CN106296717B - 多波段sar图像匹配目标定位方法 - Google Patents
多波段sar图像匹配目标定位方法 Download PDFInfo
- Publication number
- CN106296717B CN106296717B CN201610724076.8A CN201610724076A CN106296717B CN 106296717 B CN106296717 B CN 106296717B CN 201610724076 A CN201610724076 A CN 201610724076A CN 106296717 B CN106296717 B CN 106296717B
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- multiband
- sar
- block
- 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.)
- Active
Links
Classifications
-
- 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
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出的一种多波段SAR图像匹配快速目标定位的方法。旨在提供一种运算量低、耗时少,能够提高定位精度,减少目标定位误差的快速目标定位的方法。本发明通过下述技术方案予以实现:在基于共性特征簇的多波段合成孔径雷达SAR图像配准中,针对实时SAR图像和基准图像,分别提取实时图和基准图的共性特征,采用基于共性特征簇的SAR图像同名点提取,在同名点的基础上通过图像刚体几何变换与重采样,实施实时图与基准图粗配准;以归一化积相关系数为块相似性度量准则,使用快速傅立叶变换的线性相关作为搜索策略进行块配准,精配准块图像序列与基准图像;最后根据块序列配准位置间接推算出所需目标的精确位置。本发明解决了目标地理位置的快速计算和精准性的问题。
Description
技术领域
本发明涉及一种可以广泛地应用于水文、地矿、环境监测、地形度量、目标探测等方面的,解决传感器实时合成孔径雷达SAR图像中对目标快速和精准获取地理位置的方法。更具体地说,本发明关于SAR图像匹配快速目标定位的方法。
背景技术
图像配准技术在近代信息处理领域中的应用越来越广泛,它的应用领域概括起来主要有以下几个方面:计算机视觉和模式识别,服务于目标识别、形状重建、运动监测和特征识别等;医学图像分析,比如肿瘤检测、病变定位,大脑或血管造影、血细胞显微图像分类等;遥感数据分析:农业、地理、海洋、石油、地矿勘探、污染、城市森林等;目标定位、度量、识别和分析等。遥感是对地观测获取信息的有效手段。近年来,随着遥感卫星和图像处理技术的不断发展,通过景象匹配技术获得更多遥感测绘信息的应用越来越广泛和深入。由于SAR(Synthetic Aperture Radar)图像广泛的应用,单一体制的SAR已经不能满足需要,多波段、多模式、多极化成为目前SAR技术的重要发展方向,特别是多波段SAR技术的发展最为迅速,在这种条件下得到的多幅图像数据,往往要对其进行分析和比较。由于原始图像数据随着拍摄条件的差异一般存在相对的几何差异和辐射差异,而校正图像差异的图像配准技术成为进一步处理图像的前提条件。SAR图像配准技术既是SAR图像处理一个独立的研究方向,又是多种处理技术的基础,一直以来,在研究领域受到广泛的重视并在应用领域发挥着重要作用。其中,景像匹配的目的就是在基准图和实时图之间寻找最佳的匹配,确定匹配位置。图像配准(Image Registration)是寻找两个或更多的图像(一般称作基准图像和实时图像)间合适的变换,它们是不同时间,或不同视角,或者不同传感器对同一地物拍摄的图像。配准的主要目的是去掉或者纠正基准图像或实时图像的几何畸变。数学定义图像配准可以定义为两幅图像在空间和灰度上的映射。景象匹配通常将经过数字化处理得到的实时图与预存的基准图在计算机中进行匹配比较,得到最佳匹配点,以确定出目标地物的位置。景象匹配需要根据匹配图像的不同特点,采用不同的匹配算法,而不同算法对基准图通常有不同的要求,或要求边缘特征明显,或要求纹理结构突出,或要求灰度层次清晰。实际应用中,需要根据不同的成像特性,选用不同的图像匹配算法。以往的研究大都是针对可见光景象或地形的匹配。由于SAR成像原理复杂,地形起伏造成的图像几何畸变、固有的雷达相干斑噪声等因素都会对地面SAR景象区域的特征参数的提取造成不利影响,从而给图像匹配带来更大的困难。目前的图像匹配算法主要针对实时图和基准图均为可见光图像的情况,极少讨论SAR图像之间的匹配,或是在SAR图像上的应用效果也难以让人满意。
