三维地表场景一体化显示技术的研究与实现

发布时间：2020-11-14 09:35

　　 近几年,遥感图像的信息数据提取和三维场景的重建与渲染受到了研究者的广泛关注。由于地物(道路或河流)与周边背景的色差大小不一,采用单一方法进行信息数据提取会导致准确度不高或者效率低下的问题,无法满足需求。因此,针对地物与背景色差的两种情况,本文提出了两种方法对遥感图像地物信息数据进行提取。当遥感图像量较少且提取的地物颜色与背景颜色相差较大时,造成需要大样本的信息提取方法无法将信息准确地提取出来,从而本文采用模糊C均值聚类算法和支持向量机算法对遥感图像依次进行初次像素分类和地物像素划分,然后利用Bwareopen和Mathematical Morphology方法对图像去噪,得到地物像素集合。当地物颜色与背景颜色相差不大且训练的遥感图像数据量较多时,使用某些机器学习方法提取出的图像数据存在较多噪声,针对此情况本文提出了一种基于全卷积残差网络模型地物像素划分方法。该方法首先使用全卷积残差网络从大量遥感图像样本集中学习数据集的特征,然后通过训练得到可以检测遥感图像特征的网络模型,最后利用该模型将图像划分为地物和非地物。另外,针对于重建与渲染问题,传统的三维场景中地物的重建与渲染采用Delaunay三角剖分即“分割-归并”算法,该算法时间复杂度高,无法满足地形数据量较大时的实时性需求。因此,基于全卷积残差网络算法提取的地物信息控制点数据,本文提出了一种三维场景构建与多层次渲染的快速方法。该方法首先通过三次B样条曲线函数将地物中心控制点拟合为地物中央线,然后根据地形多分辨率层次对地形数据进行修改,并重建地物模型,最后通过地形分辨率层次对地物模型进行多层次渲染,实现远距离模糊,近距离清晰的效果。
【学位单位】：中国石油大学(北京)
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP751
【部分图文】：

( ) （2.6）‖ ‖ ( ) （2.7）∑ （2.8）∑ ， （2.9）( ) ( ) (∑ ( )) （2.10）2.1.3 传统 CNN 网络结构模型传统 CNN 网络模型以下简称为 CNN 的主要思想是使用一个像素周围的图像块作为模型的输入数据，从而对该像素进行分类操作。这种 CNN 模型是由多层卷积层、下采样层和全连接层构成。通过这些层次，二维的特征图被转化为一维的网络输入向量，CNN 具体模型如图 2.2 所示且其处理流程如图 2.3 所示。

CNN 的核心组成部分。该层的每一个卷积函数都可得到一设一张维度为 X×Y 的输入图像数据，经过大小为 x×y 的，将得到维度为( ) ( )的输出特征图像。为了减少计算复杂度和运算量。降采样层主要通过对图像数到局部图像，如图 2.4 为非线性最大采样。全连接层的输入像，而输出则是一个一维向量特征。全连接层的功能类似于的特征图像数据进行分类和预测，最后得到分类和预测好的合数值。Relu 激活函数是决定 CNN 网络模型数据处理方式合适的 Relu 激活函数是非常重要的。Relu 激活函数的优点失问题。所谓梯度消失问题即当梯度小于 1 时，预测值与随着传播次数的增加而衰减，这将导致网络模型收敛停滞不表达式为 ( ) ( )，即 ( ) { 示。

图 2.5 ReLU 激活函数曲线图.5 The function curve of ReLU activates技术场景一体化显示是利用渲染到纹理技。该方法主要思想是首先将预先处理据设定纹理的大小、颜色等属性；然应的纹理坐标叠加到三维地形上；最方法的优点是简单且能够快速地实现形为多分辨率而纹理是单分辨率时，走样，不能有效地实现三维场景的一
【相似文献】

相关期刊论文 前10条

1 刘增伟;;关于遥感图像云检测方法研究进展[J];数字通信世界;2019年04期

2 徐秋晔;李玉;林文杰;赵泉华;;基于信息聚类的遥感图像分割[J];中国矿业大学学报;2017年01期

3 彭晏飞;周娟;訾玲玲;;于卫星地域遥感图像分割方法研究仿真[J];计算机仿真;2017年01期

4 盛启慧;李启明;;航空遥感图像几何校正模型的效果比较[J];现代计算机(专业版);2017年17期

5 刘宁波;孙艳丽;王杰;;基于场景语义的遥感图像目标识别[J];现代电子技术;2017年11期

6 王超英;;统计学习在海上遥感图像背景去噪的算法研究[J];舰船科学技术;2017年12期

7 姚锐;付卓新;;关于森林资源二类调查中遥感图像的应用分析[J];北京农业;2016年01期

8 李哲学;;改进高斯混合模型的遥感图像增强方法[J];激光杂志;2016年07期

9 雷笑笑;;试论遥感图像在师范地理教学中的应用[J];山西青年;2017年03期

10 舒建文;周云真;;航空遥感图像中道路检测方法研究与仿真[J];计算机仿真;2013年09期

相关博士学位论文 前10条

1 倪维平;高分辨遥感图像统计处理及分析若干关键技术研究[D];西安电子科技大学;2016年

2 吴其昌;复杂场景下高分辨率遥感图像目标识别方法及应用研究[D];国防科学技术大学;2016年

3 姚西文;高分辨率光学遥感图像场景理解关键技术研究[D];西北工业大学;2016年

4 纪强;航天遥感图像去除冗余数据的若干算法研究[D];武汉大学;2013年

5 田丽华;基于聚类分析的遥感图像分割方法[D];吉林大学;2018年

6 林剑;基于模糊理论的遥感图像分割方法研究[D];中南大学;2003年

7 蒋艳凰;遥感图像高精度并行监督分类技术研究[D];国防科学技术大学;2004年

8 陶午沙;基于结构模型的遥感图像军事阵地目标特征分析及其识别技术研究[D];国防科学技术大学;2004年

9 张秉仁;遥感图像三维技术研究及古黄河源头水系的新发现[D];吉林大学;2005年

10 彭玲;基于小波域隐马尔可夫树模型的遥感图像纹理分类研究[D];中国科学院研究生院（遥感应用研究所）;2005年

相关硕士学位论文 前10条

1 程大恒;基于卷积神经网络的遥感图像场景识别模型研究[D];重庆邮电大学;2019年

2 周建伟;基于高分辨率遥感图像的建筑物信息提取方法研究[D];南京航空航天大学;2019年

3 张文坤;全色遥感图像处理算法改进与目标检测识别优化[D];宁夏大学;2019年

4 刘然;基于卷积网络的遥感图像目标检测技术研究[D];哈尔滨工业大学;2019年

5 杨凡;基于YOLO的遥感图像目标检测算法研究[D];成都理工大学;2019年

6 于洋;基于无监督深度学习的遥感图像表述和分类方法[D];国防科技大学;2017年

7 赵阳;基于深度学习的遥感图像道路提取[D];西安电子科技大学;2019年

8 马文康;基于深度神经网络的遥感图像道路提取[D];西安电子科技大学;2019年

9 聂谷洪;面向遥感图像舰船检测的深度特征学习方法研究[D];国防科技大学;2017年

10 张徽;基于半监督Curvelet压缩卷积模型的遥感图像地物分类[D];西安电子科技大学;2019年

本文编号：2883329