CN110660099B - 基于神经网络的遥感影像处理的有理函数模型拟合方法 - Google Patents
基于神经网络的遥感影像处理的有理函数模型拟合方法 Download PDFInfo
- Publication number
- CN110660099B CN110660099B CN201910224313.8A CN201910224313A CN110660099B CN 110660099 B CN110660099 B CN 110660099B CN 201910224313 A CN201910224313 A CN 201910224313A CN 110660099 B CN110660099 B CN 110660099B
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- remote sensing
- fitting
- virtual grid
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于遥感影像处理技术领域,公开了一种基于神经网络的遥感影像处理的有理函数模型拟合方法;根据遥感影像成像满足共线方程原理,构建虚拟格网点数据;划分虚拟格网点数据为训练数据集和测试数据集;对虚拟格网点数据进行归一化处理;虚拟格网点训练数据插值处理;搭建神经网络模型,设置其隐含层层数、激活函数、训练函数、目标函数、学习率;使用虚拟格网点训练数据集对神经网络模型进行训练,调整其内部参数;使用虚拟格网点测试数据集对神经网络模型进行检核,根据模型输出与测试数据集输出之间的均方误差评价神经网络模型的拟合精度。本发明神经网络模型建模简单、易于实现,能较快速的获得拟合结果;能够更有效的保护卫星参数。
Description
技术领域
本发明属于遥感影像处理技术领域,尤其涉及一种基于神经网络的遥感影像处理的有理函数模型拟合方法。
背景技术
目前,最接近的现有技术:随着对地观测技术的发展,高分辨率卫星影像在国土资源普查、立体测图及正射影像生产等方面得到了越来越广泛的应用。当前高分辨率卫星影像几何定位模型主要采用两种方式:物理成像模型和通用成像模型。物理模型直接基于共线条件方程,通过影像内外方位元素和畸变参数描述像点与地面点间的几何关系。通用成像模型目前采用有理函数模型,一般由两个多项式的比值确定,是对严格成像模型的一种数学近似。物理模型的优点在于几何关系严密,精度最高,但通用性较差。通用成像模型用两个多项式比值的形式代替严格模型,成像模型与传感器无关,通用型强,极大增强了影像处理与应用的便利性。同时,通用成像模型可以隐藏卫星轨道姿态信息以及其它细节信息,国外的SPOT、IKONOS、Worldview等供应商都基于通用成像模型提供卫星影像产品。
有理函数模型(RFM)由包含78个有理多项式系数(RPC)的两个三次多项式的比值构成,是当前高分辨率卫星影像最通用成像模型。国内外大量研究文献表明采用RFM可以实现卫星影像的高精度定位。求解RPC参数主要有地面相关和地面无关两种方法。由于地面相关方法需要大量的地面控制点,所以当前在RPC参数解算过程中主要采用地面无关的方法。该方法首先利用严格成像模型,建立地面虚拟格网与像点之间的几何关系,然后采用直接或迭代最小二乘方法解算78个RPC参数。由于卫星轨道、姿态以及传感器在轨标定误差等,解算出来的RPC参数,往往存在几个到几十个像素的系统偏差。如何消除RPC参数存在的系统误差从而提高定位精度,一直是高分辨率卫星遥感影像的热点问题。对于RPC参数存在的系统误差,当前主要采用直接或迭代最小二乘来进行RPC参数解算,然后利用地面控制点改正的方法。C.V.Tao和Y.Hu对RPC参数的具体解算方法进行了详细的阐述,通过将有理函数模型作为数学原型,经过Taylor多阶微分项展开,依据观测量与真实值之间的关系构建误差方程,以误差值最小化为目标,采用直接最小二乘法对RPC参数进行求解。Yongjun Zhang在前者基础上采用散度矩阵的方法用来消除RPC参数过参数化的问题,精度较传统的算法更高;Tengfei Long采用l1范数规则化约束来求解RPC参数,能改善RPC参数的系统误差。这些方法都是基于Gauss-Markov模型的常规光束法平差,该方法的前提是假定函数模型已知且观测值中仅含有随机误差。但是RFM观测向量以及函数模型的系数矩阵均由观测值构成,且两者均含有随机误差,此时Gauss-Markov模型并不严格成立,常规的RPC参数解算方法在理论上还存在不严密的地方。
综上所述,现有技术存在的问题是:传统有理函数模型存在的系统误差,导致对遥感影像成像模型的拟合精度低。
解决上述技术问题的难度:
由于传统有理函数模型通用形式较为固定,所以,上述技术问题的难度之一是要对传统有理函数模型的通用形式进行改进,使其系统误差得到改善。
另外,由于RFM观测向量以及函数模型的系数矩阵均由观测值构成,且两者均含有随机误差,此时Gauss-Markov模型并不严格成立,所以,上述技术问题的难度之一是要寻求一种更优的RPC参数解算方法,使得解算后确定的有理函数模型系统误差减小,进一步提高定位解算精度。
解决上述技术问题的意义:
由于当前卫星影像几何定位模型主要采用有理函数模型,因此减小传统有理函数模型存在的系统误差,可直接提升卫星影像几何定位的精度。
进一步,卫星影像几何定位精度与卫星影像产品的质量相关,所以,解决上述技术问题,有助于提升卫星影像产品的质量。
发明内容
针对现有技术存在的问题,本发明提供了一种基于神经网络的遥感影像处理的有理函数模型拟合方法。
本发明是这样实现的,一种基于神经网络的遥感影像处理的有理函数模型拟合方法,所述基于神经网络的遥感影像处理的有理函数模型拟合方法使用遥感影像对应的外方位角元素外方位线元素(Xs,Ys,Zs)以及相机内参(x0,y0,f)对遥感相机成像时的光线关系进行恢复,构建影像区域的虚拟格网点数据;对虚拟格网点数据进行预处理,获得神经网络的训练数据集和测试数据集;训练神经网络,以训练数据集的像点坐标和物点坐标作为神经网络的输入数据和输出数据,对神经网络中的参数进行训练,直至神经网络对训练数据的拟合误差满足最小阈值要求,停止训练;测试神经网络,将测试数据集中的像点坐标作为神经网络输入数据,获得神经网络的输出数据,根据该输出数据对神经网络的拟合性能进行评价。
进一步,所述基于神经网络的遥感影像处理的有理函数模型拟合方法包括以下步骤:
第一步,根据遥感影像成像满足共线方程的基本原理,利用遥感影像对应的外方位角元素外方位线元素(Xs,Ys,Zs)以及相机内参(x0,y0,f)恢复出遥感相机在成像时的空间位置和相机朝向,从而确定成像时相机光心与所摄目标点之间的连线,即光线;但由于单幅遥感影像无法形成光线相交,只能确定所摄目标点在水平面上的相对坐标,无法确定其高度信息;所以假设影像对应区域的高程为固定高度,结合可确定的水平面二维坐标,形成所摄区域的虚拟三维坐标,构建虚拟格网点数据;
第二步,对虚拟格网点进行数据划分,使用采样算法对虚拟格网点数据进行均匀采样,按照一定规则分为训练数据集和测试数据集;
第三步,将虚拟格网点数据进行归一化处理,以满足神经网络输入量、输出量的基本要求;归一化依据来自于虚拟格网点构建时区域的范围参数以及对条带影像进行分景操作时记录的起始行、终止行;从参数中得到数据归一化所需要的中心偏移量Data_OFF和缩放量Data_SCALE,按如下公式将数据进行归一化即可;
第四步,以训练数据中的归一化物方坐标(B,L,H)作为输入矢量Xtrain,归一化像方坐标(r,c)作为输出矢量Ytrain,设定神经网络模型的输出Ynet(Xtrain)与实际输出量Ytrain之间的均方差值MSE为目标函数,即:
式中,N为虚拟格网点单层训练数据的数量;
第五步,由于虚拟格网点单层训练数据不能够满足神经网络模型拟合精度的需求,对虚拟格网点单层训练数据进行了插值处理;
第六步,以目标函数MSE最小化为目标,不断训练网络,调整网络中的径向基函数中心以及输出层连接权值;当目标函数小于拟合精度要求ε时,停止训练,获得最佳拟合结果;
第七步,将检核点数据的归一化物方坐标(B,L,H)作为神经网络模型的输入矢量Xtest,归一化像方坐标(r,c)作为目标输出矢量Ytest,将神经网络模型的输出Ynet(Xtrain)与目标输出量Ytest之间的均方差值作为拟合误差,用于评价神经网络模型的性能。
进一步,所述第一步的虚拟格网点构建方法是利用遥感影像对应的外方位角元素外方位线元素(Xs,Ys,Zs)以及相机内参(x0,y0,f)恢复出遥感相机在成像时的空间位置和相机朝向,确定成像光线,并假设影像对应区域的高程为固定高度,形成所摄区域的虚拟三维坐标,而且这种虚拟三维坐标有若干层。
进一步,所述第二步的虚拟格网点数据采样算法是使用均匀采样算法,且最终得到的训练数据集的数据个数要大于测试数据集的数据个数。
进一步,所述第三步的虚拟格网点数据归一化处理方法是使用离差归一化方法,且最终得到的结果值均在0到1。
进一步,所述第五步的虚拟格网点训练数据插值方法是使用最近邻插值算法、三次样条插值算法、分段三次Hermite插值算法中的一种,操作时根据实际数据情况进行选择,且插值结果的数据量应为原数据量的3到5倍。
进一步,所述第六步的目标函数是指神经网络模型的输出Ynet(Xtrain)与实际输出量Ytrain之间的均方差值MSE。
进一步,所述第六步的神经网络训练过程是指通过调整所构建神经网络模型中的参数,使得神经网络的目标函数值小于拟合精度要求ε,得到最佳的神经网络模型。
进一步,所述第七步的将神经网络模型的输出Ynet(Xtrain)与目标输出量Ytest之间的均方差值作为拟合误差,用于评价神经网络模型的性能;拟合误差要求可自行选定,当拟合误差达到需求后可停止迭代。
本发明的另一目的在于提供一种应用所述基于神经网络的遥感影像处理的有理函数模型拟合方法的遥感影像处理系统。
综上所述,本发明的优点及积极效果为:本发明针对航天摄影测量中RFM模型建立的过程,结合人工神经网络拟合精度高的特点,区别于传统有理函数模型及其解算方法,使用神经网络对RPC参数进行拟合解算。
当前,较为流行的RPC参数解算方法有岭估计最小二乘法和L曲线最小二乘法,这两种方法均是基于Gauss-Markov模型的常规光束法平差,对RFM观测向量以及函数模型的系数矩阵包含随机噪声的问题进行了考虑,改进了RPC参数的求解方法,提升了RPC参数求解精度。
根据本发明所述的方法进行有理函数模型的拟合,将其最终所得的拟合精度与岭估计最小二乘法、L曲线最小二乘法两种RPC参数解算方法的拟合精度进行对比。统计数据表格如下:
表1拟合精度对比结果
根据表1可得,基于神经网络的遥感影像处理的有理函数模型拟合方法所得的模型拟合误差小于岭估计最小二乘法和L曲线最小二乘法的拟合误差,并且,对于不同地区的前视、正视、后视共六幅遥感影像,本发明所述的方法均能得到最优的拟合效果,说明本发明所述方法性能稳健,具有一定鲁棒性。
另外,已有遥感领域技术人员提出依据现有传统有理函数模型反算出遥感卫星轨道姿态信息的方法,说明传统有理函数模型的保密性不够严密。本发明所述的方法使用神经网络进行有理函数模型的拟合,拟合过程中不需要建立显式的数学模型,无法依据该模型进行遥感卫星信息的反算,因此,本发明能够更有效的保护卫星参数,保密性更强。
附图说明
图1是本发明实施例提供的基于神经网络的遥感影像处理的有理函数模型拟合方法流程图。
图2是本发明实施例提供的基于神经网络的遥感影像处理的有理函数模型拟合方法实现流程图。
图3是本发明实施例提供的遥感影像对应虚拟格网点数据示意图。
图4是本发明实施例提供的神经网络简单的网络层次图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的目的是为了减小传统有理函数模型存在的系统误差,提高对遥感影像成像模型的拟合精度,提出一种基于神经网络的有理函数模型拟合方法,其本质是使用神经网络拟合的非线性函数反映目标区域地形起伏变化情况。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于神经网络的遥感影像处理的有理函数模型拟合方法包括以下步骤:
S101:使用遥感影像对应的外方位角元素,外方位线元素以及相机内参对遥感相机成像时的光线关系进行恢复,构建影像区域的虚拟格网点数据;
S102:对虚拟格网点数据进行预处理,获得神经网络的训练数据集和测试数据集;
S103:训练神经网络,以训练数据集的像点坐标和物点坐标作为神经网络的输入数据和输出数据,对神经网络中的参数进行训练,直至神经网络对训练数据的拟合误差满足最小阈值要求,停止训练;
S104:测试神经网络,将测试数据集中的像点坐标作为神经网络输入数据,获得神经网络的输出数据,根据该输出数据对神经网络的拟合性能进行评价。
下面结合附图对本发明的应用原理作进一步的描述。
本发明在进行有理函数模型的拟合之前,先收集遥感影像对应的定姿结果外方位角元素定轨结果外方位线元素(Xs,Ys,Zs)以及相机的内参确定结果(x0,y0,f)。将上述数据作为输入,使用本发明的方法对其进行处理,如图2所示,其具体步骤如下:
步骤一:构建虚拟格网点数据。利用遥感影像对应的外方位角元素外方位线元素(Xs,Ys,Zs)以及相机内参(x0,y0,f)恢复出遥感相机在成像时的空间位置和相机朝向,确定影像对应区域的水平面二维坐标。然后,将高程设置为0到7000米共8层,如图3所示,将二维坐标完善成三维坐标,形成虚拟格网点数据。将每层虚拟格网点沿经度、纬度方向等间距取30份,并依次排序,形成30个点,以1作为起始号码进行编号,每层格网点包含961个点。
步骤二:对虚拟格网点数据进行数据集划分。将格网点中经度方向编号为奇数的点作为训练数据集用于有理函数模型的拟合,参与拟合点数为3968个;编号为偶数的点作为测试数据集来检验有理函数模型的拟合精度,参与检核的点数为3720个。
步骤三:提取虚拟格网点构建时区域的范围参数和对条带影像进行分景操作时记录的起始行、终止行等参数,对所有数据进行归一化操作,使所有的数据值统一在0到1范围内,满足神经网络输入、输出数据的要求。
步骤四:使用插值算法对虚拟格网点训练数据集进行插值处理,增加训练数据集数据密度。
步骤五:搭建神经网络,设定网络中的隐含层层数,选择激活函数和训练函数,给定网络训练目标函数、学习率、最小梯度值等参数。
步骤六:将虚拟格网点训练数据集中的像点坐标和物点坐标分别作为神经网络的输入量、输出量,以目标函数最小化为目标,调整神经网络中的相关参数,对神经网络进行训练。当目标函数满足拟合精度要求时,停止训练,得到训练好的神经网络模型。
步骤七:使用虚拟格网点测试数据集中的像点坐标作为神经网络模型的输入,求取神经网络的输出与测试数据集中物点坐标之间的均方差值,用于评价神经网络模型的拟合精度。若神经网络模型的输出不达拟合精度要求,则重复上述步骤五之后的操作,直到拟合精度满足要求。
下面结合对比对本发明的应用效果作详细的描述。
将本发明所述的方法运用于实际遥感影像处理中,选取两组不同地区、不同地形、不同载荷的数据进行实验,每组数据包含前视、正视、后视影像数据各两幅,运用本发明所述方法得到了拟合精度数据,并与岭估计最小二乘法、L曲线最小二乘法的结果进行了对比。
表2第1组实验数据拟合精度对比
表3第2组实验数据拟合精度对比
根据表2和表3可得,基于神经网络的遥感影像处理的有理函数模型拟合方法所得的模型拟合误差小于岭估计最小二乘法和L曲线最小二乘法的拟合误差,并且本发明所述的方法效果稳定,对于不同地区、不同地形、不同载荷均能取得优于传统方法的模拟拟合精度。
以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于神经网络的遥感影像处理的有理函数模型拟合方法,其特征在于,所述基于神经网络的遥感影像处理的有理函数模型拟合方法使用遥感影像对应的外方位角元素外方位线元素(Xs,Ys,Zs)以及相机内参(x0,y0,f)对遥感相机成像时的光线关系进行恢复,构建影像区域的虚拟格网点数据;对虚拟格网点数据进行预处理,获得神经网络的训练数据集和测试数据集;训练神经网络,以训练数据集的像点坐标和物点坐标作为神经网络的输入数据和输出数据,对神经网络中的参数进行训练,直至神经网络对训练数据的拟合误差满足最小阈值要求,停止训练;测试神经网络,将测试数据集中的像点坐标作为神经网络输入数据,获得神经网络的输出数据,根据该输出数据对神经网络的拟合性能进行评价;
所述基于神经网络的遥感影像处理的有理函数模型拟合方法包括以下步骤:
第一步,根据遥感影像成像满足共线方程的基本原理,利用遥感影像对应的外方位角元素外方位线元素(Xs,Ys,Zs)以及相机内参(x0,y0,f)恢复出遥感相机在成像时的空间位置和相机朝向,从而确定成像时相机光心与所摄目标点之间的连线,即光线;但由于单幅遥感影像无法形成光线相交,只能确定所摄目标点在水平面上的相对坐标,无法确定其高度信息;所以假设影像对应区域的高程为固定高度,结合可确定的水平面二维坐标,形成所摄区域的虚拟三维坐标,构建虚拟格网点数据;
第二步,对虚拟格网点进行数据划分,使用采样算法对虚拟格网点数据进行均匀采样,按照一定规则分为训练数据集和测试数据集;
第三步,将虚拟格网点数据进行归一化处理,以满足神经网络输入量、输出量的基本要求;归一化依据来自于虚拟格网点构建时区域的范围参数以及对条带影像进行分景操作时记录的起始行、终止行;从参数中得到数据归一化所需要的中心偏移量Data_OFF和缩放量Data_SCALE,按如下公式将数据进行归一化即可;
第四步,以训练数据中的归一化物方坐标(B,L,H)作为输入矢量Xtrain,归一化像方坐标(r,c)作为输出矢量Ytrain,设定神经网络模型的输出Ynet(Xtrain)与实际输出量Ytrain之间的均方差值MSE为目标函数,即:
式中,N为虚拟格网点单层训练数据的数量;
第五步,由于虚拟格网点单层训练数据不能够满足神经网络模型拟合精度的需求,对虚拟格网点单层训练数据进行了插值处理;
第六步,以目标函数MSE最小化为目标,不断训练网络,调整网络中的径向基函数中心以及输出层连接权值;当目标函数小于拟合精度要求ε时,停止训练,获得最佳拟合结果;
第七步,将检核点数据的归一化物方坐标(B,L,H)作为神经网络模型的输入矢量Xtest,归一化像方坐标(r,c)作为目标输出矢量Ytest,将神经网络模型的输出Ynet(Xtest)与目标输出量Ytest之间的均方差值作为拟合误差,用于评价神经网络模型的性能。
2.如权利要求1所述的基于神经网络的遥感影像处理的有理函数模型拟合方法,其特征在于,所述第一步的虚拟格网点构建方法是利用遥感影像对应的外方位角元素外方位线元素(Xs,Ys,Zs)以及相机内参(x0,y0,f)恢复出遥感相机在成像时的空间位置和相机朝向,确定成像光线,并假设影像对应区域的高程为固定高度,形成所摄区域的虚拟三维坐标,而且这种虚拟三维坐标有若干层。
3.如权利要求1所述的基于神经网络的遥感影像处理的有理函数模型拟合方法,其特征在于,所述第二步的虚拟格网点数据采样算法是使用均匀采样算法,且最终得到的训练数据集的数据个数要大于测试数据集的数据个数。
4.如权利要求1所述的基于神经网络的遥感影像处理的有理函数模型拟合方法,其特征在于,所述第三步的虚拟格网点数据归一化处理方法是使用离差归一化方法,且最终得到的结果值均在0到1。
5.如权利要求1所述的基于神经网络的遥感影像处理的有理函数模型拟合方法,其特征在于,所述第五步的虚拟格网点训练数据插值方法是使用最近邻插值算法、三次样条插值算法、分段三次Hermite插值算法中的一种,操作时根据实际数据情况进行选择,且插值结果的数据量应为原数据量的3到5倍。
6.如权利要求1所述的基于神经网络的遥感影像处理的有理函数模型拟合方法,其特征在于,所述第七步的将神经网络模型的输出Ynet(Xtest)与目标输出量Ytest之间的均方差值作为拟合误差,用于评价神经网络模型的性能;拟合误差要求可自行选定,当拟合误差达到需求后可停止迭代。
7.一种应用权利要求1~6任意一项所述基于神经网络的遥感影像处理的有理函数模型拟合方法的遥感影像处理系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910224313.8A CN110660099B (zh) | 2019-03-22 | 2019-03-22 | 基于神经网络的遥感影像处理的有理函数模型拟合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910224313.8A CN110660099B (zh) | 2019-03-22 | 2019-03-22 | 基于神经网络的遥感影像处理的有理函数模型拟合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110660099A CN110660099A (zh) | 2020-01-07 |
CN110660099B true CN110660099B (zh) | 2023-04-07 |
Family
ID=69028777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910224313.8A Active CN110660099B (zh) | 2019-03-22 | 2019-03-22 | 基于神经网络的遥感影像处理的有理函数模型拟合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110660099B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651171B (zh) * | 2020-12-15 | 2024-05-14 | 清华大学 | 一种数据驱动岩石物理建模方法及系统 |
CN112966605A (zh) * | 2021-03-05 | 2021-06-15 | 湘潭大学 | 基于深度学习拟合一个类似rpc的定位模型 |
CN115100079B (zh) * | 2022-08-24 | 2022-11-22 | 中国科学院空天信息创新研究院 | 遥感图像的几何校正方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176001A (zh) * | 2011-02-10 | 2011-09-07 | 哈尔滨工程大学 | 一种基于透水波段比值因子的水深反演方法 |
CN103530628A (zh) * | 2013-10-29 | 2014-01-22 | 上海市城市建设设计研究总院 | 基于浮动控制点的高分辨率遥感影像正射校正方法 |
CN104123457A (zh) * | 2014-07-21 | 2014-10-29 | 湖北工业大学 | 一种稳健的卫星遥感影像有理函数模型参数估计方法 |
CN107944368A (zh) * | 2017-11-16 | 2018-04-20 | 中国科学院遥感与数字地球研究所 | 一种基于时序遥感图像的水体提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201135269A (en) * | 2010-04-12 | 2011-10-16 | Univ Nat Central | Integrated positioning method of high-resolution multidimensional satellite image |
TWI486556B (zh) * | 2013-01-04 | 2015-06-01 | Univ Nat Central | Integration of Radar and Optical Satellite Image for Three - dimensional Location |
-
2019
- 2019-03-22 CN CN201910224313.8A patent/CN110660099B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176001A (zh) * | 2011-02-10 | 2011-09-07 | 哈尔滨工程大学 | 一种基于透水波段比值因子的水深反演方法 |
CN103530628A (zh) * | 2013-10-29 | 2014-01-22 | 上海市城市建设设计研究总院 | 基于浮动控制点的高分辨率遥感影像正射校正方法 |
CN104123457A (zh) * | 2014-07-21 | 2014-10-29 | 湖北工业大学 | 一种稳健的卫星遥感影像有理函数模型参数估计方法 |
CN107944368A (zh) * | 2017-11-16 | 2018-04-20 | 中国科学院遥感与数字地球研究所 | 一种基于时序遥感图像的水体提取方法 |
Non-Patent Citations (2)
Title |
---|
Automatic relative RPC image model bias compensation through hierarchical image matching for improving DEM quality;Myoung-Jong Noh et al;《ISPRS Journal of Photogrammetry and Remote Sensing》;20171230;全文 * |
遥感影像的正射校正方法比较;栾庆祖等;《遥感技术与应用》;20071230;第22卷(第6期);第743-747页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110660099A (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969668B (zh) | 一种长焦双目相机的立体标定算法 | |
CN114399554B (zh) | 一种多相机系统的标定方法及系统 | |
CN110660099B (zh) | 基于神经网络的遥感影像处理的有理函数模型拟合方法 | |
CN112102458A (zh) | 基于激光雷达点云数据辅助的单镜头三维图像重构方法 | |
CN109727278B (zh) | 一种机载LiDAR点云数据与航空影像的自动配准方法 | |
CN109709551B (zh) | 一种星载合成孔径雷达影像的区域网平面平差方法 | |
CN111145227B (zh) | 一种地下隧道空间多视点云的可迭代整体配准方法 | |
CN111174753B (zh) | 基于有理函数模型的光学影像与激光测高数据平差方法 | |
CN112270698B (zh) | 基于最邻近曲面的非刚性几何配准方法 | |
CN113358091B (zh) | 一种利用三线阵立体卫星影像生产数字高程模型dem的方法 | |
CN107014399A (zh) | 一种星载光学相机‑激光测距仪组合系统联合检校方法 | |
CN113902645B (zh) | 一种基于逆rd定位模型的星载sar图像rpc校正参数获取方法 | |
CN111724465B (zh) | 基于平面约束优选虚拟控制点的卫星影像平差方法及装置 | |
CN108759788B (zh) | 无人机影像定位定姿方法及无人机 | |
CN112929626B (zh) | 一种基于智能手机影像的三维信息提取方法 | |
WO2015007065A1 (zh) | 一种降低tdi-ccd相机图像模糊度的方法 | |
CN113298947A (zh) | 一种基于多源数据融合的变电站三维建模方法介质及系统 | |
CN110807815A (zh) | 基于两组相互正交平行线对应消失点的快速水下标定方法 | |
CN112070891A (zh) | 数字地面模型作为三维控制的影像区域网平差方法及系统 | |
CN113379648B (zh) | 一种高分七号和资源三号立体影像联合平差方法 | |
CN116309844A (zh) | 一种基于无人机单张航空图片的三维测量方法 | |
CN111044076B (zh) | 基于参考底图的高分一号b卫星几何检校方法 | |
CN108053467B (zh) | 基于最小生成树的立体像对选择方法 | |
CN111862332A (zh) | 一种卫星影像通用成像模型拟合误差的改正方法及系统 | |
CN113313768B (zh) | 基于两个灭点和局部物体尺度的全局空间尺度测量方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |