CN104952080A - 一种实现遥感影像粗定位的方法 - Google Patents
一种实现遥感影像粗定位的方法 Download PDFInfo
- Publication number
- CN104952080A CN104952080A CN201510404606.6A CN201510404606A CN104952080A CN 104952080 A CN104952080 A CN 104952080A CN 201510404606 A CN201510404606 A CN 201510404606A CN 104952080 A CN104952080 A CN 104952080A
- Authority
- CN
- China
- Prior art keywords
- registration
- shore line
- curve
- subject
- shore
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Abstract
一种实现遥感影像粗定位的方法,通过提取待配准遥感影像的局部海岸线和大区域的海岸线,并生成待配准海岸线和备选参考海岸线;生成待配准海岸线特征向量和参考海岸线特征向量集;通过待配准海岸线特征向量与由参考海岸线生成备选海岸线特征向量集,粗略筛选出少量备选参考海岸线;再通过基于原始海岸线几何形态变换后达到标准差最小来获取相应的变换矩阵,并所有配准中标准差最小的变换所对应的参考海岸线作为配准的参考海岸线;为了达到全局变换最优,将多个海岸线的变换矩阵中的待配准曲线与配准参考曲线的质心作为两个点集,求解其最佳变换矩阵作为最佳全局变换矩阵;通过该变换矩阵定位影像,并使用其逆矩阵进行该影像的自动标注。
Description
技术领域
本发明涉及一种实现遥感影像粗定位的方法,属于遥感影像配准问题,使用的技术属于形态匹配,即把一幅没有空间定位的遥感影像,通过提取其中的形态特征,然后进行大区域地理范围内的空间搜索,寻找最佳的匹配位置、缩放比例、和旋转角度,从而达到影像地理定位的要求,最后对定位了的影像进行基本的地物标注。
背景技术
遥感影像应用的一个重要环节是影像首先必须定位到其准确的地理位置,传统的处理过程中,根据遥感影像成像时的相机参数和卫星轨道参数来建立构象方程,通过构象方程可以求解影像上每点对应的地面位置,这也是影像二级产品要完成的工作,然后在地面控制点的支持下进行精确几何校正。当这些参数不可得或在处理过程中丢失,就会影响其应用。专业人员遇到这种情况,一般凭借自己的经验、根据图像中的内容来猜测,并与大范围的地面资料做比对来确定控制点,根据控制点确定空间变换参数进行空间定位。标注控制点是一件耗时、费力的繁冗工作,而且不容易准确标注,尤其区域比较大的时候。
在遥感影像上水域具有明显的特征和边界,是最容易识别的几何特征。因而针对海岸带的影像就可以通过水陆边界特征来标定影像的位置。可以采用的方法是曲线匹配。这里的曲线匹配是用待匹配曲线整体向参考曲线的局部匹配,即根据待批准曲线的特征,在参考曲线上截取大量的备选曲线段生成曲线搜索空间,从中需找与待配准曲线匹配最好的曲线段,从而根据配准曲线的位置偏移与长度定位待配准曲线的位置。
通过海岸线匹配的方法定位遥感影像的难点在于,海岸线的位置形态变化较大,如何从海岸形态中提取其中的不变特征成为需要解决的关键技术问题。
在曲线匹配的多种方案中,能够实现部分匹配的算法主要有以下几种:
(1)线性搜索方法,这种线性搜索方法只适用于一条曲线完全包含于另一。
(2)条曲线中的情况,而且由于算法对曲线进行精细采样比较,计算量较大。
(3)特征串序列法,首先获得曲线的特征串表示,然后利用特征串的最长公共子序列给出曲线间最长的匹配部分。该类方法受最长公共子序列算法的限制,经常出现错误的匹配关系。
(4)最近点迭代法(ICP),是点集匹配和对齐中一种常用的方法。但该方法在选择对应点时,仅考虑曲线点之间的距离,没有考虑曲线上点的顺序和连续性。ICP方法的每次运行结果是一个局部最优解,为了得到全局最优解,需要选择不同的初始位置重复执行。
(5)基于概率的方法是实现部分匹配的另一种方法,利用变换空间中的概率分布实现曲线的部分匹配。计算量与所要求的精度呈指数关系,要求的匹配精度越高,计算量越大。
(6)通过搜索特征点间的距离矩阵,得到匹配的子矩阵,确定匹配区域。该算法能够快速确定匹配区域,但不能保证匹配结果的正确性。
(7)分别提取两条曲线的特征点(例如极值点),获取曲线的整体信息,利用特征点之间的距离矩阵进行匹配,确定候选的匹配区间。然后,通过比较曲线段的曲率进行精确匹配。最后,根据匹配的对应点集计算变换矩阵。
