彭智勇[1]（2021）在《近实时无人航空摄影测量关键技术研究》文中研究说明时效性是灾害应急响应的灵魂,无人航空摄影测量是灾害应急响应的重要手段,目前,能够快速获取测绘区域大量影像,但仍难以实现以小时为任务周期的无人机应急测绘目标。地理空间信息已经正进入大数据时代,影像尺寸、分辨率不断提升,数据量呈几何级增长,但存在自动化程度不高、数据更新速度慢、数据处理效率低等突出问题。要实现无人航空应急测量及遥感大数据时代的海量影像数据快速“消耗”,基于高速影像处理的近实时摄影测量是其中的关键。本文以实现无人航空摄影测量中高清影像的近实时高速处理为目的,针对其中的关键问题展开研究,具体研究工作如下:1.搭建了近实时无人航空摄影测量基础平台:针对高清航拍影像不能实时回传的问题,本文采用WIFI SD卡及集WIFI与700MHz无线数传为一体的单兵收发模块,实现了针对普通商业相机无人航拍影像的无线传输;针对海量航拍影像的存储管理及历史影像存储于不同技术规范传统硬盘中不方便管理的问题,本文基于阵列分组管理结构开发了低成本、可扩展、海量影像存储管理系统,实现了海量航拍影像的存储及现有航空摄影测量领域中海量历史影像存储于不同技术规范传统硬盘中的管理问题;为实现高清航空影像的高速处理,本文基于Cyclone V FPGA处理器设计了FPGA硬件处理平台,搭建了电脑CPU-FPGA协同的航空影像高速处理硬件系统。2.研究了航空影像的高速稀疏匹配:针对高性能特征点检测算法运算过于复杂的问题,本文以角点为特征点,基于Ada Boost弱分类器思想提出了高效角点检测算法,实现了与FAST算法速度相近、比HARRIS算法精度及鲁棒性更高的角点检测;针对基于金字塔特征尺度估计内存消耗大的问题,本文提出了在原始影像中进行的特征尺度估计及二进制特征矢量描述算法,解决了特征尺度估计时大内存消耗问题,实现了能针对高仿射变化影像（尺度、视角、亮度综合变化）的稳定、快速特征点匹配;针对高清航空影像稀疏特征匹配速度慢的问题,进行了算法的并行高速实现,首先对SIFT特征匹配算法中的最耗时步骤（匹配距离计算）进行了FPGA高速实现,使SIFT匹配距离计算的FPGA处理速度达到CPU单独实现的约246倍;然后设计了CPU-FPGA稀疏特征点匹配框架,对新的角点检测算法及特征描述算法进行了CPU、FPGA分工协同实现,平均速度达到SIFT算法CPU单独实现的约160倍、CPU-GPU协同实现的近十倍。3.研究了航空影像高速密集匹配:针对视差优化时视差填充准确性不高的问题,本文提出了面向边缘增强的视差优化算法,提高了密集匹配的后期优化准确性,并且在此过程中提出了新的轮廓线检测算法;针对SGM算法在金字塔上获取初始视差时内存开销大的问题,本文提出了稀疏匹配特征引导的初始视差获取算法,在获得初始视差后通过固定小视差范围内的SGM精确匹配获取准确密集匹配结果,最终通过提出的面向边缘增强视差优化得出最终视差图;针对高清航空影像密集匹配速度慢的问题,进行了算法的并行高速实现,首先对金字塔SGM算法中最耗时步骤（底层匹配）进行了FPGA高速实现,使金字塔SGM最底层FPGA密集匹配提速平均达CPU实现的255倍;然后设计了CPU-FPGA密集匹配框架,实现了对新算法的CPU、FPGA协同实现,在新算法视差准确率高于传统SGM算法的情况下,总体速度达到原始SGM算法CPU实现的32倍、金字塔SGM算法CPU实现的近十倍,FPGA实现的SGM精确匹配速度为GPU实现的5倍左右、CPU实现的145倍,同时新算法不需要人为预估视差搜索范围。论文基于高清航空影像数据集对CPU-FPGA协同的整体匹配性能及三维重建后的物方点云精度与传统经典算法进行了详细对比测试,CPU-FPGA协同的摄影测量算法在最终点云精度高于传统算法的基础上实现了5平方千米测区内以半小时为任务周期的无人航空摄影测量近实时处理。
戈文一[2]（2021）在《面向D级飞行模拟机视景系统的高真实感三维地形构建关键技术研究》文中研究说明近年来,民航航空运输业迅速发展的同时给航空安全带来巨大挑战。作为飞行员适航训练的核心装备,D级飞行模拟机对提高飞行安全性具有重要且不可替代的作用。地形采样数据能够真实获取全球范围的地表信息,这与飞行仿真训练特点高度契合,因此D级飞行模拟机视景系统通常以真实地形采样数据构建的三维地形为核心,营造逼真的飞行场景为飞行员提供必要的视觉信息。三维地形的真实感和实时性决定了飞行训练的质量,进而影响飞行安全。本文在满足D级飞行模拟机关于三维地形鉴定标准的基础上,研究地形采样数据中DEM和遥感影像的预处理方法,并以优化后的采样数据为数据源,研究三维地形的调度渲染方法实现高真实感三维地形构建。本文主要贡献如下:（1）本文充分分析了现有三维地形构建及地形采样数据预处理过程中存在的问题,提出了一种面向D级飞行模拟机的地形采样数据自动化预处理框架,涉及基础数据管理、DEM预处理、遥感影像预处理、采样数据质量评价以及三维地形构建等模块。受限于篇幅与研究精力,本文从应用出发针对三维地形构建过程中的必要步骤进行深入研究,主要包括遥感影像去雾、遥感影像超分辨率、DEM预处理以及三维地形调度渲染等关键技术,从而为构建高真实感三维地形打下初步基础。（2）针对使用雾霾影像构建的三维地形存在颜色失真、能见度差等问题,本文提出了一种基于编-解码器结构的遥感影像去雾模型,充分利用遥感影像的空间上下文信息,有效结合影像数据像素到像素、区域到区域之间的浅层与深层映射关系实现影像去雾。设计优化了模型的特征提取结构,通过引入多尺度卷积提取影像的多空间分辨率特征,通过引入特征注意力适应遥感影像的复杂纹理结构实现多分辨率和多地形地貌条件下的影像去雾,最后通过引入组归一化、FRe LU激活函数以及多任务损失进一步提高模型去雾质量。真实实验数据结果表明:本文方法在不同分辨率和多地形场景下的遥感影像去雾处理中都获得了优异的性能,具有较高的去雾质量,能够较好地满足D级飞行模拟机对地形采样数据的要求。（3）针对影像分辨率不足导致三维地形精度低、关键地物信息辨识度差等问题,本文提出了一种基于生成对抗网络的遥感影像超分辨率模型,并构建了专门面向飞行模拟机视景仿真的遥感影像超分辨率Airport80数据集用于模型训练。通过引入生成对抗机制,训练生成器重建超分辨率影像,鉴别器专注于真实高分辨率影像与生成影像之间的真伪判断,以生成更真实的高分辨率影像。改进了生成器网络结构,提出一种基于特征注意力的低频地形特征提取方法以提高模型的跨地域泛化能力,通过引入可变形卷积重构遥感影像的高频地物细节以增强关键地物信息。基于Airport80数据集的真实遥感影像数据实验表明,本文方法能够有效提高影像分辨率,较好地满足飞行模拟训练对构建高精度三维地形的要求。（4）根据D级飞行模拟机中三维地形构建流程,研究DEM预处理和三维地形调度渲染方法,验证了经过预处理优化后地形采样数据的实际应用价值。首先,提出一种DEM快速配准校正方法实现了DEM数据和机载导航数据库的准确匹配。其次,设计了一种基于Infini Band的同步地形调度渲染结构,并通过研究海量数据组织管理方法、地形纹理渲染方法以及坐标精度控制方法,实现了高性能渲染引擎下的高真实感全球三维地形构建。通过在真实B737-300型D级飞行模拟机的应用验证说明,本文方法明显提高了地形采样数据的清晰度、精度及准确性,优化后的地形采样数据可有效提升三维地形的真实感,且实时性能够满足D级飞行模拟机的要求。同时,本文提出的地形采样数据预处理框架对飞行视景仿真领域的三维地形构建具有较强的借鉴意义。
