CN111127525B - 带约束点集配准的增量式农田边界精度校准方法及装置 - Google Patents
带约束点集配准的增量式农田边界精度校准方法及装置 Download PDFInfo
- Publication number
- CN111127525B CN111127525B CN201811293885.3A CN201811293885A CN111127525B CN 111127525 B CN111127525 B CN 111127525B CN 201811293885 A CN201811293885 A CN 201811293885A CN 111127525 B CN111127525 B CN 111127525B
- Authority
- CN
- China
- Prior art keywords
- farmland
- boundary
- neighborhood
- extracted
- registration
- 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
- 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
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
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
本发明提供了一种带约束点集配准的增量式农田边界精度校准方法及装置,所述方法包括以下步骤:将基于卫星遥感影像提取的农田边界的数据和实际测量得到的农田边界的数据配对并存储在数据库中,导出农田边界的数据;根据基于卫星遥感影像提取的农田边界和实际测量得到的农田边界的形状相似性以及区域重叠率来判定提取的农田边界的有效性;提取农田边界的对应点,基于刚体点集配准校正提取的农田边界,以及基于增量式联合点集配准校正提取的农田边界;将校正后的农田边界存入数据库。本发明提升了基于高分辨率的卫星遥感影像提取的农田边界的定位精度和提取农田边界的效率。
Description
技术领域
本发明涉及农田边界提取技术领域,具体涉及一种带约束点集配准的增量式农田边界精度校准方法及装置。
背景技术
农田边界是我国国土资源非常重要的信息,也是我国每十年一次的全国土地调查所重点关注的对象之一。随着科技的快速发展,精准农业已成为当今世界农业发展的潮流之一。其中无人机植保(农药喷洒、施肥、农作物长势跟踪等)已成为精准农业的重要组成部分,也是提升农业作业效率的有效手段之一。而高精度的农田边界是无人机高效、精准作业的必要条件之一。
基于高分辨率的卫星遥感影像,融合深度学习、大数据及计算机视觉等前沿技术,可以批量高效的提取农田边界,且提取农田边界的形状具有较高的准确性。然而由于卫星遥感影像普遍绝对定位精度不足,使其无法被直接应用在精准农业场景上。而传统的基于测绘仪器的人工测量方式,虽然能保证定位精度,但是效率低下,尤其对较大面积的农田,作业的人力成本很高。因此提升基于高分辨卫星遥感影像提取的农田边界的绝对定位精度以及提升传统人工测绘测量方式的采集效率降低人力成本,已成为行业内急需要解决的问题,而针对其的研发也在持续进行当中。
目前校正基于高分辨遥感影像获取的农田边界位置精度的主要方案是通过校正卫星遥感影像的方式间接得到的。而这种方式需要建立具有标志性、图像易识别的预先采集的地面控制点和该控制点在遥感图像像素位置的一一对应关系。实际作业中,受地理环境的影响较难选取或布控地面控制点,另外目前商业卫星遥感影像的最高分辨率在0.3米左右,在选取控制点像素时也会引入较大误差,因此这种校正方式目前在实际应用中的效果还有待提高。而提升人工测绘测量采集效率的方式也多集中在采集设备的轻型化、小型化上,但仍不能减少采集距离。
基于高分辨率的卫星遥感影像,使用机器学习(深度学习)及计算机视觉技术,可以高效批量的提取农田边界信息。但是受限于卫星遥感影像绝对位置精度不足,基于其提取的农田边界较难直接用于对作业精细化要求较高的精准农业(无人机植保)当中。传统的人工基于测绘仪器的测量方式,虽然具有效率低下、人工成本高等缺陷,但由于其能保证农田边界的精度,仍是目前最主要的农田边界获取方式。而基于无人机低空航测生成的高精度数字正射影像,提取高精度的农田边界也是一种方案。但是航测无人机价格昂贵、需要专业操作、为保证精度还需要布控大量的地面控制点,无形中大大增加了作业难度及作业成本,这也成为其较难被广泛应用的瓶颈。
