使用人工蜂群算法实现对基于Mie散射理论的小角前向散射法的颗粒系粒径多峰分布的反演,并进行仿真和实验.对服从正态分布、Rosin-Rammler分布、Johnson’s S B分布函数的均匀球形颗粒系进行仿真.分别模拟了单峰、双峰和三峰分布的颗粒群...
详细信息
使用人工蜂群算法实现对基于Mie散射理论的小角前向散射法的颗粒系粒径多峰分布的反演,并进行仿真和实验.对服从正态分布、Rosin-Rammler分布、Johnson’s S B分布函数的均匀球形颗粒系进行仿真.分别模拟了单峰、双峰和三峰分布的颗粒群,人工蜂群算法均能较好地实现颗粒粒径的反演.在单峰分布时,颗粒重量频率分布曲线的相对均方根误差低至3.53×10^-8.与独立模式Philip-Twomey-NNLS算法和Chahine算法相比,人工蜂群算法的仿真反演精度更高,其双峰宽分布的颗粒重量频率分布曲线的相对均方根误差分别由3.38%和2.70%降至1.53%,且随着峰数增多、分布曲线宽度变窄和噪声增加,Philip-Twomey-NNLS算法和Chahine算法的误差分别增加至44.99%和24.36%,而人工蜂群算法的误差为18.22%.搭建小角前向散射法颗粒测量系统,分别采集国家标准颗粒35μm单一颗粒群和30μm、51μm混合颗粒群的散射图像进行实验研究,均得到较高精度的反演结果,与Philip-Twomey-NNLS算法相比,其特征粒径的相对误差可降低50%左右,特征参数的相对误差在5%以内.
随着遥感技术的发展,遥感图像的语义分割在城乡资源管理、城乡规划等领域有着更为广泛的应用。因为小型无人机在遥感数据采集方面具有成本效益、灵活性和操作便捷等优势,所以使用无人机拍摄图像已经成为收集遥感图像数据集的首选方法。由于小型无人机低空斜角拍摄的特性,相较于传统遥感拍摄设备获取的图片,无人机图片目标细节信息更加丰富、目标关系更加复杂的特性导致基于局部卷积的传统深度学习模型无法再胜任此项工作。针对上述问题,提出了基于SegFormer的改进遥感图像语义分割网络。基于SegFormer,在编码层额外添加轮廓提取模块(edge contour extraction module,ECEM)辅助模型提取目标的浅层特征。鉴于城市遥感图像建筑物居多的特点,在编码层额外添加使用多尺度条纹池化(multi-scale strip pooling,MSP)替换全局平均池化的多尺度空洞空间卷积池化金字塔(multi-scale atrous spatial pyramid pooling,MSASPP)模块来提取图像中的长条状目标特征。针对原始解码器操作不利于特征信息还原的缺点,参考U-Net网络解码层的结构,将编码层接收到的特征融合之后再执行上采样提取以及SE通道注意力操作,以此加强特征的传播和融合。改进网络在国际摄影测量与遥感学会(International Society for Photogrammetry and Remote Sensing,ISPRS)提供的Vaihingen和无人机遥感图像语义分割数据集UAVid上进行了实验,网络分别取得了90.30%和77.90%的平均交并比(mean intersection over union,MIoU),比DeepLabV3+、Swin-Unet等通用分割网络具有更高的分割精确度。
暂无评论