王艳华[3]（2021）在《智慧林业中立体感知体系关键技术研究》文中认为森林是规模最广泛的陆地生态系统,约占土地总面积的三分之一,同时也是地球生态系统的必要组成部分,森林生态系统是否正常,与地区生态安全和社会经济的可持续发展密切相关。传统基于人工的森林资源调查方法存在花费高,野外工作强度大,消耗时间长等缺点,且时效性和准确性往往无法达到实际应用的标准。传统的单一的数据源难以获取高精度的森林参数信息,多源数据综合应用将成为未来森林资源监测的有效方法。国家林业发展“十三五”规划提出,加强生态检测评价体系建设,深化遥感、定位、通信技术全面应用,构建天空地一体化监测预警评估体系。随着智慧林业的不断普及,信息技术以及对地观测技术的不断进步,利用不同类型、不同分辨率的遥感影像、无人机以及无线通信网络对森林资源的信息进行监测可以有效的指导林业生产,通过构建森林资源综合监测体系,实时准确了解森林资源的基本情况及变化,及时采取应对措施,可以大大提高资源保护与利用效果,对于环境治理和生态建设等有关工作的开展均有重大意义。本文从空天地一体的森林资源监测角度出发,针对森林资源监测信息类型复杂多样、数据维度高、信息冗余度高、数据信息处理量大等问题,研究综合性、立体性的森林资源监测网络体系,研究适合于森林环境监测无线传感器网络的网络方案和模型,并着重解决在符合森林环境监测无线传感器网的模型的网络结构中传感器以自组织和多跳的和传输的效率,研究海量遥感影像数据处理、数据存储、数据挖掘一体化的解决方案,开展森林资源综合监测体系研究,为森林资源连续清查体系的优化改革提供理论支撑和数据参考。本文的主要工作如下:（1）针对森林环境监测的无线传感器网络的数据传输问题,提出一种改进的基于ADHOC网络的组播路由模型,该模型特别适用于大规模、低密度无线传感器网络中传感器节点相对位置的确定,节点间连通性差,远距离节点间测距误差大的网络监测环境。在研究无线传感器网络邻居节点拓扑结构的基础上,将主流形学习和非线性维数算法相结合,提出了一种局部组合定位（LCL）算法,根据每个节点与相邻节点在一定通信范围内的成对距离,首先通过为每个节点构造一个局部子空间来获取全局结构的局部几何信息,然后对这些子空间进行比对,得到所有节点的内部全局坐标。结合全局结构和锚节点信息,最后利用最小二乘算法计算出所有未知节点的绝对坐标,构建可靠、高效的路由传输协议。通过在哈尔滨实验林场区域构建监测系统,实现气象、光照、土壤和空气质量全方位森林环境信息的获取。（2）针对遥感数据的预处理及数据挖掘,基于Hadoop内部提供的二进制文件存储形式SequenceFile,将图像数据序列化成字节流存到二进制文件中,在执行MapReduce任务时,直接用Hadoop的SequenceFileInputFormat输入文件格式进行读取,实现了图像并行处理。通过自定义分区策略的方式对遥感影像特征并行提取算法进行改进,增加提取遥感影像特征的MapReduce程序中Reduce任务数量,实现了 Hadoop的遥感影像特征提取并行化。从而提高并行处理效率。针对KMeans聚类算法需要人为确定初始聚类中心和聚类数目,从而使聚类结果陷入局部最优的问题,本文结合Canopy算法对KMeans算法进行改进,首先通过Canopy算法对遥感影像的特征信息进行“粗聚类”,然后将结果作为KMeans聚类算法的初始聚类点,从而完成遥感影像的分类处理,为监测数据提供了高质量的遥感影像。（3）针对现有遥感影像变化检测模型存在的检测精度不高的问题。提出了一种基于两阶段的遥感影像变化检测模型,该模型充分利用遥感影像的多维特征,利用U-net网络对遥感影像进行语义分割,并将分类结果与不同时相的遥感数据的分类结果进行融合,从而准确的获得监测区域地物变化的特征,该方法能够有效的提取遥感影像的纹理和光谱特征,提高变化检测的精度。此外,本文通过无人机获取高空间分辨率影像数据来实现单木尺度森林资源监测,通过H-maxima变换结合标记控制分水岭算法实现单木树冠的自动勾绘,从而实现单木信息的提取。最后利用改进的变化检测模型,实现了基于卷积神经网络的对西双版纳自然保护区的变化检测,根据对自然保护区内的植被变化监测的应用需要,进行系统的需求分析与设计,模型分析,实现了西双版纳自然保护区森林监测系统,对区域内森林变化情况进行精准监控。
韩伟[4]（2021）在《基于深度神经网络的高分辨率遥感影像弱小目标检测》文中指出近年来,高分辨率光学遥感影像弱小目标检测成为遥感信息处理的研究热点之一。影像中地物目标尺度小、种类多、数量巨大、视觉特征差异显着、且受复杂背景、噪声和小样本等因素影响,使得高分辨率遥感影像弱小目标检测面临巨大挑战。本文考虑到高分辨率遥感影像具有丰富空间细节信息的特点,基于深度神经网络强大的层次特征表达能力,开展面向高分辨率遥感影像弱小目标检测的深度学习模型研究,围绕“弱小目标尺度小-特征响应弱-标注样本少”三个科学问题,开展系统研究,为城市监控、防灾救灾等领域中弱小目标检测任务提供解译模型,具有重大的科学意义和社会价值。论文的主要创新点和研究内容如下:（1）本文详细介绍高分辨率遥感影像弱小目标检测的应用背景、核心科学问题,并系统回顾遥感目标检测领域的代表性数据集、主流检测方法,总结当前应对弱小目标检测不同挑战的研究现状。在此基础上,本文针对遥感领域缺少挑战性无人机目标检测数据,以复杂山区为研究区域,标注10类高分辨率无人机影像弱小目标检测数据集,该数据充分考虑到真实场景下地物目标多类共存、尺度差异大、非均衡分布以及噪声等因素,为本文和后续相关研究提供数据基础。（2）本文提出基于采样平衡的多尺度级联检测器。针对弱小目标尺度小,影像占比低,主流检测方法漏检率高的问题,本检测器首先构建影像多尺度空间信息,过滤低质量训练实例,加入平衡L1损失和多阶段检测器,实现抑制低质量样本梯度和自适应生成正训练实例,并逐步优化预测结果,达到对于小尺度地物目标高效检测。（3）本文提出基于上下文和尺度意识的特征增强检测器。针对弱小目标特征响应弱,受背景和噪声影响,导致难以识别的问题,本检测器挖掘目标的全局和局部上下文信息提升目标特征强度,并融合跨尺度特征语义,加强弱目标的特征判别性,提升弱目标的检测效果。（4）本文提出基于深度特征的半监督样本生成方法。针对主流深度学习模型依赖海量标注样本来实现高效的解译性能,但样本标注过程费时费力的问题,本方法首先利用预训练深度网络提取遥感影像高维特征,并从多特征空间对无标签样本类别进行评估,最后结合针对性判别器,提升标注准确性。本方法通过将无标签数据选择性标注,转化为标注训练集,从而显着小样本条件下高分辨率遥感影像解译效果。本论文面向高分辨率遥感影像弱小目标检测任务,针对高分辨率遥感影像空间细节信息丰富特点和弱小地物目标特性,首先标注10类高分辨率无人机影像弱小目标检测数据集,接下来提出基于深度神经网络的弱小目标检测方法体系,实现对高分辨率遥感影像中弱小地物目标高效检测,为实际应用中的弱小目标检测任务提供解译模型。
宋佳晟[5]（2021）在《基于海量红外视频的目标多维度关联挖掘与深度学习方法》文中进行了进一步梳理红外热成像技术通过物体主动发出的红外电磁波波段,根据物体表面温度的不同来感知不同目标与背景的差异进行成像。这种成像特征使红外目标检测系统具有对复杂环境的更强的适应性,适合在军工和航天领域进行远距离观察。海量的红外视频数据在天基外卫星红外对地探测器收集的数据中占有极大比例,随着红外对地探测器视频监控设备全时段的拍摄与记录,产生了海量的非结构化数据。研究对海量的红外视频数据进行挖掘,对非结构信息的存储与红外视频目标的预警分析有极大的帮助。本文分析了海量红外数据的特点,随后针对性地将海量视频处理的归为海量红外数据清洗,基于视频目标检测的目标提取目标多维度关联挖掘,与基于海量视频处理的大数据平台构建等方面,随后展开理论分析、方法研究与仿真验证等工作。本文的主要研究内容如下:（1）针对海量红外视频数据中存在大量冗余帧、突变帧的特点,提出基于对海量红外视频的数据清洗算法。首先研究了改良的视频空白帧与冗余帧清洗方法,在红外监控视频数据集与自制仿真数据集上进行检测,证明本文的数据清洗方法有效地减轻了视频的冗余度。（2）针对海量红外视频检测中传统检测方法检测速度慢,准确率低的问题,通过分析视频目标检测网络模型的优缺点,研究并设计一种基于3dcnn融合特征的关键帧提取算法,提出了改进的视频目标检测算法,经过对比实验,该方法能够有效提高红外视频中的目标检测准确率,m AP可达0.714。（3）基于文中上述流程的基础上,对红外海量视频中的目标通过提取目标的多维度手工特征,与深度特征,并通过分析进而使用基于多维特征的改进随机森林法对视频数据进行多维度关联挖掘。（4）针对海量红外视频数据量大,难以存储与计算速度无法满足实时性需要的问题,搭建分布式存储系统,使用HDFS进行存储管理,并设计基于Spark平台的分布式数据处理方法,设计红外视频特征提取过程中的数据并行化与训练模型并行化,从而实现本文算法的分布式部署;并设计基于QT的算法展示平台,对本文的算法进行可视化展示。
李家豪[6]（2020）在《河湖空间大数据存储平台设计与实现》文中提出河湖空间精细化、智慧化管控是当下生态文明建设的重要课题,也是落实河长制,实现可持续发展的必然要求。但是目前各地的河湖管控系统存在功能单一、存储效率低、并发访问能力弱、横向扩展难、数据壁垒等问题,无法适应新时代精细化、智慧化管控的发展要求。在遥感卫星、传感器监测等技术广泛应用的今天,河湖空间数据呈现指数式增长。这些数据分散在各个系统之中,难以发挥关联性作用。为了有效利用海量河湖空间数据信息,挖掘区域性或全局性河湖生态变化的趋势。需要建设河湖空间大数据存储平台,有效整合各类数据信息,为生态环境管控提供预测性意见,指导相关管理措施的有效实施。河湖空间中存在海量异构数据,这些数据格式多种多样。如何有效存储和访问这些数据是构建河湖空间大数据存储平台的核心内容。为此本文在已有的研究基础上,结合分布式存储技术,设计相关存储方案,并重点设计实现了平台访问接口。在实现河湖空间数据存储和检索需求的同时,确保系统的稳定性、高可用性以及可扩展性。论文的研究工作主要包括以下几个方面:⑴以Hadoop、HBase、Mongo DB、Elastic Search等分布式框架为工具,搭建一个具有稳定、可扩展、负载均衡特性的河湖空间大数据存储系统。针对栅格数据的瓦片化存储、检索,以及矢量数据的空间索引等问题,进行存储方案的优化和研究。⑵将数据按照结构化数据和非结构化数据分类,分别设计并实现相应数据上传、下载以及检索等REST接口。重点研究内容包括:结构化数据存储,遥感影像数据存储与检索,矢量数据存储与空间检索等问题。⑶平台提供的REST接口采用HTTP协议进行数据传输,并且传输报文以JSON格式存储信息。为了保证前端系统与平台之间数据传输的安全性,设计并实现了一种数据安全校验机制。⑷对系统的架构方案和REST接口设计进行总结,并针对完善系统功能,提升系统效率的地方提供改进思路。明确下一阶段需要进行的主要工作任务。
邢郅超[7]（2020）在《基于分布式系统遥感图像与无人机低空遥感图像数据挖掘技术研究》文中研究表明随着空天遥感大数据技术的飞速发展,多维、多尺度、高分辨率的遥感影像与无人机低空遥感图像数据呈现爆发式增长。传统分类软件在对这些海量影像数据进行处理时存在耗时较长以及分类精确度浮动范围过大的问题。为保证分类精度在合理范围波动的前提下进一步提升分类效率,本文将Flink流处理运算架构与Hadoop分布式系统相结合,从集群过载保护、预防数据倾斜两个方面来进行优化,设计了一种基于Flink的快速无人机遥感图像分类处理方案。本文开展的具体工作内容如下:针对现有遥感图像与无人机低空遥感图像数据量大、地物信息复杂的特性,将Flink分布式流处理引入到遥感图像数据分类过程之中。为防止在多线程处理过程中的异步化、耦合、线程安全等问题的出现,本文在利用Flink集群从Hadoop分布式文件系统HDFS中读取图像时,以流的方式进行处理,与普通的处理模式相比能有效缩短数据读取时间,并减少无谓的I/O消耗。为解决客户端在与集群服务器在海量图像交互处理时过载问题,本文利用Kafka对Flink集群在的Checkpoint机制进行了优化与改进,提出了一种Flink集群进行海量图像数据处理时故障暂存的优化方案。通过判定在海量遥感图像与无人机低空遥感图像处理过程中服务器是否达到运算性能上限,利用双通道处理模式,在达到集群处理模式上限时,将图片加密压缩后启用Kafka分布式消息订阅系统进行缓存,以此来防止数据积压而导致的集群处理效率下降与文件损坏的问题。之后待集群无压力时再从Kafka中将剩余数据消费出来进行处理。与传统Flink集群的Checkpoint机制相比,应用此机制可以使得处理时的图片故障率获得一定程度的下降,同时有效的提升了集群处理上限。为有效提升遥感图像与无人机遥感图像处理过程的效率,并防止海量图像在Flink集群分类处理时出现的数据倾斜问题,本文针对遥感图像海量数据加扩展后利用了 Flink中的KeyBy和Reduce机制对调用Orfeo Tool Box中的lib分类算法库函数进行了相应的优化处理,提出了基于Flink集群针对无人机遥感图像的分类优化方案。与传统分类处理方法相比,对海量遥感图像处理时,在保证了图像分类精度的基础上,不仅有效的提升了分类处理效率,还大幅缩短了分类处理过程所用时间,并进一步提升了系统的可扩展性能。最后,为验证以上机制策略与优化改进方案分类方法的有效性以及系统的并发能力,本课题利用上述机制与分类优化方案进一步设计并搭建完成了基于Hadoop与Flink的遥感图像与无人机遥感图像分布式快速分类处理系统,并通过搭建的系统环境进行相应测试,同时设计了多组对比实验。经实验验证,结果表明,在对海量遥感图像处理时,与传统分类处理方式相比,优化方案分类方法总体分类时间提升了约35%,处理过程故障率下降了 12%;而在海量无人机低空遥感图像处理时,与传统分类方式相比,总体分类时间提升了约17%,处理过程故障率下降了 15%。
杨静静[8]（2020）在《海量遥感影像数据渐进式分段检索与显示策略研究》文中认为目前卫星遥感技术发展日益迅速,我国对地观测遥感卫星密集发射,采集的卫星遥感影像呈幂指数爆炸式地向地面传送,仅高分系列卫星遥感影像数据已达到数百万条甚至上千万条。面对如此巨量遥感影像数据,如何高效准确地检索到满足用户需求的数据并对其进行可视化处理,成为目前亟待解决的问题。针对以上问题,本文在综合目前主流检索与显示技术的基础上,提出了一种遥感影像数据渐进式分段检索与显示策略,解决巨量遥感影像数据检索效率低、大区域大数据量遥感影像数据显示效率低及操作便捷性低的问题。本文主要工作如下:（1）提出了基于海量高分遥感影像元数据分段存储的渐进式分段检索策略。针对基于传统遥感影像数据存储组织方式对数百万条甚至上千万条遥感影像数据检索,存在检索效率低下问题,及高分系列卫星遥感影像的特有特点、应用领域及检索获取数据的实时性、多样性、数据管理便捷性等方面的需求,对遥感影像元数据以影像时间为分区字段按月进行一级范围分区,以传感器字段按类型进行二级单值分区,进行数据分段存储。根据数据分段字段渐进式缩小数据检索范围,实现数据渐进式分段高效检索。通过实验验证,在单时间范围、单传感器条件下,本策略较基于传统遥感影像数据存储组织方式对遥感影像数据检索的检索效率提高4.5倍左右,充分证明本策略的有效性。（2）提出了面向海量高分遥感影像数据快视图的渐进式分段显示策略。基于渐进式分段检索策略与单次全覆盖检索方法、分页技术的相结合,提高单次全覆盖检索效率,减少目标区域全覆盖数据冗余,提高单时相全覆盖数据可视化灵活性。高效获取满足大区域范围目标区域检索条件的高分辨率窄幅宽的大数据量遥感影像数据,对目标区域单时相全覆盖遥感影像按页分段自动进行可视化处理。通过实验验证,虽然翻页时会产生一定的额外消耗,但目标区域全覆盖贴图完成总耗时平均减少11倍左右,整体上有一定的效果提升。解决传统目标区域全覆盖遥感影像数据冗余、遥感影像数据显示界面长时间加载等待、人工逐一可视化操作效率低下、影像可视化过程便捷性低的问题。（3）检索与显示策略的实际应用。将本文研究成果应用在国家民用航天预研项目“通导遥感综合应用与多源数据融合技术”子课题—遥感应用数据在线定制与分析分系统上。以高分系列（GF-1、GF-2、GF-4）卫星遥感影像元数据为例,详细介绍本文研究成果在系统中的具体应用流程,并展示北京市GF1遥感影像数据在系统上的应用效果。根据实际系统中的应用效果,验证所研究成果的有效性。实验和应用结果表明,本文提出的海量遥感影像数据渐进式分段检索与显示策略提高了数据检索效率及影像数据可视化处理的灵活性。对我国海量遥感影像数据的存储管理及广泛应用具有社会价值和实用意义。
卢万杰[9]（2020）在《空间目标态势认知与服务关键技术研究》文中指出航天强国对空间角逐的态势日趋复杂,太空（空间）已成为世界各国争相抢夺的战略制高点。为了维护空间安全,保障空间利益,支持空间活动,需要及时准确地获取空间目标当前的运行状态,并掌控未来的变化趋势,即空间目标态势。空间目标态势的认知与服务技术能够从海量的空间目标探测数据和信息中提取知识并为空间决策提供有力支持,其研究对维护国家空间安全具有重要意义。近年来在该领域已取得了很多研究成果,但在多源异构数据的处理与融合、服务功能的集成与共享、动态时空背景下复杂要素的高效分析和统一认知等研究方向上仍存在许多难题亟待解决。本文围绕空间目标态势认知与服务的关键技术开展研究,主要成果和创新点包括:1.提出了空间目标态势领域本体模型SOSDO,实现了领域内数据、信息和知识的全局描述和有效共享。通过明确空间目标态势领域本体的主要研究对象、作用和目的,分析了领域本体的组成,并基于混合本体模式设计了空间目标态势领域本体。以资源三号02星为例构建了空间目标态势领域的本体实例和推理规则,并对资源三号02星的相关知识进行了推理。2.基于本体技术实现了空间目标态势领域内多源异构数据的高效存储、集成和检索。基于混合SQL/No SQL设计了多源异构数据存储方法,实现了对不同结构数据的高效管理;建立了底层数据、局部本体和全局本体之间的映射关系,实现了基于本体的多源异构数据集成;设计了数据检索和语义检索以满足不同应用场景对空间目标态势信息的动态需求,并通过实例进行验证。3.构建了面向离线和实时计算的空间目标态势数据分析与处理模型,实现了不同应用场景下的高效分析与处理。基于Lambda架构构建了面向海量数据的分析框架和面向时空特性的处理模型。以改进的遥感卫星区域覆盖分析和优化的空间目标接近分析为案例,对数据分析与处理模型进行了验证,实验结果表明,空间目标态势数据分析与处理模型能够满足空间目标态势领域对高效计算能力的需求。4.针对空间目标态势知识的获取,从不同角度出发提出了认知方法。利用时空本体对领域内的复杂空间关系和时间关系进行建模;设计了空间目标轨道状态认知模型,利用轨道状态语义表示实现了对轨道状态变化以及各种复杂关系的描述,并基于动态贝叶斯网络实现了对轨道状态的动态推理;基于基本形式本体,设计了空间目标行为与事件认知模型,实现了统一时空框架下对空间目标的行为和事件的动态描述、分析和推理;利用多层次语义关系解析模型和多元素知识构建模型,实现了领域内“数据-信息-知识”的转化,并基于知识图谱实现了认知结果的结构化与形式化表达。仿真校验与分析结果表明,本文方法能够有效提取领域知识,并辅助应用于空间目标态势的认知。5.提出了基于微服务架构的空间目标态势服务方法,实现了领域内多源异构的算法、服务与组件的管理、集成和应用。提出了基于OWL-S的空间目标态势服务与组件本体,实现了对服务与组件及其关系的语义描述,并利用服务的发现、共享和动态组合实现了复杂空间目标态势分析功能的构建;基于微服务架构,实现了对多源异构的算法、组件和服务的部署、管理与集成,并利用分布式计算环境和统一访问接口实现高效服务;基于可视化组件设计了空间目标态势认知结果的表达方式。6.综合集成已有研究成果,自主设计并开发了空间目标态势认知与服务原型系统SOSKS。本文从多源异构数据管理、信息可视化展示、态势认知与推理、多源异构功能管理等方面对原型系统的应用成果进行了较为全面的描述,并简要介绍了原型系统的应用案例。初步应用结果表明,原型系统可为空间目标态势领域的认知和服务提供有力的数据、信息和知识保障以及辅助决策的平台支撑。
王翰林[10]（2020）在《多粒度遥感大数据计算方法研究 ——以荒漠化信息提取为例》文中研究指明随着遥感成像方式多样化以及数据获取能力不断增强,遥感数据已经呈现出多源化和海量化的特征,遥感传感器的空间分辨率、光谱分辨率、时间分辨率也在不断提升,遥感大数据时代已经到来。遥感大数据使得长时间、大空间、高精度的对地观测研究成为可能,也对传统遥感数据处理方法提出新挑战。海量遥感数据处理往往需要耗费大量时间和人力物力,传统数据处理方法已经无法满足遥感大数据的分析应用需求。在一般应用场景下,遥感影像处理涉及到多个步骤,如常见的数据预处理、地图代数计算和机器学习分类等,这些算法特点不同,计算方式各异,导致在遥感大数据时代所面临的问题差别很大。因此,在遥感大数据实际应用过程中,需要充分考虑不同计算步骤下的算法特征,根据不同类型算法所面临的效率问题,提出综合性遥感大数据计算方法,解决实际应用中所面临的问题。本文以荒漠化信息提取作为遥感大数据典型应用场景,分析影像预处理、地图代数计算和机器学习分类三个步骤所面临的大数据计算问题,提出影像、瓦片、像元三种粒度的分布式计算方法,提高遥感影像分布式计算效率,在充分考虑遥感影像数据空间特征和深入分析大数据相关研究的基础上,对不同限制条件下改善大数据计算效率的方法开展研究,具体研究内容和结论如下:（1）在遥感影像的预处理阶段,针对历史遥感算法难以支持主流大数据计算框架,重新开发实现并行化困难、移植性差、无法满足海量遥感数据快速处理等问题,本文提出使用Docker容器技术封装和运行遥感算法镜像,根据遥感算法特征设定镜像管理与分发策略,基于Kubernetes集群容器管理引擎将封装后的算法程序分布式部署和运行,实现以影像为最小计算粒度的分布式处理,提高历史遥感算法程序的计算效率。在实验部分,封装了大气校正程序,在不同计算节点数量和集群并行度条件下开展实验,研究表明扩展节点能够极大提高计算集群计算效率,选择合适程序运行并行度,也能够有效提高分布式计算效率。（2）对于地图代数计算而言,数据本地化率是影响分布式计算效率的主要因素之一,因此对其存储优化能够有效提高计算效率。为了解决遥感影像分布式存储时未充分考虑其空间特征,从而引发临近数据被切分存储在不同节点,导致涉及临近信息计算时数据本地化率低问题。本文在研究分析不同数据切分方法以及空间索引技术的基础上,提出一种瓦片数据分配策略,充分考虑遥感数据空间、维度以及集群资源特征,确保空间临近瓦片存储到物理位置相近的节点,降低计算时的数据迁移成本,同时完善数据冗余存储策略,提高涉及临近信息分布式计算的算法效率。在实验中,比较不同节点数量和数据量下优化数据分配后的效率提升,结果表明节点数量和数据量越多,优化数据分配后的临近计算效率会越高,证实优化数据存储在分布式计算中对计算效率提升所起的重要作用。（3）针对分布式遥感影像机器学习算法实现复杂和各种机器学习模型组合应用困难的问题,本文基于Spark框架实现以像元为最小粒度的分布式计算,通过适应Spark MLlib算法库的数据组织要求,最终实现了对于整个分布式机器学习算法库的支持,进而提供了同一平台下多机器学习模型组合应用的能力。通过实验比较了不同节点和不同数据量下的分布式计算效率,结果表明在有限集群资源环境下,数据量增加会导致计算时间猛增,通过增强硬件条件能够有效提高计算效率,降低数据量对于计算耗时的影响。（4）将本文提出的遥感大数据计算方法应用到荒漠化信息提取具体实践中,实现了大数据技术支撑下的荒漠化信息快速提取,最终完成了蒙古国西北部区域的荒漠化信息提取。