发明内容
本发明提供了带约束点集配准的增量式农田边界精度校准方法及装置,解决的技术问题是:1)提升基于高分辨率的卫星遥感影像提取的农田边界的定位精度,使其可以应用于无人机植保等精准农业场景;2)利用基于高分辨率的卫星遥感影像提取的农田边界具有较好的形状准确性的优点,提升传统基于测绘测量提取农田边界方式的效率。
本发明采用的技术方案具体如下:
一种带约束点集配准的增量式农田边界精度校准方法,所述方法包括以下步骤:
将基于卫星遥感影像提取的农田边界的数据和实际测量得到的农田边界的数据配对并存储在数据库中,导出农田边界的数据;
根据基于卫星遥感影像提取的农田边界和实际测量得到的农田边界的形状相似性以及区域重叠率来判定提取的农田边界的有效性;
提取农田边界的对应点,基于刚体点集配准校正提取的农田边界,以及基于增量式联合点集配准校正提取的农田边界;
将校正后的农田边界存入数据库。
进一步地,以反地理编码的方式将基于卫星遥感影像提取的农田边界的数据和实际测量得到的农田边界的数据配对。
进一步地,根据实际测量得到的农田的中心位置,使用空间搜索方法在数据库中搜索并提取对应的基于卫星遥感影像提取的农田边界。
进一步地,如果形状相似性和区域重叠率同时高于设定阈值,判定提取的农田边界有效。
进一步地,通过Hu矩计算形状相似性,通过计算由农田边界生成的农田多边形的相交面积与最大农田多边形的面积的比值来计算区域重叠率。
进一步地,基于最近邻搜索算法和形状描述子算法提取农田边界的对应点。
进一步地,通过CPD刚体点集配准算法校正提取的农田边界。
进一步地,所述基于增量式联合点集配准校正农田边界具体包括以下步骤:
完成单块农田的配准和精度校正之后,基于距离阈值搜索所述单块农田的邻域农田;
遍历邻域农田的集合,针对集合中的每一块农田,再次计算邻域农田的集合,判断再次计算的邻域农田的集合中是否存在实际测量得到的农田;
如果不存在,直接将单块农田刚体配准的结果移植到邻域农田的集合中,对邻域农田进行精度校正;如果存在,根据实际测量得到的农田的分布情况,对邻域农田进行精度校正。
进一步地,如果实际测量得到的农田的分布不均匀,合并实际测量得到的农田的数据,联合刚体配准的结果对邻域农田进行精度校正;如果实际测量得到的农田的分布均匀,合并实际测量得到的农田的数据,联合非刚体配准的结果对邻域农田进行精度校正。
本发明还提供了一种带约束点集配准的增量式农田边界精度校准装置,包括:
农田边界数据配对与导出单元,用于将基于卫星遥感影像提取的农田边界的数据和实际测量得到的农田边界的数据配对并存储在数据库中,导出农田边界的数据;
农田边界有效性验证单元,用于根据基于卫星遥感影像提取的农田边界和实际测量得到的农田边界的形状相似性以及区域重叠率来判定提取的农田边界的有效性;
农田边界对应点提取与校正单元,用于提取农田边界的对应点,基于刚体点集配准校正提取的农田边界,以及基于增量式联合点集配准校正提取的农田边界;
农田边界存储单元,用于将校正后的农田边界存入数据库。
本发明还提供了一种存储器,所述存储器存储有计算机程序,所述计算机程序执行如下步骤:
将基于卫星遥感影像提取的农田边界的数据和实际测量得到的农田边界的数据配对并存储在数据库中,导出农田边界的数据;
根据基于卫星遥感影像提取的农田边界和实际测量得到的农田边界的形状相似性以及区域重叠率来判定提取的农田边界的有效性;
提取农田边界的对应点,基于刚体点集配准校正提取的农田边界,以及基于增量式联合点集配准校正提取的农田边界;
将校正后的农田边界存入数据库。
本发明提升了基于高分辨率的卫星遥感影像提取的农田边界的定位精度和提取农田边界的效率。
附图说明
图1为本发明农田边界精度校准方法流程图;
图2为本发明增量式联合配准校正算法流程图;
图3为本发明农田邻域分布示意图;
图4为本发明农田边界精度校准装置结构图。
具体实施方式
