摘要：螺栓孔作为盾构隧道的关键力学结构,对隧道整体结构的稳定性至关重要。由螺栓失效引发的渗水和裂缝等病害现象,对隧道的安全运营构成潜在威胁。为消除检测人员的安全隐患并提高螺栓孔的检测效率,本文提出了一种基于多特征模板匹配的多源盾构隧道螺栓孔精准识别方法。首先,将隧道断面点云的几何中心作为视点,将隧道点云进行圆柱投影展开成2.5维点云;其次,通过DBSCAN聚类方法提取螺栓孔点云并采用欧式聚类生成其中心坐标集;然后,以扫描测线为单元对2.5维点云及螺栓孔中心坐标集进行逐测线投影,将三维点云信息融入二维图像中以此锁定目标检测区域;最后,通过多特征模板匹配的方法对螺栓孔进行精准识别。本文设计的基于点云形状特征的DBSCAN聚类方法能够提取点云数据中所有的螺栓孔,同时识别率和平均相似度分别能够达到98.76%和98.79%,且在耗时相近的情况下,平均偏差更小,表现出更好的稳健性。本文充分考虑螺栓孔点云的形状特征,实现了螺栓孔点云的精准分类,并通过融合盾构隧道的三维与二维数据进一步提高了盾构隧道图像上目标识别的精度。

摘要：同名道路匹配技术是道路数据集成、更新和融合的重要前提。道路网匹配在智能交通(intelligent transportation system,ITS)与位置服务(location-based service,LBS)等方面具有重要的研究价值和应用意义。本文提出了一种道路网多特征匹配优化算法:首先从形状、距离、语义3方面分别设计了基于面积累积的形状差、综合中值Hausdorff距离和全局加权属性项距离3种相似性度量,以更准确地描述道路待匹配对之间的特征差异;然后通过SVM对相似性特征样本集训练,以构建道路网回归匹配模型;最后利用此模型对未知匹配结果道路待匹配对进行匹配结果预测。大量试验结果表明,本文算法对非线性偏差明显的道路网数据能够实现较高的匹配准确率和召回率,能有效地用于包含多重匹配关系的道路网匹配。

摘要：识别同名道路在多源异构道路网匹配过程中十分关键。提出了一种多元Logistic模型的道路网匹配算法。首先选取并设计了能有效综合空间与非空间信息进行道路不相似性描述与区分的三种特征,即最小方向变化角、综合中值Hausdorff距离和语义差异三种不相似性特征,然后利用此三项特征结合多元Logistic回归模型构建准确的道路网匹配模型。利用该模型对道路网中待匹配道路进行匹配概率预测,从而获取道路的匹配结果,实现路网匹配。实验结果表明,本文方法避免了组合特征精确权值与阈值的设定,并能有效解决匹配结果对单元变量过于依赖的问题,具有良好的适应性、较高的准确率和召回率。

摘要：基于点云的隧道数据处理方法已逐步替代人工用于盾构管片接缝识别中。但常规点云处理算法提取螺栓孔和接缝时会存在因附属设施遮挡造成错误识别的问题,导致目标识别精度降低。针对此问题,以广州2003年开通的某地铁线路某段地铁隧道数据为例,提出一种跨模态特征融合模板驱动的盾构隧道孔缝识别方法。首先将隧道断面点云的几何中心作为视点,以扫描测线为单元进行逐测线投影生成隧道二维图像;然后通过Canny边缘检测和Hough变换缓冲识别纵缝,对二维图像进行环片分割,并基于双模板匹配实现盾构环分类,依据环片模板进行螺栓孔和横缝的粗定位;最后利用螺栓孔点云DBSCAN聚类后的中心坐标对环片模板进行精校正,实现盾构隧道管片孔缝智能识别。研究结果表明:该方法在附属设施遮挡干扰等情况下能较好地实现孔缝精确识别。其中,设计的基于局部形态特征双模版驱动的盾构环片分类方法,可实现盾构环片的精确分类;设计的顾及盾构管片空间位置关系的孔缝识别方法,可有效提升孔缝识别精度。在识别率与耗时相近的情况下,本方法比同类方法识别精度更高,平均偏差更少,具有更好的准确性和鲁棒性。该方法将盾构隧道三维点云和二维点云投影图像进行数据特征融合的同时,能够顾及局部形态特征凭借双模板实现盾构环片的精确分类以及依据盾构管片的空间位置关系进一步提高孔缝识别精度。研究结果为进一步自动化精准识别盾构隧道接缝和螺栓孔目标信息提供参考。

摘要：提出了一种充分利用阴影实现自动分类与后处理相结合的建筑物自动提取方法:首先根据阴影和植被自动检测结果并选定裸地样本确定预分类CMap图,并设计了基于偏移阴影分析的建筑物样本自动提取方法,结合支持向量机(support vector machines,SVM)分类模型将影像分为阴影、植被、建筑物、裸地4大类以提取建筑物初始结果;通过形态学处理提升区域完整性,区域增长补充漏检区域,利用设计的相交边界阴影比率筛除无阴影的非建筑物等措施,进行后处理优化获取最终结果。实验表明,充分利用阴影信息,不仅能准确、全面地获取各类样本,保证分类精度,与后处理优化策略紧密结合,大幅度提高了正确率和完整度;并且自动化程度得到有效提高,更适用于城郊区域建筑物的提取。

摘要：针对高分辨率遥感影像中分类法提取的建筑物轮廓不规则问题,设计了一种逐级优化规整建筑物轮廓的方法。根据分类验证思想提取的建筑物的初始结果,首先提取建筑物初始轮廓进行多边形拟合,获取与建筑物轴线倾斜程度相一致的最佳拟合外接矩形,然后将建筑物轮廓线段与最佳拟合外接矩形边界进行等分并比较两者之间的单向Hausdorff距离,对距离较小且满足替换条件的轮廓线段等分点利用对应的最佳拟合外接矩形边界等分点进行替换,实现轮廓初步的规整优化;接着利用Shi--Tomasi算法对建筑物局部无法规整的复杂轮廓区域进行特征角点提取、匹配、排序与剔除,进一步对边缘特征点进行有序连接与重构,实现轮廓深度的优化,最终提高边缘表达准确度和提取精度。通过对多幅遥感影像进行实验对比分析,结果表明本文方法不仅适用于不同分类方法提取的建筑物结果的轮廓优化,有效提高建筑物轮廓的边缘表达精度,而且相比于轮廓优化参照方法,逐级优化能更准确地适应复杂建筑物轮廓的细节变化,优化的精度整体较优,使建筑物边缘的准确性、规整程度得到有效改善,能更真实准确地反映建筑物的真实形状。

摘要：为了提高不同类型支持装置在不同场景中的提取可靠性及精度,提出顾及空间关系的3D LiDAR支持装置自动提取算法.通过对GNSS轨迹点抽稀处理获取关键轨迹点,对原始数据进行分层、分块处理,获取原始点云支柱,支持装置数据区域.通过邻域搜索获取支柱中心点,依据其与轨迹点和支持装置搜索层的空间关系构建空间索引.以该索引为驱动实现支持装置的初提取,获取含有接触线的支持装置,引入柱状搜索、参数化投影滤波的方式滤除接触线点云,实现提取结果的优化.经过测试可知,该算法对提取支持装置的MIoU均超过93%,Dice系数均超过94%,可以兼顾多类型支持装置,具有较强的鲁棒性和应用价值.

摘要：针对现有全卷积神经网络因光谱混杂造成建筑物漏检、误检以及边界缺失的问题,设计了一种基于多特征融合与对象边界联合约束网络的高分辨率遥感影像建筑物提取方法。所提方法基于编解码结构,并在编码阶段末端融入连续空洞空间金字塔模块,以在不损失过多有效信息的前提下进行多尺度特征提取和融合;在解码阶段,通过实现基于对象和边界的多输出融合约束结构,为网络融入更多准确的建筑物特征并细化边界;在编码与解码阶段间的横向跳级连接中引入卷积块注意力机制模块,以增强有效特征。此外,解码阶段的多层级输出结果还被用于构建分段多尺度加权损失函数,实现对网络参数的精细化更新。在WHU和Massachusetts建筑物数据集上进行对比试验分析,其中交并比和F1分数分别达到了90.44%、94.98%和72.57%、84.10%,且模型的复杂度与效率均优于MFCNN与BRRNet。

摘要：目前的阴影自动补偿方法仍然存在对比度提升的自适应能力不足等问题。Wallis滤波原理常用于影像色彩匀光,但应用于阴影补偿时会存在影像反差系数对对比度提升效果不理想的问题。首先,通过增加补偿强度系数及拉伸系数,设计了改进的Wallis阴影补偿模型;然后,获取阴影周边的非阴影区域信息作为补偿目标,利用阴影边界在局部范围内寻找同类特征点,自动解算该模型中的补偿系数值,再根据各个阴影区域自身的特点定制相应的补偿模型,对阴影区域内各像素亮度进行合理补偿,恢复被遮挡地物信息;最后,选取多幅具有云阴影及地物阴影的影像进行检测以及阴影补偿的实验,并与局部补偿方法进行对比。实验结果表明,该方法能够有效地补偿阴影,使其亮度和对比度共同提升到与非阴影区域相一致的水平,最佳还原被阴影遮挡的地物信息。

摘要：云的存在严重影响遥感影像质量。在航空影像的获取过程中,实时的云检测能够及时提供准确的云遮挡比例以评价影像质量,进而指导飞行方案以获取满足质量要求的影像。采用光谱特征阈值的方法,通过分析云光谱的特性,选取能够有效检测云的亮度特征I和归一化差值特征P进行组合。为实现自动检测,在一维Otsu自动阈值和带限定条件Otsu阈值的基础上,设计了阈值的分级配置策略为云特征配置合适的自动阈值,策略的主要思想是:首先采用多级分类标准对影像进行无云、薄云、厚云的类别判定,再对不同类别的影像采取不同的特征阈值配置方案,其中厚云影像的检测需要进一步分类配置阈值。该策略实现了有云情况下能准确检测云、无云情况下检测不到云的应用目标。再结合选择性自动后处理方案,真正做到云的自动、高效、准确的检测。通过与不同方法的检测结果对比分析,表明该方法的检测效率高,精度满足实时质量评定的要求,通用性强。