CN108876829A - 基于非线性尺度空间及径向基函数的sar高精度配准方法 - Google Patents
基于非线性尺度空间及径向基函数的sar高精度配准方法 Download PDFInfo
- Publication number
- CN108876829A CN108876829A CN201810531894.5A CN201810531894A CN108876829A CN 108876829 A CN108876829 A CN 108876829A CN 201810531894 A CN201810531894 A CN 201810531894A CN 108876829 A CN108876829 A CN 108876829A
- Authority
- CN
- China
- Prior art keywords
- registration
- image
- scale
- nonlinear
- basis function
- 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
- G06T7/30—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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于非线性尺度空间及径向基函数的SAR高精度配准方法,用于多波段SAR图像的配准,至少包括:S100:对参考图像和待配准图像分别进行基于稀疏表征的滤波;S200:对滤波后的参考图像和待配准图像进行基于非线性模型的全局配准,获得特征匹配点对;S300:对特征匹配点对进行抽取与匹配一致性检测,并采用随机抽样一致法剔除错误匹配点,获得全局配准的变换矩阵;S400:对全局配准后的图像进行基于径向基函数的局部畸变建模,并估计局部畸变模型参数,基于变换矩阵和局部畸变模型进行局部配准。本发明结合了基于非线性尺度空间及径向基函数,可提高SAR图像配准的鲁棒性和高精度。
Description
技术领域
本发明涉及遥感图像自动高精度亚像素配准融合及其应用技术领域,特别涉及基于非线性尺度空间及径向基函数的SAR高精度配准方法。
背景技术
随着对地观测技术的发展,高分辨率(米级、亚米级)、多平台(卫星、近地空间、机载)、多谱(SAR、光学、多光谱)遥感图像的出现,多源数据时间与空间配准及其融合应用已经是最有效的遥感数据应用。要实现多传感器、多平台等遥感图像数据的融合,其关键前提是多源遥感图像的高精度(尤其是亚像素)自动配准技术。
高分辨率合成孔径雷达(以下简称为“高分SAR”)能提供全天候、全天时条件下,具有高分辨能力、详细的地面测绘资料和图像以及具有穿透性的观察视场,这种能力对现代军事侦察任务至关重要。目前SAR向多平台(星载、机载)、多极化或全极化(HH、VV、HV)、多波段(X波段、C波段、ku波段)、高分辨率(亚米级别、1m、0.5m或更高)发展,这为高分SAR军事侦察任务提供丰富的数据来源。
不同波段的SAR数据反映了地物不同的散射特性,具有互补性;因此,融合多波段SAR图像,可以更好地对目标进行观测。高精度多波段SAR配准是实现融合的关键与先决条件。
多波段SAR图像高精度配准的目的是建立两幅SAR图像中每个像素点对应关系,即把两幅SAR图像的各个像素关联到同一的坐标系统中。其基本途径主要分成两步:第一步是找到若干同名点,同名点即同一地物点在不同图像中的像素点;第二步是寻找一种映射模型,映射模型即图像的变形模型,并进行基于同名点的参数估计,在参数估计的基础将两幅图像中像素关联起来。
对于多波段SAR图像而言,图像的变形模型可以分成全局变形模型与局部畸变模型。全局变形可以用仿射参数模型来建模,通过同名点进行参数估计得到。而局部畸变由于比较复杂,目前最常用的畸变模型可以用非线性局部变形模型,如:多项式模型、薄板样条模型、局部样条模型等等。那么多波段SAR图像配准也分成两部分:(1)全局图像的配准;以及(2)局部图像的配准。
高精度多波段SAR图像配准的技术难点在于:多波段SAR图像灰度不一致性;相干斑对图像局部不变特征的提取,即引入虚假的不变特征点;SAR图像局部复杂畸变,使得高精度配准变得困难。
从全局配准的精度上看,其精度基本上在单个像素到几个像素误差之间。但是由于SAR属于斜距投影成像,所以SAR图像的局部畸变模型与光学图像的畸变模型不同,畸变较大,由于投影高度的误差及其地形起伏,全局配准的误差很难反映真实的SAR局部配准的精度。因此局部配准变得非常重要。
目前很少有研究集中在多波段SAR的局部畸变建模与精细配准上。
发明内容