如上方法对待配准曲线与其相应的参考曲线段部分的几何形态变换较小时,比较有效,当带配准曲线局部出现比较大的变化,以至于会生成新的极值点时效果往往较差。
影像定位后,通过位置对应就可以根据已有知识确认影像中可识别地物的属性,比如道路的编号、城镇的名称、水体名称、海域的名称,以及各个地物的其它属性。
经查询发明专利,相类似的专利技术有“CN1841409专利中采用二值化曲线匹配的方式进行图像配准”,该专利当图像比较大或搜索范围比较大时,其计算量不可行,不适于本发明要处理的遥感影像定位情况。
发明内容
本发明要解决的问题为:克服现有技术的不足,提供一种实现遥感影像粗定位的方法,针对缺失相机参数和卫星轨道参数的海岸带遥感影像进行粗定位,使影像覆盖区域与对应的地面区域重叠,并确定该影像的变换矩阵;通过变换矩阵,将地理信息叠加到该影像上进行地物标注,可以包容局部的形态变化,而且速度较快。
本发明解决其技术问题所采用的技术方案按照处理流程区分为6个步骤,如图1所示。
(1)从参考影像上提取完整的参考海岸线,预处理参考海岸线并生成参考海岸线每个拐点的特征向量;
(2)在待配准影像上提取海岸线,对待配准海岸线进行预处理并生成待配准海岸线每个拐点的特征向量和全线段特征向量;
(3)依据待配准海岸线的全线特征向量,从参考海岸线上筛选出备选子海岸线集;
(4)最佳配准子海岸线判定,针对每一条备海岸线,通过两级筛选来获取最佳配准海岸线;
(5)为了达到全局变换最优,在待配准影像的不同海岸带,重复(2)-(4)步骤多次,生成大于三段的配准海岸线,海岸线(对应多个海岸区域)的变换矩阵中的待配准海岸线与配准参考海岸线的质心作为两个点集,求解这两个点集的最佳变换矩阵作为最佳全局变换矩阵来提高精度,从而实现多区域联合精校正;
(6)通过最佳全局变换矩阵定位影像,并使用该最佳全局变换矩阵的逆矩阵进行该影像的自动标注。
所述步骤(1)、(2)中生成待配准海岸线和备选参考海岸线集时,通过曲率变化来寻找拐点,并以拐点来作为待配准海岸线和参考海岸线的定位基点,对于待配准海岸线去除两端拐点以外的部分;对于参考海岸线段的生成是以待配准海岸线的单曲线段个数N为基准,并以[N-t,N+t]范围的整数长度,t取1或2,对原始参考海岸线进行不同起始点的截取生成参考海岸线段集。
所述步骤(1)、(2)、(3)中海岸线特征向量是曲线特征向量,它为六维参量包括:绝对累计曲率、累计曲率、曲率极值点数、曲率的极值、曲线长度、直线长度即首尾点之间的距离。
所述步骤(4)中采用两级筛选策略,即首先进行基于曲线段特征的FlannMatch搜索最优的N个参考海岸线,然后再基于原始几何形态进行标准差最小的筛选求优,同时计算待配准海岸线和对应配准参考海岸线的质心。
所述步骤(5)中全局变换矩阵的求取是,通过多个局部海岸线配准找到的对应质心点对,来建立点集匹配,基于标准差最小来生成全局变换矩阵。
所述步骤(5)的多次为不少于等于3次。
本发明与现有技术相比的积极效果为:
(1)本发明提供的方便快捷的影像定位方法,用于替代传统人工观察,凭感觉寻找的不确定方法;
(2)本发明采用曲线局域特征向量集筛选与几何精确筛选相结合、多区域联合精定位的策略,在保证精度的条件下避免了全影像匹配的大计算量;
(3)本发明可以扩展为具有特征线性要素区域的影像匹配,比如:长城分布区域,道路、河流广布的山区、丘陵地带;
(4)通过本发明可以直接对原始影像进行地物标定,将已有知识填绘到图像上,使图像的解译更准确有效。
附图说明
图1为本发明的影像定位与标注流程;
图2为本发明中的海岸线提取与分割;其中A.原始遥感影像,B.海岸线提取结果,C.海岸线分割结果,D海岸线分割局部放大显示;
图3为本发明中的去除曲线不稳定的两端拐点外部分对比图;其中A原始曲线;B.去除两端拐点外部分后;
图4为本发明中的多个区域海岸线的联合精校正;
图5为本发明中的海岸线配准后的地物投射到该影像空间,实现的自动标注效果。
具体实施方式
本发明要解决的是遥感影像定位问题,即在一个包含该图像覆盖区域比较大(例如,20倍以上该图像覆盖区域)的地理范围内,准确确定该图像的地理覆盖区域。使用的技术属于形态匹配,通过提取其中的形态特征,然后进行几何形态特征空间搜索,寻找最佳的匹配位置、缩放比例、和旋转角度,从而实现影像地理定位。在定位基础上,基于该区域的已知地理信息,通过反向坐标变换,实现对图像的信息标注(图1所示)。
该发明针对特定的地理区域(Region)、分辨率相近的遥感影像间的配准,参考影像具有准确的地理定位,待配准影像知道大致的像素分辨率。在该区域内该分辨率下的海岸线的最小可分辨形态的长度为S(单位为米)。下面按步骤分述:
1.参考海岸线特征生成
首先在比例尺相近的遥感影像上提取海岸线,二维序列点集RefPoints,点集的顺序采用逆时针方向。点集的密度以能够正确描绘海岸线的几何形态为度。点的坐标单位为米(图2中的A,B)。
海岸线重采样。按照海岸线的最小可分辨形态的长度S进行定长度(这里的长度是沿折线的行进长度)的重采样,生成重采样点集RefResamplePoints。
基于RefResamplePoints进行点曲率计算生成RefCurvature序列,每个序列值为对应曲线上点的曲率。采用Lowe方法计算每点的曲率,假设参数化得曲线的表达形式为:
C(t)=(x=X(t),y=Y(t)),C(.)表示该曲线,X,Y为节点坐标,t为参数;
通过高斯卷积对该曲线进行平滑生成的平滑曲线为:
C(.)表示该曲线,为高斯平滑函数,t为参数;
平滑曲线的导数为:
X‘(.)表示曲线一阶导数,X节点的横坐标;
X“(.)表示曲线二阶导数,Y节点的横坐标;
对应的曲率计算公式为:
其中k为曲线曲率,x,y为节点的坐标。
曲线分割(图2中的C,D)。根据曲率的变化寻找曲线的拐点,考虑到曲率很小时的拐点对曲线的形态描述意义不大,这里以0.0005作为曲率的最小值,即小于该值的点均作0对待。下面是生成拐点的具体算法(伪代码描述):
计算各个单曲线段的特征值,包括:绝对累计曲率、累计曲率、曲率极值点数、曲率的极值、曲线长度、直线长度(首尾点之间的距离)。
地球上所有的海岸线都是封闭曲线,为了提高特征值计算的准确性,曲线的点序列首尾重叠一段,在生成单曲线段时,排除第一个拐点以前和最后一个拐点以后的曲线部分,依然保证该曲线能够覆盖原来的曲线范围。
2.待配准海岸线特征生成
其生成方法同参考海岸线的特征生成。把排除曲线两端拐点以外的曲线部分作为待配准曲线(图3),并计算待配准曲线的绝对累计曲率、累计曲率、曲率极值点数、曲率的极值、曲线长度、直线长度(首尾点之间的距离)等特征值,形成一个6维的向量ObjFeatureVector。同时确定该待配准曲线段的单曲线段数量。
到本发明与传统方法不一样的地方是,不是以任意的起始点作为配准点,而是以拐点作为基本配准点,其优点在于大大减少计算量。
3.备选参考海岸线生成
以2步中生成的待配准曲线段的单曲线段数量作为基本长度,在一定的容限内,从参考曲线上截出特定单曲线段数量的曲线,作为备选配准曲线集,并计算其对应的6维特征向量集RefFeatureVectorSet。
4.最佳配准海岸线筛选
最佳配准海岸线筛选,包括备选参考海岸线粗选和海岸线精确匹配
备选参考海岸线粗选
以2步中生成的ObjFeatureVector为参考,对3步中生成的RefFeatureVectorSet进行基于FLANN(Fast Library for Approximate Nearest Neighbors)Matcher的最优匹配,从中选出最优的N个备选曲线段作为下一步精确求解的备选曲线段。
海岸线精确匹配
对与步4中生成的N个备选曲线段进行精确海岸线匹配,采用基于原始曲线形态的配准方法,保证其几何形态的一致性。为此对参考曲线和待配准曲线分别进行重采样生成相同点数的点序列,即生成两组向量O和R,O和R中的向量有一一对应关系,首先通过PCA方法建立两个点集间的尺度关系。其次通过针对Wahba问题的Kabsch算法求解一个旋转矩阵M使得||O-MR||最小化。具体方法如下:
从待配准曲线点集质心到参考曲线点集质心的向量即为,曲线变换的偏移量。
质心:
P0i表示O中第i个点的坐标;
Pri表示R中第i个点的坐标;
偏移量:
参考曲线点集对质心的标准差,与待配准曲线点集对其质心的标准差之比,即为曲线变换的缩放比例。
缩放比例:
s=σr/σo
采用Kabsch算法求解旋转角度,最佳匹配的旋转角就是依据该转转矩阵M变换后的待配准点集与对应的参考点集的方差最小,即:
相应地,
对B进行SVD分解:
B=USVT,U、S、V矩阵实现对B的SVD分解,
用U,V构造要求解的矩阵M:
M=UKVT
其中K为:
K=diag([1 1 det(U)det(V)]),其中diag(.)为对角阵,det(.)是方差。
5.多区域联合精确定位
重复2-5的步骤,得到3个以上的“待配准曲线-参考曲线段对”。对待配准曲线-参考曲线段对”实施联合精校正(图4)。
单个区域的配准结果往往对其邻域的反映比较好,而周围远距离区域误差较大,采用多区域校正可以生成有效的全局变换矩阵。就是在单个区域海岸线匹配生成的变换矩阵的基础上,将每个变换矩阵使用待配准曲线的质心和参考曲线的质心,分别形成点序列,对这两个点序列进行点集配准,生成的新的变换矩阵作为全局变换矩阵。其配准方法同前述5步中的点集配准方法。
6.地物标注
依据6步中在海岸线配准的基础上生成的全局变换矩阵,将该区域的矢量信息(地物、道路等),经过反向变换直接投射到该遥感影像范围内,即实现对该图像的地物标注(图5)。
Claims (6)
1.一种实现遥感影像粗定位的方法,其特征在于实现步骤如下:
(1)从参考影像上提取完整的参考海岸线,预处理参考海岸线并生成参考海岸线每个拐点的特征向量;
(2)在待配准影像上提取海岸线,对待配准海岸线进行预处理并生成待配准海岸线每个拐点的特征向量和全线段特征向量;
(3)依据待配准海岸线的全线特征向量,从参考海岸线上筛选出备选子海岸线集;
(4)最佳配准子海岸线判定,针对每一条备海岸线,通过两级筛选来获取最佳配准海岸线;
(5)为了达到全局变换最优,在待配准影像的不同海岸带,重复(2)-(4)步骤多次,生成大于三段的配准海岸线,不同的海岸线对应于不同的海岸区域,各个海岸线的质心与其配准海岸线的质心形成两个作为两个点集,求解这两个点集的最佳变换矩阵作为最佳全局变换矩阵来提高精度,从而实现多区域联合精校正;
(6)通过最佳全局变换矩阵定位影像,并使用该最佳全局变换矩阵的逆矩阵进行该影像的自动标注。
2.根据权利要求1所述的实现遥感影像粗定位的方法,其特征在于:所述步骤(1)、(2)中生成待配准海岸线和备选参考海岸线集时,通过曲率变化来寻找拐点,并以拐点来作为待配准海岸线和参考海岸线的定位基点,对于待配准海岸线去除两端拐点以外的部分;对于参考海岸线段的生成是以待配准海岸线的单曲线段个数N为基准,并以[N-t,N+t]范围的整数长度,t取1或2,对原始参考海岸线进行不同起始点的截取生成参考海岸线段集。
3.根据权利要求1所述的实现遥感影像粗定位的方法,其特征在于:所述步骤(1)、(2)、(3)中海岸线特征向量是曲线特征向量,它为六维参量包括:绝对累计曲率、累计曲率、曲率极值点数、曲率的极值、曲线长度、直线长度即首尾点之间的距离。
4.根据权利要求1所述的实现遥感影像粗定位的方法,其特征在于:所述步骤(4)中采用两级筛选策略,即首先进行基于曲线段特征的FlannMatch搜索最优的N个参考海岸线,然后再基于原始几何形态进行标准差最小的筛选求优,同时计算待配准海岸线和对应配准参考海岸线的质心。
5.根据权利要求1所述的实现遥感影像粗定位的方法,其特征在于:所述步骤(5)中全局变换矩阵的求取是,通过多个局部海岸线配准找到的对应质心点对,来建立点集匹配,基于标准差最小来生成全局变换矩阵。
6.根据权利要求1所述的实现遥感影像粗定位的方法,其特征在于:所述步骤(5)的多次为不少于等于3次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510404606.6A CN104952080B (zh) | 2015-07-10 | 2015-07-10 | 一种实现遥感影像粗定位的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510404606.6A CN104952080B (zh) | 2015-07-10 | 2015-07-10 | 一种实现遥感影像粗定位的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104952080A true CN104952080A (zh) | 2015-09-30 |
CN104952080B CN104952080B (zh) | 2017-07-11 |
Family
ID=54166708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510404606.6A Expired - Fee Related CN104952080B (zh) | 2015-07-10 | 2015-07-10 | 一种实现遥感影像粗定位的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104952080B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886988A (zh) * | 2019-01-31 | 2019-06-14 | 湖北大学 | 一种微波成像仪定位误差的度量方法、系统、装置及介质 |
CN111581407A (zh) * | 2020-04-20 | 2020-08-25 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种构建全球地理定位参考影像数据库的方法、装置及介质 |
CN113739788A (zh) * | 2021-08-03 | 2021-12-03 | 中山大学 | 一种亮温数据的地理位置校正方法及装置 |
CN113837326A (zh) * | 2021-11-30 | 2021-12-24 | 自然资源部第一海洋研究所 | 一种基于特征曲线的机载激光测深数据配准方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003153211A (ja) * | 2001-11-19 | 2003-05-23 | Sanyo Electric Co Ltd | 水平ライン再構成装置、ラインマッチング装置および水平ライン再構成方法 |
CN102750696A (zh) * | 2012-06-06 | 2012-10-24 | 南京大学 | 一种基于仿射不变特征与海岸线约束的海岸带遥感影像自动配准方法 |
CN104463877A (zh) * | 2014-12-12 | 2015-03-25 | 武汉理工大学 | 一种基于雷达影像与电子海图信息的岸线配准方法 |
-
2015
- 2015-07-10 CN CN201510404606.6A patent/CN104952080B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003153211A (ja) * | 2001-11-19 | 2003-05-23 | Sanyo Electric Co Ltd | 水平ライン再構成装置、ラインマッチング装置および水平ライン再構成方法 |
CN102750696A (zh) * | 2012-06-06 | 2012-10-24 | 南京大学 | 一种基于仿射不变特征与海岸线约束的海岸带遥感影像自动配准方法 |
CN104463877A (zh) * | 2014-12-12 | 2015-03-25 | 武汉理工大学 | 一种基于雷达影像与电子海图信息的岸线配准方法 |
Non-Patent Citations (2)
Title |
---|
张闯; 陈铎: "基于特征的雷达与电子海图图像配准技术研究", 《航海技术 》 * |
李广儒,张闯,胡景峰: "基于Harris特征点检测法的雷达图像与电子海图的数据融合", 《大连海事大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886988A (zh) * | 2019-01-31 | 2019-06-14 | 湖北大学 | 一种微波成像仪定位误差的度量方法、系统、装置及介质 |
CN109886988B (zh) * | 2019-01-31 | 2023-05-05 | 湖北大学 | 一种微波成像仪定位误差的度量方法、系统、装置及介质 |
CN111581407A (zh) * | 2020-04-20 | 2020-08-25 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种构建全球地理定位参考影像数据库的方法、装置及介质 |
CN111581407B (zh) * | 2020-04-20 | 2023-09-12 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种构建全球地理定位参考影像数据库的方法、装置及介质 |
CN113739788A (zh) * | 2021-08-03 | 2021-12-03 | 中山大学 | 一种亮温数据的地理位置校正方法及装置 |
CN113739788B (zh) * | 2021-08-03 | 2023-05-23 | 中山大学 | 一种亮温数据的地理位置校正方法及装置 |
CN113837326A (zh) * | 2021-11-30 | 2021-12-24 | 自然资源部第一海洋研究所 | 一种基于特征曲线的机载激光测深数据配准方法 |
