基于LiDAR高度纹理和神经网络的地物分类

使用LiDAR单一数据进行点云分割工作时,基于斜率的严格分割LiDAR点云的方法不能很好的适应复杂地物的分类工作。本文将LiDAR粗分割后的点云转换为高度图像和反射强度图像,并求取高度图像GLCM高度纹理。将4种GLCM高度纹理、地面粗糙系数、平均高度和平均反射强度共7种纹理作为识别地面覆盖物的特征,并利用后向传播神经网络(BP-ANN)方法对LiDAR数据进行地物识别。实验表明,这种方法能够从LiDAR独立数据源中有效的实现地物分类,实验获得的精度大于90%。与传统的最大似然法进行对比,BP-ANN的分类精度高于最大似然法。当预设地面类型能同时满足被光学影像和LiDAR数据识别的条件时,LiDAR高度纹理分类与光学影像分类结果的一致性达到76.5%。

确定性纹理表面特征高度对皮肤摩擦感知的影响

为了揭示人体触觉感知的基本机理和规律,首先通过机械物理学中的摩擦磨损分析,研究了确定性纹理表面特征高度对指尖皮肤摩擦行为的影响;其次通过心理学测试手段,得到与摩擦行为相关的认知成分P300的潜伏期与波幅;最后综合两者的测试结果,研究了指尖皮肤摩擦行为与触觉感知之间的关系.研究结果表明:手指皮肤与粗糙度较大的确定性纹理表面摩擦接触时,摩擦力主要由黏着摩擦力、滞后摩擦力和互锁作用力组成;手指皮肤的触觉感知与摩擦作用有较强的相关性;表面织构粗糙度从0.1增加到0.4时,指尖皮肤变形量从2.356增加至2.941,手指皮肤变形造成的滞后摩擦与互锁作用越明显;纹理特征高度大的样本诱发的P300潜伏期小,峰值大,感知明显,纹理特征高度小的样本与之相反,说明皮肤摩擦感知主要取决于与皮肤变形直接相关的滞后摩擦和互锁作用.

SVM用于LiDAR数据的地物分类

LiDAR具有探测地表垂向结构的能力,目前还无法被其他遥感源所取代。本文提出通过变换点云提取LiDAR纹理特征,利用支持向量机(SVM)进行训练和分类,并与基于神经网络的分类方法进行比较。试验结果表明,SVM能在训练精度和推广能力之间取得折中,可有效地避免LiDAR地物分类证据不完备引起的过拟合问题,适合于LiDAR地物分类。

基于频谱分析的织物粗糙感

传统研究一般通过测试织物表面的几何粗糙度和摩擦性能来预测粗糙感,而认知科学家发现,栅栏粗糙性的辨别取决于表面纹理波动曲线的谐波成分及纹理间距.为深入揭示织物粗糙感的形成机制,基于织物的表面形貌曲线,计算平均粗糙度,统计不同波动高度下的纹理间距,并采用傅里叶方法提取频域内谐波特征,比较分析这些特征值与粗糙感之间的关系.研究表明,织物的粗糙感差异取决于表面波动曲线频域内谐波的最高峰高度,而粗糙感不仅与平均粗糙度有关,也与表面纹理间距有关.