公共文化服务平台

共 7 条记录，以下是 1-7

全选清除导出

排序方式：

基于机载LiDAR属性信息检测离群点云: 2019年; 无人机载LiDAR是一种新型遥感技术,可快速获取高密度、高精度的地物点云数据,随着获取精度越高,点云数据量越大。为减少参与点云滤波处理的数据量,提高滤波速度,本文结合点云回波次数、高度和点云回波强度三种属性信息,采用箱形图检验方法获取非地面点云,并使用反复建立三角网方法分别对处理前后的点云数据进行对比分析。结果表明:针对截取的试验区点云数据,可去除多次回波对应的噪声点云363个,得到第1次和第2次回波分别占点云总数的98.49%和1.49%;高度和强度离群的点云共占点云总数的1.46%。通过对点云进行滤波前期的处理,可降低滤波时间32.2 s,且保留地面点云2551个。本文研究利用箱形图检测点云属性获取离群值,可提高点云处理速度和降低地面点云漏分的现象,为后期直接利用统计方法对点云属性信息分析和实现快速处理海量点云提供参考。; 李沛婷赵庆展田文忠马永建陈洪

基于最小二乘支持向量机的无人机遥感影像分类被引量：11: 2017年; 针对SVM容易出现过学习、泛化能力下降的问题,利用LSSVM在求解线性方程组时的自身优势,对高分辨率无人机多光谱影像进行地物分类识别。采用固定翼无人机搭载Micro MCA12 Snap多光谱相机,获取研究区域玛纳斯河畔的多光谱影像,首先利用最佳波段指数法与光谱信息、纹理信息结合得到最佳特征波段组合,从而降低数据维度,进而利用粒子群优化和网格搜索算法分别进行参数寻优并交叉验证方法对影像进行SVM和LSSVM对比试验。结果表明,Micro MCA12 Snap多光谱传感器所选择的1、6、11波段组合及NDVI、NDWI、Mean特征信息组合,粒子群优化LSSVM分类的总体精度较网格搜索LSSVM高0.092%,Kappa系数高0.006;粒子群优化LSSVM分类的总体精度较粒子群优化SVM分类高2.021%,Kappa系数高0.008。试验方法改善了各种地物特别是裸地与沙石的区分,是对该相机及特征组合进行分类的有效手段。; 刘伟赵庆展刘伟赵庆展汪传建; 关键词：最小二乘支持向量机粒子群优化网格搜索无人机遥感

无人机高光谱载荷性能交叉验证被引量：6: 2019年; 无人机定量遥感已成为当前遥感研究领域的热点之一,辐射定标是定量遥感的基础,在定量遥感研究中,首先需要确保无人机载荷性能的可靠性。基于辐射定标原理,以多光谱仪的固有波段为中心波长,设置高光谱仪对应波段范围,利用灰阶靶标,将高光谱影像中靶标的辐亮度值与多光谱仪的光谱响应函数进行卷积运算,得到多光谱各波段的等效入瞳辐亮度模拟值,从而拟合获得无人机多光谱载荷辐射定标系数;最后通过辐射定标系数验证分析及光谱曲线比对,最终实现无人机高光谱载荷性能交叉验证。结果表明:对于均匀地物如裸土,定标先后平均相对误差小于0.12;两次定标系数相对差异在±1%之内,且两次拟合相关系数r2分别在0.96和0.92以上,传感器线性响应度较高。实验结果可为相关多、高光谱遥感载荷性能分析提供参考。; 田文忠赵庆展赵庆展李沛婷马永建李沛婷; 关键词：多光谱辐射定标无人机遥感

结合无人机载LiDAR点云法向量的K-means++聚类精简被引量：5: 2020年; 点云精简可有效降低无人机载LiDAR数据量,对后期点云存储和快速处理具有重要意义。采用K-means++方法对点云法向量进行聚类,以实现点云精简。首先,利用回波次数去除多次回波点云,在使用零-均值标准化方法对点云属性归一化后,利用KD树(K-dimension tree)建立点云索引构建点云K邻域;然后,采用主成分分析法估算点云法向量,借助肘方法确定最佳聚类数目;最终,通过K-means++聚类方法实现点云精简。将精简结果生成Delaunay三角网并转换为栅格数据,通过相关系数验证方法的有效性。结果表明:针对研究区69544个点云数据,该方法可去除多次回波点云7722个;对点云法向量进行聚类数目为8的K-means++聚类,对应的精简率为分别为81.389%,81.833%和85.369%时效果较优;精简后生成Delaunay三角网的时间远低于精简前,且当按81.833%进行精简处理时,相关系数最高,为0.890。该方法可为点云精简提供参考。; 李沛婷赵庆展赵庆展马永建; 关键词：DELAUNAY三角网

