构修复和精细的纹理重构,提出了一种基于双向级联边缘检测网络(BDCN)和U-net残缺边缘生成的两阶段网络图像修复算法.第一阶段首先基于BDCN网络提取边缘,然后基于U-net架构的边缘生成网络用下采样对缺失图像边缘提取特征,再结合上采样的输入信息和下采样各层信息还原图像边缘纹理细节;第二阶段使用空洞卷积进行下采样和上采样,经过残差网络重建细节丰富的缺失图像.在公开数据集上将所提算法与现有经典算法进行对比,实验结果表明,所提算法能得到合理的结构和精细的纹理细节,优于对比算法。