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。

针对传统铅垂线轨迹匹配方法在进行地面基元匹配时存在只能得到一个高程值且匹配结果缺乏准确性验证的缺点, 本文提出了一种新的基于物方定位一致性约束的光学航空影像多视铅垂线轨迹匹配方法。该算法对传统铅垂线轨迹匹配方法进行了针对性的改进, 首先, 改善了物方地面基元的像方多视匹配过程, 其次, 利用地面基元已有的物方平面坐标作为物方定位一致性约束条件, 增加了多视匹配结果的准确性检验过程, 从而得到可验证的地面元匹配结果。使用实际航空多视影像对本文算法与传统铅垂线轨迹方法进行了对比实验, 实验结果显示本文方法在可靠性、准确性和算法效率等定量指标方面, 比传统铅垂线轨迹方法分别高出26%、40%和4倍, 证明其能得到更加可靠与有效的地面元匹配结果。

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。

提出了计算机图形处理器(GPU)加速的光学航空影像正射校正并行算法, 以满足获取光学航空影像对实时性的要求并提高对海量影像数据在CPU上串行正射校正的效率。介绍了光学影像正射校正算法原理以及正射校正算法的并行化处理。为减少GPU执行的计算负载, 引入“有效像素区域”概念, 设计了改进的GPU并行校正算法。通过配置选择以及存储器访问优化进一步提高了算法的执行效率。最后, 分析了GPU并行算法的精度, 并验证了噪声干扰对算法的影响。实验结果表明, 优化的改进GPU并行算法显著提高了正射校正的速度, 影像大小为5 000×5 000时, 加速比最高可达CPU串行算法的223倍以上。虽然GPU单精度计算和噪声干扰会使影像校正精度有所下降, 但尚在误差允许范围之内。该算法能够快速实现光学航空影像的正射校正, 校正后的影像满足实际应用需要。

为提高精度测量航空序列影像间的位移，提出了一种改进的联合变换相关算法。采用模糊边缘检测方法替换传统边缘检测方法提取航空影像的边缘信息，弥补了传统边缘检测无法有效检测航空影像的边缘特征的不足。应用高提升滤波处理技术对联合功率谱作增强处理，获取了尖锐的互相关峰，得到了更精准的互相关峰位置坐标。利用Matlab软件平台进行仿真实验，结果表明，改进的算法测量的航空序列影像间的位移误差控制在0.1 pixel以内，并且具有显著的抗噪能力。

通过分析机载雷达（LIDAR）点云数据与航空影像数据特点，提出了融合机载LIDAR点云和航空影像的建筑物轮廓探测方法。分别提取机载点云和航空影像中的部分建筑轮廓线，将轮廓线拟合成直线段的建筑物轮廓边，并以两相邻且垂直的轮廓边相交得到建筑的角点，根据建筑物的同名角点实现机载点云和航空影像的配准融合；将航空影像的光谱信息赋予机载点云，并将光谱信息作为特征向量进行聚类，分离出植被和树木等地物，利用高程信息从光谱信息相似的地面道路和建筑物中分离出建筑物，提取建筑物的轮廓边，完成建筑物轮廓的探测。实验结果表明，利用该方法进行建筑物点云的分类正确率可达97.96%，轮廓边的提取精度可达0.21 m，能够有效的实现建筑物轮廓的探测。

建议了一种结合Lidar点云与航空可见光影像的建筑物变化检测新方法,利用多层次规则分类算法解决这两种异元异构数据间建筑物变化检测难题.并建议了一种结合面积阈值的形态学后处理方法,从而形成一套完整的处理流程,可应用于实际生产.最终,利用中国吉林省长春市2010年机载LiDAR点云数据和2009年高分辨率航空影像对该方法的有效性进行了评价,通过与基于支持向量机(SVM)面向对象分类的建筑物变化检测算法比较,进一步对本研究建议的方法进行了验证与分析.结果显示,此方法效果理想,其精度优于基于SVM面向对象分类的建筑物变化检测方法.Kappa系数达到0.90,correctness达到0.87。

鉴于激光点云和影像数据成像机理的差异以及现有配准基元的可获取性特点，通常采用基于特征的配准算法修正两者之间的转换关系，其中建筑物的边缘及角点为最常用的特征。针对城区建筑物分布密集、形状相似的问题，提出了一种基于道路线的机载激光雷达数据和高分辨率航空影像自动配准方法。该方法充分利用点云数据提供的高程与强度信息，提取出高精度的规则化道路矢量线；根据初始外方位元素建立点云数据和航空影像的近似变换关系，以道路矢量线在航空影像的投影位置为先验知识，采用改进的道路矩形整体匹配算法得到影像中的道路中心线，获取同名线特征；以同名道路线段的首末端点作为控制信息，利用基于欧拉角的空间后方交会算法解算新的影像外方位元素，实现航空影像和激光雷达数据的配准。实验结果表明，该方法利用道路特征实现航空影像与激光雷达点云的配准，提取特征少且配准精度较高，大大提高了工作效率。

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。

基于特征的影像匹配是一类极为广泛和重要的方法.已有的研究体现出了特征匹配对于实施最为困难的影像之一--城区航空影像有着极为明显的优越性.文中给出了一种新的匹配目标函数的构建,并基于此提出一种城区航空影像匹配算法,给出了算法的实现过程,并以部分东京城区图进行了试验,结果表明文中的方法具有简洁明了,可靠易行和抗旋转性的优点.