对所获取的2008年冬季的辽东湾西岸海域含有海冰的Hyperion高光谱图像进行了大气校正,得到了反射率图像。用ISODATA(Iterative Self-Organizing Data Analysis Technique)聚类分析方法对反射率图像进行计算机自动分类,并结合实测的同时...对所获取的2008年冬季的辽东湾西岸海域含有海冰的Hyperion高光谱图像进行了大气校正,得到了反射率图像。用ISODATA(Iterative Self-Organizing Data Analysis Technique)聚类分析方法对反射率图像进行计算机自动分类,并结合实测的同时期的海冰反射率光谱确定了不同海冰类型的分布范围。根据不同类型海冰的厚度特征,得到了海冰厚度分级分布图和海冰厚度图。结果表明,Hyperion图像可以区分光谱有区别的冰型,无法区分浮冰和固定冰,可以更清晰地显示出海冰的光谱反射率,与实测光谱曲线更加相似,优于MODIS多光谱图像。同时,用主成分分析方法对海冰Hyperion图像进行了分析。海冰Hyperion图像中,各个波段之间的相关系数都较大,光谱维信息冗余度较大,其中30波段贡献率最高。展开更多
公路洒落物是影响交通安全的重要因素之一,为了解决中小尺度公路洒落物检测中的漏检、误检以及难以定位等问题,本文提出了一种图像引导和点云空间约束的公路洒落物检测定位方法。该方法使用改进的YOLOv7-OD网络处理图像数据获取二维目...公路洒落物是影响交通安全的重要因素之一,为了解决中小尺度公路洒落物检测中的漏检、误检以及难以定位等问题,本文提出了一种图像引导和点云空间约束的公路洒落物检测定位方法。该方法使用改进的YOLOv7-OD网络处理图像数据获取二维目标预测框信息,将目标预测框投影到激光雷达坐标系下得到锥形感兴趣区域(region of interest,ROI)。在ROI区域内的点云空间约束下,联合点云聚类和点云生成算法获得不同尺度的洒落物在三维空间中的检测定位结果。实验表明:改进的YOLOv7-OD网络在中尺度目标上的召回率和平均精度分别为85.4%和82.0%,相比YOLOv7网络分别提升6.6和8.0个百分点;在小尺度目标上的召回率和平均精度分别为66.8%和57.3%,均提升5.3个百分点;洒落物定位方面,对于距离检测车辆30~40 m处的目标,深度定位误差为0.19 m,角度定位误差为0.082°,实现了多尺度公路洒落物的检测和定位。展开更多
文摘对所获取的2008年冬季的辽东湾西岸海域含有海冰的Hyperion高光谱图像进行了大气校正,得到了反射率图像。用ISODATA(Iterative Self-Organizing Data Analysis Technique)聚类分析方法对反射率图像进行计算机自动分类,并结合实测的同时期的海冰反射率光谱确定了不同海冰类型的分布范围。根据不同类型海冰的厚度特征,得到了海冰厚度分级分布图和海冰厚度图。结果表明,Hyperion图像可以区分光谱有区别的冰型,无法区分浮冰和固定冰,可以更清晰地显示出海冰的光谱反射率,与实测光谱曲线更加相似,优于MODIS多光谱图像。同时,用主成分分析方法对海冰Hyperion图像进行了分析。海冰Hyperion图像中,各个波段之间的相关系数都较大,光谱维信息冗余度较大,其中30波段贡献率最高。
文摘公路洒落物是影响交通安全的重要因素之一,为了解决中小尺度公路洒落物检测中的漏检、误检以及难以定位等问题,本文提出了一种图像引导和点云空间约束的公路洒落物检测定位方法。该方法使用改进的YOLOv7-OD网络处理图像数据获取二维目标预测框信息,将目标预测框投影到激光雷达坐标系下得到锥形感兴趣区域(region of interest,ROI)。在ROI区域内的点云空间约束下,联合点云聚类和点云生成算法获得不同尺度的洒落物在三维空间中的检测定位结果。实验表明:改进的YOLOv7-OD网络在中尺度目标上的召回率和平均精度分别为85.4%和82.0%,相比YOLOv7网络分别提升6.6和8.0个百分点;在小尺度目标上的召回率和平均精度分别为66.8%和57.3%,均提升5.3个百分点;洒落物定位方面,对于距离检测车辆30~40 m处的目标,深度定位误差为0.19 m,角度定位误差为0.082°,实现了多尺度公路洒落物的检测和定位。