CN109886988B - 一种微波成像仪定位误差的度量方法、系统、装置及介质 - Google Patents
一种微波成像仪定位误差的度量方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN109886988B CN109886988B CN201910099371.2A CN201910099371A CN109886988B CN 109886988 B CN109886988 B CN 109886988B CN 201910099371 A CN201910099371 A CN 201910099371A CN 109886988 B CN109886988 B CN 109886988B
- Authority
- CN
- China
- Prior art keywords
- coastline
- matrix
- image
- positioning
- fitting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 220
- 230000008859 change Effects 0.000 claims description 41
- 238000005457 optimization Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 26
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000012216 screening Methods 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及一种微波成像仪定位误差的度量方法、系统、装置及介质，方法包括获取微波成像仪数据，并根据所述微波成像仪数据获取LandSeaMask数据图像；对所述LandSeaMask数据图像进行图像处理，获取所述LandSeaMask数据图像中陆地和海洋边界的多个海岸线点；对每一个所述海岸线点进行曲面拟合插值，得到拟合曲面图像，并根据所述拟合曲面图像获取海岸线定位；利用点集匹配方法获取所述海岸线定位与对应的邻域真实海岸线的邻域海岸线定位之间的点集对应关系，并根据所述点集对应关系计算定位误差。本发明能够利用更多的海岸线信息，计算更准确的定位误差，且计算量小，计算难度较低，鲁棒性强，从而能更准确有效地对卫星的姿态角进行纠正，可靠性高。
Description
技术领域
本发明涉及遥感图像处理技术领域，尤其涉及一种微波成像仪定位误差的度量方法、系统、装置及介质。
背景技术
微波成像仪是装载于FY-3卫星上的重要遥感仪器，该仪器以圆锥扫描的方式对地球进行观测获取亮度温度数据。这些数据在数值天气预报和灾害环境监测当中发挥了重要作用。地理定位精度是影响其遥感数据定量化应用的重要因素。因此，如何准确度量微波成像仪数据的定位误差并进行校正，对于卫星数据的实际应用有重要意义。
目前，国内外针对微波成像仪地理定位误差分析最常用的算法是海岸线拐点法。其核心思想为筛选经过海岸线周围4个连续观察点，并通过三次多项式拟合求变化最快的点(拐点)；将拐点当作定位的海岸线点，计算其与地球高精度海岸线数据库中相应的海岸线点的距离作为定位误差；最后根据定位误差对卫星的三个姿态角进行校正。
但是由于观察点存在噪声，寻找4个连续观察点针对某一方向(经度或纬度)进行3次曲线拟合，只利用这4个观察点的信息往往是不够的，且利用这4个观察点计算出的定位误差的准确度不够，而如果获取大量的观察点进行定位误差的度量，会导致计算量太大，计算难度增加。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种微波成像仪定位误差的度量方法、系统、装置及介质，以解决传统海岸线拐点法对微波成像仪定位误差的度量准确度不够，而通过大量观察点又会导致计算量大、计算难度大且效率低的技术问题。
本发明解决上述技术问题的技术方案如下：
一种微波成像仪定位误差的度量方法，包括以下步骤：
步骤1：获取微波成像仪数据，并根据所述微波成像仪数据获取LandSeaMask数据图像；
步骤2：对所述LandSeaMask数据图像进行图像处理，获取所述LandSeaMask数据图像中陆地和海洋边界的多个海岸线点；
步骤3：对每一个所述海岸线点进行曲面拟合插值，得到拟合曲面图像，并根据所述拟合曲面图像获取海岸线定位；
步骤4：利用点集匹配方法获取所述海岸线定位与对应的邻域真实海岸线的邻域海岸线定位之间的点集对应关系，并根据所述点集对应关系计算定位误差。
本发明的有益效果是：微波成像仪数据为装载于卫星上的微波成像仪实际测量的数据，国家气象局根据微波成像仪数据进行处理后得到LandSeaMask数据，还包含实际测量的每个海岸线点的经度数据、纬度数据和亮度温度数据等，这些数据在数值天气预报和灾害环境监测当中发挥了重要作用。由于实际测量的每个海岸线点与真实海岸线点存在误差，因此根据微波成像仪数据获取LandSeaMask数据对应的LandSeaMask数据图像，可方便后续对LandSeaMask数据图像进行图像处理，从而筛选出与真实海岸线点更接近更准确的多个海岸线点；通过筛选出的更准确的海岸线点结合LandSeaMask数据图像进行后续的处理和海岸线定位及定位误差计算，一方面可以减少计算量，另一方面计算的定位误差与传统的海岸线拐点法更准确；通过对筛选出的每一个海岸线点进行曲面拟合插值，便于提取更准确的海岸线，能利用更多的海岸线信息，可有效避免噪声干扰，并对海岸线进行定位，便于计算更准确地定位误差；通过点集匹配方法获取海岸线定位和对应的邻域海岸线定位之间的点集对应关系，并根据该点集对应关系计算定位误差，能利用更多的海岸线信息，与传统的海岸线拐点法中通过海岸线拐点的最近点而获取的定位误差具有更强的鲁棒性，对微波成像仪定位误差的度量更准确；
本发明微波成像仪定位误差的度量方法理论严谨，与传统海岸线拐点法相比，能够利用更多的海岸线信息，计算更准确的定位误差，且计算量小，计算难度较低，鲁棒性强，从而能更准确有效地对卫星的姿态角进行纠正，可靠性高。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步：所述步骤2具体包括以下步骤：
