當前方法對紅外激光遙感圖像進行散斑特征提取時,采用2D（二維）圖像作為數據采集手段,存在散斑特征提取區(qū)域誤差大的問題。據此,提出基于深度學習的紅外激光遙感圖像散斑特征提取方法。采用無人機配置自動旋轉云臺上搭配2D激光測距傳感器對區(qū)域紅外激光數據進行采集、標定和利用激光里程計算法對區(qū)域內特征值提取和匹配。結合線性插值法對應的周期內接收的激光數據進行區(qū)域轉換,利用L-M算法解決紅外激光遙感圖像范圍的預計問題,采用信賴區(qū)域法迭代出最優(yōu)區(qū)域范圍,將激光數據轉化到世界坐標系下的點云中,通過點云疊加完成區(qū)域的散斑特征提取。仿真實驗結果表明,所提方法在進行紅外激光遙感圖像散斑特征提取時水平和區(qū)域深度定位誤差都能控制在±1 m之內,符合分割要求。與其他方法相比,該方法的提取準率95%～99%的范圍內變化,平均耗時為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】：5 頁

【文章目錄】：
1 引言
2 紅外激光遙感圖像數據的獲取與標定
    2.1 激光成像散斑坐標系的獲取
    2.2 紅外激光遙感圖像散斑數據參數標定
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 實驗結果分析
5 結論


【參考文獻】：
期刊論文
[1]結合雙深度學習特征的高光譜遙感圖像分類[J]. 曾銳,陳鍛生.  小型微型計算機系統. 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.  電子設計工程. 2017(12)
[3]基于深度學習的高光譜圖像空-譜聯合特征提取[J]. 黃鴻,何凱,鄭新磊,石光耀.  激光與光電子學進展. 2017(10)
[4]基于深度學習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.  應用光學. 2017(03)
[5]基于卷積神經網絡的遙感圖像飛機檢測[J]. 張義德,胡長雨,胡春育.  光電子技術. 2017(01)
[6]基于主動深度學習的高光譜影像分類[J]. 程圓娥,周紹光,袁春琦,陳蒙蒙.  計算機工程與應用. 2017(17)
[7]基于主動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超低空遙感圖像處理[J]. 鄧繼忠,任高生,蘭玉彬,黃華盛,張亞莉.  華南農業(yè)大學學報. 2016(06)
[9]光學遙感影像智能化處理研究進展[J]. 龔健雅,鐘燕飛.  遙感學報. 2016(05)
[10]多特征的光學遙感圖像多目標識別算法[J]. 姬曉飛,秦寧麗,劉洋.  智能系統學報. 2016(05)



本文編號：3552321