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 研究背景及意义 |
| §1.2 国内外研究现状 |
| §1.2.1 无人机航空摄影平台 |
| §1.2.2 影像稀疏特征匹配 |
| §1.2.3 影像密集匹配 |
| §1.2.4 匹配并行加速 |
| §1.3 研究内容与结构安排 |
| §1.3.1 本文研究内容 |
| §1.3.2 文章结构安排 |
| 第二章 无人航空摄影测量近实时处理基础 |
| §2.1 无人航拍高清影像无线传输 |
| §2.2 容量可伸缩的影像数据存储与管理 |
| §2.2.1 影像存储平台总体结构 |
| §2.2.2 影像存储平台硬件电路设计 |
| §2.2.3 影像存储管理平台设计与实现 |
| §2.3 FPGA加速处理平台硬件电路设计 |
| §2.3.1 FPGA处理平台总体结构设计 |
| §2.3.2 电源电路设计 |
| §2.3.3 数据存储器电路设计 |
| §2.3.4 时钟电路设计 |
| §2.4 三维点云生成算法基础 |
| §2.4.1 三维重建坐标关系 |
| §2.4.2 空间前方交会 |
| §2.5 本章小结 |
| 第三章 CPU-FPGA协同的高清航空影像稀疏特征匹配 |
| §3.1 CPU-FPGA协同的SIFT特征匹配 |
| §3.1.1 SIFT特征点检测 |
| §3.1.2 SIFT特征描述 |
| §3.1.3 CPU-FPGA协同匹配框架 |
| §3.1.4 FPGA高速矢量距离计算 |
| §3.1.5 CPU-FPGA协同匹配性能测试 |
| §3.2 CCDA特征点检测 |
| §3.2.1 算法设计与原理 |
| §3.2.2 算法性能测试 |
| §3.3 直接尺度估计DSE下的特征描述与匹配 |
| §3.3.1 直接尺度估计 |
| §3.3.2 编码区域仿射纠正 |
| §3.3.3 特征矢量描述 |
| §3.3.4 算法性能测试 |
| §3.4 CPU-FPGA协同的CCDA-DSE特征匹配 |
| §3.4.1 CPU-FPGA协同处理框架 |
| §3.4.2 FPGA端功能设计 |
| §3.4.3 CPU-FPGA协同匹配性能测试 |
| §3.5 本章小结 |
| 第四章 CPU-FPGA协同的高清航空影像密集匹配 |
| §4.1 SGM原理与局限性分析 |
| §4.1.1 互信息匹配代价计算 |
| §4.1.2 视差能量最小化计算 |
| §4.1.3 SGM金字塔匹配加速 |
| §4.1.4 SGM局限性分析 |
| §4.2 面向边缘增强的视差优化 |
| §4.2.1 传统视差优化 |
| §4.2.2 面向边缘增强视差优化策略 |
| §4.2.3 Middlebury影像视差优化测试 |
| §4.3 稀疏匹配特征引导的视差初始化 |
| §4.3.1 稀疏像素点匹配 |
| §4.3.2 稀疏视差优化 |
| §4.3.3 初始视差准确性测试 |
| §4.4 CPU-FPGA协同密集匹配 |
| §4.4.1 FPGA端精确视差计算 |
| §4.4.2 CPU-FPGA协同的金字塔SGM匹配与性能测试 |
| §4.4.3 CPU-FPGA协同的改进SGM匹配与性能测试 |
| §4.5 本章小结 |
| 第五章 应急遥感三维(点云)重建实验与分析 |
| §5.1 测试环境与评价方法 |
| §5.1.1 测试环境 |
| §5.1.2 评价方法 |
| §5.2 稀疏匹配测试 |
| §5.2.1 整体匹配性能 |
| §5.2.2 典型区域结果分析 |
| §5.3 密集匹配测试 |
| §5.3.1 整体匹配性能 |
| §5.3.2 典型区域结果分析 |
| §5.4 测区三维(点云)重建效率分析 |
| §5.5 本章小结 |
| 第六章 总结与展望 |
| §6.1 研究成果与创新 |
| §6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读博士期间的主要研究成果 |
| 摘要 |
| Abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 飞行模拟机及视景系统研究现状 |
| 1.2.2 三维地形可视化研究现状 |
| 1.2.3 地形采样数据处理研究现状 |
| 1.3 研究目标和面临的问题 |
| 1.3.1 问题的提出 |
| 1.3.2 研究目标及来源 |
| 1.4 研究主要内容 |
| 1.5 论文组织与安排 |
| 第2章 面向D级飞行模拟机的地形采样数据预处理框架 |
| 2.1 视景系统与三维地形 |
| 2.1.1 视景系统 |
| 2.1.2 三维地形 |
| 2.2 地形采样数据预处理存在的问题 |
| 2.2.1 预处理流程缺乏系统性 |
| 2.2.2 数据处理难度大,成本高 |
| 2.2.3 缺乏质量评价体系 |
| 2.2.4 高性能引擎欠缺海量数据组织调度方法 |
| 2.3 面向D级飞行模拟机视景的地形采样数据预处理框架 |
| 2.3.1 遥感影像去雾模型 |
| 2.3.2 遥感影像超分辨率模型 |
| 2.3.3 DEM预处理 |
| 2.3.4 三维地形调度渲染 |
| 2.3.5 预处理框架的优点 |
| 2.4 本章小结 |
| 第3章 地形采样数据中遥感影像去雾模型 |
| 3.1 问题提出 |
| 3.2 相关研究 |
| 3.3 基于编-解码网络的遥感影像去雾方法 |
| 3.3.1 去雾模型设计 |
| 3.3.2 多尺度卷积层 |
| 3.3.3 组归一化层 |
| 3.3.4 FReLU激活函数层 |
| 3.3.5 特征注意力层 |
| 3.3.6 去雾模型损失函数 |
| 3.4 实验结果与分析 |
| 3.4.1 训练样本处理 |
| 3.4.2 实验设置 |
| 3.4.3 实验对比及分析 |
| 3.5 本章小结 |
| 第4章 地形采样数据中遥感影像超分辨率模型 |
| 4.1 问题提出 |
| 4.2 相关研究 |
| 4.3 面向D级飞行模拟机视景系统的Airport80数据集构建 |
| 4.3.1 遥感数据样本来源 |
| 4.3.2 遥感数据样本处理 |
| 4.3.3 Airport80数据集描述 |
| 4.4 基于生成对抗网络的影像超分辨率方法 |
| 4.4.1 超分辨率模型结构 |
| 4.4.2 可变形特征融合模块 |
| 4.4.3 模型损失函数 |
| 4.5 实验结果与分析 |
| 4.5.1 实验设置 |
| 4.5.2 实验对比及分析 |
| 4.6 本章小结 |
| 第5章 DEM预处理和三维地形调度渲染方法 |
| 5.1 问题提出 |
| 5.1.1 DEM存在的问题 |
| 5.1.2 三维地形调度渲染存在的问题 |
| 5.2 DEM预处理 |
| 5.2.1 基于RayCaster的DEM快速配准校正方法 |
| 5.2.2 机场边缘DEM修补方法 |
| 5.3 三维地形调度渲染方法 |
| 5.3.1 三维地形渲染引擎 |
| 5.3.2 基于非对称金字塔的地形数据组织管理方法 |
| 5.3.3 基于InfiniBand的同步地形调度渲染方法 |
