-
题名基于车载激光点云数据的行道树提取方法
- 1
-
-
作者
常楠楠
廖志强
-
机构
浙江省地矿勘察院有限公司
-
出处
《北京测绘》
2023年第12期1617-1622,共6页
-
文摘
针对道路车载激光扫描点云数据中行道树与其他地物相互遮掩,存在杆状物分类困难的情况,本文提出了一种基于车载激光扫描数据的行道树自动提取方法。首先,构建格网并地形点云滤波,提取非地面点,从而提升后续算法的运算效率;其次,在非地面点的基础上构建空间体元进行邻域分析,提取树干点云,同时建立树冠分层点云投影面积理论,提取得到树冠点云;最后,使用改进分割算法进一步修正树冠点云归属,实现行道树的单体化。使用两组不同类型道路点云数据进行实验,结果显示本文算法提取行道树的平均提取完整率与正确提取率分别为90.73%、91.22%,较对比方法具有一定优势,为行道树的高效、快速、准确提取提供了新的思路。
-
关键词
车载激光点云
行道树提取
滤波
空间邻域关系
单体化
-
Keywords
vehicle-borne laser point cloud
street tree extraction
filtering
spatial neighborhood relationships
monomerization
-
分类号
P237
[天文地球—摄影测量与遥感]
-
-
题名基于噪音受益的快速图像分割算法
- 2
-
-
作者
牛艺蓉
王士同
-
机构
江南大学数字媒体学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2016年第21期195-201,217,共8页
-
文摘
图像分割是指将一幅图像分解为若干互不交迭的区域的集合。当用已有的改进高斯混合模型于图像分割时,如何加快其分割过程是一个有研究意义的课题。基于最新的噪音受益EM算法,通过人工加噪来加快已有的改进高斯混合模型的收敛速度,从而达到加快图像分割的目的。当添加的噪声满足噪音受益EM定理时,加性噪声加快了EM算法收敛到局部最大值的平均收敛速度。改进的高斯混合模型是EM算法的特例,因此,噪音受益EM定理同样适用于改进的高斯混合模型。实验表明,提出的算法进行图像分割时,其收敛速度明显加快,时间复杂度明显变小。
-
关键词
噪声受益
新型期望最大化算法(NEM)定理
图像分割
空间邻域关系
改进的高斯混合模型
-
Keywords
noise benefit
New Expectation Maximization(NEM)theorem
image segmentation
spatial neighborhood relationships
improved Gaussian mixture model
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于领域关系广义混合模型图像分割的研究
- 3
-
-
作者
罗雷
王士同
-
机构
江南大学数字媒体学院
-
出处
《计算机工程与设计》
CSCD
北大核心
2013年第9期3168-3173,共6页
-
基金
国家自然科学基金项目(61272210)
江苏省自然科学基金项目(BK2012552)
-
文摘
针对高斯混合模型不能有效处理复杂噪声图像分割问题,提出了基于领域关系广义混合模型。在高斯混合模型基础上引入形状参数r提高混合模型对不同噪声适应能力,另外该方法结合图像中像素点邻域关系,融入像素点间的互动信息。与混合模型通常采用EM算法估计参数不同,该模型参数估计采用梯度方法,通过最小化负似然对数优化参数。实验结果表明,广义混合模型在处理高斯噪声,重尾噪声,混合噪声以及脉冲噪声图像分割问题都取得了很好的效果。
-
关键词
图像分割
广义混合模型
领域关系
多种噪声
-
Keywords
image segmentation
generalized mixture model
spatial neighborhood relationships
multiple noise
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名一种手机定位数据的非运动数据聚类剔除方法
被引量：5
- 4
-
-
作者
蔡超
左小清
陈震霆
-
机构
昆明理工大学国土资源工程学院
昆明冶金高等专科学校计算机信息学院
-
出处
《交通信息与安全》
2010年第4期60-63,共4页
-
基金
国家自然科学基金项目(批准号:41061043)资助
-
文摘
从手机定位数据中获取道路交通信息效果并不如人意,其中手机定位数据中包含了大量的"噪声"是一个重要原因。以某区域的手机定位数据为基础,根据蜂窝网基站的点数据,创建了与之对应的泰森多边形;采用空间邻近关系聚类的方法,对手机定位数据的非运动数据进行了剔除。实验结果表明,该方法可以有效地解决上述问题。
-
关键词
手机定位
空间邻近关系
聚类算法
ARCENGINE
-
Keywords
mobile phone location
spatial neighborhood relationship
cluster analysis
ArcEngine
-
分类号
U49
[交通运输工程—交通运输规划与管理]
-
-
题名基于Student-t分布的混合模型图像分割方法
被引量：1
- 5
-
-
作者
牛艺蓉
王士同
-
机构
江南大学数字媒体学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2015年第10期204-209,共6页
-
文摘
传统图像分割方法在分割被重尾噪声污染的图像时的分割效果不理想。针对该问题,提出一种基于Student-t分布的图像分割方法。该方法根据像素间的空间关系,计算出其先验概率,使用梯度下降法优化参数,从而最小化误差函数,在参数优化后得到像素点的后验概率值,对像素进行标记以实现图像分割。实验结果表明,在处理被重尾噪声腐蚀的图像时,与传统的K-均值、模糊C-均值等图像分割方法相比,该方法的误分率较低,分割效果较好。
-
关键词
Student-t分布
重尾噪声
图像分割
空间邻域关系
高斯混合模型
-
Keywords
Student-t distribution
heavy-tailed noise
image segmentation
spatial neighborhood relationship
Gaussian Mixture Model（GMM）
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于邻域场拉普拉斯混合模型图像分割的研究
被引量：1
- 6
-
-
作者
罗雷
王士同
-
机构
江南大学数字媒体学院
-
出处
《计算机工程与应用》
CSCD
2013年第13期133-137,244,共6页
-
基金
国家自然科学基金(No.61272210)
-
文摘
针对高斯混合模型(GMM)不能有效处理重尾噪声下图像拖尾情况,提出了基于拉普拉斯(Laplacian)分布的有限混合模型图像分割方法。与标准拉普拉斯混合模型(LMM)将像素点作为孤立个体不同的是,该方法充分考虑了相邻像素点间的空间关系。相较传统混合模型参数估计采用的EM算法,该方法采用梯度下降法优化参数。实验结果表明在处理重尾噪声时,该方法与标准LMM算法和GMM算法相比,鲁棒性更好,分割更精确有效。
-
关键词
拉普拉斯混合模型(LMM)
图像分割
重尾噪声
空间邻域关系
-
Keywords
Laplacian Mixture Model （LMM）
image segmentation
heavy-tailed noise
spatial neighborhood relationship
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