回波强度约束下的无人机LiDAR点云K-means聚类滤波被引量：6: 2018年; 针对目前无人机激光雷达点云滤波过程中存在的效率低、误分割和精度差等问题,本文在对点云三维坐标进行K-means聚类得到不同聚类结果的基础上,引入最大-最小标准化方法对不同聚类结果的点云回波强度原始值进行标准化,得到0-1范围回波强度规则值。针对不同聚类结果选择不同范围的回波强度规则值得到对应地面点云,以提升研究区点云的滤波精度并减少其地面点云的数据量。同时,对比利用K-means聚类对三维坐标和回波强度原始值进行滤波的结果。结果表明:对研究区点云去噪、抽稀预处理后得到107 372个点云数,利用K-means方法对三维坐标和回波强度原始值进行聚类滤波得到地面点数为66 713个,占点云总数的62.133%。通过使用本文方法可剔除过分割地表植被点13 648个,得到地面点云占点云总数的49.422%。该方法能够较好地保持地形轮廓并降低地面点云的数据量,从而为后期快速建立高精度DEM奠定基础。; 李沛婷赵庆展陈洪; 关键词：K-MEANS聚类

基于K-means聚类与RBFNN的点云DEM构建方法被引量：4: 2019年; 因无人机机载激光雷达(Light detection and ranging,LiDAR)数据具有离散性,在生成数字高程模型(Digital elevation model,DEM)时需选择有效插值方法。以荒漠植被区为研究背景,使用零均值标准化方法归一化点云回波强度,利用肘方法确定最佳聚类数目,采用K-means方法对点云强度值聚类得到地面点云。在此基础上,采用克里金(Kriging)方法插值抽稀率为20%和80%的地面点云数据,且将点云高程作为变量,建立RBF神经网络预测模型,并通过线性回归检验方法对模型进行精度分析,采用Delaunay三角网内插生成高精度DEM。结果表明:采用K-means方法实现最佳聚类数目为4的聚类,得到地面点云48722个,在点云较优抽稀率20%的情况下,径向基函数神经网络(Radical basis function neural network,RBFNN)训练时间为56s,点云高程预测的决定系数R2为0.887,均方根误差RMSE为0.168m。说明使用RBFNN对K-means聚类滤波得到的地面点云进行高程预测效果较好,可为基于点云构建高精度DEM提供参考。; 赵庆展李沛婷李沛婷田文忠; 关键词：数字高程模型 K-MEANS聚类径向基函数神经网络

无校正点的机载LiDAR农作物点云数据精度评价被引量：1: 2018年; 农作物高度是农业遥感应用中极为重要的参数,目前已能够使用机载激光雷达获取准确的农作物高度信息,但对其获取点云数据精度的评价是困扰研究人员的问题之一。在分析机载激光雷达点云获取与定位模型的基础上,从系统误差和随机误差2个方面进行误差分析,结合具体试验设计得到定量化描述与分析激光测距误差和动态时延误差。利用点云脚点的空间拓扑关系,得到拟合高程模型真值与平面模型拟合方程,以此为基础进行无校正点的点云数据精度评价。结果表明,高程精度最大残差值为5.60 cm,均方根误差为0.94 cm,平面精度最大残差值为2.78 cm,均方根误差为8.63 cm,这与定位定姿系统(positioning and orientation system,简称POS)数据精度报告相近,该结果可为研究无校正点条件下作物高度的高精度测量提供参考和借鉴。; 陈洪赵庆展李沛婷; 关键词：机载激光雷达农作物点云数据

全选清除导出

共1页<1>

李沛婷

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

李沛婷

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