步骤21：去除所述LandSeaMask数据图像中的陆地水区域图像，得到海陆图像；
步骤22：根据所述海陆图像获取陆地区域与海洋区域的相交面图像；
步骤23：根据所述相交面图像和所述LandSeaMask数据图像中的海岸线图像获取多个所述海岸线点。
上述进一步方案的有益效果是：LandSeaMask数据图像中包括陆地水区域图像、陆地区域图像、海洋区域图像和海岸线图像，而陆地水是指陆地上水体的总称，在筛选海岸线点之前，首先去除LandSeaMask数据图像中的陆地水区域图像，只保留陆地区域和海洋区域对应的图像，可方便后续获取陆地区域和海洋区域的相交面图像，从而便于筛选到更高品质的海岸线点；通过获取的陆地区域和海洋区域的相交面图像，与LandSeaMask数据图像中的海岸线图像之间的交集，即为筛选出的高品质的多个海岸线点，可以避免一些小面积区域(例如一些海洋区域内部的小面积岛屿，其中，小面积区域的范围可根据需要设置)的影响，通过该多个海岸线点进行定位误差的度量，能利用更多海岸线点的信息，从而保证对定位误差的度量更准确。
进一步：在所述步骤3中，得到所述拟合曲面图像的具体步骤包括：
步骤31：根据LandSeaMask数据图像获取每一个所述海岸线点的邻域定位数据；其中，所述邻域定位数据包括邻域经度矩阵、邻域纬度矩阵和邻域亮度温度矩阵；
步骤32：分别按照预设插值精度对所述邻域经度矩阵和所述邻域纬度矩阵进行线性插值，得到拟合经度矩阵和拟合纬度矩阵；对所述邻域亮度温度矩阵进行拟合插值，得到拟合亮度温度矩阵；
步骤33：根据所述拟合经度矩阵和拟合纬度矩阵的维度，对所述拟合亮度温度矩阵进行变换，得到目标亮度温度矩阵，并根据所述拟合经度矩阵、所述拟合纬度矩阵和所述目标亮度温度矩阵获取所述拟合曲面图像。
上述进一步方案的有益效果是：由于LandSeaMask数据图像与真实数据之间存在误差，因此首先根据筛选出的每一个海岸线点获取对应的邻域定位数据，再通过对邻域定位数据中的邻域经度矩阵、邻域纬度矩阵和邻域亮度温度矩阵分别进行插值，并得到拟合曲面图像，该拟合曲面图像中包含更多的海岸线信息，与传统的海岸线拐点法中的四个观测点相比，能利用更多的海岸线信息寻找更准确的海岸线，从而进行更准确的定位误差的度量；由于邻域经度矩阵和邻域纬度矩阵为线性的，而邻域亮度温度矩阵为非线性的，所以针对邻域经度矩阵和邻域纬度矩阵的插值，按照预设插值精度进行线性插值，针对邻域亮度温度矩阵的插值，需要进行非线性的拟合插值，为了便于获取拟合曲面图像，还需要将拟合插值后的拟合亮度温度矩阵按照拟合经度矩阵和拟合纬度矩阵的维度的维度进行变换。
进一步：在所述步骤32中，得到所述拟合亮度温度矩阵的具体步骤包括：
步骤321：将所述邻域亮度温度矩阵进行补零插值并变换成列向量，得到变换亮度温度矩阵；
步骤322：根据所述变换亮度温度矩阵建立优化模型，并根据所述优化模型求解所述拟合亮度温度矩阵；
所述优化模型为：
其中，Z1为所述变换亮度温度矩阵，Z为所述拟合亮度温度矩阵，A为抽取算子矩阵，||·||2为欧式范数，||AZ-Z1||2为数据保真项，Kx为x方向光滑算子矩阵，Ky为y方向光滑算子矩阵，(||KxZ||2+||KyZ||2)为光滑项，λ为调节所述数据保真项和所述光滑项的正则化参数，
表示求目标函数取最小值时的变量值；
求解到的所述拟合亮度温度矩阵为：
其中，
为所述x方向光滑算子矩阵的转置矩阵，
为所述y方向光滑算子矩阵的转置矩阵，[·]-1为矩阵求逆运算。
上述进一步方案的有益效果是：由于邻域亮度温度矩阵为非线性的，因此在邻域亮度温度矩阵的拟合插值过程中，首先将邻域亮度温度矩阵进行补零插值并变换成列向量，再建立优化模型并进行求解，由于该优化模型中包含数据保真项和光滑项，通过数据保真项可保证变换后的变换亮度温度矩阵在拟合插值过程的数据不失真，通过光滑项可保证变换亮度温度矩阵在拟合插值过程中在飞行方向和扫描方向的光滑性，通过该优化模型求解得到的拟合亮度温度矩阵能利用更多的海岸线信息，并更方便后续对海岸线进行更精确的定位。
进一步：在所述步骤3中，获取所述海岸线定位的具体步骤包括：
步骤34：根据所述拟合曲面图像获取目标亮度温度矩阵图像，利用梯度算子函数求解所述目标亮度温度矩阵图像中的每一个像素点的梯度变化量，根据所述梯度变化量得到梯度变化量矩阵图像；
所述梯度变化量为：
其中，(i,j)为所述目标亮度温度矩阵图像中第i行第j列的像素点，G(i,j)为第i行第j列的像素点对应的所述梯度变化量，Gx(i,j)为第i行第j列的像素点在x方向上的第一变化量，Gy(i,j)为第i行第j列的像素点在y方向上的第二变化量；
步骤35：对所述梯度变化量矩阵图像进行二值化处理，得到二值矩阵图像，并根据所述二值矩阵图像获取最大连通域图像，将所述最大连通域图像中梯度下降最快的拐线确定为海岸线；
步骤36：根据所述梯度变化量矩阵图像、所述最大连通域图像和所述海岸线获取所述海岸线定位。
上述进一步方案的有益效果是：由于拟合曲面图像中的目标亮度矩阵图像中亮度温度变化最大的地方即为海洋与陆地的交界处，即为要确定的海岸线，因此通过梯度算子函数计算目标亮度矩阵图像的梯度变化量，并进行二值化处理得到二值矩阵图像以及通过图像处理方法得到的最大连通域图像中梯度变化量下降最快的拐线，即为要寻找的海岸线；在通过对该海岸线进行定位即可获得准确度较高的海岸线定位，与传统的海岸线拐点法相比，利用了更多的海岸线点，而不只局限于四个观察点，定位误差的度量更为准确，且计算难度低、计算量小。
进一步：所述步骤36中的具体步骤包括：
步骤361：根据所述最大连通域图像，提取所述梯度变化量矩阵图像中的感兴趣区域图像；
步骤362：根据所述海岸线确定所述海岸线的水平海岸线方向和垂直海岸线方向，并根据所述水平海岸线方向和所述垂直海岸线方向确定搜索方向；
步骤363：以所述感兴趣区域图像的每行或每列中最大的所述梯度变化量对应的像素点为搜索起始点，根据所述搜索方向，寻找出所述感兴趣区域图像中经过所述搜索起始点的所述垂直海岸线方向上的M个感兴趣像素点；其中，M为正整数，且M≥5；
步骤364：根据所述M个感兴趣像素点获取对应的所述目标亮度温度矩阵，并根据所述目标亮度温度矩阵获取对应的所述海岸线点的定位，根据所述海岸线点的定位获取所述海岸线定位。
上述进一步方案的有益效果是：对海岸线的定位可通过对该海岸线上每一个海岸线点分别进行定位，而每一个海岸线点的定位可结合最大连通域图像和梯度变化量矩阵图像获取感兴趣区域图像，再在该感兴趣区域图像中，以每行或每列中梯度变化量最大的像素点(即为亮度温度最大对应的像素点)开始搜索，该像素点必为海岸线上的一点(海岸线点)，而由于该像素点与真实海岸线点存在一定的误差，因此通过寻找经过该像素点对应的海岸线点且垂直海岸线方向的M个感兴趣像素点，最后通过该M个感兴趣像素点进行定位，即可获得与真实更为接近的海岸线点对应的亮度温度变化最大值，通过该更为接近的海岸线点的亮度温度变化最大值在感兴趣区域图像中的位置，即可确定该位置对应的拟合经度矩阵和拟合纬度矩阵，该拟合经度矩阵和拟合纬度矩阵即为该与真实更为接近的海岸线点的位置；而每行或每列均做同样的处理，即可获得对应的海岸线定位；通过上述海岸线定位的方法，可以获得更为准确的海岸线定位，与真实的海岸线更为接近，以使后续计算的定位误差精度更高，对微波成像仪定位误差的度量更准确，从而对卫星三个姿态角的校正更精确；
其中，通过该M个感兴趣像素点进行定位，可以将该M个感兴趣像素点在感兴趣区域图像中对应的梯度变化量，进行二次曲线拟合，将拟合曲线的最大值作为与真实更为接近的海岸线点对应的亮度温度变化最大值；
其中，根据最大连通域图像，提取梯度变化量矩阵图像中的感兴趣区域图像，可通过最大连通域图像与梯度变化量矩阵图像进行点乘运算获得。
进一步：所述步骤4具体包括以下步骤：
步骤41：采用迭代最近点方法获取所述海岸线定位与对应的所述邻域海岸线定位的所述点集对应关系；
步骤42：根据所述点集对应关系计算所述海岸线定位与对应的所述邻域海岸线定位之间的平均误差，并将所述平均误差确定为所述定位误差。
上述进一步方案的有益效果是：迭代最近点方法(ICP，Iterative ClosestPoint)是一种基于最小二乘法的最优点集刚性配准算法，它重复进行“确定对应关系点集——计算最优刚体变换”的过程，直到某个表示正确匹配的收敛准则得到满足，最终得到目标点集与参考点集之间的旋转参数和平移参数，使得两个点集之间满足某种度量准则下的最优匹配；迭代最近点方法可以获得非常精确的配准效果，可以处理三维点集、参数曲面等多种形式表达的曲面，对曲面表示方法独立，不必对待处理的点集进行分割和同特征提取，适用于刚性变换，有较好的收敛性；通过迭代最近点方法可以获得精确的海岸线定位与对应的所述邻域海岸线定位之间的点集对应关系，从而获得精确的定位误差，对微波成像仪定位误差的度量更准确，从而对卫星三个姿态角的校正更精确。
依据本发明的另一方面，提供了一种微波成像仪定位误差的度量系统，包括数据获取模块、图像处理模块、海岸线定位模块和定位误差计算模块；
所述数据获取模块，用于获取微波成像仪数据，并根据所述微波成像仪数据获取LandSeaMask数据图像；
所述图像处理模块，用于对所述LandSeaMask数据图像进行图像处理，获取所述LandSeaMask数据图像中陆地和海洋边界的多个海岸线点；
所述海岸线定位模块，用于对每一个所述海岸线点进行曲面拟合插值，得到拟合曲面图像，并根据所述拟合曲面图像获取海岸线定位；
所述定位误差计算模块，用于利用点集匹配方法获取所述海岸线定位与对应的邻域真实海岸线的邻域海岸线定位之间的点集对应关系；还用于根据所述点集对应关系计算定位误差。
本发明的有益效果是：通过数据获取模块根据微波成像仪数据获取LandSeaMask数据对应的LandSeaMask数据图像，可方便后续图像处理模块对LandSeaMask数据图像进行图像处理，从而筛选出更准确的多个海岸线点；通过筛选出的更准确的海岸线点进行后续的处理和海岸线定位及定位误差计算，一方面可以减少计算量，另一方面计算的定位误差与传统的海岸线拐点法更准确；通过海岸线定位模块对筛选出的每一个海岸线点进行曲面拟合插值，便于提取更准确的海岸线，能利用更多的海岸线信息，可有效避免噪声干扰，并对海岸线进行定位，便于计算更准确地定位误差；定位误差计算模块通过点集匹配方法获取海岸线定位和对应的邻域海岸线定位之间的点集对应关系，并根据该点集对应关系计算定位误差，能利用更多的海岸线信息，与传统的海岸线拐点法中通过海岸线拐点的最近点而获取的定位误差具有更强的鲁棒性，对微波成像仪定位误差的度量更准确；
本发明的度量系统方法理论严谨，与传统海岸线拐点法相比，能够利用更多的海岸线信息，计算更准确的定位误差，且计算量小，计算难度较低，鲁棒性强，从而能更准确有效地对卫星的姿态角进行纠正，可靠性高。
依据本发明的另一方面，提供了另一种微波成像仪定位误差的度量装置，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现本发明的一种微波成像仪定位误差的度量方法中的步骤。
本发明的有益效果是：通过存储在存储器上的计算机程序，并运行在处理器上，实现本发明的微波成像仪定位误差的度量装置，方法理论严谨，与传统海岸线拐点法相比，能够利用更多的海岸线信息，计算更准确的定位误差，且计算量小，计算难度较低，鲁棒性强，从而能更准确有效地对卫星的姿态角进行纠正，可靠性高。
依据本发明的另一方面，提供了一种计算机存储介质，所述计算机存储介质包括：至少一个指令，在所述指令被执行时实现本发明的一种微波成像仪定位误差的度量方法中的步骤。
本发明的有益效果是：通过执行包含至少一个指令的计算机存储介质，实现本发明的微波成像仪定位误差的度量，方法理论严谨，与传统海岸线拐点法相比，能够利用更多的海岸线信息，计算更准确的定位误差，且计算量小，计算难度较低，鲁棒性强，从而能更准确有效地对卫星的姿态角进行纠正，可靠性高。
附图说明
图1为本发明实施例一中微波成像仪定位误差的度量方法的流程示意图一；
图2为图1为本发明实施例一中微波成像仪定位误差的度量方法的流程示意图二；
图3为本发明实施例一LandSeaMask数据图像中的原始海岸线点的示意图；
图4为本发明实施例一筛选出的海岸线点的示意图；
图5为本发明实施例一LandSeaMask数据图像中的原始亮度温度的示意图；
图6为本发明实施例一筛选出的其中一个海岸线点的邻域亮度温度矩阵的示意图；
图7为本发明实施例一筛选出的其中一个海岸线点的邻域亮度温度矩阵经过拟合插值后的目标亮度温度矩阵的示意图；
图8为本发明实施例一中梯度变化量矩阵图像的示意图；
图9为本发明实施例一中二值矩阵图像的示意图；
图10为本发明实施例一中感兴趣区域图像的示意图；