本发明的目的是提供基于非线性尺度空间及径向基函数的SAR高精度配准方法,以提高SAR配准的鲁棒性和高精度。
本发明技术思路为:
首先,在预处理阶段,设计基于稀疏表征的相干斑抑制策略;其次,在全局配准阶段,设计基于非线性扩散模型的多尺度图像空间的建立,以增加金字塔中大尺度空间中的特征点数,从而提高匹配时正确匹配特征点的比例,进而提高全局匹配的鲁棒性;最后,在全局配准的基础上,引入基于径向基函数的局部畸变模型,以提高局部图像的配准精度。
为达到上述目的,本发明提供了基于非线性尺度空间及径向基函数的SAR高精度配准方法,用于多波段SAR图像的配准,至少包括:
S100:对参考图像和待配准图像分别进行基于稀疏表征的滤波;
S200:对滤波后的参考图像和待配准图像进行基于非线性模型的全局配准,获得特征匹配点对;本步骤进一步包括:
S210:对滤波后的参考图像和待配准图像分别构建基于非线性模型的多尺度图像金字塔;
S220:基于多尺度图像金字塔,进行仿射参数估计以及参考图像和待配准图像的全局配准;
S300:对特征匹配点对进行抽取与匹配一致性检测,并采用随机抽样一致法剔除错误匹配点,获得全局配准的变换矩阵;
S400:对全局配准后的图像进行基于径向基函数的局部畸变建模,并估计局部畸变模型参数,基于变换矩阵和局部畸变模型进行局部配准。
进一步的,所述基于稀疏表征的滤波,具体为:
以为目标函数,来获得滤波后的最优图像S;
其中:Ip和Sp分别表示输入图像和输出图像中像素p的灰度值,目标函数中的求和范围为图像中所有像素;λ表示控制Ip和Sp间比重的平滑参数,λ越大,表示图像Sp越平滑;
表示满足不等式的像素点数量;#表示计数符号;||表示求取绝对值;不等式表示图像中某像素点处的梯度值不为零。
进一步的,所述多尺度图像金字塔表示为:
其中:Jn(p;δs)和Jn(p;kδs)表示多尺度图像金字塔中的两层图像,Jn(p;δs)表示滤波尺度为δs的图像,Jn(p;kδs)表示滤波尺度为kδs的图像;*表示卷积计算;n表示迭代次数;RGF(x,y;δs,δr)和RGF(x,y;kδs,δr)表示滤波尺度δs和kδs对应的滤波核;(x,y)表示像素的坐标;k为保证连续尺度空间的常数乘因子;J0(p)表示滤波后的参考图像或待配准图像;
所构建的多尺度图像金字塔中各层图像连续的滤波尺度表示kbδs,b依次取0、1、2...B,kBδs表示最大滤波尺度,B值表示需要预先设置。
滤波核RGF(x,y;δs,δr)和RGF(x,y;kδs,δr)根据如下非线性模型获得:
其中:J1(p)表示通过第一次迭代的高斯滤波计算后像素p的灰度值,Jt(p)表示通过第t次迭代的双边滤波计算后像素p的灰度值;Jt-1(p)、Jt-1(q)分别表示通过第t次迭代后像素点p和q的灰度值;I(q)表示像素q的灰度值;N(p)表示像素p的邻域,q表示邻域N(p)中的像素点;δs和δr分别表示空间和距离的权重;kp表示归一化系数。
进一步的,步骤S400进一步包括:
S410:构建局部畸变模型其中,f(x,y)表示待插值像素(x,y)的灰度值;A1+A2x+A3y表示仿射变换项,A1、A2、A3为仿射变换参数;Ri(x,y)表示加权的径向对称基函数,Fi表示径向对称基函数的参数;
S420:将特征匹配点对代入局部畸变模型,并构建限制方程解算出A1、A2、A3和Fi;
S430:利用局部畸变模型进行局部配准。
本发明基于非线性尺度空间及径向基函数的SAR高精度配准方法,还包括:
在步骤S400之后,利用基于Sinc函数的重采样技术,对依次进行全局配准、局部配准后的配准图像进行重采样,将重采样的配准图像叠加,得到棋盘mosaic配准图像。
本发明还提供了基于非线性尺度空间及径向基函数的SAR高精度配准系统,用于多波段SAR图像的配准,至少包括:
滤波模块,用来对参考图像和待配准图像分别进行基于稀疏表征的滤波;
全局配准模块,用来对滤波后的参考图像和待配准图像进行基于非线性模型的全局配准,获得特征匹配点对;
所述全局配准模块进一步包括:
第一模块,用来对滤波后的参考图像和待配准图像分别构建基于非线性模型的多尺度图像金字塔;
第二模块,用来基于多尺度图像金字塔,进行仿射参数估计以及参考图像和待配准图像的全局配准;
变换矩阵获得模块,用来对特征匹配点对进行抽取与匹配一致性检测,并采用随机抽样一致法剔除错误匹配点,获得全局配准的变换矩阵;
局部配准模块,用来对全局配准后的图像进行基于径向基函数的局部畸变建模,并估计局部畸变模型参数,基于变换矩阵和局部畸变模型进行局部配准。
和现有技术相比,本发明具有以下优点和积极效果:
(1)利用基于稀疏表征的相干斑抑制方法对多波段SAR图像进行滤波,即可滤除均匀区域的相干斑噪声,同时又能保存结构性边缘等显著结构信息,这样能减少相干斑噪声对局部不变特征的提取,增加有效的局部不变特征点的比例,有利于后续局部特征点的准确提取与配准。
