随着基于深度学习的目标检测算法日渐成熟, 将其部署于无人机进行目标检测已经成为时下热门, 针对无人机航拍图像小目标多且易被遮挡、检测场景复杂、尺度变化大而导致检测精度不高的问题, 在提出的S-YOLOv4算法的基础上, 在原特征提取网络结构上添加SE注意力机制提高模型对有用信息的专注能力, 增强通道间注意力; 改进网络结构, 新增分辨率为160×160的检测层来细化网格以对小尺度目标进行更好的检测; 改进损失函数, 对分类损失应用类平滑标签来降低负样本的惩罚, 提高模型的泛化能力。改进算法在保证实时性的前提下比原算法的mAP提高了3.4%。

针对从非地面点云数据中难以自动分类植被和建筑物的问题,提出一种航空影像辅助的机载LiDAR(Light Detection and Ranging)植被点云分类方法。根据植被的光谱特征明显不同于其他地物这一特点,在生成数字正射影像的基础上,首先利用K均值(K-means)聚类算法对影像进行聚类和图像增强,然后将增强后的影像和对应区域的点云数据进行融合,最后通过影像处理结果对机载LiDAR植被点云进行分类。选取某城市的机载LiDAR植被点云数据和航空影像进行实验,定量分析结果显示所提方法的总分类精度为96.47%,Kappa系数为0.9248,该方法能够达到点云中植被自动分类的目的。

为实现大面阵CCD航拍图像准确快速匹配, 提出一种局部多特征哈希学习LMFH(local multi-feature hashing)方法。依据航向重叠率构建预测区域, 在预测区域内检测特征点并进行多特征描述, 以现有上万幅航拍图像为训练样本, 通过哈希函数将高维的特征描述向量映射为紧凑的二进制哈希编码, 在汉明空间通过汉明距离实现特征点的快速匹配。实验结果表明, 相对于SURF算子, LMFH算法在准确度上提高了10%, 匹配时间上减少了0.2 s。LMFH算法可更快更准确地实现CCD航拍图像的匹配。

机载LiDAR点云系统由于获取三维立体信息方便、快捷,已被广泛应用到城区目标的提取与识别中,但LiDAR点云数据缺乏光谱特征,对建筑物提取识别时常在植被茂密的树冠处出现错检现象。针对这一问题,提出了融合航空影像光谱特征与LiDAR点云几何特征的建筑物提取算法。通过LiDAR点云数据与航空影像数据的配准,实现了点云数据光谱信息的提取;通过改进传统的张量投票机制,融合光谱特征与空间几何特征形成了新的融合分类特征;运用随机森林算法实现了建筑物点的提取。仿真实验基于ISPRS提供的测试数据集进行,通过对比融合光谱特征前后的实验结果可知,所提算法的精度明显提高,提取质量达到94.26%,证明了融合光谱特征对于建筑物提取精度提升的重要作用。

由于航拍图像的拍摄高度远低于卫星图像拍摄高度，因此每个拍摄地点的建筑投影差大小和方向都不相同，图片畸变严重。此外，考虑到图像边缘区域的畸变程度远大于图像中心区域的畸变程度，本文提出了一种基于极坐标的Lagrange插值的逐点畸变校正方法。利用该方法在极坐标系内对单个像素点进行插值，然后根据插值结果对像素点进行校正，再将其坐标从极坐标系变换回直角坐标系，最后采用此方法在整个航拍图像内逐点进行畸变校正。实验结果表明，校正后的航拍图像畸变程度不超过3%，证明该方法不但能有效地校正畸变图像，且与传统的利用DLT线性求解畸变校正矩阵等校正方法相比具有更为广泛的适用性。

云的存在严重影响遥感影像质量。 在航空影像的获取过程中, 实时的云检测能够及时提供准确的云遮挡比例以评价影像质量, 进而指导飞行方案以获取满足质量要求的影像。 采用光谱特征阈值的方法, 通过分析云光谱的特性, 选取能够有效检测云的亮度特征I和归一化差值特征P进行组合。 为实现自动检测, 在一维Otsu自动阈值和带限定条件Otsu阈值的基础上, 设计了阈值的分级配置策略为云特征配置合适的自动阈值, 策略的主要思想是: 首先采用多级分类标准对影像进行无云、 薄云、 厚云的类别判定, 再对不同类别的影像采取不同的特征阈值配置方案, 其中厚云影像的检测需要进一步分类配置阈值。 该策略实现了有云情况下能准确检测云、 无云情况下检测不到云的应用目标。 再结合选择性自动后处理方案, 真正做到云的自动、 高效、 准确的检测。 通过与不同方法的检测结果对比分析, 表明该方法的检测效率高, 精度满足实时质量评定的要求, 通用性强。