本发明通过融合基于高分辨率遥感影像及传统测绘测量提取农田边界两种方式的优点,一方面利用基于高分辨遥感影像提取的农田边界的批量化、形状准确性的优点,来提升传统测量测绘方式的生产效率提,具体方式为,针对面积较大的农田,只需要通过传统测绘方式测量一块农田的部分边界,基于遥感影像提取的结果,通过对应点提取及刚体点集配准的算法,获取完整农田的高精度边界。另一方面,基于高分辨率遥感影像提取农田边界的定位精度分布在局部具有一致性,将单块农田的配准结果传递到其一定距离范围内的邻域农田上,完成其邻域农田的精度校正。随着测绘采集农田数量的增加和分布的增广,通过刚体和非刚体联合增量式配准的策略引入,进一步优化基于高分辨率遥感影提取边界的定位精度。最终达到在局部区域内基于少数测量获取的农田,对遥感影像提取的整个区域的农田边界的精度校正。
下文中,结合附图和实施例对本发明作进一步阐述。
实施例一:
本发明提供了一种带约束点集配准的增量式农田边界精度校准方法,流程图如图1所示,具体包括以下步骤:
步骤1,农田边界数据导出
卫星遥感影像的平均定位精度在米级,即测量得到的农田边界与基于卫星遥感影像提取的农田边界,在定位上的偏差一般为米级。这让我们可以基于农田边界中心,以反地理编码的方式将基于卫星遥感影像提取的和实际测量得到的农田边界数据配对并组织存储在数据库当中。可以根据实际测量得到的农田的中心位置,使用空间搜索方法在数据库中搜索并提取对应的基于卫星遥感影像提取的农田边界。
步骤2,农田边界有效性验证
受卫星遥感影像质量(天气、地域、距离)的影响,部分基于卫星遥感影像提取的农田边界存在定位精度大于10米或者边界提取不正确的情况。因此在进行精度校准之前,首先要进行农田边界的可用性验证。本发明中基于提取农田边界和实测农田边界的形状相似性以及区域重叠率来综合判定提取农田边界是否有效,即只有当形状相似性以及区域重叠率同时高于给定的阈值(阈值优选为70%),才判定提取农田边界是可用的。Hu矩具有平移、旋转、缩放不变性,基于其差异化的比率可有效的计算图形之间的相似性。而区域重叠率,可通过计算由农田边界生成的农田多边形的相交面积与最大农田多边形的面积的比值(比值优选为70%)来得到。当实测农田的边界不完整(只测量部分农田边界)时,通过计算实测边界到提取边界的最小距离作为替代的判定条件。
步骤3,农田边界对应点提取
对应点提取迭代是点集配准的重要步骤之一。有效的对应点关系初始化,可以大大缩减配准迭代的次数和提升配准算法的鲁棒性,尤其是当其中一个点集不完整时,可以大大降低由于形状对称性、重复性造成的误匹配的概率。鉴于卫星遥感影像的定位精度在10米以内,基于经典算法ICP(Iterative Closest Point)的最近邻搜索算法可以有效的计算对应点。为了应对提取的农田边界有较大的旋转偏移情况(基于最近邻提取的对应点结果不稳定),我们同时基于形状描述子(shape context descriptor)匹配的方法计算得到对应点关系。通过融合两种算法的结果的方式提升算法的鲁棒性。
步骤4,基于刚体点集配准的农田边界校正
CPD(Coherence Motion Drift,一致性点漂移算法)点集配准算法,具有刚体配准和非刚体配准两种框架,使用全局优化策略,并且对噪声和飞点有较强的鲁棒性,使其成为近年来最为流行的点集配准算法之一,因此本发明使用CPD作为核心的点集配准算法。考虑到农田边界具有较强的自相似性和对称性,单块农田的配准存在通过缩放和旋转之后得到匹配误差更小的误配准结果。基于通过卫星遥感影像提取的农田边界的相对精度较高的情形,我们在使用CPD算法进行配准的过程中,给缩放因子限定了范围,以提高算法的鲁棒性。这个约束只是针对单块农田配准的情况,当执行多块农田联合配准时,该约束即可去掉。基于卫星遥感影像的定位精度分布在一定的距离范围内具有一致性的前提,我们将单块农田配准的结果(由旋转、平移和缩放因子构成的形变矩阵)移植到其邻域农田上。
步骤5,基于增量式联合点集配准的农田边界校正
针对实测农田数量和分布的不同阶段,本发明设计了增量式刚体非刚体联合配准的农田边界校正算法流程。该算法的核心是在一定距离邻域范围内,使用所有实测农田,对其共同的邻域农田进行联合精度校正,特别地当实测农田的分布具有多方向的均匀性,可使用约束更加灵活的非刚体配准替代刚体配准。当然在实测农田较少的情况下,单块农田刚体配准的结果将直接应用在其邻域农田上。
结合流程图(图2)及农田分布示意图(图3),对增量式联合配准算法进行进一步说明。图3中加粗黑框表示基于卫星影像提取的农田,斜杠表示实际测绘采集的农田边界。当7号农田完成单块农田的配准之后,首先通过计算获取其邻域农田(本例中为,1、2、3、8、13、12、11、6号农田)。然后查看这些邻域农田的邻域是否有实测农田(即这块农田是否之前被间接校正过),如果没有(例如图3中的8号农田)那么7号农田的刚体配准结果会直接作用到8号农田并完成其精度校准;如果有(例如图3中的13号农田,其还有19号农田也存在实测农田),那么会联合7号和19号农田一起再次进行刚体配准,使用联合配准的结果对13号农田进行精度校正。进一步地如果13号农田的实测邻域农田的分布具有均匀性,邻域农田均匀分布在其周围(例如,9号、17号农田也有实测农田),可使用非刚体的点集配准进行精度校正,因为均匀分布的农田加上CPD算法全局运动一致性的限制可约束非刚体配准的结果不会进入局部最小值。技术细节为,完成单块农田的配准和精度校正之后,首先基于距离阈值搜索该校正农田的邻域农田。下一步遍历该邻域集合,针对集合中的每一块农田,以其中心为原点,构建极坐标,并以60度角为一象限,统计其邻域农田的存在和分布情况,并根据该情况判断是直接移植单块农田刚体配准结果还是使用联合刚体或非刚体配准结果进行精度校正。
步骤6,校正后农田边界入库
整个流程的最后一步是精度校准结果存入数据库。校准后的农田边界数据,既可为下一次增量配准提供输入,也可输出到精准农业的实际应用当中。
实施例二:
本发明还提供了一种带约束点集配准的增量式农田边界精度校准装置,如图4所示,所述装置包括:
农田边界数据配对与导出单元,用于将基于卫星遥感影像提取的农田边界的数据和实际测量得到的农田边界的数据配对并存储在数据库中,导出农田边界的数据;
农田边界有效性验证单元,用于根据基于卫星遥感影像提取的农田边界和实际测量得到的农田边界的形状相似性以及区域重叠率来判定提取的农田边界的有效性;
农田边界对应点提取与校正单元,用于提取农田边界的对应点,基于刚体点集配准校正提取的农田边界,以及基于增量式联合点集配准校正提取的农田边界;
农田边界存储单元,用于将校正后的农田边界存入数据库。
实施例三:
本发明还提供了一种存储器,所述存储器存储有计算机程序,所述计算机程序执行如下步骤:
将基于卫星遥感影像提取的农田边界的数据和实际测量得到的农田边界的数据配对并存储在数据库中,导出农田边界的数据;
根据基于卫星遥感影像提取的农田边界和实际测量得到的农田边界的形状相似性以及区域重叠率来判定提取的农田边界的有效性;
提取农田边界的对应点,基于刚体点集配准校正提取的农田边界,以及基于增量式联合点集配准校正提取的农田边界;
将校正后的农田边界存入数据库。
本发明并不限定计算机语言,但优选使用Python或C++能得到较好的第三方库的支持。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (10)
1.一种带约束点集配准的增量式农田边界精度校准方法,其特征在于,
所述方法包括以下步骤:
将基于卫星遥感影像提取的农田边界的数据和实际测量得到的农田边界的数据配对并存储在数据库中,导出农田边界的数据;
根据基于卫星遥感影像提取的农田边界和实际测量得到的农田边界的形状相似性以及区域重叠率来判定提取的农田边界的有效性;
提取农田边界的对应点,基于刚体点集配准校正提取的农田边界,以及基于增量式联合点集配准校正提取的农田边界,其中,所述基于增量式联合点集配准校正农田边界具体包括以下步骤:完成单块农田的配准和精度校正之后,基于距离阈值搜索所述单块农田的邻域农田;遍历邻域农田的集合,针对集合中的每一块农田,再次计算邻域农田的集合,判断再次计算的邻域农田的集合中是否存在实际测量得到的农田;如果不存在,直接将单块农田刚体配准的结果移植到邻域农田的集合中,对邻域农田进行精度校正;如果存在,根据实际测量得到的农田的分布情况,对邻域农田进行精度校正;
将校正后的农田边界存入数据库。
2.如权利要求1所述的一种带约束点集配准的增量式农田边界精度校准方法,其特征在于,
以反地理编码的方式将基于卫星遥感影像提取的农田边界的数据和实际测量得到的农田边界的数据配对。
3.如权利要求2所述的一种带约束点集配准的增量式农田边界精度校准方法,其特征在于,
根据实际测量得到的农田的中心位置,使用空间搜索方法在数据库中搜索并提取对应的基于卫星遥感影像提取的农田边界。
4.如权利要求3所述的一种带约束点集配准的增量式农田边界精度校准方法,其特征在于,
如果形状相似性和区域重叠率同时高于设定阈值,判定提取的农田边界有效。
5.如权利要求4所述的一种带约束点集配准的增量式农田边界精度校准方法,其特征在于,
通过Hu矩计算形状相似性,通过计算由农田边界生成的农田多边形的相交面积与最大农田多边形的面积的比值来计算区域重叠率。
6.如权利要求3所述的一种带约束点集配准的增量式农田边界精度校准方法,其特征在于,
基于最近邻搜索算法和形状描述子算法提取农田边界的对应点。
7.如权利要求6所述的一种带约束点集配准的增量式农田边界精度校准方法,其特征在于,
通过CPD刚体点集配准算法校正提取的农田边界。
8.如权利要求7所述的一种带约束点集配准的增量式农田边界精度校准方法,其特征在于,
如果实际测量得到的农田的分布不均匀,合并实际测量得到的农田的数据,联合刚体配准的结果对邻域农田进行精度校正;如果实际测量得到的农田的分布均匀,合并实际测量得到的农田的数据,联合非刚体配准的结果对邻域农田进行精度校正。
9.一种带约束点集配准的增量式农田边界精度校准装置,其特征在于,
所述装置包括:
农田边界数据配对与导出单元,用于将基于卫星遥感影像提取的农田边界的数据和实际测量得到的农田边界的数据配对并存储在数据库中,导出农田边界的数据;
农田边界有效性验证单元,用于根据基于卫星遥感影像提取的农田边界和实际测量得到的农田边界的形状相似性以及区域重叠率来判定提取的农田边界的有效性;
农田边界对应点提取与校正单元,用于提取农田边界的对应点,基于刚体点集配准校正提取的农田边界,以及基于增量式联合点集配准校正提取的农田边界,其中,所述基于增量式联合点集配准校正农田边界具体包括:完成单块农田的配准和精度校正之后,基于距离阈值搜索所述单块农田的邻域农田;遍历邻域农田的集合,针对集合中的每一块农田,再次计算邻域农田的集合,判断再次计算的邻域农田的集合中是否存在实际测量得到的农田;如果不存在,直接将单块农田刚体配准的结果移植到邻域农田的集合中,对邻域农田进行精度校正;如果存在,根据实际测量得到的农田的分布情况,对邻域农田进行精度校正;
农田边界存储单元,用于将校正后的农田边界存入数据库。
10.一种存储器,所述存储器存储有计算机程序,其特征在于,
所述计算机程序执行如下步骤:
将基于卫星遥感影像提取的农田边界的数据和实际测量得到的农田边界的数据配对并存储在数据库中,导出农田边界的数据;
根据基于卫星遥感影像提取的农田边界和实际测量得到的农田边界的形状相似性以及区域重叠率来判定提取的农田边界的有效性;
提取农田边界的对应点,基于刚体点集配准校正提取的农田边界,以及基于增量式联合点集配准校正提取的农田边界,其中,所述基于增量式联合点集配准校正农田边界具体包括:完成单块农田的配准和精度校正之后,基于距离阈值搜索所述单块农田的邻域农田;遍历邻域农田的集合,针对集合中的每一块农田,再次计算邻域农田的集合,判断再次计算的邻域农田的集合中是否存在实际测量得到的农田;如果不存在,直接将单块农田刚体配准的结果移植到邻域农田的集合中,对邻域农田进行精度校正;如果存在,根据实际测量得到的农田的分布情况,对邻域农田进行精度校正;
将校正后的农田边界存入数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811293885.3A CN111127525B (zh) | 2018-10-31 | 2018-10-31 | 带约束点集配准的增量式农田边界精度校准方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811293885.3A CN111127525B (zh) | 2018-10-31 | 2018-10-31 | 带约束点集配准的增量式农田边界精度校准方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127525A CN111127525A (zh) | 2020-05-08 |
CN111127525B true CN111127525B (zh) | 2023-07-25 |
Family
ID=70494693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811293885.3A Active CN111127525B (zh) | 2018-10-31 | 2018-10-31 | 带约束点集配准的增量式农田边界精度校准方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127525B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113063375B (zh) * | 2021-03-16 | 2022-04-08 | 成都理工大学 | 一种直线型耕作田埂的无人机遥感提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104075691A (zh) * | 2014-07-09 | 2014-10-01 | 广州市城市规划勘测设计研究院 | 基于cors和icp算法的地面激光扫描仪快速测量地形的方法 |
CN104700427A (zh) * | 2015-04-03 | 2015-06-10 | 电子科技大学 | 一种基于sar图像的道路损毁信息提取方法 |
CN106485741A (zh) * | 2016-10-19 | 2017-03-08 | 哈尔滨工业大学 | 一种保留局部结构的非刚点集配准的方法 |
CN107563413A (zh) * | 2017-08-09 | 2018-01-09 | 千寻位置网络有限公司 | 无人机航拍影像农田块对象精准提取方法 |
CN107705360A (zh) * | 2017-09-26 | 2018-02-16 | 南京林业大学 | 一种山地景观断面快速生成方法 |
CN108346162A (zh) * | 2018-03-26 | 2018-07-31 | 西安电子科技大学 | 基于结构信息和空间约束的遥感图像配准方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10303677B2 (en) * | 2015-10-14 | 2019-05-28 | The Climate Corporation | Computer-generated accurate yield map data using expert filters and spatial outlier detection |
-
2018
- 2018-10-31 CN CN201811293885.3A patent/CN111127525B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104075691A (zh) * | 2014-07-09 | 2014-10-01 | 广州市城市规划勘测设计研究院 | 基于cors和icp算法的地面激光扫描仪快速测量地形的方法 |
CN104700427A (zh) * | 2015-04-03 | 2015-06-10 | 电子科技大学 | 一种基于sar图像的道路损毁信息提取方法 |
CN106485741A (zh) * | 2016-10-19 | 2017-03-08 | 哈尔滨工业大学 | 一种保留局部结构的非刚点集配准的方法 |
CN107563413A (zh) * | 2017-08-09 | 2018-01-09 | 千寻位置网络有限公司 | 无人机航拍影像农田块对象精准提取方法 |
CN107705360A (zh) * | 2017-09-26 | 2018-02-16 | 南京林业大学 | 一种山地景观断面快速生成方法 |
CN108346162A (zh) * | 2018-03-26 | 2018-07-31 | 西安电子科技大学 | 基于结构信息和空间约束的遥感图像配准方法 |
Non-Patent Citations (2)
Title |
---|
xueliang zhang等."Boundary-constrained multi-scale segmentation method for remote sensing images".《ISPRS Journal of Photogrammetry and Remote Sensing》.2013,15-25页. * |
荣成城等."边界轮廓特征的多分辨率弹性配准".《应用科学学报》.2007,第第25卷卷(第第25卷期),608-614页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111127525A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Potena et al. | AgriColMap: Aerial-ground collaborative 3D mapping for precision farming | |
CN112017224B (zh) | Sar数据区域网平差处理方法和系统 | |
CN109448127B (zh) | 一种基于无人机遥感的农田高精度导航地图生成方法 | |
US20140219514A1 (en) | Automated metric information network | |
CN106920235B (zh) | 基于矢量底图匹配的星载光学遥感影像自动校正方法 | |
CN108759788B (zh) | 无人机影像定位定姿方法及无人机 | |
CN107330927B (zh) | 机载可见光图像定位方法 | |
CN111044037B (zh) | 一种光学卫星影像的几何定位方法及装置 | |
CN109523585B (zh) | 一种基于方向相位一致性的多源遥感影像特征匹配方法 | |
Ozcanli et al. | Automatic geo-location correction of satellite imagery | |
CN109709551B (zh) | 一种星载合成孔径雷达影像的区域网平面平差方法 | |
CN109461132B (zh) | 基于特征点几何拓扑关系的sar图像自动配准方法 | |
CN108921035B (zh) | 基于空间引力和像元聚集度的亚像元定位方法和系统 | |
CN111003214B (zh) | 基于云控制的国产陆地观测卫星姿轨精化方法 | |
CN110030968B (zh) | 一种基于星载立体光学影像的地面遮挡物仰角测量方法 | |
CN116228539A (zh) | 一种无人机遥感图像拼接的方法 | |
CN111127525B (zh) | 带约束点集配准的增量式农田边界精度校准方法及装置 | |
CN106530342A (zh) | 利用激光点云辅助的可量测全景影像生成方法 | |
CN110490830B (zh) | 一种农业遥感图像校正方法及系统 | |
CN115546266B (zh) | 基于局部法向相关的多条带机载激光点云配准方法 | |
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 | |
CN115564808B (zh) | 基于公共空-谱子空间的多分辨率高光谱/sar影像配准方法 | |
CN107945218B (zh) | 边缘大畸变影像匹配方法 | |
Lindenthal et al. | Airborne LIDAR: A fully-automated self-calibration procedure | |
CN105093222A (zh) | 一种sar影像区域网平差连接点自动提取方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 200438 9 / F, 10 / F, 11 / F, 12 / F, 38 Lane 1688, Guoquan North Road, Yangpu District, Shanghai Applicant after: QIANXUN SPATIAL INTELLIGENCE Inc. Address before: Room j165, 1st floor, building 64, 1436 Jungong Road, Yangpu District, Shanghai, 200433 Applicant before: QIANXUN SPATIAL INTELLIGENCE Inc. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |