CN105913378A - 顾及层次任务依赖的遥感影像并行拼接方法 - Google Patents
顾及层次任务依赖的遥感影像并行拼接方法 Download PDFInfo
- Publication number
- CN105913378A CN105913378A CN201610216866.5A CN201610216866A CN105913378A CN 105913378 A CN105913378 A CN 105913378A CN 201610216866 A CN201610216866 A CN 201610216866A CN 105913378 A CN105913378 A CN 105913378A
- Authority
- CN
- China
- Prior art keywords
- image
- task
- remote sensing
- layer
- region
- 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
- 238000000034 method Methods 0.000 title claims abstract description 117
- 230000008569 process Effects 0.000 claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000005304 joining Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 6
- 238000003475 lamination Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000009432 framing Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 3
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
一种顾及层次任务依赖的遥感影像并行拼接方法,采取了分层次生成接缝线的方法,将上一层次的计算结果作为下一层次计算的输入数据,具体过程为:首先生成原始遥感影像的有效区;根据已获取的影像有效区生成有效区矢量图层,通过矢量图层获得不同层数相交区多边形,对每一多边形的分水岭变换作为一个任务,当前图层中多边形加入任务队列;再将任务分配给空闲进程进行并行处理,当前层所有多边形处理完毕后再处理上一层标记多边形,直至所有任务都已完成;最终求得各影像最终在拼接影像中的拼接范围,对拼接影像中的各像元赋值。本发明可精确地完成遥感影像并行拼接,并能够解决并行拼接中存在层次任务依赖问题,能够满足实际生产的需要。
Description
技术领域
本发明涉及一种遥感影像并行拼接方法,特别涉及一种解决遥感影像并行拼接过程中层次任务依赖问题的方法。
背景技术
遥感影像是地理信息系统(GIS)中的重要地理数据类型,在资源调查、环境监测、气象天气预报、灾害监测和评估、军事目标识别等领域发挥着越来越重要的作用。然而,对于大区域的应用而言,由于成像设备性能所限,研究区域设计的范围往往不是一幅影像所能覆盖的,需要多幅影像拼接,形成较大区域的遥感影像图。因此,遥感影像并行处理技术研究日益受到关注,遥感影像并行拼接是遥感影像并行处理技术的重要内容之一。
遥感影像拼接是在影像的重叠区内找到一条接缝线,作为影像范围线,将影像拼接起来形成拼接影像。“最佳”的接缝线应是穿过重叠区域的视觉差异最小的线,确保拼接图像中地物的完整性及色度(调)一致性,从而保证拼接处理的质量。基于数学形态学的影像拼接方法可使接缝线尽可能地沿着明显地物的边界分布,以地物的边界“掩盖”拼接时可能出现的接缝线,能够达到良好的拼接效果。然而,当使用数学形态学方法进行多幅影像拼接时,需要对所有影像重叠区进行处理。此外,对于影像多重重叠的区域,需要先处理两重重叠,在此基础上再处理三层重叠,依次逐层处理,直至所有层次的重叠均处理完,这样才能确保接缝线的正确性。可见,影像多重重叠区域的影像拼接具有层次任务依赖的特点,这种依赖将极大地影响遥感影像并行拼接的效率。因此,如何优化和减少内存占用,如何减少任务依赖,是提高遥感影像并行拼接效率的关键。
目前,针对遥感影像拼接过程的并行化研究已有一些成果。2002年,安兴华等在“Journal of Tsinghua University”上发表“Fine-grained parallel algorithm for remote sensing image mosaics for cluster system”,提出 了一种适用于机群系统的细粒度遥感图像拼接并行算法,根据影像选取时不规则边界的情况,改进λ插值图像融合算法计算重叠区像素值,通过双任务缓冲队列和动态任务选择实现负载均衡;2010年,Wang等在“International Conference on Grid and Cooperative Comput ing”会议期刊上发表“An Optimized Image Mosaic Algorithm with Parallel I/O and Dynamic Grouped Parallel StrategyBased on Minimal Spanning Tree”一文,对拼接并行的讨论集中在使用流水线方法解决I/O冲突问题;2011年,陈晨等在“Microelectronics&Computer”上发表“A Fast and Automatic Parallel Algorithm of Remote Sensing Image Mosaic”,提出了一种根据像素点到中心点的归一化距离计算出重叠区的像素值的方法,解决了图像两两拼接的问题给并行带来的困难。现有的遥感影像并行拼接方法,多采用直方图均衡、插值等计算简单、无任务依赖的算法,舍弃了精度和稳定性较好的有任务依赖的复杂算法,并没有解决遥感影像并行拼接中的任务依赖问题,这一问题的解决值得进一步研究。
综上,遥感影像并行拼接存在以下问题:
1)遥感影像并行拼接存在任务依赖。对于影像多重重叠的区域,需要先处理两重重叠,在此基础上再处理三层重叠,依次逐层处理,直至所有层次的重叠均处理完,这样才能确保接缝线的正确性。因此,影像多重重叠区域的影像拼接具有层次任务依赖的特点,这种依赖将极大地影响遥感影像并行拼接的效率。
2)对内存存储容量要求高。影像拼接进行的前提是每一幅参与拼接的影像至少与一幅其他影像部分重叠。多幅影像重叠时,重叠区是相连且可能是一个整体。因此,需要将全部参与拼接的影像存储在内存中,且除影像数据本身,还要存储各影像的梯度数据及标记数据,以一幅大小为7000行*7000列*6波段的TM为例,其占用的内存约为400M。当参与拼接的影像较多时,占用的内存很 大。
发明内容
本发明要解决的技术问题是:针对上述现有技术的不足,提供一种顾及层次任务依赖的遥感影像并行拼接方法。
为了解决上述技术问题,本发明提出的技术方案是:一种顾及层次任务依赖的遥感影像并行拼接方法,包括如下步骤:
第一步、获取所有待拼接原始遥感影像的有效区,并据此生成有效区矢量图层;
第二步、根据有效区矢量图层之间的空间重叠关系,获得两层、三层、…和hmax层重叠区域的多边形图层,用i层重叠区域的多边形图层表示其中,i层重叠区域的多边形图层是指有效区矢量图层之间i层重叠区域所形成的多边形图层,i的取值范围为i∈{2,3,…,hmax};
第三步、在主进程中创建任务队列和进程队列,将所有两层重叠区域的多边形图层放入任务队列,所有空闲的从进程放入进程队列,主进程将任务队列中的各任务分配给进程队列中的从进程并行处理,并将已分配的任务和接收任务的从进程分别从各自的队列中删除;
第四步、接收到任务的从进程采用分水岭算法求解两层重叠区域对应的两幅影像间的接缝线,并将结果返回给主进程,主进程将完成任务的从进程加入进程队列中;本步骤中,从进程利用两层重叠区域的边界作为分水岭算法的种子点进行两层叠区域接缝线的求取;
第五步、两层重叠处理完之后,主进程将三层重叠区域的多边形图层添加到任务队列,并分配给空闲的从进程并行处理,从进程采用分水岭算法求解三层重叠区域的三幅影像间的接缝线,并将结果返回给主进程;本步骤中,从进 程根据两层重叠区域的接缝线将三层叠区域的边界进行分割,分割后的子边界作为分水岭算法的种子点进行三层叠区域接缝线的求取;
第六步、以此类推直到hmax层重叠区域的多边形图层被分配,获得hmax层重叠区域的hmax幅影像间的接缝线;
第七步、主进程根据所有的接缝线求得各影像最终在拼接后目标影像中的范围,进而对拼接影像中的各像元赋值,获得拼接后的遥感影像。
