红外激光遥感图像散斑特征提取

发布时间：2021-12-25 10:53

　　当前方法对红外激光遥感图像进行散斑特征提取时,采用2D（二维）图像作为数据采集手段,存在散斑特征提取区域误差大的问题。据此,提出基于深度学习的红外激光遥感图像散斑特征提取方法。采用无人机配置自动旋转云台上搭配2D激光测距传感器对区域红外激光数据进行采集、标定和利用激光里程计算法对区域内特征值提取和匹配。结合线性插值法对应的周期内接收的激光数据进行区域转换,利用L-M算法解决红外激光遥感图像范围的预计问题,采用信赖区域法迭代出最优区域范围,将激光数据转化到世界坐标系下的点云中,通过点云叠加完成区域的散斑特征提取。仿真实验结果表明,所提方法在进行红外激光遥感图像散斑特征提取时水平和区域深度定位误差都能控制在±1 m之内,符合分割要求。与其他方法相比,该方法的提取准率95%～99%的范围内变化,平均耗时为0. 45 s,说明该方法提取精度更高,提取速度更快。 

【文章来源】：激光杂志. 2020,41(01)北大核心

【文章页数】：5 页

【文章目录】：
1 引言
2 红外激光遥感图像数据的获取与标定
    2.1 激光成像散斑坐标系的获取
    2.2 红外激光遥感图像散斑数据参数标定
3 区域测定
    3.1 散斑区域特征提取
    3.2 散斑特征信息匹配
4 实验结果分析
5 结论


【参考文献】：
期刊论文
[1]结合双深度学习特征的高光谱遥感图像分类[J]. 曾锐,陈锻生.  小型微型计算机系统. 2018(02)
[2]一种基于Spark的高光谱遥感图像分类并行化方法[J]. 刘震,朱耀琴.  电子设计工程. 2017(12)
[3]基于深度学习的高光谱图像空-谱联合特征提取[J]. 黄鸿,何凯,郑新磊,石光耀.  激光与光电子学进展. 2017(10)
[4]基于深度学习的无人车夜视图像语义分割[J]. 高凯珺,孙韶媛,姚广顺,赵海涛.  应用光学. 2017(03)
[5]基于卷积神经网络的遥感图像飞机检测[J]. 张义德,胡长雨,胡春育.  光电子技术. 2017(01)
[6]基于主动深度学习的高光谱影像分类[J]. 程圆娥,周绍光,袁春琦,陈蒙蒙.  计算机工程与应用. 2017(17)
[7]基于主动轮廓模型的红外图像轮廓提取算法[J]. 董恩增,冯倩,于晓,佟吉钢,谷海清.  激光与红外. 2017(03)
[8]基于可见光波段的无人机超低空遥感图像处理[J]. 邓继忠,任高生,兰玉彬,黄华盛,张亚莉.  华南农业大学学报. 2016(06)
[9]光学遥感影像智能化处理研究进展[J]. 龚健雅,钟燕飞.  遥感学报. 2016(05)
[10]多特征的光学遥感图像多目标识别算法[J]. 姬晓飞,秦宁丽,刘洋.  智能系统学报. 2016(05)



本文编号：3552321