CN110020659A - 一种基于二进小波的遥感影像多尺度边缘提取与匹配方法和系统 - Google Patents
一种基于二进小波的遥感影像多尺度边缘提取与匹配方法和系统 Download PDFInfo
- Publication number
- CN110020659A CN110020659A CN201910246911.5A CN201910246911A CN110020659A CN 110020659 A CN110020659 A CN 110020659A CN 201910246911 A CN201910246911 A CN 201910246911A CN 110020659 A CN110020659 A CN 110020659A
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- matching
- scale
- remote sensing
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Abstract
本发明公开一种基于二进小波的遥感影像多尺度边缘提取与匹配方法和系统,以两张覆盖同一范围的光学遥感影像作为输入,通过影像预处理,消除影像间的旋转、尺度差异以及成像角度不同带来的几何变形,同时去除噪声,增强边缘特征。通过分别对基准影像与目标影像进行多尺度边缘检测、尺度空间与影像空间非极值抑制、有效边缘特征筛选,获得两组有效边缘特征结果。通过分别对两组边缘特征进行二值化表示和附加核线约束的边缘匹配,得到匹配结果,进行粗差剔除后,得到最终的匹配结果。本发明能够实现光学影像的高精度边缘提取与匹配,实践表明该方法可行、有效,具有较高的可靠性和效率。
Description
技术领域
本发明属于遥感影像处理领域,尤其是涉及基于二进小波的遥感影像多尺度边缘提取与匹配方法和系统。
背景技术
影像匹配就是通过一定的匹配算法在两幅或者多幅影像之间识别同名点的过程,它是图像配准、图像融合、目标识别和变化检测的一个重要前期步骤。在遥感领域,根据匹配基元不同,影像匹配主要可分为两种类型,一种是点特征匹配,通过对影像中的斑点、角点等点特征进行提取与匹配,获取一组同名像点。一种是线特征匹配,通过对影像中的边缘特征进行提取与匹配,获取一组边缘特征匹配结果,其实质也是一组同名像点。点特征匹配对于纹理丰富区域具有较好的效果,但对于弱纹理、重复纹理等区域可靠性不高,边缘特征具有更高的可区别性,对于弱纹理、重复纹理区域具有更好的鲁棒性,可作为点特征匹配的有力补充手段;同时边缘特征也是场景(目标)轮廓的重要表达,在场景恢复、目标识别等应用中具有重要作用。
传统的基于梯度的边缘检测算子,由于模板尺寸与梯度方向的固定,检测到边缘特征往往不够丰富,而二进小波变换可以在多尺度中依次对影像进行边缘特征检测与提取,最后通过在尺度空间与影像空间进行非极值抑制,得到完整、准确的边缘特征,对于遥感影像后续应用具有重要意义。因此,本发明提出了一种基于二进小波的遥感影像多尺度边缘提取与匹配方法。
发明内容
本发明针对遥感影像边缘特征高精度提取与匹配问题,提出了一种基于二进小波的遥感影像多尺度边缘提取与匹配方法,具有提取的边缘特征丰富、匹配可靠性高的特点。
本发明的技术方案为一种基于二进小波的遥感影像多尺度边缘提取与匹配方法,包括如下步骤:
步骤1,对基准影像与目标影像分别进行预处理;
步骤2,对预处理后的两幅影像分别进行多尺度边缘检测;
步骤3,在尺度空间与影像空间进行梯度值非极值抑制,以剔除无效边缘;
步骤4,通过长度阈值和曲率阈值筛选出有效边缘;
步骤5,对有效边缘结果二值化,并通过核线约束进行边缘匹配;
步骤6,利用最小二乘平差方法剔除错误匹配点,获得最终的匹配结果。
进一步的,步骤1中所述预处理包括,利用遥感影像的成像模型参数和已有DEM数据或平均高程数据,将影像从像方空间投影到物方空间来消除影像间的旋转和成像角度差异;通过影像重采样消除影像分辨率不同带来的尺度差异;采用Wallis滤波对影像进行处理,去除影像中的离散噪声,同时突出边缘特征。
进一步的,步骤2中利用二进小波变换实现遥感影像的多尺度边缘检测,所述二进小波滤波器的表达式为,
其中h为低通滤波器,g为高通滤波器,通过高通滤波器分别在x方向(水平方向)与y方向(竖直方向)卷积获得影像的高频信息,即梯度值。
进一步的,步骤4的具体实现方式如下,
1)长度阈值筛选:边缘长度满足阈值,判定有效,反之,判定无效;
2)曲率阈值筛选:为保留接近直线或圆的易于匹配的边缘特征,采用双阈值判定,曲率大于较大阈值的认为是接近直线的边缘特征,曲率小于较小阈值的认为是接近圆的边缘特征;
同时满足以上两条准则的边缘,判定为有效边缘。
进一步的,步骤5的具体实现方式如下,
首先从基准影像与目标影像提取两组有效边缘特征结果,将有效边缘特征进行二值化表示,边缘点值设为1,非边缘点值设为0;
然后根据影像的初始定位信息计算基准影像每个边缘点在预纠正目标影像上的坐标,根据影像初始定位精度确定一个大概的搜索半径,然后引入核线约束,将匹配搜索方向由二维搜索限制为一维搜索,通过在一定搜索范围内,进行逐像素移动,分别计算两组边缘特征的响应值,具有最大响应值的匹配结果即认为是正确匹配结果;其中,响应值采用逻辑运算中的“与”运算,即若基准影像上一像素点与当前对应的目标影像上一点均为边缘点,响应值为1,否则为0。
进一步的,步骤6的具体实现方式如下,
在基准影像与目标影像间构建仿射变换模型,如下式所示:
x'=ax+by+c
y'=dx+ey+f
其中(x,y),(x',y')分别是匹配点对在基准影像和目标影像上的坐标,a,b,c,d,e,f为仿射变换参数,然后通过最小二乘平差方法来剔除残差大于粗差阈值的匹配点,最终保留下来的匹配点对认为是正确的匹配点。
本发明还提供一种基于二进小波的遥感影像多尺度边缘提取与匹配系统,包括如下模块:
预处理模块,用于对基准影像与目标影像分别进行预处理;
多尺度边缘检测模块,用于对预处理后的两幅影像分别进行多尺度边缘检测;
非极值抑制模块,用于在尺度空间与影像空间进行梯度值非极值抑制,以剔除无效边缘;
有效边缘筛选模块,用于通过长度阈值和曲率阈值筛选出有效边缘;
边缘匹配模块,用于对有效边缘结果二值化,并通过核线约束进行边缘匹配;
粗差点剔除模块,用于利用最小二乘平差方法剔除错误匹配点,获得最终的匹配结果。
进一步的,有效边缘筛选模块的具体实现方式如下,
1)长度阈值筛选:边缘长度满足阈值,判定有效,反之,判定无效;
2)曲率阈值筛选:为保留接近直线或圆的易于匹配的边缘特征,采用双阈值判定,曲率大于较大阈值的认为是接近直线的边缘特征,曲率小于较小阈值的认为是接近圆的边缘特征;
同时满足以上两条准则的边缘,判定为有效边缘。
进一步的,边缘匹配模块的具体实现方式如下,
首先从基准影像与目标影像提取两组有效边缘特征结果,将有效边缘特征进行二值化表示,边缘点值设为1,非边缘点值设为0;
然后根据影像的初始定位信息计算基准影像每个边缘点在预纠正目标影像上的坐标,根据影像初始定位精度确定一个大概的搜索半径,然后引入核线约束,将匹配搜索方向由二维搜索限制为一维搜索,通过在一定搜索范围内,进行逐像素移动,分别计算两组边缘特征的响应值,具有最大响应值的匹配结果即认为是正确匹配结果;其中,响应值采用逻辑运算中的“与”运算,即若基准影像上一像素点与当前对应的目标影像上一点均为边缘点,响应值为1,否则为0。
进一步的,粗差点剔除模块的具体实现方式如下,
在基准影像与目标影像间构建仿射变换模型,如下式所示:
x'=ax+by+c
y'=dx+ey+f
其中(x,y),(x',y')分别是匹配点对在基准影像和目标影像上的坐标,a,b,c,d,e,f为仿射变换参数,然后通过最小二乘平差方法来剔除残差大于粗差阈值的匹配点,最终保留下来的匹配点对认为是正确的匹配点。
本发明的优点在于:
1.采用二进小波变换,实现遥感影像的多尺度边缘特征检测,提高边缘特征检测的完整性与可靠性。
2.通过尺度空间与影像空间进行非极值抑制,实现边缘特征的精确选择与定位,提高边缘特征检测的准确性。
3.将有效边缘特征进行二值化表示,采用逻辑运算中的“与”运算,计算匹配测度,明显提升匹配效率。
4.引入核线约束,将二维搜索缩小为一维搜索,在大幅降低匹配耗时的同时,还可以提高匹配结果的可靠性。
附图说明
图1为本发明实施例的流程示意图。
具体实施方式
以下结合附图和实施例详细说明本发明具体实施方式。参见图1,实施例的流程可以分为六个步骤,每个步骤实施的具体方法、公式以及流程如下:
1.对基准影像与目标影像进行预处理。
基准影像与目标影像覆盖同一范围,预处理的主要目的是消除影像间的旋转、尺度差异以及成像角度带来的显著几何畸变,同时进行滤波处理,达到去除噪声,增强特征的目的。
利用遥感影像的成像模型参数和已有DEM数据或平均高程数据,将影像从像方空间投影到物方空间来消除影像间的旋转和成像角度差异,通过影像重采样消除影像分辨率不同带来的尺度差异。
采用Wallis滤波对影像进行处理,去除影像中的离散噪声,同时突出边缘特征。
2.对基准影像与目标影像进行多尺度边缘检测。
这里选择二进小波变换实现影像边缘特征检测。其算法原理如下:
本方法采用下式中的二进小波滤波器
其中h为低通滤波器,g为高通滤波器。通过高通滤波器分别在x方向(水平方向)与y方向(竖直方向)卷积获得影像的高频信息,即梯度值。
多尺度边缘提取过程中,其原始尺度上参与运算的像素范围与尺度关系如下表:
尺度 | 0 | 1 | 2 | 3 |
单元长 | 1 | 4 | 10 | 22 |
单元重叠 | 0 | 2 | 6 | 14 |
两组间前后重叠 | 2 | 6 | 14 | 30 |
总长 | 6 | 14 | 30 | 62 |
梯度间隔范围 | 0 | 1 | 3 | 7 |
已知每一尺度下共6个有效元素,其中两个有效元素重叠。因此,总长=单元长*6-单元重叠*5;两组间前后重叠=单元长*2-单元重叠
由梯度间隔范围随尺度变化情况可看出,随着尺度的增加,当前尺度的边缘检测相当于在上一尺度的2倍尺度上进行边缘检测,这种机制保证了多尺度边缘检测的实现。
3.尺度空间与影像空间非极值抑制。
通过同时在尺度空间与影像空间进行梯度值非极值抑制,保证检测到边缘特征的有效性,其中尺度空间抑制范围为整个尺度空间,即当前点的影像空间坐标对应的所有尺度;影像空间抑制范围为以当前点为中心点的3*3邻域。
4.有效边缘筛选。
有效边缘筛选采用两种准则:
3)长度阈值筛选:边缘长度满足阈值(本方法中设为20),判定有效,反之,判定无效。
4)曲率阈值筛选:为保留接近直线或圆的易于匹配的边缘特征,采用双阈值判定,曲率大于较大阈值(本方法中设为0.5)的认为是接近直线的边缘特征,曲率小于较小阈值(本方法中设为0.05)的认为是接近圆的边缘特征。
同时满足以上两条准则的边缘,判定为有效边缘。
5.边缘匹配。
边缘匹配包括有效边缘结果二值化和核线约束的边缘匹配。
1)有效边缘结果二值化。
通过上述步骤,分别得到从基准影像与目标影像提取的两组有效边缘特征结果,将该结果进行二值化,即边缘点值设为1,非边缘点值设为0。
2)核线约束的边缘匹配。
核线约束是摄影测量与遥感中常用的处理手段,即基准影像中某点p在目标影像中的对应像点q,必然位于p点在目标影像中的核线上。根据影像的初始定位信息(初始定位信息由遥感影像的rpc参数得到)计算基准影像每个边缘点在预纠正目标影像上的坐标,然后根据影像初始定位精度确定一个大概的搜索半径,然后引入核线约束,将匹配搜索方向由二维搜索限制为一维搜索,通过在一定搜索范围内,进行逐像素移动,分别计算两组边缘特征的响应值,具有最大响应值的匹配结果即认为是正确匹配结果。响应值采用逻辑运算中的“与”运算,即若基准影像上一像素点与当前对应的目标影像上一点均为边缘点,响应值为1,否则为0,响应值最大的点即为同名点,核线约束计算速度快,内存消耗少。6.粗差点剔除。
在两张影像间构建仿射变换模型,如下式所示:
x'=ax+by+c
y'=dx+ey+f
其中(x,y),(x',y')分别是匹配点对在基准影像和目标影像上的坐标,a,b,c,d,e,f为仿射变换参数。然后通过最小二乘平差方法来剔除残差大于粗差阈值(本方法中设为1)的匹配点,最终保留下来的匹配点对认为是正确的匹配点。
本发明还提供一种基于二进小波的遥感影像多尺度边缘提取与匹配系统,包括如下模块:
预处理模块,用于对基准影像与目标影像分别进行预处理;
多尺度边缘检测模块,用于对预处理后的两幅影像分别进行多尺度边缘检测;
非极值抑制模块,用于在尺度空间与影像空间进行梯度值非极值抑制,以剔除无效边缘;
有效边缘筛选模块,用于通过长度阈值和曲率阈值筛选出有效边缘,具体实现为:
1)长度阈值筛选:边缘长度满足阈值,判定有效,反之,判定无效;
2)曲率阈值筛选:为保留接近直线或圆的易于匹配的边缘特征,采用双阈值判定,曲率大于较大阈值的认为是接近直线的边缘特征,曲率小于较小阈值的认为是接近圆的边缘特征;
同时满足以上两条准则的边缘,判定为有效边缘。
边缘匹配模块,用于对有效边缘结果二值化,并通过核线约束进行边缘匹配,具体实现为:
首先从基准影像与目标影像提取两组有效边缘特征结果,将有效边缘特征进行二值化表示,边缘点值设为1,非边缘点值设为0;
然后根据影像的初始定位信息计算基准影像每个边缘点在预纠正目标影像上的坐标,根据影像初始定位精度确定一个大概的搜索半径,然后引入核线约束,将匹配搜索方向由二维搜索限制为一维搜索,通过在一定搜索范围内,进行逐像素移动,分别计算两组边缘特征的响应值,具有最大响应值的匹配结果即认为是正确匹配结果;其中,响应值采用逻辑运算中的“与”运算,即若基准影像上一像素点与当前对应的目标影像上一点均为边缘点,响应值为1,否则为0。
粗差点剔除模块,用于利用最小二乘平差方法剔除错误匹配点,获得最终的匹配结果,具体实现为:
在基准影像与目标影像间构建仿射变换模型,如下式所示:
x'=ax+by+c
y'=dx+ey+f
其中(x,y),(x',y')分别是匹配点对在基准影像和目标影像上的坐标,a,b,c,d,e,f为仿射变换参数,然后通过最小二乘平差方法来剔除残差大于粗差阈值的匹配点,最终保留下来的匹配点对认为是正确的匹配点。
各模块的具体实现和各步骤相应,本发明不予撰述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于二进小波的遥感影像多尺度边缘提取与匹配方法,其特征在于,包括如下步骤:
步骤1,对基准影像与目标影像分别进行预处理;
步骤2,对预处理后的两幅影像分别进行多尺度边缘检测;
步骤3,在尺度空间与影像空间进行梯度值非极值抑制,以剔除无效边缘;
步骤4,通过长度阈值和曲率阈值筛选出有效边缘;
步骤5,对有效边缘结果二值化,并通过核线约束进行边缘匹配;
步骤6,利用最小二乘平差方法剔除错误匹配点,获得最终的匹配结果。
2.如权利要求1所述的一种基于二进小波的遥感影像多尺度边缘提取与匹配方法,其特征在于:步骤1中所述预处理包括,利用遥感影像的成像模型参数和已有DEM数据或平均高程数据,将影像从像方空间投影到物方空间来消除影像间的旋转和成像角度差异;通过影像重采样消除影像分辨率不同带来的尺度差异;采用Wallis滤波对影像进行处理,去除影像中的离散噪声,同时突出边缘特征。
3.如权利要求1所述的一种基于二进小波的遥感影像多尺度边缘提取与匹配方法,其特征在于:步骤2中利用二进小波变换实现遥感影像的多尺度边缘检测,所述二进小波滤波器的表达式为,
其中h为低通滤波器,g为高通滤波器,通过高通滤波器分别在x方向(水平方向)与y方向(竖直方向)卷积获得影像的高频信息,即梯度值。
4.如权利要求1所述的一种基于二进小波的遥感影像多尺度边缘提取与匹配方法,其特征在于:步骤4的具体实现方式如下,
1)长度阈值筛选:边缘长度满足阈值,判定有效,反之,判定无效;
2)曲率阈值筛选:为保留接近直线或圆的易于匹配的边缘特征,采用双阈值判定,曲率大于较大阈值的认为是接近直线的边缘特征,曲率小于较小阈值的认为是接近圆的边缘特征;
同时满足以上两条准则的边缘,判定为有效边缘。
5.如权利要求1所述的一种基于二进小波的遥感影像多尺度边缘提取与匹配方法,其特征在于:步骤5的具体实现方式如下,
首先从基准影像与目标影像提取两组有效边缘特征结果,将有效边缘特征进行二值化表示,边缘点值设为1,非边缘点值设为0;
然后根据影像的初始定位信息计算基准影像每个边缘点在预纠正目标影像上的坐标,根据影像初始定位精度确定一个大概的搜索半径,然后引入核线约束,将匹配搜索方向由二维搜索限制为一维搜索,通过在一定搜索范围内,进行逐像素移动,分别计算两组边缘特征的响应值,具有最大响应值的匹配结果即认为是正确匹配结果;其中,响应值采用逻辑运算中的“与”运算,即若基准影像上一像素点与当前对应的目标影像上一点均为边缘点,响应值为1,否则为0。
6.如权利要求1所述的一种基于二进小波的遥感影像多尺度边缘提取与匹配方法,其特征在于:步骤6的具体实现方式如下,
在基准影像与目标影像间构建仿射变换模型,如下式所示:
x'=ax+by+c
y'=dx+ey+f
其中(x,y),(x',y')分别是匹配点对在基准影像和目标影像上的坐标,a,b,c,d,e,f为仿射变换参数,然后通过最小二乘平差方法来剔除残差大于粗差阈值的匹配点,最终保留下来的匹配点对认为是正确的匹配点。
7.一种基于二进小波的遥感影像多尺度边缘提取与匹配系统,其特征在于,包括如下模块:
预处理模块,用于对基准影像与目标影像分别进行预处理;
多尺度边缘检测模块,用于对预处理后的两幅影像分别进行多尺度边缘检测;
非极值抑制模块,用于在尺度空间与影像空间进行梯度值非极值抑制,以剔除无效边缘;
有效边缘筛选模块,用于通过长度阈值和曲率阈值筛选出有效边缘;
边缘匹配模块,用于对有效边缘结果二值化,并通过核线约束进行边缘匹配;
粗差点剔除模块,用于利用最小二乘平差方法剔除错误匹配点,获得最终的匹配结果。
8.如权利要求7所述的一种基于二进小波的遥感影像多尺度边缘提取与匹配系统,其特征在于:有效边缘筛选模块的具体实现方式如下,
1)长度阈值筛选:边缘长度满足阈值,判定有效,反之,判定无效;
2)曲率阈值筛选:为保留接近直线或圆的易于匹配的边缘特征,采用双阈值判定,曲率大于较大阈值的认为是接近直线的边缘特征,曲率小于较小阈值的认为是接近圆的边缘特征;
同时满足以上两条准则的边缘,判定为有效边缘。
9.如权利要求7所述的一种基于二进小波的遥感影像多尺度边缘提取与匹配系统,其特征在于:边缘匹配模块的具体实现方式如下,
首先从基准影像与目标影像提取两组有效边缘特征结果,将有效边缘特征进行二值化表示,边缘点值设为1,非边缘点值设为0;
然后根据影像的初始定位信息计算基准影像每个边缘点在预纠正目标影像上的坐标,根据影像初始定位精度确定一个大概的搜索半径,然后引入核线约束,将匹配搜索方向由二维搜索限制为一维搜索,通过在一定搜索范围内,进行逐像素移动,分别计算两组边缘特征的响应值,具有最大响应值的匹配结果即认为是正确匹配结果;其中,响应值采用逻辑运算中的“与”运算,即若基准影像上一像素点与当前对应的目标影像上一点均为边缘点,响应值为1,否则为0。
10.如权利要求7所述的一种基于二进小波的遥感影像多尺度边缘提取与匹配系统,其特征在于:粗差点剔除模块的具体实现方式如下,
在基准影像与目标影像间构建仿射变换模型,如下式所示:
x'=ax+by+c
y'=dx+ey+f
其中(x,y),(x',y')分别是匹配点对在基准影像和目标影像上的坐标,a,b,c,d,e,f为仿射变换参数,然后通过最小二乘平差方法来剔除残差大于粗差阈值的匹配点,最终保留下来的匹配点对认为是正确的匹配点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910246911.5A CN110020659A (zh) | 2019-03-29 | 2019-03-29 | 一种基于二进小波的遥感影像多尺度边缘提取与匹配方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910246911.5A CN110020659A (zh) | 2019-03-29 | 2019-03-29 | 一种基于二进小波的遥感影像多尺度边缘提取与匹配方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110020659A true CN110020659A (zh) | 2019-07-16 |
Family
ID=67190191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910246911.5A Pending CN110020659A (zh) | 2019-03-29 | 2019-03-29 | 一种基于二进小波的遥感影像多尺度边缘提取与匹配方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020659A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160185A (zh) * | 2019-12-20 | 2020-05-15 | 中国农业大学 | 多尺度时间序列遥感影像趋势和断点检测方法 |
CN111325765A (zh) * | 2020-02-18 | 2020-06-23 | 山东超越数控电子股份有限公司 | 一种基于冗余小波变换的图像边缘检测算法 |
CN113688839A (zh) * | 2021-10-26 | 2021-11-23 | 腾讯科技(深圳)有限公司 | 视频处理方法及装置、电子设备、计算机可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040066850A1 (en) * | 2002-10-04 | 2004-04-08 | Konica Corporation | Image processing method, image processing apparatus, image processing program and image recording apparatus |
CN101126811A (zh) * | 2007-09-29 | 2008-02-20 | 北京交通大学 | 一种从sar图像上探测湖岸线及提取湖泊轮廓的方法 |
US7515763B1 (en) * | 2004-04-29 | 2009-04-07 | University Of Rochester | Image denoising based on wavelets and multifractals for singularity detection and multiscale anisotropic diffusion |
CN101527039A (zh) * | 2008-03-06 | 2009-09-09 | 河海大学 | 基于边缘特征的图像自动配准及快速超分辨率融合方法 |
CN101777181A (zh) * | 2010-01-15 | 2010-07-14 | 西安电子科技大学 | 基于脊波双框架系统的sar图像机场跑道提取方法 |
CN102073992A (zh) * | 2010-12-09 | 2011-05-25 | 国网电力科学研究院 | 一种高分辨率sar卫星图像相干斑去噪方法 |
CN102693542A (zh) * | 2012-05-18 | 2012-09-26 | 中国人民解放军信息工程大学 | 一种影像特征匹配方法 |
CN104574347A (zh) * | 2013-10-24 | 2015-04-29 | 南京理工大学 | 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 |
CN105718552A (zh) * | 2016-01-19 | 2016-06-29 | 北京服装学院 | 基于服装手绘草图的服装图像检索方法 |
CN108830889A (zh) * | 2018-05-24 | 2018-11-16 | 中国科学院遥感与数字地球研究所 | 基于全局几何约束的遥感影像与基准影像的匹配方法 |
-
2019
- 2019-03-29 CN CN201910246911.5A patent/CN110020659A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040066850A1 (en) * | 2002-10-04 | 2004-04-08 | Konica Corporation | Image processing method, image processing apparatus, image processing program and image recording apparatus |
US7515763B1 (en) * | 2004-04-29 | 2009-04-07 | University Of Rochester | Image denoising based on wavelets and multifractals for singularity detection and multiscale anisotropic diffusion |
CN101126811A (zh) * | 2007-09-29 | 2008-02-20 | 北京交通大学 | 一种从sar图像上探测湖岸线及提取湖泊轮廓的方法 |
CN101527039A (zh) * | 2008-03-06 | 2009-09-09 | 河海大学 | 基于边缘特征的图像自动配准及快速超分辨率融合方法 |
CN101777181A (zh) * | 2010-01-15 | 2010-07-14 | 西安电子科技大学 | 基于脊波双框架系统的sar图像机场跑道提取方法 |
CN102073992A (zh) * | 2010-12-09 | 2011-05-25 | 国网电力科学研究院 | 一种高分辨率sar卫星图像相干斑去噪方法 |
CN102693542A (zh) * | 2012-05-18 | 2012-09-26 | 中国人民解放军信息工程大学 | 一种影像特征匹配方法 |
CN104574347A (zh) * | 2013-10-24 | 2015-04-29 | 南京理工大学 | 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 |
CN105718552A (zh) * | 2016-01-19 | 2016-06-29 | 北京服装学院 | 基于服装手绘草图的服装图像检索方法 |
CN108830889A (zh) * | 2018-05-24 | 2018-11-16 | 中国科学院遥感与数字地球研究所 | 基于全局几何约束的遥感影像与基准影像的匹配方法 |
Non-Patent Citations (6)
Title |
---|
STÉPHANE G. MALLAT: "《信号处理的小波导引(英文版·第3版)》", 30 January 2010 * |
丰勇: "基于核线约束的影像特征点匹配方法", 《中国测绘地理信息学会2014年学术年会》 * |
周国库: "基于小波提取边缘特征点的遥感图像配准技术", 《中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑》 * |
李畅: "《由近景影像反演建筑立面三维模型研究》", 30 June 2016 * |
王巍慈 等: "一种基于小波和模糊逻辑的图像边缘检测方法", 《辽宁石油化工大学学报》 * |
郭云开 等: "《卫星遥感技术及应用》", 31 August 2016 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160185A (zh) * | 2019-12-20 | 2020-05-15 | 中国农业大学 | 多尺度时间序列遥感影像趋势和断点检测方法 |
CN111160185B (zh) * | 2019-12-20 | 2023-11-10 | 中国农业大学 | 多尺度时间序列遥感影像趋势和断点检测方法 |
CN111325765A (zh) * | 2020-02-18 | 2020-06-23 | 山东超越数控电子股份有限公司 | 一种基于冗余小波变换的图像边缘检测算法 |
CN111325765B (zh) * | 2020-02-18 | 2022-07-05 | 超越科技股份有限公司 | 一种基于冗余小波变换的图像边缘检测方法 |
CN113688839A (zh) * | 2021-10-26 | 2021-11-23 | 腾讯科技(深圳)有限公司 | 视频处理方法及装置、电子设备、计算机可读存储介质 |
CN113688839B (zh) * | 2021-10-26 | 2022-02-08 | 腾讯科技(深圳)有限公司 | 视频处理方法及装置、电子设备、计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105261014B (zh) | 一种多传感器遥感影像匹配方法 | |
CN103047943B (zh) | 基于单投射编码结构光的车门外板形状尺寸检测方法 | |
CN104751465A (zh) | 一种基于lk光流约束的orb图像特征配准方法 | |
CN103839265A (zh) | 基于sift和归一化互信息的sar图像配准方法 | |
CN104134208B (zh) | 利用几何结构特征从粗到精的红外与可见光图像配准方法 | |
CN110020659A (zh) | 一种基于二进小波的遥感影像多尺度边缘提取与匹配方法和系统 | |
CN103679714A (zh) | 一种基于梯度互相关的光学和sar图像自动配准方法 | |
CN101639947A (zh) | 基于图像的植物三维形态测量与重建方法及系统 | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
Chen et al. | Robust affine-invariant line matching for high resolution remote sensing images | |
CN106408597A (zh) | 基于邻域熵和一致性检测的sar图像配准方法 | |
CN106407983A (zh) | 图像主体的识别、矫正与配准方法 | |
CN106127258B (zh) | 一种目标匹配方法 | |
CN102169581A (zh) | 一种基于特征向量的快速高精度鲁棒性匹配方法 | |
CN103136525A (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN110084743B (zh) | 基于多航带起始航迹约束的图像拼接与定位方法 | |
CN104240231A (zh) | 基于局部结构二进制模式的多源图像配准 | |
CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
CN102446356A (zh) | 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法 | |
Yamashita et al. | Multiple skip connections of dilated convolution network for semantic segmentation | |
CN106886988B (zh) | 一种基于无人机遥感的线性目标检测方法及系统 | |
Hua et al. | Geodesic distance-weighted shape vector image diffusion | |
CN110222661A (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
Bisht et al. | Image registration concept and techniques: a review | |
CN113781413A (zh) | 一种基于Hough梯度法的电解电容定位方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190716 |
|
RJ01 | Rejection of invention patent application after publication |