本发明还具有如下进一步的特征:
1、所述待拼接原始遥感影像的空间分辨率相等,波段数相同,且空间参考一致。
2、第二步中,获取重叠区域的多边形图层的方法是,根据影像的有效区,判断输入影像间的空间关系,从而建立重叠关系矩阵:
mi,j表示重叠关系矩阵中第i行第j列的矩阵元素值;
逐行扫描重叠关系矩阵,以编号与行号相同的影像为当前处理的主影像,标记的重叠区域约束在主影像的重叠区。
3、在高性能计算集群上进行,所述高性能计算集群通过一组松散集成的计算机协作完成计算工作,计算集群中的单个计算机称为节点,节点间通过局域网进行连接,将任务分配到不同的计算节点来提高计算能力。
本发明有益效果如下:
第一,本发明针对遥感影像并行拼接方法存在的任务依赖问题,提出基于实时任务调度的减少任务依赖方法。根据数据划分和存储优化结果,研究了任务依赖的特性,定义了不同类型的任务,将完全依赖问题转换为部分依赖。
第二,本发明针对遥感影像并行拼接方法对内存存储容量要求高的问题, 提出以重叠区为处理对象减少内存占用方案。以影像两两重叠得到的两层重叠区、三层重叠区等单独重叠区取代整个重叠区作为处理对象,以减少内存的负担。
第三,本发明方法适应性强,经实践证明,使用本发明方法可以精确且快速的完成遥感影像拼接,能够满足实际生产的需要,相比传统的遥感影像拼接方法具有更强实用性。
附图说明
下面结合附图对本发明作进一步的说明。
图1-a为实验数据有效区示意图。
图1-b为本例遥感影像的拼接结果示意图。
图2-a为八幅影像的有效区矢量图层示意图。
图2-b为三重相交区域示意图。
图2-c为两层重叠区域的拼接线示意图。。
图2-d为八幅影像的三层重叠区域示意图。
图2-e为求取的八幅影像的三层重叠区域的拼接线示意图。
图2-f为八幅影像最终的拼接线示意图。
图3为并行生成接缝线中的任务调度流程图。
图4为并行写出拼接影像过程中的任务调度流程图。
具体实施方式
下面根据附图详细阐述本发明,使本发明的技术路线和操作步骤更加清晰。
实验数据为80幅Landsat TM遥感影像。影像覆盖了中国东部东经108.23°到123.65°、北纬25.07°到48.42°的地区。每一幅影像至少有一幅影像与其重叠。影像的格式为GeoTIFF,数据量约为31.53GB。影像获取的时间在2003 年到2007年,成像是的光照、大气及传感器状况皆有不同。影像的坐标参考系为Asia Lambert Conformal Conic,并已经过相对辐射校正处理。如图1-a所示,为实验数据有效区示意图。
实验环境为高性能计算集群上进行。高性能集群通过一组松散集成的计算机协作完成计算工作,通过将计算任务分配到不同的计算节点来提高计算能力。集群系统中的单个计算机称为节点,节点间通过局域网进行连接。进行实验的高性能集群共有9个节点,每个节点配有一个CPU(Intel Xeon 250Quad Core E5-2620,2.0GHz clock speed)及4GB内存条。集群配备有2个1TB硬盘。节点间以集成双千兆以太网连接,集群的操作系统为CentOS6.3。
本实施例顾及层次任务依赖的遥感影像并行拼接方法,包括如下步骤:
第一步、获取所有待拼接原始遥感影像的有效区,并据此生成有效区矢量图层。为了使本实施例过程更直观,本例中以编号为0-7八幅影像为例,说明整个拼接过程。如图2-a所示为这八幅影像的有效区矢量图层,图中看出互相之间存在重叠区域。
第二步、根据有效区矢量图层之间的空间重叠关系,获得两层、三层、…和hmax层重叠区域的多边形图层,用i层重叠区域的多边形图层表示其中,i层重叠区域的多边形图层是指有效区矢量图层之间i层重叠区域所形成的多边形图层,i的取值范围为i∈{2,3,…,hmax}。
第二步中,获取重叠区域的多边形图层的方法是,根据影像的有效区,判断输入影像间的空间关系,从而建立重叠关系矩阵:
mi,j表示重叠关系矩阵中第i行第j列的矩阵元素值;
逐行扫描重叠关系矩阵,以编号与行号相同的影像为当前处理的主影像, 标记的重叠区域约束在主影像的重叠区。
如图2-b所示,颜色较浅的灰色区域为二重相交区域,颜色较深的灰色区域为三重相交区域。本例中,计算二层重叠区域时,以两两影像重叠为二层重叠区域,因此二层重叠区域中可能会包含有图中深色的三重相交区域,在没有更高重的相交区域情况下,图2-b中的三重相交区域就是三层重叠区域。本例中之所以这样做,是为了后续拼接线的获取.
第三步、在主进程中创建任务队列和进程队列,将所有两层重叠区域的多边形图层放入任务队列,所有空闲的从进程放入进程队列,主进程将任务队列中的各任务分配给进程队列中的从进程并行处理,并将已分配的任务和接收任务的从进程分别从各自的队列中删除。
第四步、接收到任务的从进程采用分水岭算法求解两层重叠区域对应的两幅影像间的接缝线,如图2-c为两层重叠区域的拼接线示意图。并将结果返回给主进程,主进程将完成任务的从进程加入进程队列中;本步骤中,从进程利用两层重叠区域的边界作为分水岭算法的种子点进行两层叠区域接缝线的求取。
本实施例中,首先将层数h=2的标记多边形放入任务队列,共得到139个子任务,在高性能计算机上启动80个进行对任务队列进行处理。各进程采用分水岭算法求解影像间接缝线,分水岭算法思想是将图像看成是地形表面,想象在图像的每个区域谷底(局部最小值)刺了一个孔,水从刺过孔的海拔最低的谷底开始往上涌,慢慢地淹没图像的流域。当水面到达其它流域的谷底时,这些刺过孔的谷底开始渗水,当来自不同底谷的水要汇合时,就在交汇处建起高于最高表面高程的堤坝。浸没过程结束时,这些筑起的堤坝将地面分成了不同盆地(集水盆地),因而对应的图像也被分割成为不同的区域,堤坝连成的封闭曲线即为分水岭。这就是基于浸入模拟的分水岭算法的一般过程。
第五步、两层重叠处理完之后,主进程将三层重叠区域的多边形图层添加到任务队列,并分配给空闲的从进程并行处理,从进程采用分水岭算法求解三层重叠区域的三幅影像间的接缝线,并将结果返回给主进程;本步骤中,从进程根据两层重叠区域的接缝线将三层叠区域的边界进行分割,分割后的子边界作为分水岭算法的种子点进行三层叠区域接缝线的求取。
如图2-d为这八幅影像的三层重叠区域示意图,图中每个矩形块表示三层重叠区域。利用图2-c中的二层重叠区域的拼接线对图2-d中矩形边界进行分割,进而利用分水岭算法求取三层重叠区域的分割线。如图2-e所示,为求取的这八幅影像的三层重叠区域的拼接线。
第六步、以此类推直到hmax层重叠区域的多边形图层被分配,获得hmax层重叠区域的hmax幅影像间的接缝线。
获取最终标记多边形时,首先进程统计任务数量,建立一个任务队列,任务队列中的一个任务由代表任务类型的变量和多边形的编号组成;同时建立一个进程队列,将从进程ID放入进程队列。主进程进行任务分配时,从任务队列中取出一个任务,从进程队列中取出一个进程,将该任务信息发送给该从进程;主进程接收从进程任务完成情况,当接收到一个从进程完成一个任务的信息后,将该从进程放入进程队列,等待再次分配任务,同时根据任务完成情况,判断是否存在满足执行条件的新的任务,如果存在可加入的新任务,则在任务队列中加入该新任务,如果不存在,则继续根据任务队列和进程队列分配任务,直至任务全部完成。由于并行算法是基于MPI(Message Passing Interface即标准消息传递接口)进行消息传递的,消息从发出到接收存在时间差,而判断是否加入新任务的计算量小,耗时小,因此可以采用MPI提供的非阻塞消息传递方式,在消息发送到接收的时间差中,主进程进行是否加入新任务的判断,可 以有效利用时间,提高并行算法的效率。从进程负责计算,即从主进程接收任务的信息,根据任务的类型选择任务执行的运算,将任务完成情况发送给主进程。
第七步、主进程根据所有的接缝线求得各影像最终在拼接后目标影像中的范围,进而对拼接影像中的各像元赋值,获得拼接后的遥感影像。
本实施例中,形成拼接影像过程,当多幅影像拼接时,形成的拼接影像数据量很大,给影像的存储、读写带来困难,因此有必要对拼接影像进行分幅。本研究将一幅分幅影像的大小确定为与Landsat影像大小相似的8000行*7000列。由于该过程以像元为计算对象,因此影像分幅不会影响算法的并行性。主进程负责任务的管理与分配;从进程负责计算,即接收分幅影像信息,建立分幅影像,并根据已完成的各影像在拼接影像中的范围的标记多边形,确定分幅影像中像元的值,写出分幅影像后,将任务完成消息发送给主进程。
如图2-f为这八幅影像最终的拼接线示意图。如图1-b所示为本例80幅Landsat TM遥感影像的拼接结果示意图。图3为并行生成接缝线中的任务调度流程图。图4为并行写出拼接影像过程中的任务调度流程图。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (4)
1.一种顾及层次任务依赖的遥感影像并行拼接方法,包括如下步骤:
第一步、获取所有待拼接原始遥感影像的有效区,并据此生成有效区矢量图层;
第二步、根据有效区矢量图层之间的空间重叠关系,获得两层、三层、…和hmax层重叠区域的多边形图层,用i层重叠区域的多边形图层表示其中,i层重叠区域的多边形图层是指有效区矢量图层之间i层重叠区域所形成的多边形图层,i的取值范围为i∈{2,3,…,hmax};
第三步、在主进程中创建任务队列和进程队列,将所有两层重叠区域的多边形图层放入任务队列,所有空闲的从进程放入进程队列,主进程将任务队列中的各任务分配给进程队列中的从进程并行处理,并将已分配的任务和接收任务的从进程分别从各自的队列中删除;
第四步、接收到任务的从进程采用分水岭算法求解两层重叠区域对应的两幅影像间的接缝线,并将结果返回给主进程,主进程将完成任务的从进程加入进程队列中;本步骤中,从进程利用两层重叠区域的边界作为分水岭算法的种子点进行两层叠区域接缝线的求取;
第五步、两层重叠处理完之后,主进程将三层重叠区域的多边形图层添加到任务队列,并分配给空闲的从进程并行处理,从进程采用分水岭算法求解三层重叠区域的三幅影像间的接缝线,并将结果返回给主进程;本步骤中,从进程根据两层重叠区域的接缝线将三层叠区域的边界进行分割,分割后的子边界作为分水岭算法的种子点进行三层叠区域接缝线的求取;
第六步、以此类推直到hmax层重叠区域的多边形图层被分配,获得hmax层重叠区域的hmax幅影像间的接缝线;
第七步、主进程根据所有的接缝线求得各影像最终在拼接后目标影像中的范围,进而对拼接影像中的各像元赋值,获得拼接后的遥感影像。
2.根据权利要求1所述的顾及层次任务依赖的遥感影像并行拼接方法,其特征在于:所述待拼接原始遥感影像的空间分辨率相等,波段数相同,且空间参考一致。
3.根据权利要求1所述的顾及层次任务依赖的遥感影像并行拼接方法,其特征在于:第二步中,获取重叠区域的多边形图层的方法是,根据影像的有效区,判断输入影像间的空间关系,从而建立重叠关系矩阵:
mi,j表示重叠关系矩阵中第i行第j列的矩阵元素值;
逐行扫描重叠关系矩阵,以编号与行号相同的影像为当前处理的主影像,标记的重叠区域约束在主影像的重叠区。
4.根据权利要求1所述的顾及层次任务依赖的遥感影像并行拼接方法,其特征在于:在高性能计算集群上进行,所述高性能计算集群通过一组松散集成的计算机协作完成计算工作,计算集群中的单个计算机称为节点,节点间通过局域网进行连接,将任务分配到不同的计算节点来提高计算能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610216866.5A CN105913378B (zh) | 2016-04-08 | 2016-04-08 | 顾及层次任务依赖的遥感影像并行拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610216866.5A CN105913378B (zh) | 2016-04-08 | 2016-04-08 | 顾及层次任务依赖的遥感影像并行拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105913378A true CN105913378A (zh) | 2016-08-31 |
CN105913378B CN105913378B (zh) | 2019-03-08 |
Family
ID=56745763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610216866.5A Active CN105913378B (zh) | 2016-04-08 | 2016-04-08 | 顾及层次任务依赖的遥感影像并行拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105913378B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106293952A (zh) * | 2016-07-11 | 2017-01-04 | 河南大学 | 一种基于任务需求与服务能力匹配的遥感任务调度方法 |
CN106846285A (zh) * | 2016-12-30 | 2017-06-13 | 苏州中科天启遥感科技有限公司 | 高性能遥感影像合成方法及装置 |
CN108985306A (zh) * | 2018-07-05 | 2018-12-11 | 南京大学 | 基于改进边界代数法的相交多边形提取方法 |
CN110399508A (zh) * | 2019-04-12 | 2019-11-01 | 重庆大学 | 一种可记录图像位置并将图像用于信号采集的软件 |
CN111080520A (zh) * | 2019-12-10 | 2020-04-28 | 西安中科星图空间数据技术有限公司 | 一种基于主框架搜索的卫星影像快速镶嵌方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1837853A (zh) * | 2006-04-28 | 2006-09-27 | 武汉大学 | 一种遥感影像镶嵌中的拼接缝消除方法 |
CN101807295A (zh) * | 2010-03-26 | 2010-08-18 | 华中科技大学 | 一种遥感图像无缝镶嵌拼接线的生成方法 |
US20140072209A1 (en) * | 2012-09-13 | 2014-03-13 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
CN104933687A (zh) * | 2015-07-09 | 2015-09-23 | 武汉大学 | 一种考虑变化区域的接缝线多尺度羽化算法 |
-
2016
- 2016-04-08 CN CN201610216866.5A patent/CN105913378B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1837853A (zh) * | 2006-04-28 | 2006-09-27 | 武汉大学 | 一种遥感影像镶嵌中的拼接缝消除方法 |
CN101807295A (zh) * | 2010-03-26 | 2010-08-18 | 华中科技大学 | 一种遥感图像无缝镶嵌拼接线的生成方法 |
US20140072209A1 (en) * | 2012-09-13 | 2014-03-13 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
CN104933687A (zh) * | 2015-07-09 | 2015-09-23 | 武汉大学 | 一种考虑变化区域的接缝线多尺度羽化算法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106293952A (zh) * | 2016-07-11 | 2017-01-04 | 河南大学 | 一种基于任务需求与服务能力匹配的遥感任务调度方法 |
CN106293952B (zh) * | 2016-07-11 | 2019-06-21 | 河南大学 | 一种基于任务需求与服务能力匹配的遥感任务调度方法 |
CN106846285A (zh) * | 2016-12-30 | 2017-06-13 | 苏州中科天启遥感科技有限公司 | 高性能遥感影像合成方法及装置 |
CN108985306A (zh) * | 2018-07-05 | 2018-12-11 | 南京大学 | 基于改进边界代数法的相交多边形提取方法 |
CN108985306B (zh) * | 2018-07-05 | 2020-03-31 | 南京大学 | 基于改进边界代数法的相交多边形提取方法 |
CN110399508A (zh) * | 2019-04-12 | 2019-11-01 | 重庆大学 | 一种可记录图像位置并将图像用于信号采集的软件 |
CN111080520A (zh) * | 2019-12-10 | 2020-04-28 | 西安中科星图空间数据技术有限公司 | 一种基于主框架搜索的卫星影像快速镶嵌方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105913378B (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913378A (zh) | 顾及层次任务依赖的遥感影像并行拼接方法 | |
Lu et al. | 2-line exhaustive searching for real-time vanishing point estimation in manhattan world | |
CN105976378A (zh) | 基于图模型的显著性目标检测方法 | |
CN106203430A (zh) | 一种基于前景聚集度和背景先验的显著性物体检测方法 | |
CN104463970B (zh) | 一种基于遥感影像确定城市三维重心的方法及其应用 | |
CN112084869A (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
CN108230326B (zh) | 基于gpu-cpu协同的卫星影像拉花变形快速检测方法 | |
CN103646396A (zh) | 双目立体匹配算法的匹配代价算法和非局部立体匹配算法 | |
Xie et al. | Automatic simplification and visualization of 3D urban building models | |
CN103617596A (zh) | 一种基于流型转换的图像色彩风格变换方法 | |
CN103871072A (zh) | 基于投影数字高程模型的正射影像镶嵌线自动提取方法 | |
CN105004337A (zh) | 基于直线匹配的农用无人机自主导航方法 | |
Wang et al. | Superresolution land cover mapping based on pixel-, subpixel-, and superpixel-scale spatial dependence with pansharpening technique | |
CN108550132A (zh) | 一种基于全局紧凑先验和全局相似度显著传播的协同显著目标检测方法 | |
WO2021102948A1 (zh) | 图像处理方法及装置 | |
Liu et al. | A novel exemplar-based image inpainting algorithm | |
CN109345450B (zh) | 一种利用地理实体要素信息的影像镶嵌方法 | |
Wang et al. | Seamline determination for high resolution orthoimage mosaicking using watershed segmentation | |
CN110321942A (zh) | 一种基于球形特征的细粒度图像分类方法与装置 | |
Huang et al. | Urban Building Classification (UBC) V2-A Benchmark for Global Building Detection and Fine-grained Classification from Satellite Imagery | |
CN117315169A (zh) | 基于深度学习多视密集匹配的实景三维模型重建方法和系统 | |
CN110276270A (zh) | 一种高分辨率遥感影像建筑区提取方法 | |
Hu et al. | MVLayoutNet: 3D layout reconstruction with multi-view panoramas | |
CN113781587B (zh) | 基于最佳路径的遥感影像色彩一致性处理方法 | |
CN105894578A (zh) | 基于最小距离变换的正射影像镶嵌拓扑网自动生成方法 |
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 |