传统激光雷达(light detection and ranging,LiDAR)数据处理均采用固定数的波形分解方法,容易遗漏部分重叠的返回波,降低波形拟合精度。为了实现可变数波形分解,本文提出了一种自动确定波形分解数的方法。假定波形数据服从混合高斯分布...传统激光雷达(light detection and ranging,LiDAR)数据处理均采用固定数的波形分解方法,容易遗漏部分重叠的返回波,降低波形拟合精度。为了实现可变数波形分解,本文提出了一种自动确定波形分解数的方法。假定波形数据服从混合高斯分布,并以此建立理想的波形模型;定义用于控制理想模型与实际波形拟合程度的能量函数,用吉布斯分布构建或然率;根据贝叶斯定理构建刻画波形分解的后验概率模型;设计可逆跳转马尔科夫链蒙特卡洛(reversible jump Markov chain Monte Carlo,RJMCMC)算法模拟该后验概率模型,以确定波形分解数并同时完成波形分解。为了验证提出算法的正确性,分别对不同区域的ICESat-GLAS波形数据进行了波形分解试验,定性和定量分析结果验证了本文方法的有效性、可靠性和准确性。展开更多
确定图像类别数是图像分割中的重要任务,在大多数分割算法中需由用户预先指定类别数。受地物目标及其分布的多样性、复杂性和未知性等因素的限制、对彩色遥感图像而言,人为确定其类别数非常困难。为此,提出了一种基于区域和统计的可变...确定图像类别数是图像分割中的重要任务,在大多数分割算法中需由用户预先指定类别数。受地物目标及其分布的多样性、复杂性和未知性等因素的限制、对彩色遥感图像而言,人为确定其类别数非常困难。为此,提出了一种基于区域和统计的可变类分割方法,融合规则划分技术和R.JMCMC算法,利用规则划分将图像域划分成若干个规则子块,并假设每个规则子块内的像素服从同一独立的多值Gaussian分布;在此基础上南贝叶斯定理构建图像分割模型;利用ReversibleJump Markov Chain Monte Carlo(RJMCMC)算法模拟该模型,实现罔像类别数的自动确定及图像粗分割;为了进一步提高图像分割精度,设计精细化操作,对Worldview-2合成及彩色遥感图像和多光谱IKONOS图像进行可变类分割,实验结果表明,提出方法不仅能自动确定图像类别数,还可以较好地实现区域分割。本文方法较好地实现彩色遥感图像的可变类分割。展开更多
文摘传统激光雷达(light detection and ranging,LiDAR)数据处理均采用固定数的波形分解方法,容易遗漏部分重叠的返回波,降低波形拟合精度。为了实现可变数波形分解,本文提出了一种自动确定波形分解数的方法。假定波形数据服从混合高斯分布,并以此建立理想的波形模型;定义用于控制理想模型与实际波形拟合程度的能量函数,用吉布斯分布构建或然率;根据贝叶斯定理构建刻画波形分解的后验概率模型;设计可逆跳转马尔科夫链蒙特卡洛(reversible jump Markov chain Monte Carlo,RJMCMC)算法模拟该后验概率模型,以确定波形分解数并同时完成波形分解。为了验证提出算法的正确性,分别对不同区域的ICESat-GLAS波形数据进行了波形分解试验,定性和定量分析结果验证了本文方法的有效性、可靠性和准确性。
文摘确定图像类别数是图像分割中的重要任务,在大多数分割算法中需由用户预先指定类别数。受地物目标及其分布的多样性、复杂性和未知性等因素的限制、对彩色遥感图像而言,人为确定其类别数非常困难。为此,提出了一种基于区域和统计的可变类分割方法,融合规则划分技术和R.JMCMC算法,利用规则划分将图像域划分成若干个规则子块,并假设每个规则子块内的像素服从同一独立的多值Gaussian分布;在此基础上南贝叶斯定理构建图像分割模型;利用ReversibleJump Markov Chain Monte Carlo(RJMCMC)算法模拟该模型,实现罔像类别数的自动确定及图像粗分割;为了进一步提高图像分割精度,设计精细化操作,对Worldview-2合成及彩色遥感图像和多光谱IKONOS图像进行可变类分割,实验结果表明,提出方法不仅能自动确定图像类别数,还可以较好地实现区域分割。本文方法较好地实现彩色遥感图像的可变类分割。
