CN111179205A - 一种基于地物分类掩膜的遥感影像色彩纠正方法 - Google Patents

一种基于地物分类掩膜的遥感影像色彩纠正方法 Download PDF

Info

Publication number
CN111179205A
CN111179205A CN201911248591.3A CN201911248591A CN111179205A CN 111179205 A CN111179205 A CN 111179205A CN 201911248591 A CN201911248591 A CN 201911248591A CN 111179205 A CN111179205 A CN 111179205A
Authority
CN
China
Prior art keywords
image
remote sensing
cloud
mask
pixel
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
Application number
CN201911248591.3A
Other languages
English (en)
Other versions
CN111179205B (zh
Inventor
齐建超
王海波
曹琼
贾祎琳
邓超
尤江彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Survey Surveying And Mapping Technology Co ltd
Original Assignee
China Center for Resource Satellite Data and Applications CRESDA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Center for Resource Satellite Data and Applications CRESDA filed Critical China Center for Resource Satellite Data and Applications CRESDA
Priority to CN201911248591.3A priority Critical patent/CN111179205B/zh
Publication of CN111179205A publication Critical patent/CN111179205A/zh
Application granted granted Critical
Publication of CN111179205B publication Critical patent/CN111179205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

一种基于地物分类掩膜的遥感影像色彩纠正方法，包含步骤如下：步骤一：准备遥感影像及其对应的云掩膜、建筑物掩膜、水体掩膜影像数据；步骤二：分别统计遥感影像非云区域建筑物、水体及其他地物的直方图；步骤三：统计遥感影像的云盖率、非云区域建筑物与其他地物的像素比例以及水体与其他地物的像素比例；步骤四：根据云盖率以及非云区域建筑物、水体和其他地物的像素比例调整遥感影像非云区域的直方图；步骤五：根据调整后的遥感影像非云区域直方图对原图像整体进行线性拉伸；步骤六：对线性拉伸后的影像进行幂指数变换得到色彩纠正后的遥感影像。本发明的方法自动化程度高、鲁棒性好、原理简捷，能够提高大规模遥感影像生产效率。

Description

一种基于地物分类掩膜的遥感影像色彩纠正方法
技术领域
本发明涉及一种基于地物分类掩膜的遥感影像色彩纠正方法，属于光学遥感图像计算机处理领域。
背景技术
随着近30年遥感领域的快速发展，遥感影像的分辨率和数量都有了极大的提高。对于海量遥感影像高质量、高效率地自动化处理成为一个重要的研究问题。
由于受传感器和大气等条件影响，原始光学遥感影像常存在直方图分布比较聚集、影像偏暗或偏色等问题，地物特征表现不明显，需要拉伸显示。线性拉伸是图像处理领域常用的显示方法，属于线性点运算的一种，又叫灰度拉伸或对比度拉伸，它扩展图像的直方图，使其充满整个灰度级范围内，以充分利用显示灰阶，更好表现的图像信息。而传统线性拉伸算法直接应用于遥感影像处理存在以下问题：因云等高亮异常值造成影像拉伸结果中正常地物偏暗、因地物分布不均导致影像拉伸结果不理想、以及高反射地物拉伸显示过曝等。目前常用的色彩纠正方法有颜色迁移法、经验统计法和基于物理模型的方法。针对单景遥感影像的色彩纠正，当前的方法已可以取得较好的效果，但针对海量遥感影像的自动化色彩纠正，对于算法的适应性、鲁棒性以及效果都提出了更高的要求。
当前，国产光学遥感卫星星座越来越多，遥感影像生产任务越来越大，由于不同卫星载荷传感器的光谱响应差异、大气环境的变化多样以及地物分布千差万别，对遥感影像生产中的色彩纠正环节带来了巨大的挑战。目前，对于单景影像的色彩纠正可以达到很好的效果，但在海量遥感影像的自动化生产过程中很难保证其效果的稳定性。因此，如何在遥感影像自动化生产过程中保证遥感影像色彩的真实性和一致性是一个亟需解决的难题。
发明内容
本发明所解决的技术问题是：提供一个基于云掩膜、建筑物掩膜、水体掩膜的遥感影像色彩纠正方法。利用云掩膜剔除遥感影像中的异常值像素，再根据建筑物掩膜、水体掩膜数据，综合考虑遥感影像非云区域建筑物、水体和其他地物的直方图分布，合成目标直方图，基于目标直方图对原始影像进行线性拉伸，获取稳定、高对比度且反映地物真实颜色的遥感影像色彩纠正结果。
本发明的技术解决方案是：一种基于地物分类掩膜的遥感影像色彩纠正方法，包括步骤如下：
步骤(1)：准备遥感影像及其对应的云掩膜、建筑物掩膜、水体掩膜影像数据；
步骤(2)：分别统计遥感影像非云区域建筑物、水体及其他地物的直方图；
步骤(3)：统计遥感影像的云盖率、非云区域水体与其他地物的像素比例以及非云区域建筑物与其他地物的像素比例；
步骤(4)：调整非云区域遥感影像直方图，得到目标直方图dstHist；
步骤(5)：对原影像整体进行线性拉伸；
步骤(6)：对线性拉伸后的结果进行幂指数变换得到色彩纠正后的影像。
所述步骤(1)中遥感影像对应的云掩膜、建筑物掩膜、水体掩膜数据为基于深度卷积神经网络自动化提取的结果；云掩膜影像中云像素值为255，其他地物像素值为0；建筑物掩膜影像中建筑物像素值为255，其他地物像素值为0；水体掩膜影像中水体像素值为255，其他地物像素值为0。
所述步骤(2)中，统计遥感影像非云区域建筑物、水体及其他地物的直方图的具体方法为：
逐像素遍历融合影像，结合云掩膜、建筑物掩膜、水体掩膜影像数据，统计云掩膜值为255的融合影像像素个数cloudPixs；
统计云掩膜值为0、建筑物掩膜值为255的融合影像像素得到建筑物区域像素个数buildPixs和影像直方图buildHist；
统计云掩膜值为0、建筑物掩膜值为0、水体掩膜值为255的融合影像像素得到水体区域像素个数waterPixs和影像直方图waterHist；
统计云掩膜值为0、建筑物掩膜值为0、水体掩膜值为0的融合影像像素得到非云区域其他地物像素个数otherPixs和影像直方图otherHist。
所述步骤(3)中，
遥感影像的云盖率cloudPer为：
cloudPer＝cloudPixs/(cloudPixs+buildPixs+waterPixs+otherPixs)×100％；
非云区域建筑物与其他地物的像素比例buildPer为：
buildPer＝buildPixs/otherPixs×100％；
非云区域水体与其他地物的像素比例waterPer为：
waterPer＝waterPixs/otherPixs×100％。
所述步骤(4)的具体计算方法为：
设置非云区域建筑物和其他地物的目标比例为dstBPer＝1:10，非云区域水体和其他地物的目标比例为dstWPer＝1:20；在云盖率不大于70％的情况下，
(4.1)计算建筑物比例调整系数adjBuild：
Figure BDA0002308378500000031
根据建筑物比例调整系数计算目标直方图：
dstHist[i]＝otherHist[i]+buildHist[i]×adjBuild；
其中，dstHist[i]表示像素i的目标直方图dstHist，otherHist[i]表示像素i的非云区域其他地物影像直方图otherHist，buildHist[i]表示像素i的建筑物区域影像直方图buildHist，i取值为0到2n-1，n为图像的位深；
(4.2)计算水体比例调整系数adjWater：
Figure BDA0002308378500000032
根据水体比例调整系数计算目标直方图：
dstHist[i]＝dstHist[i]+waterHist[i]×adjWater，
waterHist[i]表示像素i的水体区域影像直方图waterHist，i取值为0到2n-1，n为图像的位深。
所述步骤(5)中线性拉伸的具体方法为：
根据步骤(4)得到的目标直方图dstHist，计算dstHist左右累积1％的像素值LVal、RVal；
根据LVal、RVal的值对原始融合影像srcImg进行线性拉伸，得到线性拉伸的结果影像lineImg，具体公式如下：
lineImg[i][j]＝(srcImg[i][j]–Lval)/(RVal-LVal)×255；
lineImg[i][j]表示线性拉伸的结果影像lineImg第i行第j列的像素值，srcImg[i][j]表示原始融合影像srcImg第i行第j列的像素值；i从0开始取值到图像的高度；j从0开始取值到图像的宽度；
所述步骤(6)中幂指数变换的具体方法为：
根据步骤(5)得到的线性拉伸的结果影像lineImg，进行幂指数变换处理得到色彩纠正结果影像dstImg，具体公式如下：
Figure BDA0002308378500000041
dstImg[i][j]表示线性拉伸的结果影像lineImg第i行第j列的像素值。
本发明与现有技术相比的有益效果是：
(1)本发明实现了基于云掩膜、建筑物掩膜、水体掩膜的海量遥感影像自动色彩纠正。利用云掩膜剔除遥感影像中的异常值像素，再根据建筑物掩膜、水体掩膜数据，综合考虑遥感影像非云区域建筑物、水体和其他地物的直方图分布，按非云区域建筑物、水体和其他地物的目标比例合成目标直方图，再基于目标直方图对原始影像进行线性拉伸，获取稳定、高对比度且反映地物真实颜色的遥感影像色彩纠正结果。
(2)本发明所述方法剔除了云对色彩纠正结果的影响，并通过对非云区域建筑物、水体和其他地物的比例分配，解决了地物分布不均对色彩纠正结果的影响，大大提高了算法的鲁棒性。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图进一步说明本发明具体实施方式。
如图1所示，本发明提出了一种基于地物分类掩膜的遥感影像色彩纠正方法，用于光学遥感影像生产系统中自动色彩纠正环节。首先利用云掩膜、建筑物掩膜、水体掩膜统计遥感影像非云区域建筑物、水体及其他地物的直方图，然后根据非云区域建筑物、水体和其他地物的比例分配调整目标直方图，再根据目标直方图对原始影像进行1％线性拉伸及幂指数变换，最终得到色彩纠正后的影像。
如图1所示，色彩纠正方法具体步骤如下：
步骤一：准备遥感影像及其对应的云掩膜、建筑物掩膜、水体掩膜影像数据；
根据光学遥感1A级标准产品中的全色影像和多光谱影像进行融合得到的融合影像；应用深度卷积神经网络方法基于融合影像自动化提取云掩膜、建筑物掩膜、水体掩膜影像数据。
步骤二：分别统计遥感影像非云区域建筑物、水体及其他地物的直方图；
逐像素遍历融合影像，结合云掩膜、建筑物掩膜、水体掩膜影像数据，统计云掩膜值为255的融合影像像素个数cloudPixs；统计云掩膜值为0、建筑物掩膜值为255的融合影像像素得到建筑物区域像素个数buildPixs和影像直方图buildHist；统计云掩膜值为0、建筑物掩膜值为0、水体掩膜值为255的融合影像像素得到水体区域像素个数waterPixs和影像直方图waterHist；统计云掩膜值为0、建筑物掩膜值为0、水体掩膜值为0的融合影像像素得到非云区域其他地物像素个数otherPixs和影像直方图otherHist。
步骤三：统计遥感影像的云盖率、非云区域建筑物与其他地物的像素比例以及水体与其他地物的像素比例；
(3.1)云盖率：
cloudPer＝cloudPixs/(cloudPixs+buildPixs+waterPixs+otherPixs)×100％；
(3.2)非云区域建筑物与其他地物的像素比例：
buildPer＝buildPixs/otherPixs×100％；
(3.3)非云区域水体与其他地物的像素比例：
waterPer＝waterPixs/otherPixs×100％；
步骤四：调整非云区域遥感影像直方图，得到目标直方图dstHist，具体过程如下：
设置非云区域建筑物和其他地物的目标比例为dstBPer＝1:10，非云区域水体和其他地物的目标比例为dstWPer＝1:20；在云盖率不大于70％的情况下，
(4.1)计算建筑物比例调整系数adjBuild：
Figure BDA0002308378500000061
根据建筑物比例调整系数计算目标直方图：
dstHist[i]＝otherHist[i]+buildHist[i]×adjBuild；
其中，dstHist[i]表示像素i的目标直方图dstHist，otherHist[i]表示像素i的非云区域其他地物影像直方图otherHist，buildHist[i]表示像素i的建筑物区域影像直方图buildHist，i取值为0到2n-1，n为图像的位深；
(4.2)计算水体比例调整系数adjWater：
Figure BDA0002308378500000062
根据水体比例调整系数计算目标直方图：
dstHist[i]＝dstHist[i]+waterHist[i]×adjWater，
waterHist[i]表示像素i的水体区域影像直方图waterHist，i取值为0到2n-1，n为图像的位深。
步骤五：对原影像整体进行1％线性拉伸；
根据步骤四得到的目标直方图dstHist，计算dstHist左右累积1％的像素值LVal、RVal。根据LVal、RVal的值对原始融合影像srcImg进行线性拉伸，得到线性拉伸的结果影像lineImg，具体公式如下：
lineImg[i][j]＝(srcImg[i][j]–Lval)/(RVal-LVal)×255；
lineImg[i][j]表示线性拉伸的结果影像lineImg第i行第j列的像素值，srcImg[i][j]表示原始融合影像srcImg第i行第j列的像素值；i从0开始取值到图像的高度；j从0开始取值到图像的宽度；
步骤六：对1％线性拉伸后的结果进行幂指数变换得到色彩纠正后的影像。
根据步骤五得到的线性拉伸的结果影像lineImg，进行幂指数变换处理得到色彩纠正结果影像dstImg，具体公式如下：
Figure BDA0002308378500000071
dstImg[i][j]表示线性拉伸的结果影像lineImg第i行第j列的像素值。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (7)

1.一种基于地物分类掩膜的遥感影像色彩纠正方法，其特征在于，包括步骤如下：
步骤(1)：准备遥感影像及其对应的云掩膜、建筑物掩膜、水体掩膜影像数据；
步骤(2)：分别统计遥感影像非云区域建筑物、水体及其他地物的直方图；
步骤(3)：统计遥感影像的云盖率、非云区域水体与其他地物的像素比例以及非云区域建筑物与其他地物的像素比例；
步骤(4)：调整非云区域遥感影像直方图，得到目标直方图dstHist；
步骤(5)：对原影像整体进行线性拉伸；
步骤(6)：对线性拉伸后的结果进行幂指数变换得到色彩纠正后的影像。
2.根据权利要求1所述的一种基于地物分类掩膜的遥感影像色彩纠正方法，其特征在于：所述步骤(1)中遥感影像对应的云掩膜、建筑物掩膜、水体掩膜数据为基于深度卷积神经网络自动化提取的结果；云掩膜影像中云像素值为255，其他地物像素值为0；建筑物掩膜影像中建筑物像素值为255，其他地物像素值为0；水体掩膜影像中水体像素值为255，其他地物像素值为0。
3.根据权利要求1或2所述的一种基于地物分类掩膜的遥感影像色彩纠正方法，其特征在于：所述步骤(2)中，统计遥感影像非云区域建筑物、水体及其他地物的直方图的具体方法为：
逐像素遍历融合影像，结合云掩膜、建筑物掩膜、水体掩膜影像数据，统计云掩膜值为255的融合影像像素个数cloudPixs；
统计云掩膜值为0、建筑物掩膜值为255的融合影像像素得到建筑物区域像素个数buildPixs和影像直方图buildHist；
统计云掩膜值为0、建筑物掩膜值为0、水体掩膜值为255的融合影像像素得到水体区域像素个数waterPixs和影像直方图waterHist；
统计云掩膜值为0、建筑物掩膜值为0、水体掩膜值为0的融合影像像素得到非云区域其他地物像素个数otherPixs和影像直方图otherHist。
4.根据权利要求3所述的一种基于地物分类掩膜的遥感影像色彩纠正方法，其特征在于：所述步骤(3)中，
遥感影像的云盖率cloudPer为：
cloudPer＝cloudPixs/(cloudPixs+buildPixs+waterPixs+otherPixs)×100％；
非云区域建筑物与其他地物的像素比例buildPer为：
buildPer＝buildPixs/otherPixs×100％；
非云区域水体与其他地物的像素比例waterPer为：
waterPer＝waterPixs/otherPixs×100％。
5.根据权利要求4所述的一种基于地物分类掩膜的遥感影像色彩纠正方法，其特征在于：所述步骤(4)的具体计算方法为：
设置非云区域建筑物和其他地物的目标比例为dstBPer＝1:10，非云区域水体和其他地物的目标比例为dstWPer＝1:20；在云盖率不大于70％的情况下，
(4.1)计算建筑物比例调整系数adjBuild：
Figure FDA0002308378490000021
根据建筑物比例调整系数计算目标直方图：
dstHist[i]＝otherHist[i]+buildHist[i]×adjBuild；
其中，dstHist[i]表示像素i的目标直方图dstHist，otherHist[i]表示像素i的非云区域其他地物影像直方图otherHist，buildHist[i]表示像素i的建筑物区域影像直方图buildHist，i取值为0到2n-1，n为图像的位深；
(4.2)计算水体比例调整系数adjWater：
Figure FDA0002308378490000022
根据水体比例调整系数计算目标直方图：
dstHist[i]＝dstHist[i]+waterHist[i]×adjWater，
waterHist[i]表示像素i的水体区域影像直方图waterHist，i取值为0到2n-1，n为图像的位深。
6.根据权利要求5所述的一种基于地物分类掩膜的遥感影像色彩纠正方法，其特征在于：所述步骤(5)中线性拉伸的具体方法为：
根据步骤(4)得到的目标直方图dstHist，计算dstHist左右累积1％的像素值LVal、RVal；
根据LVal、RVal的值对原始融合影像srcImg进行线性拉伸，得到线性拉伸的结果影像lineImg，具体公式如下：
lineImg[i][j]＝(srcImg[i][j]–Lval)/(RVal-LVal)×255；
lineImg[i][j]表示线性拉伸的结果影像lineImg第i行第j列的像素值，srcImg[i][j]表示原始融合影像srcImg第i行第j列的像素值；i从0开始取值到图像的高度；j从0开始取值到图像的宽度。
7.根据权利要求6所述的一种基于地物分类掩膜的遥感影像色彩纠正方法，其特征在于：所述步骤(6)中幂指数变换的具体方法为：
根据步骤(5)得到的线性拉伸的结果影像lineImg，进行幂指数变换处理得到色彩纠正结果影像dstImg，具体公式如下：
Figure FDA0002308378490000031
dstImg[i][j]表示线性拉伸的结果影像lineImg第i行第j列的像素值。
CN201911248591.3A 2019-12-09 2019-12-09 一种基于地物分类掩膜的遥感影像色彩纠正方法 Active CN111179205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911248591.3A CN111179205B (zh) 2019-12-09 2019-12-09 一种基于地物分类掩膜的遥感影像色彩纠正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911248591.3A CN111179205B (zh) 2019-12-09 2019-12-09 一种基于地物分类掩膜的遥感影像色彩纠正方法

Publications (2)

Publication Number Publication Date
CN111179205A true CN111179205A (zh) 2020-05-19
CN111179205B CN111179205B (zh) 2023-09-26

Family

ID=70657125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911248591.3A Active CN111179205B (zh) 2019-12-09 2019-12-09 一种基于地物分类掩膜的遥感影像色彩纠正方法

Country Status (1)

Country Link
CN (1) CN111179205B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006222563A (ja) * 2005-02-08 2006-08-24 Canon Inc 画像処理装置及び画像補正方法
CN106600564A (zh) * 2016-12-23 2017-04-26 潘敏 一种新型图像增强方法
CN109215038A (zh) * 2018-09-29 2019-01-15 中国资源卫星应用中心 一种基于遥感影像的智能信息提取方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006222563A (ja) * 2005-02-08 2006-08-24 Canon Inc 画像処理装置及び画像補正方法
CN106600564A (zh) * 2016-12-23 2017-04-26 潘敏 一种新型图像增强方法
CN109215038A (zh) * 2018-09-29 2019-01-15 中国资源卫星应用中心 一种基于遥感影像的智能信息提取方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MENGHAN XIA等: "A closed-form solution for multi-view color correction with gradient preservation" *
杨金中;: "多光谱遥感异常提取技术方法体系研究" *
谭凯: "高分辨率遥感卫星影像自动云检测算法研究" *

Also Published As

Publication number Publication date
CN111179205B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN108230264B (zh) 一种基于ResNet神经网络的单幅图像去雾方法
WO2022000397A1 (zh) 低照度图像增强方法、装置及计算机设备
CN111080724A (zh) 一种红外和可见光的融合方法
CN112396562B (zh) 一种高动态范围场景下基于rgb与dvs图像融合的视差图增强方法
CN106875437B (zh) 一种面向rgbd三维重建的关键帧提取方法
CN110930439B (zh) 一种适用于高分辨率遥感影像高级产品自动生产系统
CN113206949B (zh) 基于熵加权图像梯度的半直接单目视觉slam方法
CN110569797B (zh) 地球静止轨道卫星影像山火检测方法、系统及其存储介质
CN112508812B (zh) 图像色偏校正方法、模型训练方法、装置及设备
CN107680140A (zh) 一种基于Kinect相机的深度图像高分辨率重构方法
CN109671038B (zh) 一种基于伪不变特征点分类分层的相对辐射校正方法
CN111932452B (zh) 基于可见光图像增强的红外图像卷积神经网络超分辨方法
CN109671111A (zh) 基于可见光遥感图像的温度场调制方法
CN108133182B (zh) 一种基于云成像的新能源发电预测方法及装置
CN110580684A (zh) 一种基于黑白-彩色双目相机的图像增强方法
CN112991236B (zh) 一种基于模板的图像增强方法及装置
CN108109118B (zh) 一种无控制点的航拍图像几何校正方法
CN113936031A (zh) 一种基于机器视觉的云影轨迹预测方法
CN117451012A (zh) 一种无人机航摄测量方法及系统
CN117635898A (zh) 面向作物动态表型提取的近景图像拼接方法
CN111179205A (zh) 一种基于地物分类掩膜的遥感影像色彩纠正方法
CN116664421A (zh) 一种基于多光照角度图像融合的航天器图像去阴影的方法
CN111681176B (zh) 自适应卷积的残差修正单幅图像去雨方法
CN112017108B (zh) 基于独立模型法平差的卫星影像颜色相对校正方法
CN109300079A (zh) 基于gpu的遥感影像实时匀光匀色预览技术

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
TA01 Transfer of patent application right

Effective date of registration: 20201130

Address after: 1201, block a, building 1, yard 65, Zhichun Road, Haidian District, Beijing 100048

Applicant after: CHINA SURVEY SURVEYING AND MAPPING TECHNOLOGY Co.,Ltd.

Address before: 100094, Beijing, Yongfeng Haidian District industrial base, No. 5 East Feng Feng Road

Applicant before: CHINA CENTRE FOR RESOURCES SATELLITE DATA AND APPLICATION

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant