基于双视角图像的山羊体尺自动测量方法

针对规模化羊场对山羊体尺无接触式自动测量的需求，设计了一种山羊双视角图像采集装置并开发了配套的山羊体尺自动测量算法。首先，开发了山羊双视角图像自动采集装置并在养殖场完成山羊双视角图像数据集的构建；然后，采用背景减除法二值化羊体俯视图，引入简单线性迭代聚类算法(SLIC)构建侧视图超像素的纹理和颜色特征向量，训练基于支持向量机(SVM)的超像素分类器，综合利用置信度和超像素区域邻接图(RAG)获取侧视图中的羊体二值图；最后，提出了在侧视和俯视二值图像中定位关键体尺特征点的方法，自动提取山羊体高、体斜长、胸深、胸宽、管径参数，拟合得到胸围和管围参数。算法测试结果表明，羊体侧视图前景区域超像素分类正确率超过94%,算法自动提取与人工标注的侧视、俯视前景二值图的交并比分别为96.1%和97.5%。以人工使用软尺测量获得体尺参数为金标准评价算法自动提取体尺参数的精度，结果表明管围、体高、胸深、胸宽、胸围和体斜长的平均相对误差分别为5.5%、3.7%、2.6%、5.2%、4.1%和3.9%。本文开发的羊体双视角图像采集装置及相应的图像处理方法可以满足山羊体尺无接触自动测量的精度要求，为山羊体尺的高...     

基于"残差-挤压激励"深度混合卷积网络的土地利用分类

土地利用变化的监测需要高精度的土地利用分类图，遥感技术的发展为这一工作提供了便利。然而，传统分类方法往往无法针对性的利用影像中的信息，其分类结果中地物边缘信息模糊，分类精度不高且噪声较大，难以满足土地变化监测的需要。该研究针对传统方法分类结果不理想的问题，提出一种基于"残差-挤压激励"单元的混合卷积神经网络模型，采用膨胀卷积层对影像进行"光谱-空间"特征提取，并引入"残差-挤压激励"单元，实现特征重用的同时，选择性的强调信息性特征，对噪声性特征进行抑制，最后对得到的特征进行整合实现对遥感影像的分类。该研究提出的模型与k-最邻近算法（K-Nearest Neighbor, KNN）、支持向量机（Support Vector Machine, SVM）、二维卷积网络（2D- Convolutional Neural Network, 2D-CNN）以及混合卷积网络（HybridSN）相比，在试验数据集上总体精度分别提高了11.15个百分点、11.18个百分点、0.06个百分点和2.46个百分点。且有效减少了地物边缘信息的损失，验证了该方法的有效性。此外，基于该方法分类结果统计出的耕地面积与试验区真实耕地面积仅相差0.77%，误差绝对值远低于其他分类方法。     

基于优化的ICNet高分遥感影像城市建成区分类

城市建成区是一类具有大面积的组合型目标群体，该区域地物丰富，光谱特征复杂多变，且具有大量的同物异谱与地物像素单元交错等现象，影像分类难度显著增加。针对图像级联网络（image cascade network，ICNet）计算复杂、分类精度低的问题，采用优化的ICNet对高分辨率遥感影像城市建城区地物分类进行研究，通过添加高效通道注意力机制（efficient channel attention，ECA）和联合金字塔上采样模块（joint pyramid upsampling，JPU）替换空洞卷积来获得ICNet改进网络，采用总体分类精度（overall accuracy，OA）、Kappa系数与F13个指标对分类结果进行精度评估，并与随机森林（random forest，RF）、ENet和ICNet3种方法进行对比分析。结果表明，优化的ICNet网络模型能够更准确的进行地物分类，总体分类精度为75.12%，相较于其他分类方法分别提高16.56%、10.48%和4.81%。后用开源数据集进一步验证了优化模型的有效性，说明优化的ICNet网络可用于城市建成区的分类研究。     