| 5.3.4 基于OriginShift的坐标精度控制方法 |
| 5.4 本章小结 |
| 第6章 面向D级飞行模拟机的三维地形应用验证 |
| 6.1 验证方案 |
| 6.1.1 验证平台及标准 |
| 6.1.2 验证数据 |
| 6.1.3 方案设计 |
| 6.2 地形采样数据预处理验证 |
| 6.2.1 DEM预处理验证 |
| 6.2.2 遥感影像预处理验证 |
| 6.3 三维地形调度渲染验证 |
| 6.3.1 真实感验证 |
| 6.3.2 实时性验证 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景 |
| 1.1.1 选题目的 |
| 1.1.2 选题意义 |
| 1.2 研究现状 |
| 1.2.1 基于无线传感器网络的森林资源信息监测研究 |
| 1.2.2 基于遥感影像的森林变化监测研究 |
| 1.3 研究内容以及创新点 |
| 1.3.1 本文的研究内容 |
| 1.3.2 本文主要创新点 |
| 1.4 本文的组织结构 |
| 2 相关理论及方法 |
| 2.1 无线传感器网络 |
| 2.1.1 无线传感器网络结构 |
| 2.1.2 无线传感器网络的协议栈 |
| 2.2 遥感影像处理技术 |
| 2.2.1 遥感影像的预处理 |
| 2.2.2 基于深度学习的遥感影像分类与变化检测 |
| 2.3 本章小结 |
| 3 基于无线传感器网络的森林资源监测方法及系统 |
| 3.1 基于信任的无线传感器网络数据传输模型 |
| 3.1.1 无线传感器网络与可信信息传播概述 |
| 3.1.2 基于信任的信息传播模型 |
| 3.1.3 实验结果与分析 |
| 3.2 改进的基于ADHOC网络的组播路由算法 |
| 3.2.1 组播路由协议基本过程 |
| 3.2.2 局部组合定位的路由算法 |
| 3.2.3 实验结果与分析 |
| 3.3 基于博弈理论的无线传感器网络自私节点惩罚机制 |
| 3.3.1 激励惩罚机制概述 |
| 3.3.2 基于博弈理论的惩罚机制 |
| 3.3.3 模拟实验与结果分析 |
| 3.4 基于无线传感器网络的森林环境信息监测系统 |
| 3.4.1 系统设计思路 |
| 3.4.2 系统硬件设计 |
| 3.4.3 系统模拟软件 |
| 3.5 本章小结 |
| 4 基于无人机激光雷达的单木尺度森林资源监测技术 |
| 4.1 激光雷达数据解算及误差分析 |
| 4.2 地面点滤波 |
| 4.3 冠层高度模型的生成 |
| 4.4 单木树冠提取 |
| 4.5 单木参数提取 |
| 4.6 实验结果与分析 |
| 4.6.1 无人机激光雷达系统 |
| 4.6.2 地面调查数据介绍 |
| 4.6.3 精度评价与分析 |
| 4.7 本章小结 |
| 5 基于遥感影像的森林资源监测方法 |
| 5.1 基于分布式的遥感影像特征提取方法 |
| 5.1.1 遥感影像并行预处理 |
| 5.1.2 基于Hadoop的遥感影像特征提取方法 |
| 5.1.3 基于Hadoop的遥感影像特征提取算法实现 |
| 5.1.4 实验结果与分析 |
| 5.2 基于卷积神经网络的遥感影像语义分割 |
| 5.2.1 编码器模块组成 |
| 5.2.2 SELU激活函数 |
| 5.2.3 实验结果与分析 |
| 5.3 基于特征融合的森林资源变化监测方法 |
| 5.3.1 聚焦损失函数 |
| 5.3.2 随机森林 |
| 5.3.3 特征融合 |
| 5.3.4 实验结果及分析 |
| 5.4 基于深度学习的森林变化监测系统 |
| 5.4.1 需求分析 |
| 5.4.2 系统的总体功能 |
| 5.4.3 数据库概念结构设计 |
| 5.4.4 用户管理和遥感影像管理模块 |
| 5.4.5 监测区域变化监测功能 |
| 5.4.6 变化检测结果显示模块 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 东北林业大学博士学位论文修改情况确认表 |
| 作者简历 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.2 核心科学问题 |
| 1.3 主要研究内容 |
| 1.4 主要创新点和贡献 |
| 1.5 论文组织 |
| 第2章 国内外研究进展回顾 |
| 2.1 高分辨率遥感影像目标检测概述 |
| 2.2 高分辨率遥感影像弱小目标检测 |
| 2.2.1 高分辨率遥感影像特点 |
| 2.2.2 遥感目标检测 |
| 2.2.3 弱小目标检测 |
| 2.3 高分辨率遥感影像目标检测数据集 |
| 2.3.1 数据集属性介绍 |
| 2.3.2 数据集对比 |
| 2.4 主流目标检测方法 |
| 2.4.1 模板匹配方法 |
| 2.4.2 先验知识方法 |
| 2.4.3 基于超像素的图像分析方法 |
| 2.4.4 经典机器学习方法 |
| 2.4.5 基于深度学习的检测模型 |
| 2.5 评价指标 |
| 2.6 本章小结 |
| 第3章 高分辨率无人机遥感影像弱小目标数据集 |
| 3.1 概述 |
| 3.2 10类无人机弱小目标数据集 |
| 3.2.1 数据属性介绍 |
| 3.2.2 UAVOD-10与现有数据集对比 |
| 3.2.3 深度学习检测器性能评估 |
| 3.3 本章小结 |
| 第4章 一种基于采样平衡的多尺度级联检测器 |
| 4.1 概述 |
| 4.2 基于级联网络的小尺度目标检测器 |
| 4.2.1 模型构建 |
| 4.2.2 实验结果与分析 |
| 4.3 基于采样平衡的多尺度级联检测器 |
| 4.3.1 模型构建 |
| 4.3.2 算法流程 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 一种基于上下文和多尺度意识的特征增强检测器 |
| 5.1 概述 |
| 5.2 模型构建 |
| 5.2.1 局部和全局上下文意识组件 |
| 5.2.2 多尺度特征凝练网络 |
| 5.3 算法流程 |
| 5.4 实验结果与分析 |
| 5.4.1 实验设置 |
| 5.4.2 分离性实验 |
| 5.4.3 CSADet在UAVOD-10数据上的实验结果与分析 |
| 5.4.4 CSADet在HRRSD数据上的实验结果与分析 |
| 5.4.5 CSADet在DIOR数据上的实验结果与分析 |
| 5.4.6 CSADet与SB-MSN检测性能对比 |
| 5.5 本章小结 |
| 第6章 基于深度特征的半监督学习样本生成方法 |
| 6.1 概述 |
| 6.2 模型构建 |
| 6.2.1 问题定义 |
| 6.2.2 基于深度特征的self-training样本标注方法 |
| 6.2.3 基于联合训练的self-label样本标注方法 |
| 6.2.4 判别器区分易混淆类 |
| 6.3 算法流程 |
| 6.4 实验结果与分析 |
| 6.4.1 实验设置 |
| 6.4.2 SSGF在UCM数据上的实验结果 |
| 6.4.3 SSGF在WHU-RS19数据上的实验结果 |
| 6.4.4 SSGF在AID数据上的实验结果 |
| 6.4.5 SSGF在NWPU45数据上的实验结果 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外发展现状及趋势 |
| 1.2.1 视频挖掘国内外发展现状 |
| 1.2.2 海量数据挖掘 |
| 1.2.3 红外图像处理国内外发展 |
| 1.3 本文主要工作及文章结构 |
