摘要：针对无人机影像建筑物自动提取时精度低、边缘精细化程度不足导致水利移民征地过程中建筑物面积统计不准确的问题,为提高无人机影像建筑物自动提取精度,利用基于跳层连接的全卷积神经网络进行无人机影像建筑物自动提取,结合无人机数据生产过程中产生的DSM对建筑物初步提取结果进行后处理,得到更加精细化建筑物的边缘。结果显示,利用基于跳层连接的全卷积神经网络进行无人机影像建筑物提取,平均Kappa系数为0.90,平均查准率为0.93;当前常用的分类模型Deeplab网络,Kappa系数为0.67,查准率0.70;Segnet网络的Kappa系数为0.75,查准率为0.79。相较于Deeplab网络Kappa系数提高了0.23,查准率提高了0.23;相较于Segnet网络,Kappa系数提高了0.15,查准率提高了0.14。利用DSM对初步提取结果进行后处理,处理后Kappa系数为0.92,查准率为0.94。对比初步提取结果,Kappa系数提高了0.02,查准率提高了0.01。结果表明,结合DSM与全卷积神经网络的无人机影像建筑物提取方法具有更优越的提取精度。

摘要：针对目前生产高精度DOM生成效率低、人工编辑干预较大等现状,提出了一种基于点云滤波的DOM自动生产方式。该方法通过对空三解算后的影像匹配密集点云DSM,使用基于TIN的加密滤波方式进行滤波计算,解决了滤波后空洞区域插值问题,制作出满足微分纠正需求的DEM模型,并基于该模型进行微分纠正生成DOM成果。通过选取ISPRS城区试验数据和实际工程山区数据进行验证,证明该算法不仅提高了效率,同时优化了成果质量,DOM成果精度符合规范要求。

摘要：无人机航测技术是继卫星遥感,大飞机遥感之后发展起来的一项新型航空遥感技术,在国土、公路、水利、林业、矿产、应急抢险保障等领域得到广泛应用,特别在大比例尺地形图的测绘方面优势明显。结合实际案例,对无人机航测大比例尺地形图的流程、方法进行详细分析,并对地形图外业检测精度进行探讨。

摘要：在无人机影像建筑物自动提取过程中,传统地物分类算法其精度已无法满足生产过程中的分类要求。为此,文章提出以深度学习技术结合条件随机场应用于无人机影像建筑物的自动提取方法。首先利用基于残差模块的卷积神经网络对图像进行特征提取,然后利用全卷积对图像进行反卷积,恢复图像特征。基于初步分类结果,利用条件随机场模型进行边缘细化。通过对实验结果进行分析,验证了该算法应用于无人机影像建筑物自动提取的可行性。