發(fā)布時(shí)間：2021-12-25 10:53

　　當(dāng)前方法對(duì)紅外激光遙感圖像進(jìn)行散斑特征提取時(shí),采用2D（二維）圖像作為數(shù)據(jù)采集手段,存在散斑特征提取區(qū)域誤差大的問題。據(jù)此,提出基于深度學(xué)習(xí)的紅外激光遙感圖像散斑特征提取方法。采用無人機(jī)配置自動(dòng)旋轉(zhuǎn)云臺(tái)上搭配2D激光測距傳感器對(duì)區(qū)域紅外激光數(shù)據(jù)進(jìn)行采集、標(biāo)定和利用激光里程計(jì)算法對(duì)區(qū)域內(nèi)特征值提取和匹配。結(jié)合線性插值法對(duì)應(yīng)的周期內(nèi)接收的激光數(shù)據(jù)進(jìn)行區(qū)域轉(zhuǎn)換,利用L-M算法解決紅外激光遙感圖像范圍的預(yù)計(jì)問題,采用信賴區(qū)域法迭代出最優(yōu)區(qū)域范圍,將激光數(shù)據(jù)轉(zhuǎn)化到世界坐標(biāo)系下的點(diǎn)云中,通過點(diǎn)云疊加完成區(qū)域的散斑特征提取。仿真實(shí)驗(yàn)結(jié)果表明,所提方法在進(jìn)行紅外激光遙感圖像散斑特征提取時(shí)水平和區(qū)域深度定位誤差都能控制在±1 m之內(nèi),符合分割要求。與其他方法相比,該方法的提取準(zhǔn)率95%～99%的范圍內(nèi)變化,平均耗時(shí)為0. 45 s,說明該方法提取精度更高,提取速度更快。 

【文章來源】：激光雜志. 2020,41(01)北大核心

【文章頁數(shù)】：5 頁

【文章目錄】：
1 引言
2 紅外激光遙感圖像數(shù)據(jù)的獲取與標(biāo)定
    2.1 激光成像散斑坐標(biāo)系的獲取
    2.2 紅外激光遙感圖像散斑數(shù)據(jù)參數(shù)標(biāo)定
3 區(qū)域測定
    3.1 散斑區(qū)域特征提取
    3.2 散斑特征信息匹配
4 實(shí)驗(yàn)結(jié)果分析
5 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合雙深度學(xué)習(xí)特征的高光譜遙感圖像分類[J]. 曾銳,陳鍛生.  小型微型計(jì)算機(jī)系統(tǒng). 2018(02)
[2]一種基于Spark的高光譜遙感圖像分類并行化方法[J]. 劉震,朱耀琴.  電子設(shè)計(jì)工程. 2017(12)
[3]基于深度學(xué)習(xí)的高光譜圖像空-譜聯(lián)合特征提取[J]. 黃鴻,何凱,鄭新磊,石光耀.  激光與光電子學(xué)進(jìn)展. 2017(10)
[4]基于深度學(xué)習(xí)的無人車夜視圖像語義分割[J]. 高凱珺,孫韶媛,姚廣順,趙海濤.  應(yīng)用光學(xué). 2017(03)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機(jī)檢測[J]. 張義德,胡長雨,胡春育.  光電子技術(shù). 2017(01)
[6]基于主動(dòng)深度學(xué)習(xí)的高光譜影像分類[J]. 程圓娥,周紹光,袁春琦,陳蒙蒙.  計(jì)算機(jī)工程與應(yīng)用. 2017(17)
[7]基于主動(dòng)輪廓模型的紅外圖像輪廓提取算法[J]. 董恩增,馮倩,于曉,佟吉鋼,谷海清.  激光與紅外. 2017(03)
[8]基于可見光波段的無人機(jī)超低空遙感圖像處理[J]. 鄧?yán)^忠,任高生,蘭玉彬,黃華盛,張亞莉.  華南農(nóng)業(yè)大學(xué)學(xué)報(bào). 2016(06)
[9]光學(xué)遙感影像智能化處理研究進(jìn)展[J]. 龔健雅,鐘燕飛.  遙感學(xué)報(bào). 2016(05)
[10]多特征的光學(xué)遙感圖像多目標(biāo)識(shí)別算法[J]. 姬曉飛,秦寧麗,劉洋.  智能系統(tǒng)學(xué)報(bào). 2016(05)



本文編號(hào)：3552321