2013-2020年额济纳绿洲核心区景观稳定性动态及其驱动力

[目的] 探究2013-2020年额济纳绿洲核心区景观稳定性动态及其驱动机制，为荒漠绿洲的生态恢复与可持续发展提供科学依据。[方法] 基于高分一号遥感影像，借助景观格局指数、景观稳定性模型与地理探测器，研究额济纳绿洲核心区景观稳定性动态及影响因素。[结果] ①额济纳绿洲核心区景观类型以未利用地、林地和草地为主，2020年3者占总面积的90.98%；2013-2020年，研究区景观连通性、均匀度降低，聚集度、优势度增加，多样性、异质性增强，景观形状趋于简单化、规则化。②研究区景观稳定性呈“总体不稳，局部较稳”状态；2013-2020年景观稳定性变化呈“大部分不显著，局部有变动，冷点多于热点”趋势。③地下水埋深、供水量和植被变化对研究区景观稳定性变化的影响较大；气候变化、人类活动(城镇建设、耕地扩张、旅游活动干扰等)和人口增长是地下水埋深、供水量和植被变化的诱因，间接引起景观稳定性的变化；各驱动因子之间存在交互增强效应。[结论] 2013-2020年额济纳绿洲核心区景观稳定性整体较低且呈下降趋势，干旱的气候条件、耕种、旅游和城镇建设等因素及其交互作用是导致研究区景观稳定性降低的重要因素。     

基于CT扫描的不同粒形滤料孔隙结构特征

滤层孔隙结构直接影响过滤过程中的颗粒沉积和运移效果。为了掌握砂石过滤器不同粒形滤料组成滤层的内部孔隙结构特征，该研究以粒径为1～1.18 mm的普通石英砂（QS1）、天然海砂（SS2）、改性玻璃（MG3）和玻璃微珠（GB4）4 种滤料为研究对象，采用CT 扫描技术对滤层孔隙模型进行了三维重构，利用VGStudio MAX、Image J等计算机图像处理软件，分析了 4 种滤层的孔隙率、孔径大小及孔隙形状参数，并结合分形理论确定了 4 种滤层孔隙结构的计盒分形维数。结果表明：4种滤层的表观孔隙率范围分别为0.397～0.446（QS1）、0.385～0.423（SS2）、0.407～0.456（MG3）、0.351～0.380（GB4），对应体积孔隙率分别为0.422、0.412、0.441、0.366；对应孔径范围分别为75～960、80～760、70～1 050、85～930 μm，圆度值区间分别为1.59～1.78、1.35～1.54、1.65～2.03、1.20～1.36，扁平度值区间分别为2.62～2.75、2.05～2.20、3.04～3.21、1.94～2.04，计盒维数均值分别为1.621、1.566、1.661、1.446。该研究定量表征了滤层孔隙结构特性，得出不同粒形滤料细观孔隙结构的差异：滤层表观孔隙率呈现"上高下低"分布规律，孔径分布规律表明滤层内均是小孔隙占多数，大孔隙占少数，且孔隙以狭长型为主。随着滤料棱角度增加，表观孔隙率分布越分散，体积孔隙率越大，大孔隙占比也相应增加，最大达到17.24%（MG3），孔隙形状更加偏离球形，表征孔隙结构复杂性的计盒维数相应增加，且分形维数与孔隙率呈负相关关系。滤层孔隙结构研究可为后续研究滤层内颗粒沉积和运移规律奠定基础。     

融合高级与低级视觉特征的农业图像显著性区域预测方法研究

【目的】构建融合高级与低级视觉特征的农业图像(果实、农作物及畜禽目标)显著性区域预测算法,为农作物生长状态的监测、动物的体况评估提供支持。【方法】提出一种整合高级和低级视觉特征的农业图像显著性区域预测深度学习框架及其预训练方案。在MSRA10k数据集上按照6∶2∶2的比例进行训练、验证和测试,并采用F-Measure作为评价指标,在6种公共数据集(SOD、ASD、SED2、ECSSD、HKU-IS和THUR)及农业图像典型数据集上,将预测算法与4种显著性预测算法(MWS、IMS、FSN、P-Net)进行对比。【结果】所建立的预测算法在6种公共数据集上的平均F-Measure分数最高,为0.823,平均MAE分数最低,为0.099,显著性可视化结果边界完整,与人工标记的基准图像更接近。在农业图像典型数据集上的平均F-Measure为0.826,表明该算法可有效应对复杂农业场景的干扰,实现更为准确的目标轮廓信息提取。【结论】融合高级与低级视觉特征的图像显著性区域预测算法,可以实现对复杂农业场景下农作物及畜禽图像显著性区域的快速、准确预测。     