CN113837326B (zh) * | 2021-11-30 | 2022-03-25 | 自然资源部第一海洋研究所 | 一种基于特征曲线的机载激光测深数据配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104952080B (zh) | 2017-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110856112B (zh) | 一种群智感知的多源信息融合室内定位方法及系统 | |
CN104574347B (zh) | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 | |
CN103106688B (zh) | 基于双层配准方法的室内三维场景重建方法 | |
Kalogerakis et al. | Image sequence geolocation with human travel priors | |
CN105844669B (zh) | 一种基于局部哈希特征的视频目标实时跟踪方法 | |
CN104952080A (zh) | 一种实现遥感影像粗定位的方法 | |
US11725962B2 (en) | Systems and methods for generating, updating and enhancing large-scale high-precision 3D road maps and multi-level road graphs | |
CN101838958B (zh) | 道路坡度的检测方法 | |
CN106920235B (zh) | 基于矢量底图匹配的星载光学遥感影像自动校正方法 | |
CN107451593A (zh) | 一种基于图像特征点的高精度gps定位方法 | |
CN103826298B (zh) | 一种协作式迭代优化的无线传感器网络定位计算方法 | |
CN110827302A (zh) | 基于深度图卷积网络的点云目标提取方法及装置 | |
CN113505842B (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
CN110110946A (zh) | 基于各向异性Delaunay剖分的水质预测预警系统及其实现方法 | |
Howe et al. | Deformable part models for automatically georeferencing historical map images | |
CN109100719A (zh) | 基于星载sar影像与光学影像的地形图联合测图方法 | |
Jang et al. | Road lane semantic segmentation for high definition map | |
Li et al. | Automatic Road Extraction from High-Resolution Remote Sensing Image Based on Bat Model and Mutual Information Matching. | |
CN116385892A (zh) | 基于目标上下文卷积神经网络的数字高程模型提取方法 | |
CN108924734A (zh) | 一种三维传感器节点定位方法及系统 | |
Kulkarni et al. | “Parametric Methods to Multispectral Image Classification using Normalized Difference Vegetation Index | |
CN113064958A (zh) | 基于图传视频处理技术和数据分析的城市规划设计勘察数据建立处理方法 | |
Dhawale et al. | Spatially constrained geospatial data clustering for multilayer sensor-based measurements | |
Luana | A structure-based approach for matching road junctions with different coordinate systems | |
CN104964670A (zh) | 一种利用数字设备进行无纸化摄影测量的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170711 Termination date: 20190710 |
|
CF01 | Termination of patent right due to non-payment of annual fee |