通过对特征空间、相似性准则和搜索策略的不同选择,图像匹配的算法大体上分为三大类:基于灰度的图像匹配技术、基于特征的图像匹配技术和基于解释的图像匹配技术。其中基于特征的图像匹配技术是合成孔径雷达(SAR)图像匹配常用的方法之一。为了消除基准图和实时图配准误差和局部几何畸变对匹配结果的影响,提高匹配算法的性能,SAR图像的常用匹配算法有去均值归一化互相关和线特征匹配。由于实时图与基准图之间在成像时间、成像传感器和成像条件都不同,对基准图中选取的用于匹配定位的特征,需要在实时图中具有稳定特征,以提高匹配性能。
SAR图像匹配方法一般需要满足多方面的要求:①SAR图像信息量大。对于固定目标的定位,传统图像定位方法通常采用人工方式比对SAR图像与参考地图对目标进行定位,存在定位精度差、定位时间长。由于人工匹配误差较大,因此难以满足效率要求,必须实现特征点的自动提取和匹配。②SAR图像中存在着较大的斑点噪声,图像分辨率较光学遥感图像低,而且有阴影、叠掩等现象,因此需要一种对噪声不敏感的匹配算法。③光学遥感图像可以通过解算共线方程得到地面点的信息,而SAR图像的成像参数,飞机或卫星的轨道和姿态数据还无法十分精确地获取,多数情况是用插值的方法得到。在图像匹配的过程中要克服旋转、尺度、亮度以及一定程度的视角变化。随着合成孔径雷达的发展,获得的SAP图像数据越来越多,现有人工手动配准作业方式和基于光学图像的配准方式显然不适合实际SAR图像应用的需求。
先进的目标定位系统首先需要根据传感器获得的图像信息,快速生成目标地理坐标;其次它的效率远高于传统的手工生成流程,能够同时对多个目标进行定位。随着遥感测绘技术的发展,获得高质量的光学或SAR图像数据库变得越来越容易,基于图像数据库的目标定位越来越受到重视。这种目标定位方法的定位精度高、适应场景宽,并且能够提供可视化的定位效果。图像定位指通过传感器实时图像与图像数据库、地形数据库等进行图像匹配,再通过模型计算,获得传感器实时图像上目标的地理坐标及其精度,为坐标提供绝对坐标。
目前,国内外研究学者提出了众多的图像配准算法,针对SAR图像也有各种各样的配准方法,但是它们都是利用SAR图像的某种信息或是基于某方面的特征进行配准,并不能做到适应于广泛的实际场景。另一方面,图像之间配准的各种误差会导致最终目标定位出现较大的误差,尤其是SAR图像数据量巨大,精确配准与快速定位之间存在矛盾。在这种背景下,本发明提出了一种多波段SAR图像匹配快速目标定位的方法,提取实时图像和基准图像的共性特征簇进行匹配。在图像粗配准的基础上,通过基于块匹配的技术,快速计算出所需目标的精确位置。
发明内容
本发明的目的是针对现有技术存在的不足之处,提供一种提取算法简单、运算量低、耗时少,能够提高定位精度,减少目标定位误差,并能快速和精准获取实时SAR图像中目标地理位置的多波段SAR图像匹配快速目标定位的方法。
本发明上述目的可以通过以下措施来达到,一种多波段SAR图像匹配快速目标定位的方法,其特征在于包括以下步骤:将SAR图像配准分为粗配准和精配准两步进行预处理;在基于共性特征簇的多波段合成孔径雷达SAR图像配准中,针对实时SAR图像和基准图像,分别提取实时图和基准图的共性特征,将共性特征作为多波段SAR图像配准的特征空间,采用多种相似性度量相结合的方法确定特征之间的相似性测度与相应的搜索算法寻找同名点,根据同名点计算实时图像全局几何形变参数,通过图像刚体几何变换与重采样,实施实时图与基准图粗配准;在基于块序列图像精配准中,在所需定位目标周围截取序列小块图像,以归一化积相关系数为块相似性度量准则,使用快速傅立叶变换的线性相关作为搜索策略进行块配准,然后基于薄板样条函数对图像进行重采样和实时图像插值变换,精配准块图像序列与基准图像;在基于块匹配序列的目标像素定位中,根据块序列配准位置间接推算出所需目标的精确位置。
本发明相比于现有技术具有如下有益效果:
(1)提取算法简单。本发明是通过实时SAR图像与基准SAR图像进行配准,利用图像配准信息,从基准SAR图像中的地理位置信息快速计算出实时SAR图像中目标的地理位置信息。利用基准SAR图像中带有的地理位置信息,在SAR图像配准基础之上,将点特征、线特征、区域特征、强度特征等特征组合成特征簇作为多波段SAR图像配准的特征空间,基于共性特征簇配准多波段SAR图像,提取图像常用的特征,使用简单常用的多种图像特征组合,一方面避免了单一图像特征不稳定、对图像退化不敏感,并且不需要考虑不同波段传感器SAR图像的特殊性,另一方面提取算法简单、运算量低、耗时少。采用多种特征和多种相似性测度结合的方法,提高了粗配准的精度,解决了目标地理位置的快速计算和精准性的问题。
(2)运算量低、耗时少。本发明在图像粗配准基础上,目标周围均匀规律的划分出图像子块序列,图像粗配准减少了后续块配准的搜索范围,划分成小范围的子块图像配准减少了运算量,通过图像子块序列匹配的方法间接推算目标的位置,根据子块序列精配准的结果推算出目标的位置。
(3)提高定位精度,减少目标定位误差。本发明在所需定位像素位置的周围均匀对称分布图像子块进行块配准,规律且均匀分布的多个子块位置推算目标位置的方法减少了目标定位误差。使用精确配准的子块位置间接推算出目标像素的位置,提高定位精度。
附图说明
图1是本发明多波段SAR图像匹配的定位流程示意图。
图2是图1基于共性特征簇的多波段SAR图像匹配的流程示意图。
图3是图1中基于块匹配序列的目标像素定位示意图,其中,图3(a)表示基准图均匀分布匹配子块,图3(b)表示实时图均匀分布匹配子块,图3(c)表示子块以矩形方式分布,图3(d)表示子块以圆形方式分布。
以下结合附图详细描述。
具体实施方式
参阅图1。根据本发明,将SAR图像配准分为粗配准和精配准两步进行预处理;在基于共性特征簇的多波段合成孔径雷达SAR图像配准中,针对实时SAR图像和基准SAR图像分别提取点特征、线特征、边缘强度特征和区域特征,并作为多波段SAR图像配准的特征空间,采用多种相似性度量相结合的方法确定特征之间的相似性测度与相应的搜索算法寻找同名点,根据同名点计算实时图像全局几何形变参数,通过图像刚体几何变换与重采样,实施实时图与基准图粗配准;基于块序列图像精配准中,在所需定位目标周围截取序列小块图像,以归一化积相关系数为块相似性度量准则,使用快速傅立叶变换的线性相关作为搜索策略进行块配准,然后采用薄板样条函数对图像进行重采样和实时图像插值变换,精配准块图像序列与基准图像;基于块匹配序列的目标像素定位最后根据块序列配准位置间接推算出所需目标的精确位置。
在基于共性特征簇的多波段SAR图像配准中,设计与特征相符合的相似性测度与相应的搜索算法寻找同名点,去均值归一化相关系数、Hausdorff距离,图相似性等;最后在同名点的基础上通过图像刚体几何变换与重采样使实时图与基准图粗配准。
在粗配准中,实时SAR图像经过抑制斑点噪声等图像预处理之后进入粗配准步骤与基准SAR图像配准。其中,图像预处理采用非线性扩散滤波消除SAR图像相干斑噪声与局部畸变对粗配准的影响,采用正则化的非线性扩散模型如下:
其中,L0表示原图像,L是滤波后的图像,Gσ为方差σ的高斯核函数,是扩散函数,div是散度函数,是图像梯度算子。
参阅图2。为保证具备高定位精度与对图像退化的不敏感性,基于共性特征簇的多波段SAR图像配准采用提取点特征、线特征、边缘强度特征和区域特征的方法寻找同名点。这些特征提取算子均采用常用算法。分别提取实时图和基准图的共性特征后,建立以点特征空间图、线特征空间图、强度特征空间图和区域特征空间图,多重数据体系作为图像的共性特征,共性特征包括点特征、线特征、边缘强度特征和区域特征。
建立共性特征簇,共性特征簇针对各类型的特征分别采用与之相符合的相似性测度和搜索算法获得同名点。
基于共性特征簇的多波段SAR图像配准,共性特征簇根据获得的同名点计算实时图像全局几何形变的参数,采用图像刚体变换模型公式,建立由水平、垂直方向的平移和旋转组成的全局几何形变,图像刚体变换模型公式为
式中,R表示相应的尺度因子、θ表示旋转角度,ΔX,ΔY表示图像平移量,X,Y,分别表示变换前后的图像像素坐标。根据获取的同名点对,以均方根误差最小为寻优准则,计算出全局几何形变参数。将实时图像经过代入形变参数的上式图像刚体变换模型,并通过重采样得到粗配准图像。
参阅图3。在精配准过程中,根据精配准图像块匹配需要定位的目标像素位置,在实时图和基准图上,以需要定位的点为中心的周围固定位置截取均匀且对称分布的8小块图像;然后以归一化积相关系数为块匹配时的相似性度量准则,对每块图像分别进行块匹配配准,利用这8小块图像的精配准位置间接计算出所需要的目标像素位置。采用薄板样条函数插值方法使实时图与基准图精配准;归一化积相关系数公式如下:
其中,p,q为位置偏移量,M×N为分块图像大小,A、B、分别为实时图和基准图的图像分块、图像分块的平均值。
采用基于快速傅立叶变换的线性相关方法作为搜索策略,完成块图像序列的精配准,步骤如下:
基准图采用行列分离的方式进行S×S点快速傅立叶变换,并求出基准图的傅立叶变换的共扼变换矩阵;实时图进行S×S点快速傅立叶变换,获得变换矩阵H,利用基准图的共扼变换矩阵X*、实时图的快速傅立叶变换矩阵H,逐点复数相乘然后再取共轭,得到矩阵Y=H*X,其中,S=2r,r为整数。
对矩阵Y采用行列分离的方法做S×S点反傅立叶变换,得到基准图和实时图的实数相关矩阵y1,即为所需的原始相关系数矩阵。原始相关系数矩阵y1做归一化处理,得到所需的归一化相关矩阵y,在矩阵y中查找最大值得匹配点坐标,返回结果。
序列块图像配准之后,可以采用薄板样条函数对实时图像插值,使实时图与基准图像精配准。块序列配准会给出实时图像上一系列像素点的配准坐标值,通过薄板样条函数插值得到整幅图像的精配准,
薄板样条函数表达式
其中,ri 2=(x-xi)2+(y-yi)2+d2,A1、A2、A3、Bi、d为系数,可通过已知的配准像素坐标值求得。薄板样条函数包含了一项仿射变换及一项径对称函数,保证图像精配准具有较好的精度。
在块序列精配准的基础上,以图3(a)、图3(b)所示块配准的中心位置间接推算目标的位置。是图3(a)是基准图,图3(b)是实时图。对实时图中的A点进行定位,采用的是围绕A点截取对称均匀的8子块。8子块的排列方式可以按图3(c)所示的矩形排列或者按图3(d)所示的圆形分布。通过上文所述的粗配准和精配准过程得到这8个块分别的匹配位置为(xi,yi),可以推算出实时图中心A点对应的基准图A’点在基准图中的坐标,计算如下:
根据8块图像精配准分别得到的匹配位置为(xi,yi),以求平均数的方式间接推算出目标像素位置坐标由此得到所需目标像素位置的坐标(xA,yA)。
Claims (10)
1.一种多波段SAR图像匹配快速目标定位的方法,其特征在于包括以下步骤:将SAR图像配准分为粗配准和精配准两步进行预处理;在基于共性特征簇的多波段合成孔径雷达SAR图像粗配准中,针对实时SAR图像和基准图像,分别提取实时图和基准图的共性特征,将共性特征簇作为多波段SAR图像配准的特征空间,采用多种相似性度量相结合的方法确定特征之间的相似性测度与相应的搜索算法寻找同名点,再根据同名点计算实时图像全局几何形变参数,通过图像刚体几何变换与重采样,实施实时图与基准图粗配准;在基于块图像序列的精配准中,在所需定位目标周围截取序列小块图像,以归一化积相关系数为块相似性度量准则,使用快速傅立叶变换的线性相关作为搜索策略进行块配准,然后采用薄板样条函数对图像进行重采样和插值变换,使实时图与基准图精配准;最后根据块序列配准位置间接推算出所需目标的精确位置。
2.如权利要求1所述的多波段SAR图像匹配快速目标定位的方法,其特征在于:在基于共性特征簇的多波段SAR图像配准中,设计与特征相符合的相似性测度与相应的搜索算法寻找同名点,去均值归一化相关系数、Hausdorff距离和图相似性,在同名点的基础上通过图像刚体几何变换与重采样使实时图与基准图粗配准。
3.如权利要求1所述的多波段SAR图像匹配快速目标定位的方法,其特征在于:在粗配准中,实时SAR图像经过抑制斑点噪声图像预处理之后进入粗配准与基准SAR图像配准。
4.如权利要求1所述的多波段SAR图像匹配快速目标定位的方法,其特征在于:图像预处理采用非线性扩散滤波消除SAR图像相干斑噪声与局部畸变对粗配准的影响,采用正则化的非线性扩散模型:
其中,L0表示原图像,L是滤波后的图像,Gσ为方差σ的高斯核函数,是扩散函数,div是散度函数,▽是图像梯度算子。
5.如权利要求1所述的多波段SAR图像匹配快速目标定位的方法,其特征在于:分别提取实时图和基准图的共性特征后,建立以点特征空间图、线特征空间图、强度特征空间图和区域特征空间图,多重数据体系作为图像的共性特征,共性特征包括点特征、线特征、边缘强度特征和区域特征。
6.如权利要求1所述的多波段SAR图像匹配快速目标定位的方法,其特征在于:建立共性特征簇,共性特征簇针对各类型的特征分别采用与之相符合的相似性测度和搜索算法获得同名点。
7.如权利要求1所述的多波段SAR图像匹配快速目标定位的方法,其特征在于:共性特征簇根据获得的同名点计算实时图像全局几何形变的参数,采用图像刚体变换模型公式,建立由水平、垂直方向的平移和旋转组成的全局几何形变,图像刚体变换模型公式为:
式中,R表示相应的尺度因子、θ表示旋转角度,ΔX,ΔY表示图像平移量,X,Y,分别表示变换前后的图像像素坐标。
8.如权利要求7所述的多波段SAR图像匹配快速目标定位的方法,其特征在于:根据获取的同名点对,以均方根误差最小为寻优准则,计算出全局几何形变参数,将实时图像经过代入形变参数的图像刚体变换模型,并通过重采样得到粗配准图像。
9.如权利要求1所述的多波段SAR图像匹配快速目标定位的方法,其特征在于:在精配准过程中,根据精配准图像块匹配需要定位的目标像素位置,在实时图和基准图上,以需要定位的点为中心的周围固定位置截取均匀且对称分布的8小块图像;然后以归一化积相关系数为块匹配时的相似性度量准则,对每块图像分别进行块匹配配准,利用这8小块图像的精配准位置间接计算出所需要的目标像素位置。
10.如权利要求1所述的多波段SAR图像匹配快速目标定位的方法,其特征在于:基准图采用行列分离的方式进行S×S点快速傅立叶变换,并求出基准图的傅立叶变换的共扼变换矩阵;实时图进行S×S点快速傅立叶变换,获得变换矩阵H,利用基准图的共扼变换矩阵X*、实时图的快速傅立叶变换矩阵H,逐点复数相乘然后再取共轭,得到矩阵Y=H*X,其中,S=2r,r为整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610724076.8A CN106296717B (zh) | 2016-08-25 | 2016-08-25 | 多波段sar图像匹配目标定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610724076.8A CN106296717B (zh) | 2016-08-25 | 2016-08-25 | 多波段sar图像匹配目标定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106296717A CN106296717A (zh) | 2017-01-04 |
CN106296717B true CN106296717B (zh) | 2019-03-19 |
Family
ID=57616269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610724076.8A Active CN106296717B (zh) | 2016-08-25 | 2016-08-25 | 多波段sar图像匹配目标定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106296717B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934843B (zh) * | 2017-03-15 | 2019-06-14 | 中国科学院遥感与数字地球研究所 | 一种Ku波段SAR基准图的制作方法 |
CN107064880A (zh) * | 2017-04-10 | 2017-08-18 | 南京航空航天大学 | 分布式多基雷达收发波束同步和波束控制的高精度方法 |
CN109146918B (zh) * | 2018-06-11 | 2022-04-22 | 西安电子科技大学 | 一种基于分块的自适应相关目标定位方法 |
CN109615631A (zh) * | 2018-10-17 | 2019-04-12 | 平安普惠企业管理有限公司 | 图片特定区域提取方法、装置、计算机设备及存储介质 |
CN109633633B (zh) * | 2018-12-27 | 2021-01-19 | 西安交通大学 | 一种基于分段分类增强处理的生命信号增强方法 |
CN110163896B (zh) * | 2019-03-29 | 2023-02-03 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Sar图像匹配方法 |
CN117173438B (zh) * | 2023-09-04 | 2024-02-27 | 之江实验室 | 一种深度耦合多源传感特性的景象匹配方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361590A (zh) * | 2014-11-12 | 2015-02-18 | 河海大学 | 一种控制点自适应分布的高分辨率遥感影像配准方法 |
-
2016
- 2016-08-25 CN CN201610724076.8A patent/CN106296717B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361590A (zh) * | 2014-11-12 | 2015-02-18 | 河海大学 | 一种控制点自适应分布的高分辨率遥感影像配准方法 |
Non-Patent Citations (1)
Title |
---|
遥感图像配准技术综述;余先川;《光学精密工程》;20131130;第21卷(第11期);第2960-2972页 |
Also Published As
Publication number | Publication date |
---|---|
CN106296717A (zh) | 2017-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106296717B (zh) | 多波段sar图像匹配目标定位方法 | |
CN106548462B (zh) | 基于薄板样条插值的非线性sar图像几何校正方法 | |
CN110058237B (zh) | 面向高分辨率SAR影像的InSAR点云融合及三维形变监测方法 | |
CN107560592B (zh) | 一种用于光电跟踪仪联动目标的精确测距方法 | |
CN108629835A (zh) | 基于高光谱、真彩图与点云互补的室内重建方法及系统 | |
Chen et al. | A backprojection-based imaging for circular synthetic aperture radar | |
CN103093459B (zh) | 利用机载LiDAR点云数据辅助影像匹配的方法 | |
CN104361590A (zh) | 一种控制点自适应分布的高分辨率遥感影像配准方法 | |
CN109461132A (zh) | 基于特征点几何拓扑关系的sar图像自动配准方法 | |
CN109741446B (zh) | 一种三维数字地球动态生成精细海岸地形的方法 | |
CN107729893A (zh) | 一种合模机的视觉定位方法、系统和存储介质 | |
CN110245566B (zh) | 一种基于背景特征的红外目标远距离追踪方法 | |
CN109341668A (zh) | 基于折射投影模型和光束追踪法的多相机测量方法 | |
CN108960190A (zh) | 基于fcn图像序列模型的sar视频目标检测方法 | |
Zhu et al. | Robust registration of aerial images and LiDAR data using spatial constraints and Gabor structural features | |
CN109597074A (zh) | 一种sar影像几何定位参数校正方法及系统 | |
CN115060208A (zh) | 基于多源卫星融合的输变电线路地质灾害监测方法及系统 | |
CN106709432B (zh) | 基于双目立体视觉的人头检测计数方法 | |
CN117422753A (zh) | 一种联合光学和sar图像的高精度场景实时三维重建方法 | |
CN109270527A (zh) | 圆迹sar子孔径图像序列联合相关dem提取方法 | |
CN105403886B (zh) | 一种机载sar定标器图像位置自动提取方法 | |
BROCKELBANK et al. | Stereo elevation determination techniques for SPOT imagery | |
CN108008382B (zh) | 一种多基地星载干涉sar系统测量陡峭地形的方法 | |
CN113850868A (zh) | 一种波浪爬高图像识别方法 | |
CN106910178B (zh) | 一种基于色调统计特性分类的多角度sar图像融合方法 |
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 |