| 第二章 红外视频处理方案与深度学习 |
| 2.1 海量红外视频多维度关联挖掘 |
| 2.1.1 红外视频特点及预处理研究 |
| 2.1.2 红外视频分类方法 |
| 2.1.3 基于深度学习的红外视频处理 |
| 2.2 结合深度学习的预警图像和预警事件多维度关联性挖掘 |
| 2.3 本章小结 |
| 第三章 基于关键帧提取的海量视频数据清洗 |
| 3.1 基于镜头分割的海量红外视频背景帧清洗 |
| 3.1.1 红外视频分析 |
| 3.1.2 视频清洗框架 |
| 3.2 数据清洗框架设计 |
| 3.2.1 空白帧去除 |
| 3.2.2 突变帧检测算法 |
| 3.3 实验设置 |
| 3.4 本章小结 |
| 第四章 基于多维度融合关键帧的目标检测 |
| 4.1 基于深度特征流的目标检测网络架构 |
| 4.2 基于特征融合的目标关键帧检测。 |
| 4.2.1 基于融合特征的网络框架 |
| 4.2.2 视频传统手工特征提取 |
| 4.2.3 3D卷积神经网络介绍 |
| 4.2.4 基于传统特征与深度特征的特征融合 |
| 4.3 特征提取网络 |
| 4.3.1 深度残差网络 |
| 4.3.2 注意力机制 |
| 4.3.3 多层金字塔结构 |
| 4.4 网络设计 |
| 4.5 海量红外序列图片数据集仿真与实验 |
| 4.5.1 数据集制作 |
| 4.5.2 样本去噪 |
| 4.5.3 样本集数据增广 |
| 4.6 实验结果 |
| 4.7 本章小结 |
| 第五章 基于随机森林的目标多维度关联挖掘 |
| 5.1 随机森林算法 |
| 5.2 图像特征提取 |
| 5.2.1 Haar-like特征 |
| 5.2.2 LBP特征 |
| 5.2.3 HOG特征 |
| 5.2.4 深度特征 |
| 5.2.5 加权随机森林法 |
| 5.3 实验与分析 |
| 5.4 本章小结 |
| 第六章 基于大数据平台的多维度红外视频处理系统 |
| 6.1 海量数据系统需求分析 |
| 6.2 海量大数据平台需求分析 |
| 6.2.1 海量大数据系统概要设计 |
| 6.2.2 海量大数据系统架构设计 |
| 6.2.3 海量大数据存储系统技术选型 |
| 6.3 基于Spark平台的红外视频分类算法并行化设计 |
| 6.3.1 特征提取过程并行化 |
| 6.3.2 分类器训练过程并行化 |
| 6.4 分布式部署实验结果及分析 |
| 6.5 基于QT框架的可展示系统详细设计 |
| 6.5.1 软件介绍 |
| 6.5.2 界面展示 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文背景 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.4 论文研究工作和章节安排 |
| 2 河湖空间大数据存储相关技术研究 |
| 2.1 分布式存储技术研究 |
| 2.2 数据加密技术研究 |
| 2.3 本章小结 |
| 3 河湖空间大数据存储方案研究 |
| 3.1 河湖空间数据分类研究 |
| 3.2 结构化数据存储方案 |
| 3.3 非结构化数据存储方案 |
| 3.4 本章小结 |
| 4 河湖空间大数据存储平台设计与实现 |
| 4.1 河湖空间大数据存储平台总体架构 |
| 4.2 河湖空间大数据存储平台REST接口 |
| 4.3 系统数据安全校验 |
| 4.4 本章小结 |
| 5 河湖空间大数据存储平台功能测试 |
| 5.1 测试环境与目标 |
| 5.2 REST接口服务测试 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第1章 绪论 |
| 1.1 课题背景与研究的目的和意义 |
| 1.2 国内外研究进展与现状 |
| 1.2.1 分布式系统架构研究现状 |
| 1.2.2 遥感分类算法研究现状 |
| 1.2.3 在遥感图像分类领域的分布式系统应用现状 |
| 1.3 论文主要研究目标、内容及创新点 |
| 1.4 论文主要工作与组织结构 |
| 第2章 分布式系统遥感图像数据挖掘理论与相关技术 |
| 2.1 Hadoop分布式系统 |
| 2.1.1 分布式文件系统HDFS |
| 2.1.2 分布式集群资源管理系统YARN |
| 2.2 Flink分布式计算处理技术 |
| 2.2.1 Flink分布式处理体系架构与基本特性 |
| 2.2.2 Flink流处理模块DataStream API |
| 2.2.3 Flink Kafka Connector |
| 2.3 遥感图像分类技术及相关理论 |
| 2.3.1 遥感图像分类处理平台 |
| 2.3.2 无监督分类算法 |
| 2.4 本章小结 |
| 第3章 基于Flink的遥感图像快速分类系统设计 |
| 3.1 系统设计要求与总体设计方案 |
| 3.2 基于Flink-HDFS遥感与无人机图像数据读取策略 |
| 3.3 基于Kafka的数据缓存保护策略设计 |
| 3.4 基于Flink分布式遥感图像分类处理优化方法 |
| 3.5 本章小结 |
| 第4章 系统实现及相关测试 |
| 4.1 基于Flink快速分类系统测试环境搭建 |
| 4.2 传统遥感图像实验验证及分析 |
| 4.2.1 相关指标评价标准 |
| 4.2.2 实验主要内容 |
| 4.2.3 Salinas高光谱遥感图像 |
| 4.3 无人机低空遥感图像库实验验证及分析 |
| 4.3.1 实验数据源 |
| 4.3.2 实验内容与结果 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 附录 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表学术论文和参加科研情况 |
| 学位论文评阅及答辩情况表 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感影像数据存储管理策略研究现状 |
| 1.2.2 遥感影像数据检索策略研究现状 |
| 1.2.3 遥感影像数据显示策略研究现状 |
| 1.3 研究目标和内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第2章 理论基础 |
| 2.1 遥感影像数据组织模型 |
| 2.1.1 高分卫星及其遥感影像数据特征 |
| 2.1.2 影像金字塔 |
| 2.1.3 高分遥感影像切分组织模型 |
| 2.2 遥感影像数据存储管理 |
| 2.2.1 关系型数据库 |
| 2.2.2 分布式文件系统 |
| 2.2.3 遥感影像元数据 |
| 2.2.4 遥感影像元数据的数据库设计 |
| 2.2.5 遥感影像数据存储管理 |
| 2.3 表分区 |
| 2.3.1 表分区定义 |
| 2.3.2 MySQL中表分区 |
| 2.3.3 表分区常用操作 |
| 2.4 本章小结 |
| 第3章 面向遥感元数据的分段存储管理与检索设计 |
| 3.1 问题的提出 |
| 3.2 遥感影像元数据存储管理设计 |
| 3.2.1 传统遥感影像元数据存储管理方式 |
| 3.2.2 改进的遥感影像元数据存储管理设计思想 |
| 3.2.3 遥感影像元数据分段存储管理策略构建过程 |
| 3.3 遥感影像数据检索策略设计 |
| 3.3.1 传统遥感影像数据检索方式 |
| 3.3.2 改进的遥感影像数据检索策略设计思想 |
| 3.3.3 渐进式分段检索策略构建过程 |
| 3.4 实验验证与分析 |