一部久唱不衰的经典之作——论《长征组歌》的音乐魅力

作者通过在指挥《长征组歌》演出中总结的经验,指出鲜明动人的音乐形象是作品成功的基础,丰富多彩的音乐表现形式是作品成功的保证,多种艺术手段的运用是作品成功的要素。     

CNN-ISS遥感影像分类的瓦片边缘效应及消除方案

应用卷积神经网络语义分割模型(Image Semantic Segmentation based on Convolutional Neural Network,CNN-ISS)进行遥感影像分类时,需将大幅影像分解为特定大小瓦片影像,并将其作为CNN-ISS处理对象,这一过程破坏了位于瓦片边缘处地物的完整几何及纹理特征,从而影响瓦片边缘处地物的识别效果,即瓦片边缘效应。该研究以DeepLab V3为CNN-ISS核心模型,对唐山农村地物进行语义分割,定量分析了分类结果的瓦片边缘效应,并提出了5个消除此效应的后处理方案。结果表明:像素分类精度与像素到瓦片边缘距离正相关,瓦片边缘处错误率最高达6.93%,中央处错误率最低为3.52%,存在瓦片边缘效应;采用该研究提出的瓦片边缘效应消除方案后,整幅影像的总精度(Pixel Accuracy,PA)、均交并比(Mean Intersection over Union,mIoU)和Kappa系数均有提升,最高分别提升0.40、1.97个百分点和0.0122。在不改变CNN-ISS核心模型条件下,通过该研究的瓦片边缘效应消除后处理方案,可有效提升遥感影像分类精度,尤其针对复杂异构体和线状地物精度提升效果更好。     

基于多时相遥感影像和随机森林算法的土壤制图

获取准确的土壤-环境关系是数字土壤制图的关键,目前遥感影像已作为环境因子应用于土壤-环境知识的建立过程,但单幅遥感影像所包含的光谱信息差异难以将不同土壤类型区分开来。因此本文提出了一种基于多时相遥感影像的土壤制图方法：选取红安县滠水河流域为研究区,以母质类型图、等高线数据和多时相哨兵二号遥感影像为基础,提取与土壤形成有关的环境因子,通过随机森林算法获取土壤-环境关系,预测研究区各土壤类型的空间分布并成图,利用野外实地分层采样点验证推理图的精度。结果表明：推理土壤图总体分类精度高达86%,与原始土壤图对比,各土壤类型的空间分布具有一定相似性,展现了更为详细的空间细节信息,该研究成果可为更新土壤图工作提供新方法。     

基于多时相无人机影像的高郁闭度森林采伐生物量估算

为准确估算森林采伐生物量实现森林碳汇的精准计量，针对采用单一时相可见光无人机影像估算高郁闭度森林采伐生物量较困难的问题，基于伐区采伐前后多时相可见光无人机影像，研究森林采伐生物量高精度的估算方法。以福建省闽侯白沙国有林场一个针叶林采伐小班为试验区，采集分辨率优于10 cm的采伐前后多时相可见光无人机影像，采用动态窗口局部最大值法得到高精度的采伐株数与单木树高信息，再基于采伐后无人机影像，运用YOLO v5方法检测并提取伐桩直径信息，根据胸径-伐桩直径模型来估算采伐木胸径信息，再利用树高和胸径二元生物量公式估算采伐生物量，以实测数据进行验证。根据动态窗口局部最大值法获取株数与平均树高精度分别为96.35%、99.01%,运用YOLO v5方法对伐桩目标检测的总体精度为77.05%,根据伐桩直径估算的平均胸径精度为90.14%,最后得到森林采伐生物量精度为83.08%,结果表明这一新方法具备较大的应用潜力。采用采伐前后多时相无人机可见光遥感，可实现森林采伐生物量的有效估算，有助于降低人工调查成本，为政府及有关部门进行碳汇精准计量提供有效的技术支持。