【摘 要】
：
滨海湿地是动态且脆弱的生态系统,遥感变化检测技术为滨海湿地动态变化监测提供了有效手段。为解决像元级变化检测对配准误差敏感及其椒盐现象严重,对象级变化检测受分割参数影响较大且过程繁琐等问题,本文提出了显著图引导的结合像元级与对象级变化检测方法。首先,提取湿地亮度、归一化差异植被指数、归一化差异水体指数三个特征,得到特征差异影像;其次,利用最大对称环绕显著性检测算法生成显著图,采用结合模糊C均值和马尔
论文部分内容阅读
滨海湿地是动态且脆弱的生态系统,遥感变化检测技术为滨海湿地动态变化监测提供了有效手段。为解决像元级变化检测对配准误差敏感及其椒盐现象严重,对象级变化检测受分割参数影响较大且过程繁琐等问题,本文提出了显著图引导的结合像元级与对象级变化检测方法。首先,提取湿地亮度、归一化差异植被指数、归一化差异水体指数三个特征,得到特征差异影像;其次,利用最大对称环绕显著性检测算法生成显著图,采用结合模糊C均值和马尔可夫随机场方法对显著区域进行分割得到初始像元级变化检测结果;最后,在面向对象分割的基础上,通过构建对象的
其他文献
作为率先在全国范围内提出软件"首版次"概念的城市之一,成都正通过创新红利、模式红利、应用红利的进一步释放,鼓励和引导企业积极研发以及使用首版次软件产品,提升产业链、价值链水平,促进软件信息服务业高质量发展,培育经济发展新动能。
为进一步加强政府投资项目审计,规范投资行为,提高投资效益,近日,牡丹江市审计局在深刻领会国家、省相关投资审计政策要求,总结实践经验、广泛征求意见、反复推敲论证基础上,对《牡丹江市政府投资建设项目审计办法》(以下简称《办法》)进行了修订。新《办法》从审计程序、审计内容、责任追究等方面对政府投资建设项目审计进行了规范,为审计机关依法履职提供了有力的制度支撑。
本文简要分析了基层审计工作中存在的风险,接着从提高防范审计风险意识、完善审计监督机制、建设高素质审计队伍、提高审计工作质量这四方面揭示风险隐患,探索了基层审计机关防范审计风险的具体对策,防范和化解自身风险。
编者按弘扬抗疫精神,牢记初心使命。2020年9月8日上午,全国抗击新冠肺炎疫情表彰大会在北京人民大会堂隆重举行,河南省审计厅组织全体党员、干部、职工收听收看全国抗击新冠肺炎疫情表彰大会,聆听习近平总书记重要讲话,在学习中感悟,在交流中升华,从伟大抗疫精神中汲取奋进新时代的强大力量,推动全省审计事业迈上高质量发展的新台阶。
在科学技术快速发展的推动之下,各种各样的新型技术出现在日常生产中,对推动行业的发展和变革有着非常重要的作用和意义。近些年,我国的科技水平取得了巨大的突破,测量技术也得到了快速的发展,传统的人工测量技术已经逐渐被现代化的多源遥感技术所代替。相比于传统的人工测绘,现代化的多源遥感技术不管是在测量精确度还是在测量质量和效率上,都有着巨大的提升,是人工测绘方式无法相比的,能够为测绘工程的开展提供科学的数据
具有多个出口的自动化立体仓库系统是一种将存储和分拣相结合的新型仓储技术,其最典型的特征是在货架底层有很多个出库位置以供取货人员分拣。研究此系统中出入库任务排序与出口选择的集成优化问题,以最小化堆垛机完成所有任务的移动距离为目标,将此问题转化为一个混合整数规划模型。根据问题的特点设计了两阶段启发式算法求解此问题,数值结果表明设计的算法能在较短时间内给出近似最优解,同时与企业常用的先到先服务方法相比,
针对传统方法提取新增光伏用地精度低的问题,该文提出了一种基于集成学习的U-Net双网络变化信息融合的深度学习方法用于新增光伏用地的提取。首先对U-Net网络进行改进得到性能较好的两个变化检测网络模型,然后分别训练两个网络模型用于在高分辨率卫星影像上检测新增光伏用地,将训练好的两个网络模型的分类图融合再经过后处理得到最终的变化检测结果。通过实验表明:该方法明显优于传统变化检测方法,也提高了单网络模型
针对现有对象级变化检测方法在高分辨率影像上受影像配准误差的影响而表现不佳的现状,提出了一种顾及像元邻域的遥感影像随机森林变化检测新方法。该方法首先在像元尺度上提取前后两时相的光谱特征图和LBP纹理特征图,在此基础上考虑像元邻域关系计算对应的差分特征图;接着采用多尺度分割技术对两时相的叠合影像进行分割;最后利用随机森林算法模型实现变化检测,并以鹤地水库2014和2018年两期Spot卫星影像为数据源
目前大多数面向像元、面向对象遥感影像分类对比研究算法、软件、样本均不同,引入多方面系统误差导致结果一定程度上不严谨。为更准确比较2种分类方法,本文采用面向像元、面向对象2种分类方式,在同软件平台、同分类器、同训练样本、同验证样本,即"四同"条件下对2018年4月17日高分一号周口城区融合影像进行分类对比研究,并完成主、客观评价精度评价。结果表明:①"四同"条件下2种分类方式、CART(Classi
空间数据质量检查是数据准确可靠的重要保障,是数据的生命线。然而,目前的空间数据质量检查主要针对拓扑关系、属性一致性以及数据间的相关性进行检查,往往忽视矢量图斑地类解译真实性问题。因此,本文提出深度学习和高分遥感影像支持的矢量图斑地类解译真实性检查方法,选用深度学习经典模型Inception_v3进行迁移学习,对分割后的影像进行自动场景分类,以高分遥感影像块的场景分类结果作为参照依据,对场景分类结果