| 3.4.1 实验方案 |
| 3.4.2 实验结果 |
| 3.4.3 不同检索策略的对比与分析 |
| 3.5 本章小结 |
| 第4章 遥感影像数据渐进式分段显示策略 |
| 4.1 问题的提出 |
| 4.2 遥感影像数据显示策略设计 |
| 4.2.1 传统遥感影像数据显示策略 |
| 4.2.2 改进的遥感影像数据显示策略设计思想 |
| 4.2.3 渐进式分段显示策略构建过程 |
| 4.3 实验验证与分析 |
| 4.3.1 实验方案 |
| 4.3.2 实验结果 |
| 4.3.3 不同显示策略的对比与分析 |
| 4.4 本章小结 |
| 第5章 检索与显示策略在系统中的应用 |
| 5.1 系统简介 |
| 5.2 检索与显示策略在系统中的应用 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 空间目标态势发展 |
| 1.2.2 空间目标态势认知 |
| 1.2.3 空间目标态势服务 |
| 1.2.4 空间目标态势面临的挑战 |
| 1.3 本文研究内容与章节组织 |
| 1.3.1 本文研究内容 |
| 1.3.2 本文章节组织 |
| 第二章 空间目标态势领域本体模型 |
| 2.1 空间目标态势领域本体的研究内容 |
| 2.1.1 空间目标态势领域本体的研究对象 |
| 2.1.2 空间目标态势领域本体作用和功能 |
| 2.2 基于混合本体模式的空间目标态势领域本体构建 |
| 2.2.1 空间目标态势领域本体的组成 |
| 2.2.2 空间目标态势领域本体的构建 |
| 2.2.3 空间目标态势领域本体基本关系 |
| 2.2.4 空间目标态势领域本体属性声明 |
| 2.3 空间目标态势领域本体实例 |
| 2.3.1 资源三号02星本体实例 |
| 2.3.2 资源三号02星知识推理 |
| 2.4 本章小结 |
| 第三章 基于混合本体模式的多源异构数据管理方法 |
| 3.1 基于混合SQL/NoSQL模式的多源异构数据存储方法 |
| 3.1.1 数据存储架构 |
| 3.1.2 数据关联关系 |
| 3.1.3 数据存储与检索测试 |
| 3.2 基于本体的多源异构数据集成方法 |
| 3.2.1 空间目标态势数据集成模型 |
| 3.2.2 底层数据与局部本体的映射 |
| 3.2.3 局部本体与全局本体的映射 |
| 3.3 面向数据和语义的空间目标态势信息检索 |
| 3.3.1 空间目标态势数据检索 |
| 3.3.2 空间目标态势语义检索 |
| 3.4 本章小结 |
| 第四章 面向离线与实时计算的分析与处理模型 |
| 4.1 空间目标态势数据分析与处理模型 |
| 4.1.1 数据分析框架 |
| 4.1.2 数据处理模型 |
| 4.2 基于多判断模式的区域覆盖实时分析 |
| 4.2.1 基于多判断模式的参数快速计算方法 |
| 4.2.2 实验与分析 |
| 4.3 基于稳健筛选流程的空间目标接近分析 |
| 4.3.1 空间目标稳健筛选流程 |
| 4.3.2 实验与分析 |
| 4.4 本章小结 |
| 第五章 面向知识获取的空间目标态势认知方法 |
| 5.1 空间目标态势时空认知模型 |
| 5.1.1 时空本体建模 |
| 5.1.2 空间关系建模 |
| 5.1.3 时间关系建模 |
| 5.2 空间目标轨道状态认知模型 |
| 5.2.1 空间目标轨道状态语义表示 |
| 5.2.2 空间目标轨道状态推理方法 |
| 5.2.3 实验与分析 |
| 5.3 空间目标行为与事件认知模型 |
| 5.3.1 空间目标行为与事件本体建模 |
| 5.3.2 空间目标碰撞威胁本体构建 |
| 5.3.3 仿真校验与分析 |
| 5.4 基于知识图谱的空间目标态势知识表达 |
| 5.4.1 空间目标态势知识图谱认知框架 |
| 5.4.2 多层次语义关系解析模型 |
| 5.4.3 多元素知识构建模型 |
| 5.5 本章小结 |
| 第六章 基于微服务架构的空间目标态势服务 |
| 6.1 微服务架构 |
| 6.2 基于本体的空间目标态势服务管理模型 |
| 6.2.1 基于OWL-S的服务与组件本体 |
| 6.2.2 空间目标态势服务匹配与组合 |
| 6.2.3 服务匹配与组合示例 |
| 6.3 基于微服务架构的多源异构功能集成 |
| 6.3.1 算法组件集成 |
| 6.3.2 在线服务集成 |
| 6.4 空间目标态势可视化服务 |
| 6.5 本章小结 |
| 第七章 原型系统的设计与实现 |
| 7.1 原型系统功能与定位 |
| 7.1.1 原型系统功能 |
| 7.1.2 原型系统定位 |
| 7.2 原型系统总体设计 |
| 7.2.1 架构与部署 |
| 7.2.2 数据服务层 |
| 7.2.3 功能服务层 |
| 7.3 原型系统应用成果 |
| 7.3.1 空间目标态势数据管理 |
| 7.3.2 空间目标态势数据查询与展示 |
| 7.3.3 空间目标态势运行场景 |
| 7.3.4 空间目标态势认知实现 |
| 7.3.5 空间目标态势异构功能管理 |
| 7.3.6 应用案例 |
| 7.4 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文主要工作总结 |
| 8.2 下一步研究展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 容器技术在遥感领域的应用现状 |
| 1.2.2 遥感数据的分布式存储研究现状 |
| 1.2.3 遥感影像分布式机器学习方法研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 遥感大数据计算关键技术 |
| 2.1 大数据相关技术 |
| 2.1.1 HDFS分布式文件系统 |
| 2.1.2 Spark大数据计算引擎 |
| 2.2 云计算相关技术 |
| 2.2.1 云计算服务 |
| 2.2.2 Docker虚拟化容器技术 |
| 2.2.3 Kubernetes容器调度引擎 |
| 2.3 本章小结 |
| 第三章 多粒度遥感大数据计算方法 |
| 3.1 影像粒度的分布式计算 |
| 3.1.1 算法镜像分层构建方法 |
| 3.1.2 镜像管理与分发策略 |
| 3.1.3 分布式容器调度方法 |
| 3.2 瓦片粒度的分布式计算 |
| 3.2.1 遥感影像瓦片切分策略 |
| 3.2.2 空间索引设计与组织 |
| 3.2.3 瓦片数据分配策略 |
| 3.3 像元粒度的分布式计算 |
| 3.3.1 像元粒度空间数据组织 |
| 3.3.2 机器学习工作流构建方法 |
| 3.4 本章小结 |
| 第四章 遥感大数据方法荒漠化信息提取实践 |
| 4.1 遥感荒漠化信息提取研究背景 |
| 4.1.1 荒漠化信息提取原理 |
| 4.1.2 基于大数据技术的荒漠化信息提取流程 |
| 4.2 影像粒度的分布式计算——大气校正 |
| 4.2.1 大气校正历史算法程序分布式实现 |
| 4.2.2 实验与结果分析 |
| 4.3 瓦片粒度的分布式计算——植被信息提取 |
| 4.3.1 数据临近存储与分布式计算实现 |
| 4.3.2 实验与结果分析 |
| 4.4 像元粒度的分布式计算——特征空间反演 |
| 4.4.1 分布式特征空间构建实现 |
| 4.4.2 实验与结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 创新点 |
| 5.3 研究展望 |
| 参考文献 |
| 攻读学位期间研究成果 |
| 致谢 |