(2)利用非线性模型构建多尺度空间,可避免线性尺度空间构建带来的边缘模糊问题,能增加大尺度空间中特征点数,能提高特征匹配中内点比例,从而提高全局配准的精度与可靠性。
(3)为校正多波段SAR图像固有的复杂局部畸变,利用基于径向基函数的局部畸变模型。径向基函数能够建模复杂的局部畸变,同时,通过径向基函数的支撑半径,把图像畸变的参数估计局限在局部范围内,同时又能实现局部畸变的参数的估计与亚像素配准精度。
(4)本发明结合了基于非线性尺度空间及径向基函数,可提高SAR图像配准的鲁棒性和高精度。
附图说明
图1为本发明方法的具体流程图;
图2为基于稀疏表征的相干斑抑制策略的效果示意图;
图3为基于非线性模型的图像多尺度金字塔构建效果示意图;
图4为实施例中高精度配准的效果图。
具体实施方式
为了更清楚地说明本发明和/或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
本发明技术方案基于以下几个关键技术实现:
(1)设计基于稀疏表征的相干斑抑制策略,以解决SAR图像相干斑对提取局部特征点的影响,减少虚假局部特征点,增加正确匹配局部特征点(即内点)的比例。
本发明设计的基于稀疏表征的相干斑抑制策略,具体如下:
对于一幅具备两个维度的图像信号,用I表示原始输入图像,用S表示输出图像,梯度公式其中,和分别表示沿着水平方向x和竖直方向y方向求像素p的梯度,所述梯度即像素p与其水平方向x和竖直方向y的相邻像素的差值,其中,Sp表示p的灰度值,和表示分别对x和y方向求偏导,即梯度。
本发明提出如下梯度度量式:
式(1)中,C(S)表示满足不等式的像素点数量;#表示计数符号;||表示求取绝对值;不等式表示图像中某像素点处的梯度值不为零。
因此,式(1)的数学含义为,对梯度非零的像素点进行计数。
所以,输出图像S定义为通过式(2)最优化问题的求解来得到估计:
式(2)中,Ip和Sp分别表示输入图像和输出图像中像素p的灰度值;λ表示控制Ip和Sp间比重的平滑参数,λ越大,表示图像Sp越平滑;λ根据实际需求取值,其优选的取值范围为(0.0015,0.003),本实施例中,λ设为0.015。
本发明提出的相干斑抑制策略,能最大程度抑制SAR图像中均匀区域的相干斑噪声,同时还能保持SAR图像的显著结构信息,从而减少相干斑噪声对局部不变特征的提取,增加有效的局部不变特征点的比例。采用上述基于稀疏表征的相干斑抑制策略对SAR图像进行去噪,去噪效果见图2,其中,图(a)和(c)为原始SAR图像,图(b)和(d)为分别为图(a)和图(c)中原始SAR图像去噪后的SAR图像。
(2)设计基于非线性模型的图像多尺度金字塔构建,构建大尺度图像空间的同时,保留目标的边缘等结构信息,增加大尺度中局部特征不变点的数量,增强匹配的可靠性。
本发明所设计的非线性模型见式(3):
式(3)中,J1(p)表示通过第一次迭代的高斯滤波计算后像素p的灰度值,Jt(p)表示通过第t次迭代的双边滤波计算后像素p的灰度值;Jt-1(p)、Jt-1(q)分别表示通过第t次迭代后像素点p和q的灰度值;I(q)表示像素q的灰度值;N(p)表示像素p的邻域,q表示邻域N(p)中的像素点;δs和δr分别表示空间和距离的权重,本实施例中,δs=1.25,δr=0.2;kp表示归一化系数。
利用非线性模型构建多尺度空间金字塔,具体操作为对进行了相干斑抑制后的SAR图像进行多尺度滤波,多尺度滤波的数学定义式如下:
式(4)中:J0(p)表示输入SAR图像;Jn(p;δs)和Jn(p;kδs)表示经滤波后的图像,即多尺度空间金字塔中的某一层图像,Jn(p;δs)表示滤波尺度为δs,Jn(p;kδs)表示滤波尺度为kδs;*表示卷积计算;n表示迭代次数;RGF(x,y;δs,δr)和RGF(x,y;kδs,δr)表示滤波核,由公式(3)求得,其中,(x,y)表示像素的坐标;k是保证连续尺度空间的常数乘因子,本实施例中取值为1.25。
基于非线性模型得到多尺度图像金字塔,能够避免线性高斯图像金字塔造成的目标边界模糊。而且,相对线性高斯图像金字塔,基于非线性模型得到的尺度金字塔可增加大尺度局部不变特征数量,从而增加全局配准的可靠性与参数估计精度。采用上述基于非线性模型构建SAR图像的多尺度金字塔,构建效果见图3,其中,图(a)为原始SAR图像,图(b)~(d)为多尺度滤波后的图像金字塔,从图(b)到图(d),滤波尺度逐层递进。从图中可以看出,滤波尺度越大,图像均匀区域越模糊,但边缘区域越清晰。
(3)设计基于径向基函数的图像局部畸变建模与配准,实现亚像素的配准精度。
径向基函数是图像非刚体变换配准中使用最多的函数。首先,对给定的平面上一系列点,获得各点的坐标和相应的灰度值,这里,平面上一系列点构成X点集,也即全局配准获得的特征匹配点对,X点集中点也记为控制点,假设X点集中有m对控制点对。
需要插值的点坐标所对应的灰度值由式(5)所示的局部畸变模型计算得到:
式(5)中:
(x,y)表示待插值像素点的坐标;
f(x,y)表示待插值像素点(x,y)的灰度值;
A1+A2x+A3y表示仿射变换项,A1、A2、A3为仿射变换参数;
Ri(x,y)表示加权的径向对称基函数,(xi,yi)表示X点集中第i个点的坐标,d2为用来调节插值平面弯曲程度的参数,当d2增加时,插值平面将更均匀;d2根据实际需求取值,其优选的取值范围为(0.001,0.5),本实施例中,d2取值0.1;
Fi表示径向对称基函数的参数。
当求解上式参数的控制点之间距离变化较大,则插值平面变得更加波动。式(5)包含m+3个参数,其中,3个仿射变换参数和m个径向对称基函数的参数。将m对控制点代入式(5)中将得到m个方程。从式(6)获得3个限制方程,此时即有m+3个方程可以求得得到f(x,y)函数中的m+3个参数。
式(6)中,和分别表示X点集中第i个点的横坐标和纵坐标。
图4所示为实施例中本发明方法的高精度配准效果图,其中,图(a)和(b)分别为参考图像和待配准图像,图(d)是本发明匹配后的效果图,图(c)是图(d)的棋盘镶嵌mosaic匹配效果图。
基于上述三个技术点,本发明方法的具体步骤如下:
S100:采用所设计的基于稀疏表征的相干斑抑制策略,对参考图像和待配准图像分别进行基于稀疏表征的滤波。
S200:对滤波后的参考图像和待配准图像进行基于非线性模型的全局配准,获得特征匹配点对。更具体的,首先,采用公式(3)和(4)对滤波后的参考图像和待配准图像分别构建基于非线性模型的多尺度图像金字塔;然后,基于所构建的多尺度图像金字塔进行仿射参数估计与全局匹配。
S300:对特征匹配点对进行抽取与匹配一致性检测,并采用随机抽样一致法(Random sample consensus,RANSAC),剔除错误匹配点,得到全局配准的变换矩阵。
S400:基于径向基函数构建式(5)所示的局部畸变模型,采用局部畸变模型对全局配准后的图像进行局部配准。
上述实施例所述是用以具体说明本发明,文中虽通过特定的术语进行说明,但不能以此限定本发明的保护范围,熟悉此技术领域的人士可在了解本发明的精神与原则后对其进行变更或修改而达到等效目的,而此等效变更和修改,皆应涵盖于权利要求范围所界定范畴内。
Claims (7)
1.基于非线性尺度空间及径向基函数的SAR高精度配准方法,用于多波段SAR图像的配准,其特征是,至少包括:
S100:对参考图像和待配准图像分别进行基于稀疏表征的滤波;
S200:对滤波后的参考图像和待配准图像进行基于非线性模型的全局配准,获得特征匹配点对;本步骤进一步包括:
S210:对滤波后的参考图像和待配准图像分别构建基于非线性模型的多尺度图像金字塔;
S220:基于多尺度图像金字塔,进行仿射参数估计以及参考图像和待配准图像的全局配准;
S300:对特征匹配点对进行抽取与匹配一致性检测,并采用随机抽样一致法剔除错误匹配点,获得全局配准的变换矩阵;
S400:对全局配准后的图像进行基于径向基函数的局部畸变建模,并估计局部畸变模型参数,基于变换矩阵和局部畸变模型进行局部配准。
2.如权利要求1所述的基于非线性尺度空间及径向基函数的SAR高精度配准方法,其特征是:
所述基于稀疏表征的滤波,具体为:
以为目标函数,来获得滤波后的最优图像S;
其中:Ip和Sp分别表示输入图像和输出图像中像素p的灰度值,目标函数中的求和范围为图像中所有像素;λ表示控制Ip和Sp间比重的平滑参数,λ越大,表示图像Sp越平滑;
表示满足不等式的像素点数量;#表示计数符号;| |表示求取绝对值;不等式表示图像中某像素点处的梯度值不为零。
3.如权利要求1所述的基于非线性尺度空间及径向基函数的SAR高精度配准方法,其特征是:
所述多尺度图像金字塔表示为:
其中:Jn(p;δs)和Jn(p;kδs)表示多尺度图像金字塔中的两层图像,Jn(p;δs)表示滤波尺度为δs的图像,Jn(p;kδs)表示滤波尺度为kδs的图像;*表示卷积计算;n表示迭代次数;RGF(x,y;δs,δr)和RGF(x,y;kδs,δr)表示滤波尺度δs和kδs对应的滤波核;(x,y)表示像素的坐标;k为保证连续尺度空间的常数乘因子;J0(p)表示滤波后的参考图像或待配准图像;
所构建的多尺度图像金字塔中各层图像连续的滤波尺度表示kbδs,b依次取0、1、2…B,kBδs表示最大滤波尺度,B值表示需要预先设置。
4.如权利要求3所述的基于非线性尺度空间及径向基函数的SAR高精度配准方法,其特征是:
滤波核RGF(x,y;δs,δr)和RGF(x,y;kδs,δr)根据如下非线性模型获得:
其中:J1(p)表示通过第一次迭代的高斯滤波计算后像素p的灰度值,Jt(p)表示通过第t次迭代的双边滤波计算后像素p的灰度值;Jt-1(p)、Jt-1(q)分别表示通过第t次迭代后像素点p和q的灰度值;I(q)表示像素q的灰度值;N(p)表示像素p的邻域,q表示邻域N(p)中的像素点;δs和δr分别表示空间和距离的权重;kp表示归一化系数。
5.如权利要求1所述的基于非线性尺度空间及径向基函数的SAR高精度配准方法,其特征是:
步骤S400进一步包括:
S410:构建局部畸变模型其中,f(x,y)表示待插值像素(x,y)的灰度值;A1+A2x+A3y表示仿射变换项,A1、A2、A3为仿射变换参数;Ri(x,y)表示加权的径向对称基函数,Fi表示径向对称基函数的参数;
S420:将特征匹配点对代入局部畸变模型,并构建限制方程解算出A1、A2、A3和Fi;
S430:利用局部畸变模型进行局部配准。
6.如权利要求1所述的基于非线性尺度空间及径向基函数的SAR高精度配准方法,其特征是,还包括:
在步骤S400之后,利用基于Sinc函数的重采样技术,对依次进行全局配准、局部配准后的配准图像进行重采样,将重采样的配准图像叠加,得到棋盘mosaic配准图像。
7.基于非线性尺度空间及径向基函数的SAR高精度配准系统,用于多波段SAR图像的配准,其特征是,至少包括:
滤波模块,用来对参考图像和待配准图像分别进行基于稀疏表征的滤波;
全局配准模块,用来对滤波后的参考图像和待配准图像进行基于非线性模型的全局配准,获得特征匹配点对;
所述全局配准模块进一步包括:
第一模块,用来对滤波后的参考图像和待配准图像分别构建基于非线性模型的多尺度图像金字塔;
第二模块,用来基于多尺度图像金字塔,进行仿射参数估计以及参考图像和待配准图像的全局配准;
变换矩阵获得模块,用来对特征匹配点对进行抽取与匹配一致性检测,并采用随机抽样一致法剔除错误匹配点,获得全局配准的变换矩阵;
局部配准模块,用来对全局配准后的图像进行基于径向基函数的局部畸变建模,并估计局部畸变模型参数,基于变换矩阵和局部畸变模型进行局部配准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810531894.5A CN108876829B (zh) | 2018-05-29 | 2018-05-29 | 基于非线性尺度空间及径向基函数的sar高精度配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810531894.5A CN108876829B (zh) | 2018-05-29 | 2018-05-29 | 基于非线性尺度空间及径向基函数的sar高精度配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876829A true CN108876829A (zh) | 2018-11-23 |
CN108876829B CN108876829B (zh) | 2021-12-17 |
Family
ID=64335565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810531894.5A Expired - Fee Related CN108876829B (zh) | 2018-05-29 | 2018-05-29 | 基于非线性尺度空间及径向基函数的sar高精度配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876829B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390338A (zh) * | 2019-07-10 | 2019-10-29 | 武汉大学 | 一种基于非线性引导滤波与比率梯度的sar高精度匹配方法 |
CN111091043A (zh) * | 2019-10-23 | 2020-05-01 | 武汉大学 | 基于多尺度残余图正则化的sar全图变形场估计方法 |
CN112465883A (zh) * | 2020-11-23 | 2021-03-09 | 山东科技大学 | 一种高精度曲面非均匀图像配准方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839265A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 基于sift和归一化互信息的sar图像配准方法 |
US20140227981A1 (en) * | 2013-02-14 | 2014-08-14 | Research In Motion Corporation | Methods and apparatus for performing impedance matching |
CN104268914A (zh) * | 2014-10-24 | 2015-01-07 | 山东师范大学 | 一种4d-ct不同时相序列图像的重建方法 |
CN106295674A (zh) * | 2016-07-22 | 2017-01-04 | 深圳供电局有限公司 | 一种基于多粒子群算法的图像目标匹配检测方法及系统 |
CN107220957A (zh) * | 2017-04-25 | 2017-09-29 | 西北工业大学 | 一种利用滚动导向滤波的遥感图像融合方法 |
US20180061091A1 (en) * | 2016-08-31 | 2018-03-01 | International Business Machines Corporation | Anatomy segmentation through low-resolution multi-atlas label fusion and corrective learning |
-
2018
- 2018-05-29 CN CN201810531894.5A patent/CN108876829B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140227981A1 (en) * | 2013-02-14 | 2014-08-14 | Research In Motion Corporation | Methods and apparatus for performing impedance matching |
CN103839265A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 基于sift和归一化互信息的sar图像配准方法 |
CN104268914A (zh) * | 2014-10-24 | 2015-01-07 | 山东师范大学 | 一种4d-ct不同时相序列图像的重建方法 |
CN106295674A (zh) * | 2016-07-22 | 2017-01-04 | 深圳供电局有限公司 | 一种基于多粒子群算法的图像目标匹配检测方法及系统 |
US20180061091A1 (en) * | 2016-08-31 | 2018-03-01 | International Business Machines Corporation | Anatomy segmentation through low-resolution multi-atlas label fusion and corrective learning |
CN107220957A (zh) * | 2017-04-25 | 2017-09-29 | 西北工业大学 | 一种利用滚动导向滤波的遥感图像融合方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390338A (zh) * | 2019-07-10 | 2019-10-29 | 武汉大学 | 一种基于非线性引导滤波与比率梯度的sar高精度匹配方法 |
CN110390338B (zh) * | 2019-07-10 | 2022-08-05 | 武汉大学 | 一种基于非线性引导滤波与比率梯度的sar高精度匹配方法 |
CN111091043A (zh) * | 2019-10-23 | 2020-05-01 | 武汉大学 | 基于多尺度残余图正则化的sar全图变形场估计方法 |
CN111091043B (zh) * | 2019-10-23 | 2022-07-19 | 武汉大学 | 基于多尺度残余图正则化的sar全图变形场估计方法 |
CN112465883A (zh) * | 2020-11-23 | 2021-03-09 | 山东科技大学 | 一种高精度曲面非均匀图像配准方法 |
CN112465883B (zh) * | 2020-11-23 | 2022-03-29 | 山东科技大学 | 一种高精度曲面非均匀图像配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108876829B (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
James et al. | 3‐D uncertainty‐based topographic change detection with structure‐from‐motion photogrammetry: precision maps for ground control and directly georeferenced surveys | |
Suri et al. | Mutual-information-based registration of TerraSAR-X and Ikonos imagery in urban areas | |
Brigot et al. | Adaptation and evaluation of an optical flow method applied to coregistration of forest remote sensing images | |
CN103345757B (zh) | 多层次多特征约束下的光学和sar影像自动配准方法 | |
CN102693542B (zh) | 一种影像特征匹配方法 | |
Okolie et al. | A systematic review and meta-analysis of Digital elevation model (DEM) fusion: Pre-processing, methods and applications | |
CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
Hong et al. | A robust technique for precise registration of radar and optical satellite images | |
Wujanz et al. | Identification of stable areas in unreferenced laser scans for deformation measurement | |
CN108876829A (zh) | 基于非线性尺度空间及径向基函数的sar高精度配准方法 | |
Zhu et al. | Robust registration of aerial images and LiDAR data using spatial constraints and Gabor structural features | |
CN107341781A (zh) | 基于改进相位一致性特征矢量底图匹配的sar影像校正方法 | |
Gonçalves et al. | CHAIR: Automatic image registration based on correlation and Hough transform | |
CN104050643A (zh) | 遥感影像几何与辐射一体化相对校正方法及系统 | |
CN108022259A (zh) | 干涉sar复图像配准方法和系统 | |
CN111062972B (zh) | 基于图像频率域转换的图像跟踪方法 | |
CN113065467A (zh) | 一种基于深度学习的卫星图像低相干区域识别方法及装置 | |
CN110390338A (zh) | 一种基于非线性引导滤波与比率梯度的sar高精度匹配方法 | |
CN108509835B (zh) | 基于DFIC超像素的PolSAR图像地物分类方法 | |
Schneider et al. | Matching of high-resolution optical data to a shaded DEM | |
CN108921884A (zh) | 基于改进sift的光学与sar影像配准方法、设备及存储介质 | |
CN111368716B (zh) | 一种基于多源时空数据的地质灾害灾毁耕地提取方法 | |
Wiens et al. | Surface estimation for multiple misaligned point sets | |
Rastogi et al. | Bias corrections of CartoDEM using ICESat-GLAS data in hilly regions | |
CN117058008A (zh) | 遥感影像几何与辐射一体化校正方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20211217 |
|
CF01 | Termination of patent right due to non-payment of annual fee |