基于面上下文码匹配的CAD模型检索方法

为弥补现有的基于图的形状描述应用图匹配或子图匹配实现CAD模型检索时,存在着检索效率低下或检索结果不够准确的缺陷,提出一种基于面上下文码匹配的CAD模型检索方法。提取CAD模型的B-rep信息生成面属性邻接图;依据面的上下文邻接关系,将模型面属性邻接图转化为上下文层状面属性邻接图,生成面上下文码;由检索模型与数据库模型的面上下文码匹配排除筛选不匹配的面,得到与检索模型相匹配的面。实验结果表明,该方法能够实现CAD模型的整体和局部检索,并且检索效率和精准程度能够满足实际需要。     

基于元学习的小样本遥感图像分类

为改善传统分类算法在小样本遥感图像分类上效果差的缺陷,提升模型的快速学习能力,提出融合迁移学习和元学习的小样本分类算法.设计基于长短期记忆网络的元学习器,通过门控结构拟合网络参数更新方式最下化损失下界,具有自动学习分类器参数更新方式的机制,相比于传统方法,能够有效扩展优化算法的搜索空间;考虑样本的跨类别知识转移和训练时...     

基于交互上下文的预测方法

传统的上下文预测是在单用户的上下文基础上进行的,忽视了实际普适计算环境中由于用户交互活动导致的上下文变化因素。为了合理、有效地解决上述局限性问题,该文提出基于交互上下文的预测,给出交互上下文及交互上下文预测的概念,以及相关的建模、推理算法。     

基于结构上下文的模糊神经网络自动目标检测方法

提出了一种基于结构上下文的模糊神经网络(SCFNN)自动目标检测方法。模糊神经网络方法既具有神经网络的自适应性、并行性、鲁棒性、容错性、优化等优点，又集成了模糊集理论运用知识、规则描述解决系统不确定性的优点，因此成为图像处理和模式识别的一种强有力工具。使用模糊测度作为神经网络的目标函数可以有效地描述像素类别的不确定性，从而通过使其最小实现图像分类优化。对网络神经元加权过程进行结构上下文信息约束可以充分减小图像信息尤其是目标边缘等特性包含丰富信息的损失，有效地保持目标的轮廓和形状等属性，改善目标检测的误检率。针对目标遥感图像的实验，验证了SCFNN方法具有很好的自动目标检测能力，而相对于传统神经网络方法，具有有效的不确定性解决能力和更好的目标形状保持能力。     

融合上下文信息特征的小目标检测方法

由于小目标有限的分辨率和表观信息,其检测任务一直是计算机视觉领域的挑战性工作。在解决这一问题时,现有大多数方法为了提高精度而牺牲了速度。在论文中,为了提高小目标检测精度,同时保证检测速度,提出了一种在卷积网络中引入上下文信息的特征融合方法,即Contextual Fused Network（简称CF-Net）。CF-Net引入了上下文信息,并且只在浅层进行特征融合,这样既能提高小目标的检测精度,又能保证检测速度。实验结果表明,在小目标检测上,CF-Net在PASCAL VOC2007上获得的mAP为78.9,比目前主流的单点检测器SSD提高了2%。CF-Net模型测试速度为40 fps,比现有小目标检测器DSSD高26.4 fps。     

基于上下文的短信文本分类方法

针对海量短信文本数据中大量词语共现的特点,提出一种基于上下文的短信文本分类方法。利用词语的上下文关系,定义词语相似度和基于上下文的词语权值,科学地表达词语在该类别中的语义表示,以提高短信文本分类效率。实验结果表明,与传统的简单向量距离分类法相比,该方法的分类效果较优。     

基于小面拟合的红外小目标提取方法研究

天空和海空背景下红外小目标图像的分割与聚类是检测和识别目标过程的预处理部分。基于小面模型对原始红外图像的局部区域作灰度曲面的最佳拟合，利用导出的二阶方向导数算子在拟合曲面上进行灰度极大值的像素点位置估计，实现对图像中小目标像素的分割和提取。对模拟和实际的天空和海空红外图像进行了实验验证。实验表明，该算法具有较强的适应性。     

一种端元可变的混合像元分解方法

混合像元线性分解是高光谱影像处理的常用方法，它使用相同的端元矩阵对像元进行分解，其结果是分解精度不高。为此提出了一种端元可变的混合像元分解方法，在确定端元矩阵时，首先考察混合像元与端元的光谱相似性，结合地物空间分布特点，实现了可变端元的混合像元分解。试验结果表明，该分解方法分解精度优于传统线性模型，符合实际情况。     

点模型的面元简化方法

为有效地简化稠密采样点模型,提出了一种基于面元（surfel）重建的点模型简化方法。该算法首先对每个采样点面元的初始半径进行估算,并同时根据曲率的变化确定每个面元的简化权值;然后采用surfel合并的方法来聚合、减少surfel图元的数量,按照计算的surfel权值,确定surfel合并的顺序,合并并重建成一个新的surfel,合并过程中判断误差是否满足要求,满足则合并成功。如此迭代,直到surfel合并引起的误差达到阈值或surfel权值达到某个给定值。实验结果表明该算法能有效减少稠密采样点模型的点数,且在相同误差控制下简化率高于一般的基于纯采样点的简化算法;同时,简化模型能很好地保持原始模型的几何形状,防止简化后表面空洞现象的产生。     

一种增强的基于上下文火点遥感影像识别方法

传统的火点遥感影像识别方法大多采用阈值法,但阈值的选择受区域、季节以及云天状况等多种因素的限制,因而在实际监测中往往效果不佳。针对这些问题,提出了一种增强的基于上下文信息的火点遥感影像识别方法,考虑了火点与其相邻像元之间的内在联系,在火点背景像元的确定及真实火点的判据选择等方面做了改进,在此基础上确定一组火点判据。该方法基本不受区域、时间等因素的限制,对面积较小的火点识别较为敏感,在实验中取得了较好的效果。     

基于一维Kohonen网络的遥感影像分类方法研究

分析了Kohonen网络的训练模式和聚类特性,选用规模相对较小的一维Kohonen网络,并调整网络输出层的规模和邻域形状,优化网络结构;同时根据多光谱遥感影像中地物波谱曲线特征,通过不同波段组合、波段权重系数调整等方法对输入数据进行预处理,使该方法更适用于多光谱遥感影像分类和专题提取.本文以浙江省绍兴地区多光谱遥感影像分类为例,研究结果表明使用改进后的分类方法可以有效提高分类精度.     

基于模糊聚类的遥感图像与现有地形图的变化检测方法

提出了一种基于模糊聚类的遥感图像与现有地形图的变化检测方法。该方法通过模糊聚类对遥感图像和地形图的像元进行分类,然后基于分类结果实现图像的叠合,从而显示图像间的变化情况。本文通过一个图像变化检测实例说明该方法能够快速、直观的反映遥感图像与现有地形图之间的变化,从而避免了参考点均方误差法无法完全反映图像实际变化情况的问题。     

基于影像区域特征人工目标变化检测方法

提出了一种基于图像区域特征的人工目标变化检测方法,在研究解决区域特征变化准则函数构造、特征量标准化处理、多特征联合变化判定规则确定等问题的基础上,能够抑制单纯由像素灰度差异引起的伪变化,而且对不同尺寸的区域变化有较好的适应性。     

基于Google Earth的原始遥感影像中文地名标注方法

Google Earth提供的免费遥感影像是一项重要的基础数据,能够方便、迅速确定对应经纬度处中文地名。将原始遥感数据和google earth同位置图像进行叠加计算,通过同步对照,在LandSate等卫星影像上标注出汶川地震主要涉及到的一些城市名称,该工作将为遥感影像后续断层、断裂带识别解译奠定良好的基础,并解决了传统人工标注工作量大、效率低等缺点。实验结果表明原始遥感影像中文地名标注效果良好。     

基于分割质量的遥感图像最优尺度分割方法研究

实现最优尺度分割是遥感图像自动化分割的理想目标.本文首先定义遥感图像区域对象的分割质量,然后使用连续的多个尺度对遥感图像进行分割,计算每一尺度上所有区域对象的分割质量,最后计算原子区域对象的最优分割尺度,实现遥感图像的最优分割.通过目视判断和定量分析发现最优尺度分割结果优于单尺度分割结果.     

基于ETM+遥感影像的南京市城市绿地的动态监测

城市绿地在改善城市生态环境、人与自然的和谐相处过程中,起着积极的作用.动态监测城市绿地的消长有利于科学、有效地管理城市,为城市绿地系统规划提供科学的依据和评价标准.本文利用1988年和2002年的南京市域范围的ETM＋/TM影像,通过分别计算亮度指数和垂直植被指数,建立“亮度-垂直植被指数”（BI-PVI）平面,通过计算“TM3-TM4”平面内的点到“非植被线”的距离,求得亮度-植被指数向量,进而得出变化向量获取城市绿地的变化.结果表明,在过去的二十多年中,由于南京城市建设的不断发展,以及城市开发力度的不断加大,城市绿地大大减少,城市绿地的空间分布不均匀,不能够很好的发挥其生态功能.     

基于颜色特征的遥感图像中烟的识别方法

针对无人机遥感在林火监测中的实际应用问题,根据森林火灾中烟的光谱特性,提出基于颜色特征的识别方法,建立分析识别模型,使用线性噪声清除方法,满足实时性要求,解决无人机遥感在林火监测中的自动识别问题。该方法利用交互式数据语言开发出相应的分析处理系统。实验结果表明,使用该方法对无人机遥感数据进行自动识别,识别率在77．71％以上。     

一种基于灰度直方图的遥感影像阴影自动检测方法

在高分辨率全色遥感影像中,阴影的存在既给目标识别带来了困难,又包含了地物的层次和高度信息。本文运用灰度统计直方图的势函数对全色遥感影像的灰度统计直方图函数进行拟合,使用一阶差分找到直方图势函数的第一个谷点,以该谷点对应的灰度值对原始影像做阈值分割完成阴影检测。实验表明,在各种复杂地物环境下,本文方法都能能完成灰度分割阚值的自动选取,其阴影检测结果是快速有效的。     

基于视觉显著性特征的遥感影像道路网提取方法

在遥感影像上,道路被认为是颜色、纹理、形状相似的狭长线状目标,基于此特征可知,整个道路网在影像上会呈现非常显著的特征,极易引起人眼的注意,我们称之为感兴趣区域。感兴趣区域是场景中最能引起用户兴趣、体现图像主要内容的区域,视觉认知理论的研究表明：通过视觉注意机制可以模拟人眼的观察过程,找出遥感影像上的显著区域。本文提出应用视觉注意机制辅助遥感影像道路网提取的思想,通过对影像的显著区域进行分析和处理,得到最终的道路网。对比实验表明该算法可以有效的提高道路网提取的准确率和完整性。     

基于模块单元的数据库聚类方法的研究

数据库聚类的一个关键问题是数据库中存储数据的格式与聚类算法所要求的输入数据格式之间的差异,为了弥补这一差异,提出基于模块单元的数据表示方法,该方法能够有效提高数据库的聚类能力.