图11为本发明实施例一中获取的海岸线定位与邻域海岸线定位的对比示意图；
图12为本发明实施例二中微波成像仪定位误差的度量系统的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
下面结合附图，对本发明进行说明。
实施例一、如图1所示，一种微波成像仪定位误差的度量方法，包括以下步骤：
S1：获取微波成像仪数据，并根据所述微波成像仪数据获取LandSeaMask数据图像；
S2：对所述LandSeaMask数据图像进行图像处理，获取所述LandSeaMask数据图像中陆地和海洋边界的多个海岸线点；
S3：对每一个所述海岸线点进行曲面拟合插值，得到拟合曲面图像，并根据所述拟合曲面图像获取海岸线定位；
S4：利用点集匹配方法获取所述海岸线定位与对应的邻域真实海岸线的邻域海岸线定位之间的点集对应关系，并根据所述点集对应关系计算定位误差。
根据微波成像仪数据获取LandSeaMask数据对应的LandSeaMask数据图像，可方便后续对LandSeaMask数据图像进行图像处理，从而筛选出更准确的多个海岸线点；通过筛选出的更准确的海岸线点进行后续的处理和海岸线定位及定位误差计算，一方面可以减少计算量，另一方面计算的定位误差与传统的海岸线拐点法更准确；通过对筛选出的每一个海岸线点进行曲面拟合插值，便于提取更准确的海岸线，能利用更多的海岸线信息，可有效避免噪声干扰，并对海岸线进行定位，便于计算更准确地定位误差；通过点集匹配方法获取海岸线定位和对应的邻域海岸线定位之间的点集对应关系，并根据该点集对应关系计算定位误差，能利用更多的海岸线信息，与传统的海岸线拐点法中通过海岸线拐点的最近点而获取的定位误差具有更强的鲁棒性，对微波成像仪定位误差的度量更准确.
本实施例的度量方法理论严谨，与传统海岸线拐点法相比，能够利用更多的海岸线信息，计算更准确的定位误差，且计算量小，计算难度较低，鲁棒性强，从而能更准确有效地对卫星的姿态角进行纠正，可靠性高。
优选地，如图2所示，S2具体包括以下步骤：
S21：去除所述LandSeaMask数据图像中的陆地水区域图像，得到海陆图像；
具体地，本实施例中LandSeaMask数据图像中不同值代表不同的区域图像种类，数值1代表陆地区域图像，2代表陆地水区域图像，3代表海洋区域图像，5代表海岸线图像；其中，本实施例LandSeaMask数据图像中等于5的原始海岸线点如图3所示；
将LandSeaMask数据图像中等于2的区域赋值为1，将陆地水当作陆地，即相当于去除陆地水区域图像；
S22：根据所述海陆图像获取陆地区域与海洋区域的相交面图像；
具体地，本实施例分别找到LandSeaMask数据图像中等于1和等于3的区域，使用Matlab自带的bwareaopen函数去掉小面积区域(其中，小面积区域的范围可根据需要设置阈值)，然后以半径为1的结构体，分别用Matlab自带的imdilate函数对保留的两个区域进行膨胀，然后获取这两个区域的交集，即得到陆地区域与海洋区域的相交面图像；
S23：根据所述相交面图像和所述LandSeaMask数据图像中的海岸线图像获取多个所述海岸线点；
具体地，本实施例通过获取LandSeaMask数据图像中等于5的区域与上述相交面图像取交集，即得到多个海岸线点；
本实施例通过上述S21～S23筛选出的多个海岸线点如图4所示。
从图3和图4可以看出，在筛选海岸线点之前，首先去除LandSeaMask数据图像中的陆地水区域图像，只保留陆地区域和海洋区域对应的图像，可方便后续获取大面积陆地区域和大面积海洋区域的相交面图像，从而便于筛选到更高品质的海岸线点；通过获取的大面积陆地区域和大面积海洋区域的相交面图像，与LandSeaMask数据图像中的海岸线图像之间的交集，即为筛选出的高品质的多个海岸线点，可以避免一些小面积岛屿区域的影响，通过该多个海岸线点进行定位误差的度量，能利用更多海岸线点的信息，从而保证对定位误差的度量更准确。
优选地，如图3所示，在S3中，得到所述拟合曲面图像的具体步骤包括：
S31：根据LandSeaMask数据图像获取每一个所述海岸线点的邻域定位数据；其中，所述邻域定位数据包括邻域经度矩阵、邻域纬度矩阵和邻域亮度温度矩阵；
具体地，本实施例记其中一个海岸线点的邻域经度矩阵、邻域纬度矩阵和邻域亮度温度矩阵分别为Lat0、Lon0和Z0；其中，LandSeaMask数据图像中的原始亮度温度如图5所示，其中一个海岸线点对应的邻域亮度温度矩阵Z0如图6所示；
S32：分别按照预设插值精度对所述邻域经度矩阵和所述邻域纬度矩阵进行线性插值，得到拟合经度矩阵和拟合纬度矩阵；对所述邻域亮度温度矩阵进行拟合插值，得到拟合亮度温度矩阵；
具体地，本实施例中微波成像仪数据的分辨率在扫描方向为9km，在飞行方向为15km，以S23中筛选的其中一个海岸线点为中心，半径为6×4邻域作为待处理区域；使用Matlab自带的interp2函数对该邻域内的邻域经度矩阵Lat0和邻域纬度矩阵Lon0分别在扫描方向进行线性插值9倍和飞行方向进行线性插值15倍，记插值后的拟合经度矩阵和拟合纬度矩阵分别为Lat1和Lon1，且矩阵大小为46×46，插值后的Lat1和Lon1在扫描方向和飞行方向的分辨率均为1km，具有各项同性的效果；
S33：根据所述拟合经度矩阵和拟合纬度矩阵的维度，对所述拟合亮度温度矩阵进行变换，得到目标亮度温度矩阵，并根据所述拟合经度矩阵、所述拟合纬度矩阵和所述目标亮度温度矩阵获取所述拟合曲面图像；
本实施例通过拟合插值并变换后的目标亮度温度矩阵如图7所示。
通过上述S31～S33得到的拟合曲面图像中包含更多的海岸线信息，与传统的海岸线拐点法中的四个观测点相比，能利用更多的海岸线信息寻找更准确的海岸线，从而进行更准确的定位误差的度量。
优选地，在S32中，得到所述拟合亮度温度矩阵的具体步骤包括：
S321：将所述邻域亮度温度矩阵进行补零插值并变换成列向量，得到变换亮度温度矩阵；
具体地，对于邻域亮度温度矩阵Z0进行等比例的补0插值，并按行拉成大小为2116×1的列向量，得到的变换亮度温度矩阵记为Z1，其中Z1中非零值的索引集合为Ind＝{414·i+15·j-428,i＝1,2…,6,j＝1,2…,4}；
S322：根据所述变换亮度温度矩阵建立优化模型，并根据所述优化模型求解所述拟合亮度温度矩阵；
所述优化模型为：
其中，Z1为所述变换亮度温度矩阵，Z为所述拟合亮度温度矩阵，A为抽取算子矩阵，||·||2为欧式范数，||AZ-Z1||2为数据保真项，Kx为x方向光滑算子矩阵，Ky为y方向光滑算子矩阵，(||KxZ||2+||KyZ||2)为光滑项，λ为调节所述数据保真项和所述光滑项的正则化参数，
表示求目标函数取最小值时的变量值；
求解到的所述拟合亮度温度矩阵为：
其中，
为所述x方向光滑算子矩阵的转置矩阵，
为所述y方向光滑算子矩阵的转置矩阵，[·]-1为矩阵求逆运算；
具体地，λ一般取值为1，Z是大小为2116×1的列向量，A是大小为2116×2116且取值为0和1的稀疏矩阵，且其稀疏性体现在
在其它地方A取值为0；
Kx和Ky均为大小为2116×2116且取值为-2、0和1的稀疏矩阵，分别用于保证拟合的Z在飞行方向和扫描方向的光滑性，并分别记为：
Indx＝{46·(i-1)+j,i＝1,2,…,46,j＝1,2,…,44}和
Indy＝{46·(i-1)+j,i＝1,2,…,44,j＝1,2,…,46}；
且Kx的稀疏性和Ky的稀疏性分别体现在：
通过对优化模型进行求导，令其等于0，就可得到拟合亮度温度矩阵的公式，最后将求得的拟合亮度温度矩阵按照行转化为大小为46×46的矩阵，得到目标亮度温度矩阵如图7所示。
由于邻域亮度温度矩阵为非线性的，因此在邻域亮度温度矩阵的拟合插值过程中，首先将邻域亮度温度矩阵进行补零插值并变换成列向量，再建立优化模型并进行求解，由于该优化模型中包含数据保真项和光滑项，通过数据保真项可保证变换后的变换亮度温度矩阵在拟合插值过程的数据不失真，通过光滑项可保证变换亮度温度矩阵在拟合插值过程中在飞行方向和扫描方向的光滑性，通过该优化模型求解得到的拟合亮度温度矩阵能利用更多的海岸线信息，并更方便后续对海岸线进行更精确的定位。
优选地，如图2所示，在S3中，获取所述海岸线定位的具体步骤包括：
S34：根据所述拟合曲面图像获取目标亮度温度矩阵图像，利用梯度算子函数求解所述目标亮度温度矩阵图像中的每一个像素点的梯度变化量，根据所述梯度变化量得到梯度变化量矩阵图像；
所述梯度变化量为：
其中，(i,j)为所述目标亮度温度矩阵图像中第i行第j列的像素点，G(i,j)为第i行第j列的像素点对应的所述梯度变化量，Gx(i,j)为第i行第j列的像素点在x方向上的第一变化量，Gy(i,j)为第i行第j列的像素点在y方向上的第二变化量；
具体地，使用Matlab自带的gradient梯度算子函数求得目标亮度温度矩阵图像中每一像素点(i,j)分别在x和y方向上的第一变化量和第二变化量分别为Gx(i,j)和Gy(i,j)，得到每一像素点(i,j)的梯度变化量G(i,j)，并根据该梯度变化量得到梯度变化量矩阵图像，记为G，如图8所示；
S35：对所述梯度变化量矩阵图像进行二值化处理，得到二值矩阵图像，并根据所述二值矩阵图像获取最大连通域图像，将所述最大连通域图像中梯度下降最快的拐线确定为海岸线；
具体地，给定一个阈值T，根据该阈值对梯度变化量矩阵G进行二值化处理，当G＞T时赋值为1，当G＜T时赋值为0，并将得到的二值矩阵图像记为B，本实施例取T＝1.5，得到的二值矩阵图像如图9所示；由于当原始数据噪声较大时，二值矩阵图像B可能包含多个连通域，通过使用Matlab自带的regionprops函数保留面积最大的连通域，即根据二值矩阵图像B获取最大连通域图像，将最大连通域图像记为B1；然后根据该最大连通域图像的所有点，使用主成分分析(PCA)找到该区域的主方向和次方向，则该主方向和次方向分别可以看作水平海岸线方向和垂直海岸线方向；
S36：根据所述梯度变化量矩阵图像、所述最大连通域图像和所述海岸线获取所述海岸线定位。
由于拟合曲面图像中的目标亮度矩阵图像中亮度温度变化最大的地方即为海洋与陆地的交界处，即为要确定的海岸线，因此通过梯度算子函数计算目标亮度矩阵图像的梯度变化量，并进行二值化处理得到二值矩阵图像以及通过图像处理方法得到的最大连通域图像中梯度变化量下降最快的拐线，即为要寻找的海岸线；在通过对该海岸线进行定位即可获得准确度较高的海岸线定位，与传统的海岸线拐点法相比，利用了更多的海岸线点，而不只局限于四个观察点，定位误差的度量更为准确，且计算难度低、计算量小。
优选地，S36中的具体步骤包括：
S361：根据所述最大连通域图像，提取所述梯度变化量矩阵图像中的感兴趣区域图像；
具体地，将最大连通域图像与梯度变化量矩阵图像作点乘运算，得到感兴趣区域图像，记为G1，即G1＝G·B1；意即找出B1中等于0的区域，并将G中对应的这些区域赋值为0，感兴趣区域图像即为梯度变化量矩阵图像G中赋值为0的区域图像，如图10所示；
S362：根据所述海岸线确定所述海岸线的水平海岸线方向和垂直海岸线方向，并根据所述水平海岸线方向和所述垂直海岸线方向确定搜索方向；
S363：以所述感兴趣区域图像的每行或每列中最大的所述梯度变化量对应的像素点为搜索起始点，根据所述搜索方向，寻找出所述感兴趣区域图像中经过所述搜索起始点的所述垂直海岸线方向上的M个感兴趣像素点；其中，M为正整数，且M≥5；
具体地，水平海岸线方向即前述S35中的PCA获取的主方向与飞行方向(对应y)的夹角为θ，如果θ∈[45°,135°]，则按y方向进行搜索，找到感兴趣区域图像G1在每行中的梯度变化量最大值点P，并通过该点和前述S35中的PCA获取的次方向找到垂直海岸线方向上的5个感兴趣像素点，即该点P和海岸线左右各两个点；如果θ∈[0°,45°)∪(135°,180°)，则按x方向进行搜索，找到感兴趣区域图像G1在每行中的梯度变化量最大值点P′，并通过该点和前述S35中的PCA获取的次方向找到垂直海岸线方向上的5个感兴趣像素点，即该点P′和海岸线上下各两个点；
根据这5个感兴趣像素点在感兴趣区域图像G1中对应的梯度变化量作为因变量y1，自变量x1分别设为1、2、3、4和5，使用Matlab自带的polyfit函数拟合二次曲线
则二次曲线中对称轴
所对应的梯度变化量的值
即是亮度温度变化最大值；
S364：根据所述M个感兴趣像素点获取对应的所述目标亮度温度矩阵，并根据所述目标亮度温度矩阵获取对应的所述海岸线点的定位，根据所述海岸线点的定位获取所述海岸线定位。
具体地，由于根据y0得到的梯度变化量的值(即亮度温度变化最大值)在感兴趣区域图像中的相对位置为亚像素级，则根据该亮度温度变化最大值的相对位置定位得到的拟合经度矩阵和拟合纬度矩阵也为亚像素级，因此需要借助线性插值来确定该亮度温度变化最大值的相对位置对应的拟合经度矩阵和拟合纬度矩阵，具体实现为：
根据x0在五个因变量(即1、2、3、4和5)中的相对位置计算y0在选取的5个感兴趣像素点所对应的梯度变化量中的相对位置，从而可计算出y0对应的相对梯度变化量，根据该相对梯度变化量即可确定该亮度温度变化最大值y0在感兴趣区域图像G1中的相对位置。
通过上述S361～S364得到的拟合经度矩阵和拟合纬度矩阵，即为与真实更为接近的海岸线点的位置；而每行或每列均做同样的处理，即可获得对应的海岸线定位；通过上述海岸线定位的方法，可以获得更为准确的海岸线定位，与真实的海岸线更为接近，以使后续计算的定位误差精度更高，对微波成像仪定位误差的度量更准确，从而对卫星三个姿态角的校正更精确。
优选地，如图2所示，S4具体包括以下步骤：
S41：采用迭代最近点方法获取所述海岸线定位与对应的所述邻域海岸线定位的所述点集对应关系；
具体地，邻域真实海岸线定位是通过地球高精度海岸线数据库获取；
S42：根据所述点集对应关系计算所述海岸线定位与对应的所述邻域海岸线定位之间的平均误差，并将所述平均误差确定为所述定位误差。
迭代最近点方法可以获得非常精确的配准效果，可以处理三维点集、参数曲面等多种形式表达的曲面，对曲面表示方法独立，不必对待处理的点集进行分割和同特征提取，适用于刚性变换，有较好的收敛性；通过迭代最近点方法可以获得精确的海岸线定位与对应的所述邻域海岸线定位之间的点集对应关系，从而获得精确的定位误差，对微波成像仪定位误差的度量更准确，从而对卫星三个姿态角的校正更精确；
本实施例将按照本发明所述的定位误差的度量方法获得的海岸线定位与邻域海岸线定位进行对比，如图11所示。
实施例二、如图12所示，一种微波成像仪定位误差的度量系统，包括数据获取模块、图像处理模块、海岸线定位模块和定位误差计算模块；
所述数据获取模块，用于获取微波成像仪数据，并根据所述微波成像仪数据获取LandSeaMask数据图像；
所述图像处理模块，用于对所述LandSeaMask数据图像进行图像处理，获取所述LandSeaMask数据图像中陆地和海洋边界的多个海岸线点；
所述海岸线定位模块，用于对每一个所述海岸线点进行曲面拟合插值，得到拟合曲面图像，并根据所述拟合曲面图像获取海岸线定位；
所述定位误差计算模块，用于利用点集匹配方法获取所述海岸线定位与对应的邻域真实海岸线的邻域海岸线定位之间的点集对应关系；还用于根据所述点集对应关系计算定位误差。
通过数据获取模块根据微波成像仪数据获取LandSeaMask数据对应的LandSeaMask数据图像，可方便后续图像处理模块对LandSeaMask数据图像进行图像处理，从而筛选出更准确的多个海岸线点；通过筛选出的更准确的海岸线点进行后续的处理和海岸线定位及定位误差计算，一方面可以减少计算量，另一方面计算的定位误差与传统的海岸线拐点法更准确；通过海岸线定位模块对筛选出的每一个海岸线点进行曲面拟合插值，便于提取更准确的海岸线，能利用更多的海岸线信息，可有效避免噪声干扰，并对海岸线进行定位，便于计算更准确地定位误差；定位误差计算模块通过点集匹配方法获取海岸线定位和对应的邻域海岸线定位之间的点集对应关系，并根据该点集对应关系计算定位误差，能利用更多的海岸线信息，与传统的海岸线拐点法中通过海岸线拐点的最近点而获取的定位误差具有更强的鲁棒性，对微波成像仪定位误差的度量更准确；
本实施例的度量系统方法理论严谨，与传统海岸线拐点法相比，能够利用更多的海岸线信息，计算更准确的定位误差，且计算量小，计算难度较低，鲁棒性强，从而能更准确有效地对卫星的姿态角进行纠正，可靠性高。
实施例三、基于实施例一和实施例二，本实施例还公开了一种微波成像仪定位误差的度量装置，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现如图1所示的以下步骤：
S1：获取微波成像仪数据，并根据所述微波成像仪数据获取LandSeaMask数据图像；
S2：对所述LandSeaMask数据图像进行图像处理，获取所述LandSeaMask数据图像中陆地和海洋边界的多个海岸线点；
S3：对每一个所述海岸线点进行曲面拟合插值，得到拟合曲面图像，并根据所述拟合曲面图像获取海岸线定位；
S4：利用点集匹配方法获取所述海岸线定位与对应的邻域真实海岸线的邻域海岸线定位之间的点集对应关系，并根据所述点集对应关系计算定位误差。
通过存储在存储器上的计算机程序，并运行在处理器上，实现本发明的微波成像仪定位误差的度量装置，方法理论严谨，与传统海岸线拐点法相比，能够利用更多的海岸线信息，计算更准确的定位误差，且计算量小，计算难度较低，鲁棒性强，从而能更准确有效地对卫星的姿态角进行纠正，可靠性高。
本实施例还提供一种计算机存储介质，所述计算机存储介质上存储有至少一个指令，所述指令被执行时实现所述S1～S4的具体步骤。
通过执行包含至少一个指令的计算机存储介质，实现本发明的微波成像仪定位误差的度量，方法理论严谨，与传统海岸线拐点法相比，能够利用更多的海岸线信息，计算更准确的定位误差，且计算量小，计算难度较低，鲁棒性强，从而能更准确有效地对卫星的姿态角进行纠正，可靠性高。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种微波成像仪定位误差的度量方法，其特征在于，包括以下步骤：
步骤1：获取微波成像仪数据，并根据所述微波成像仪数据获取LandSeaMask数据图像；
步骤2：对所述LandSeaMask数据图像进行图像处理，获取所述LandSeaMask数据图像中陆地和海洋边界的多个海岸线点；
步骤3：对每一个所述海岸线点进行曲面拟合插值，得到拟合曲面图像，并根据所述拟合曲面图像获取海岸线定位；
步骤4：利用点集匹配方法获取所述海岸线定位与对应的邻域真实海岸线的邻域海岸线定位之间的点集对应关系，并根据所述点集对应关系计算定位误差；
在所述步骤3中，得到所述拟合曲面图像的具体步骤包括：
步骤31：根据所述LandSeaMask数据图像获取每一个所述海岸线点的邻域定位数据；其中，所述邻域定位数据包括邻域经度矩阵、邻域纬度矩阵和邻域亮度温度矩阵；
步骤32：分别按照预设插值精度对所述邻域经度矩阵和所述邻域纬度矩阵进行线性插值，得到拟合经度矩阵和拟合纬度矩阵；对所述邻域亮度温度矩阵进行拟合插值，得到拟合亮度温度矩阵；
步骤33：根据所述拟合经度矩阵和拟合纬度矩阵的维度，对所述拟合亮度温度矩阵进行变换，得到目标亮度温度矩阵，并根据所述拟合经度矩阵、所述拟合纬度矩阵和所述目标亮度温度矩阵获取所述拟合曲面图像。
2.根据权利要求1所述的微波成像仪定位误差的度量方法，其特征在于，所述步骤2具体包括以下步骤：
步骤21：去除所述LandSeaMask数据图像中的陆地水区域图像，得到海陆图像；
步骤22：根据所述海陆图像获取陆地区域与海洋区域的相交面图像；
步骤23：根据所述相交面图像和所述LandSeaMask数据图像中的海岸线图像获取多个所述海岸线点。
3.根据权利要求2所述的微波成像仪定位误差的度量方法，其特征在于，在所述步骤32中，得到所述拟合亮度温度矩阵的具体步骤包括：
步骤321：将所述邻域亮度温度矩阵进行补零插值并变换成列向量，得到变换亮度温度矩阵；
步骤322：根据所述变换亮度温度矩阵建立优化模型，并根据所述优化模型求解所述拟合亮度温度矩阵；
所述优化模型为：
其中，Z1为所述变换亮度温度矩阵，Z为所述拟合亮度温度矩阵，A为抽取算子矩阵，||·||2为欧式范数，||AZ-Z1||2为数据保真项，Kx为x方向光滑算子矩阵，Ky为y方向光滑算子矩阵，(||KxZ||2+||KyZ||2)为光滑项，λ为调节所述数据保真项和所述光滑项的正则化参数，
(·)表示求目标函数取最小值时的变量值；
求解到的所述拟合亮度温度矩阵为：
其中，
为所述x方向光滑算子矩阵的转置矩阵，
为所述y方向光滑算子矩阵的转置矩阵，[·]-1为矩阵求逆运算。
4.根据权利要求1所述的微波成像仪定位误差的度量方法，其特征在于，在所述步骤3中，获取所述海岸线定位的具体步骤包括：
步骤34：根据所述拟合曲面图像获取目标亮度温度矩阵图像，利用梯度算子函数求解所述目标亮度温度矩阵图像中的每一个像素点的梯度变化量，根据所述梯度变化量得到梯度变化量矩阵图像；
所述梯度变化量为：
其中，(i,j)为所述目标亮度温度矩阵图像中第i行第j列的像素点，G(i,j)为第i行第j列的像素点对应的所述梯度变化量，Gx(i,j)为第i行第j列的像素点在x方向上的第一变化量，Gy(i,j)为第i行第j列的像素点在y方向上的第二变化量；
步骤35：对所述梯度变化量矩阵图像进行二值化处理，得到二值矩阵图像，并根据所述二值矩阵图像获取最大连通域图像，将所述最大连通域图像中梯度下降最快的拐线确定为海岸线；
步骤36：根据所述梯度变化量矩阵图像、所述最大连通域图像和所述海岸线获取所述海岸线定位。
5.根据权利要求4所述的微波成像仪定位误差的度量方法，其特征在于，所述步骤36中的具体步骤包括：
步骤361：根据所述最大连通域图像，提取所述梯度变化量矩阵图像中的感兴趣区域图像；
步骤362：根据所述海岸线确定所述海岸线的水平海岸线方向和垂直海岸线方向，并根据所述水平海岸线方向和所述垂直海岸线方向确定搜索方向；
步骤363：以所述感兴趣区域图像的每行或每列中最大的所述梯度变化量对应的像素点为搜索起始点，根据所述搜索方向，寻找出所述感兴趣区域图像中经过所述搜索起始点的所述垂直海岸线方向上的M个感兴趣像素点；其中，M为正整数，且M≥5；
步骤364：根据所述M个感兴趣像素点获取对应的所述目标亮度温度矩阵，并根据所述目标亮度温度矩阵获取对应的所述海岸线点的定位，根据所述海岸线点的定位获取所述海岸线定位。
6.根据权利要求4所述的微波成像仪定位误差的度量方法，其特征在于，所述步骤4具体包括以下步骤：
步骤41：采用迭代最近点方法获取所述海岸线定位与对应的所述邻域海岸线定位的所述点集对应关系；
步骤42：根据所述点集对应关系计算所述海岸线定位与对应的所述邻域海岸线定位之间的平均误差，并将所述平均误差确定为所述定位误差。
7.一种微波成像仪定位误差的度量系统，其特征在于，包括数据获取模块、图像处理模块、海岸线定位模块和定位误差计算模块；
所述数据获取模块，用于获取微波成像仪数据，并根据所述微波成像仪数据获取LandSeaMask数据图像；
所述图像处理模块，用于对所述LandSeaMask数据图像进行图像处理，获取所述LandSeaMask数据图像中陆地和海洋边界的多个海岸线点；
所述海岸线定位模块，用于对每一个所述海岸线点进行曲面拟合插值，得到拟合曲面图像，并根据所述拟合曲面图像获取海岸线定位；
所述定位误差计算模块，用于基于点集匹配方法，获取所述海岸线定位与对应的邻域真实海岸线的邻域海岸线定位之间的点集对应关系；还用于根据所述点集对应关系计算定位误差；
所述海岸线定位模块具体用于：
根据所述LandSeaMask数据图像获取每一个所述海岸线点的邻域定位数据；其中，所述邻域定位数据包括邻域经度矩阵、邻域纬度矩阵和邻域亮度温度矩阵；
分别按照预设插值精度对所述邻域经度矩阵和所述邻域纬度矩阵进行线性插值，得到拟合经度矩阵和拟合纬度矩阵；对所述邻域亮度温度矩阵进行拟合插值，得到拟合亮度温度矩阵；
根据所述拟合经度矩阵和拟合纬度矩阵的维度，对所述拟合亮度温度矩阵进行变换，得到目标亮度温度矩阵，并根据所述拟合经度矩阵、所述拟合纬度矩阵和所述目标亮度温度矩阵获取所述拟合曲面图像。
8.一种微波成像仪定位误差的度量装置，其特征在于，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现如权利要求1-6任一项权利要求所述的方法步骤。
9.一种计算机存储介质，其特征在于，所述计算机存储介质包括：至少一个指令，在所述指令被执行时实现如权利要求1-6任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910099371.2A CN109886988B (zh) | 2019-01-31 | 2019-01-31 | 一种微波成像仪定位误差的度量方法、系统、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910099371.2A CN109886988B (zh) | 2019-01-31 | 2019-01-31 | 一种微波成像仪定位误差的度量方法、系统、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109886988A CN109886988A (zh) | 2019-06-14 |
| CN109886988B true CN109886988B (zh) | 2023-05-05 |
Family
ID=66927520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910099371.2A Active CN109886988B (zh) | 2019-01-31 | 2019-01-31 | 一种微波成像仪定位误差的度量方法、系统、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109886988B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN115393438B (zh) * | 2022-08-29 | 2023-03-10 | 北京华云星地通科技有限公司 | 一种卫星的遥感影像地理定位误差检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103530635A (zh) * | 2013-09-23 | 2014-01-22 | 上海海洋大学 | 一种基于卫星微波遥感图像的海岸线提取方法 |
| CN104952080A (zh) * | 2015-07-10 | 2015-09-30 | 中国科学院软件研究所 | 一种实现遥感影像粗定位的方法 |
| CN106600589A (zh) * | 2016-12-09 | 2017-04-26 | 中国科学院合肥物质科学研究院 | 一种基于海岸线区域遥感图的星载光谱仪指向配准方法 |
| WO2017071160A1 (zh) * | 2015-10-28 | 2017-05-04 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及系统 |
-
2019
- 2019-01-31 CN CN201910099371.2A patent/CN109886988B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103530635A (zh) * | 2013-09-23 | 2014-01-22 | 上海海洋大学 | 一种基于卫星微波遥感图像的海岸线提取方法 |
| CN104952080A (zh) * | 2015-07-10 | 2015-09-30 | 中国科学院软件研究所 | 一种实现遥感影像粗定位的方法 |
| WO2017071160A1 (zh) * | 2015-10-28 | 2017-05-04 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及系统 |
| CN106600589A (zh) * | 2016-12-09 | 2017-04-26 | 中国科学院合肥物质科学研究院 | 一种基于海岸线区域遥感图的星载光谱仪指向配准方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109886988A (zh) | 2019-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107301661B (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
| 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 | |
| CN106548462B (zh) | 基于薄板样条插值的非线性sar图像几何校正方法 | |
| CN103115614B (zh) | 多源多轨长条带卫星遥感影像联合并行匹配方法 | |
| CN106683173A (zh) | 一种基于邻域块匹配提高三维重建点云稠密程度的方法 | |
| CN109579872B (zh) | 一种星敏感器仪器星等估计方法 | |
| CN111369495B (zh) | 一种基于视频的全景图像的变化检测方法 | |
| CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
| CN106204440A (zh) | 一种多帧超分辨图像重建方法及系统 | |
| CN108564532B (zh) | 大尺度地距星载sar图像镶嵌方法 | |
| CN109886988B (zh) | 一种微波成像仪定位误差的度量方法、系统、装置及介质 | |
| CN111144350B (zh) | 一种基于参考底图的遥感影像定位精度评价方法 | |
| CN114897705A (zh) | 一种基于特征优化的无人机遥感图像拼接方法 | |
| CN110738693B (zh) | 一种地基成像雷达多角度图像配准方法 | |
| JP2017130067A (ja) | 衛星映像の位置正確度改善のための自動映像処理システム及びその方法 | |
| CN114612412A (zh) | 三维点云数据的处理方法及其用途、电子设备、存储介质 | |
| CN112419380B (zh) | 一种基于云掩膜的静止轨道卫星序列影像高精度配准方法 | |
| CN114494371A (zh) | 基于多尺度相位一致性的光学图像和sar图像配准方法 | |
| CN112215878B (zh) | 一种基于surf特征点的x光图像配准方法 | |
| CN104700359A (zh) | 像平面不同极轴方向图像序列进行超分辨率重建的方法 | |
| CN108076341A (zh) | 一种视频卫星成像在轨实时稳像方法及系统 | |
| CN115690380B (zh) | 一种配准方法及系统 | |
| 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 | |
| CN111696054B (zh) | 基于全极化sar图像的橡胶坝体检测方法 | |
| CN113034555B (zh) | 一种基于最小生成树的特征精匹配方法及应用 |
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 |