CN111383158A - 遥感图像预处理方法 - Google Patents

遥感图像预处理方法 Download PDF

Info

Publication number
CN111383158A
CN111383158A CN201811613709.3A CN201811613709A CN111383158A CN 111383158 A CN111383158 A CN 111383158A CN 201811613709 A CN201811613709 A CN 201811613709A CN 111383158 A CN111383158 A CN 111383158A
Authority
CN
China
Prior art keywords
image
pan
pixel
calculating
threads
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
Application number
CN201811613709.3A
Other languages
English (en)
Inventor
姜河
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.)
Zhongke Star Map Co ltd
Original Assignee
Zhongke Star Map Co ltd
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 Zhongke Star Map Co ltd filed Critical Zhongke Star Map Co ltd
Priority to CN201811613709.3A priority Critical patent/CN111383158A/zh
Publication of CN111383158A publication Critical patent/CN111383158A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G06T3/4061—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution by injecting details from different spectral ranges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/28—Indexing scheme for image data processing or generation, in general involving image processing hardware
    • 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
    • G06T2207/10036—Multispectral image; Hyperspectral image

Landscapes

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

Abstract

本发明提供了一种遥感图像预处理方法，包括：对输入的遥感图像进行正射校正的步骤和对正射校正后的图像进行Gram‑Schmidt融合的步骤，其中针对所述图像的每一个波段，在GPU上并行执行多个计算线程，所述图像包括单景低分辨率多光谱图像MSS和高分辨率单波段图像PAN。本发明基于CUDA(Compute Unified Device Architecture)通用并行计算架构，利用GPU的并行处理能力进行遥感图像的预处理，并将处理中的正射校正和Gram‑Schmidt融合算法进行改进，实现了在GPU上的数千个线程上并行处理遥感图像，大幅提升了处理速度。

Description

遥感图像预处理方法
技术领域
本发明涉及遥感技术领域，特别地，涉及一种遥感图像预处理的方法。
背景技术
图像预处理是遥感应用的第一步，也是非常重要的一步，一般包括几何(正射)校正、图像融合、图像镶嵌、大气校正等若干环节。其中将低分辨率的多光谱图像MSS(通常为红、绿、蓝及近红外共4个波段)和高分辨率的单波段图像PAN分别进行基于几何校正和数字高程模型的正射校正后，再重采样融合生成高分辨率多光谱图像(简称“正射+融合”)的处理流程是图像预处理中最基本、最常用的处理流程之一。随着遥感影像的空间分辨率提高到米级甚至亚米级，单景融合后的多光谱图像的数据量达到了10GB量级。而现有的方法是通过CPU进行处理，由于受到单台机器处理器核心数的限制(台式机或一般图形工作站最多数个核心，高端工作站最多十数个核心，高端多路服务器也最多仅仅数十个核心)，当面对这样的数量级时，预处理时间大幅增加，无法满足快速处理多景影像的要求。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一，提供一种能够大幅提升遥感图像处理速度的方案。
为此，根据本发明的第一方面，提供了一种遥感图像预处理方法，包括：
对输入的图像进行正射校正的步骤，和
对正射校正后的图像进行Gram-Schmidt融合的步骤，
其中，在每个步骤中，在图像处理器GPU上并行执行多个计算线程，所述图像包括单景低分辨率多光谱图像MSS和高分辨率单波段图像PAN。
进一步地，所述正射校正的步骤包括：
针对所述图像的每一个波段，根据输出文件的横纵向像素数，在GPU上并行执行正射校正多项式计算的线程；
所述Gram-Schmidt融合的步骤包括：
根据正射校正后的PAN的横纵向像素数，在GPU上依次并行执行计算模拟单波段图像SPAN的线程、计算APAN的线程、计算波段协方差的线程和融合计算的线程，所述SPAN为将MSS根据各波段的权重值加权进行平均，生成的模拟单波段图像，所述APAN为根据所述正射校正后的PAN和SPAN的均值和标准差对PAN中每个像素进行亮度修正之后的图像。
进一步地，所述正射校正的步骤包括：
a、读取所述图像及对应的有理多项式参数RPC；
b、根据所述图像的横纵向像素数、地理转换系数及RPC参数计算出图像的经纬度范围、输出文件的横纵向像素数及地理转换系数；
c、读取数字高程模型DEM文件，将图像的经纬度范围内的DEM数据复制到显存；
d、针对所述图像的每一个波段，根据所述输出文件的横纵向像素数，在GPU上并行执行正射校正多项式计算的多个线程，每个线程计算对应像素该波段的亮度值。
进一步地，针对波段中的每一个像素，所述步骤d包括：
d1、根据所述地理转换系数，计算该像素对应的经纬度；
d2、通过双线性插值方式从所述DEM数据中计算出该像素对应的高程；
d3、通过所述RPC参数，通过多项式计算出该像素对应输入图像的像素坐标；
d4、通过双线性插值方式计算出该像素的亮度值。
进一步地，在所述步骤a中，将所述图像数据和RPC参数复制到显存；和/或在所述步骤b中，将所述地理转换系数复制到显存。
进一步地，所述Gram-Schmidt融合的步骤包括：
e、通过正射校正后MSS和PAN的所述地理转换系数计算出两者之间像素坐标转换的多项式系数；
f、根据正射校正后的PAN的横纵向像素数，在GPU上并行执行计算SPAN的多个线程，每个线程计算SPAN对应像素的像素值，通过规约操作和原子操作计算PAN和SPAN的像素值及其平方值之和，得到PAN和SPAN的均值和标准差；
g、根据正射校正后的PAN的横纵向像素数，在GPU上并行执行计算APAN的多个线程，每个线程计算对应像素根据正射校正后的PAN和SPAN的均值和标准差修正之后的图像APAN的像素值；
h、针对图像的每一个波段，根据正射校正后的PAN的横纵向像素数，在GPU上依次并行执行计算波段协方差的多个线程和融合计算的多个线程，输出该波段融合结果。
进一步地，所述步骤h包括：
h1、根据正射校正后的PAN的横纵向像素数，在GPU上并行执行计算波段协方差的多个线程，每个线程计算对应像素SPAN和APAN的协方差,通过规约操作和原子操作计算协方差之和，得到SPAN和APAN的转换系数；
h2、根据正射校正后的PAN的横纵向像素数，在GPU上并行执行融合计算的多个线程，每个线程计算该像素最终融合结果，所述融合结果根据经双线性插值后对应MSS的灰度值，该像素SPAN和APAN的灰度值和转换系数计算得出；
h3、输出该波段融合结果。
进一步地，在步骤f中，所述SPAN的像素值不在显存中保留。
进一步地，所述多个线程为
Figure BDA0001925371270000031
个线程块，每个线程块中包含16*16个线程，X是正射校正后的PAN的横向像素数，Y是正射校正后的PAN的纵向像素数。
本发明基于CUDA(Compute Unified Device Architecture)通用并行计算架构，利用GPU的并行处理能力进行遥感图像的预处理，并将处理中的正射校正和Gram-Schmidt融合算法进行改进，实现了在GPU上的数千个线程上并行处理遥感图像，大幅提升了处理速度；此外，通过优化计算方法和中间计算结果保存策略，将GPU显存使用量的峰值尽量降低，避免数据在GPU显存与系统内存间的多次交换，减少数据传输带来的额外时间消耗。
本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明的方法的流程图。
图2是根据本发明的一个实施例的方法的流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
现有的预处理方法主要通过利用服务器/工作站的多个(核)CPU进行多项式和插值的并行计算工作，受CPU的核心数限制，并行线程数最多为几十个，在遥感图像的空间分辨率提高，单景数据量增大至10GB级别后，处理时间大幅增加，无法满足快速处理多景影像的要求。而高端显卡(GPU，即图像处理器)的并行处理数可达数千个，针对遥感图像预处理算法中占绝大多数运算量的多项式及插值运算，由于数据类型和计算方法固定，可以通过GPU进行并行计算。
参考图1，其示出了本发明提出的一种遥感图像预处理方法，包括：
S11、对输入的图像进行正射校正；
S12、对正射校正后的图像进行Gram-Schmidt融合；
其中，在每个步骤中，在图像处理器GPU上并行执行多个计算线程，所述图像包括单景低分辨率多光谱图像MSS和高分辨率单波段图像PAN。
进一步地，在所述正射校正的步骤S11中包括：
针对所述图像的每一个波段，根据输出文件的横纵向像素数，在GPU上并行执行正射校正多项式计算的线程；
在所述Gram-Schmidt融合的步骤S12中，包括：
根据正射校正后的PAN的横纵向像素数，在GPU上依次并行执行计算模拟单波段图像SPAN的线程、计算APAN的线程、计算波段协方差的线程和融合计算的线程，所述SPAN为将MSS根据各波段的权重值加权进行平均，生成的模拟单波段图像，所述APAN为根据所述正射校正后的PAN和SPAN的均值和标准差对PAN中每个像素进行亮度修正之后的图像。
进一步地，所述正射校正的步骤包括：
a、读取所述图像及对应的有理多项式参数RPC，进一步地，将所述图像数据和RPC参数复制到显存；
b、根据所述图像的横纵向像素数、地理转换系数及RPC参数计算出图像的经纬度范围、输出文件的横纵向像素数及地理转换系数，进一步地，将所述地理转换系数复制到显存；
c、读取数字高程模型DEM文件，将图像的经纬度范围内的DEM数据复制到显存；
d、针对所述图像的每一个波段，根据所述输出文件的横纵向像素数，在GPU上并行执行正射校正多项式计算的多个线程，每个线程计算对应像素该波段的亮度值。
针对波段中的每一个像素，所述步骤d包括：
d1、根据所述地理转换系数，计算该像素对应的经纬度；
d2、通过双线性插值方式从所述DEM数据中计算出该像素对应的高程；
d3、通过所述RPC参数，通过多项式计算出该像素对应输入图像的像素坐标；
d4、通过双线性插值方式计算出该像素的亮度值。
进一步地，所述Gram-Schmidt融合的步骤包括：
e、通过正射校正后MSS和PAN的所述地理转换系数计算出两者之间像素坐标转换的多项式系数；
f、根据正射校正后的PAN的横纵向像素数，在GPU上并行执行计算SPAN的多个线程，每个线程计算SPAN对应像素的像素值，通过规约操作和原子操作计算PAN和SPAN的像素值及其平方值之和，得到PAN和SPAN的均值和标准差，进一步地，所述SPAN的像素值不在显存中保留；
g、根据正射校正后的PAN的横纵向像素数，在GPU上并行执行计算APAN的多个线程，每个线程计算对应像素根据正射校正后的PAN和SPAN的均值和标准差修正之后的图像APAN的像素值；
h、针对图像的每一个波段，根据正射校正后的PAN的横纵向像素数，在GPU上依次并行执行计算波段协方差的多个线程和融合计算的多个线程，输出该波段融合结果。
所述步骤h包括：
h1、根据正射校正后的PAN的横纵向像素数，在GPU上并行执行计算波段协方差的多个线程，每个线程计算对应像素SPAN和APAN的协方差,通过规约操作和原子操作计算协方差之和，得到SPAN和APAN的转换系数；
h2、根据正射校正后的PAN的横纵向像素数，在GPU上并行执行融合计算的多个线程，每个线程计算该像素最终融合结果，所述融合结果根据经双线性插值后对应MSS的灰度值，该像素SPAN和APAN的灰度值和转换系数计算得出；
h3、输出该波段融合结果。
进一步地，该方法中所述的多个线程为
Figure BDA0001925371270000061
个线程块，每个线程块中包含16*16个线程，X是正射校正后的PAN的横向像素数，Y是正射校正后的PAN的纵向像素数。
因此，利用GPU中的多个线程对预处理中数据类型和计算方法固定的多项式及插值运算进行并行计算，可以大幅提升处理速度，减少处理时间，满足快速处理多景影像的要求。
参考图2，其进一步示出了本发明的遥感图像预处理方法的一个实施例，其中，输入的遥感图像包括单景低分辨率多光谱图像MSS(以4个波段为例)和高分辨率单波段图像PAN，在该实施例中，依次对MSS和PAN执行正射校正步骤，可选地，也可以并行地对MSS和PAN执行正射校正步骤。
MSS正射校正步骤：
S211、读取输入的MSS及对应的有理多项式参数RPC(Rational PolynomialCoefficients)，将所述MSS数据和RPC参数复制到显存；
S212、根据MSS的横纵向像素数、地理转换系数及RPC参数计算出图像的经纬度范围、输出文件的横纵向像素数及地理转换系数，将所述地理转换系数复制到显存；
S213、读取数字高程模型DEM文件，将图像的经纬度范围内的DEM数据复制到显存；
S214、顺次在GPU上执行波段1-4的正射校正多项式计算线程。
针对所述图像的每一个波段，根据所述输出文件的横纵向像素数X和Y，在GPU上并行执行正射校正多项式计算的多个线程，共有
Figure BDA0001925371270000071
Figure BDA0001925371270000072
个线程块，每个线程块中包含16*16个线程。每个线程计算对应像素该波段的亮度值。
针对波段中的每一个像素，所述步骤S214包括：
根据所述地理转换系数，计算该像素对应的经纬度；
通过双线性插值方式从所述DEM数据中计算出该像素对应的高程；
通过所述RPC参数，通过多项式计算出该像素对应输入图像的像素坐标；
通过双线性插值方式计算出该像素的亮度值。
PAN正射校正步骤：
S221、读取输入的PAN及对应的有理多项式参数RPC，将所述MSS数据和RPC参数复制到显存；
S222、根据PAN的横纵向像素数、地理转换系数及RPC参数计算出图像的经纬度范围、输出文件的横纵向像素数及地理转换系数，将所述地理转换系数复制到显存；
S223、读取数字高程模型DEM文件，将图像的经纬度范围内的DEM数据复制到显存；
S224、在GPU上执行正射校正多项式计算线程。根据所述输出文件的横纵向像素数X和Y，在GPU上并行执行正射校正多项式计算的多个线程，共有
Figure BDA0001925371270000081
个线程块，每个线程块中包含16*16个线程。每个线程计算对应像素该波段的亮度值。
由于PAN为单波段图像，步骤S224为针对一个波段的计算步骤，具体计算方式与步骤S214相同，在此不再赘述。
Gram-Schmidt融合步骤：
S231、通过正射校正后MSS和PAN的所述地理转换系数计算出两者之间像素坐标转换的多项式系数；
S232、根据正射校正后的PAN的横纵向像素数X和Y，在GPU上并行执行计算SPAN的多个线程，共有
Figure BDA0001925371270000082
个线程块，每个线程块中包含16*16个线程。每个线程计算SPAN对应像素的像素值，通过规约操作(Reduction)和原子操作(Atomic)计算PAN和SPAN的像素值及其平方值之和，得到PAN和SPAN的均值和标准差；由于SPAN对应像素计算仅是简单的双线性插值及加权累加，计算耗时较少，为了降低显存使用量，SPAN的数据不在显存中保留，后续步骤需要使用时需要重新计算；
S233、根据正射校正后的PAN的横纵向像素数X和Y，在GPU上并行执行计算APAN的多个线程，共有
Figure BDA0001925371270000084
个线程块，每个线程块中包含16*16个线程。每个线程计算对应像素根据正射校正后的PAN和SPAN的均值和标准差修正之后的图像APAN的像素值；
S234、针对图像的每一个波段，根据正射校正后的PAN的横纵向像素数，在GPU上依次并行执行计算波段协方差的多个线程和融合计算的多个线程，输出该波段融合结果。
针对图像的每一个波段，所述步骤S234包括：
根据正射校正后的PAN的横纵向像素数X和Y，在GPU上并行执行计算波段协方差的多个线程，共有
Figure BDA0001925371270000083
个线程块，每个线程块中包含16*16个线程。每个线程计算对应像素SPAN和APAN的协方差,通过规约操作和原子操作计算协方差之和，得到SPAN和APAN的转换系数；
根据正射校正后的PAN的横纵向像素数X和Y，在GPU上并行执行融合计算的多个线程，共有
Figure BDA0001925371270000091
个线程块，每个线程块中包含16*16个线程。每个线程计算该像素最终融合结果，所述融合结果根据经双线性插值后对应MSS的灰度值，该像素SPAN和APAN的灰度值和转换系数根据多项式计算得出；
输出该波段融合结果。
由于正射校正步骤中输出文件的横纵向像素数X、Y和正射校正后的PAN的横纵向像素数X、Y是相同的，因此在预处理过程中的每次多线程计算均包括
Figure BDA0001925371270000092
个线程块，每个线程块中包含16*16个线程。
在该实施例中，依次输出4个波段的融合结果后，结束该遥感图像的预处理流程。
本发明基于CUDA(Compute Unified Device Architecture)通用并行计算架构，利用GPU的并行处理能力进行遥感图像的预处理，并将处理中的正射校正和Gram-Schmidt融合算法进行改进，实现了在GPU上的数千个线程上并行处理遥感图像，大幅提升了处理速度；进一步地，通过将计算量较大的中间数据保持在显存中，在最终融合输出前不与系统内存进行交换，减少传输消耗时间；计算量较低的中间数据选择不保存，后续需要时重新计算，降低显存峰值使用总量，以便本算法适用于更大尺寸的卫星图像处理。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中。以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)

1.一种遥感图像预处理方法，其特征在于，包括：
对输入的图像进行正射校正的步骤，和
对正射校正后的图像进行Gram-Schmidt融合的步骤，
其中，在每个步骤中，在图像处理器GPU上并行执行多个计算线程，所述图像包括单景低分辨率多光谱图像MSS和高分辨率单波段图像PAN。
2.根据权利要求1所述的方法，其特征在于，所述正射校正的步骤包括：
针对所述图像的每一个波段，根据输出文件的横纵向像素数，在GPU上并行执行正射校正多项式计算的线程；
所述Gram-Schmidt融合的步骤包括：
根据正射校正后的PAN的横纵向像素数，在GPU上依次并行执行计算模拟单波段图像SPAN的线程、计算APAN的线程、计算波段协方差的线程和融合计算的线程，所述SPAN为将MSS根据各波段的权重值加权进行平均，生成的模拟单波段图像，所述APAN为根据所述正射校正后的PAN和SPAN的均值和标准差对PAN中每个像素进行亮度修正之后的图像。
3.根据权利要求2所述的方法，其特征在于，所述正射校正的步骤包括：
a、读取所述图像及对应的有理多项式参数RPC；
b、根据所述图像的横纵向像素数、地理转换系数及RPC参数计算出图像的经纬度范围、输出文件的横纵向像素数及地理转换系数；
c、读取数字高程模型DEM文件，将图像的经纬度范围内的DEM数据复制到显存；
d、针对所述图像的每一个波段，根据所述输出文件的横纵向像素数，在GPU上并行执行正射校正多项式计算的多个线程，每个线程计算对应像素该波段的亮度值。
4.根据权利要求3所述的方法，其特征在于，针对波段中的每一个像素，所述步骤d包括：
d1、根据所述地理转换系数，计算该像素对应的经纬度；
d2、通过双线性插值方式从所述DEM数据中计算出该像素对应的高程；
d3、通过所述RPC参数，通过多项式计算出该像素对应输入图像的像素坐标；
d4、通过双线性插值方式计算出该像素的亮度值。
5.根据权利要求3所述的方法，其特征在于，在所述步骤a中，将所述图像数据和RPC参数复制到显存；和/或在所述步骤b中，将所述地理转换系数复制到显存。
6.根据权利要求4所述的方法，其特征在于，所述Gram-Schmidt融合的步骤包括：
e、通过正射校正后MSS和PAN的所述地理转换系数计算出两者之间像素坐标转换的多项式系数；
f、根据正射校正后的PAN的横纵向像素数，在GPU上并行执行计算SPAN的多个线程，每个线程计算SPAN对应像素的像素值，通过规约操作和原子操作计算PAN和SPAN的像素值及其平方值之和，得到PAN和SPAN的均值和标准差；
g、根据正射校正后的PAN的横纵向像素数，在GPU上并行执行计算APAN的多个线程，每个线程计算对应像素根据正射校正后的PAN和SPAN的均值和标准差修正之后的图像APAN的像素值；
h、针对图像的每一个波段，根据正射校正后的PAN的横纵向像素数，在GPU上依次并行执行计算波段协方差的多个线程和融合计算的多个线程，输出该波段融合结果。
7.根据权利要求6所述的方法，其特征在于，所述步骤h包括：
h1、根据正射校正后的PAN的横纵向像素数，在GPU上并行执行计算波段协方差的多个线程，每个线程计算对应像素SPAN和APAN的协方差,通过规约操作和原子操作计算协方差之和，得到SPAN和APAN的转换系数；
h2、根据正射校正后的PAN的横纵向像素数，在GPU上并行执行融合计算的多个线程，每个线程计算该像素最终融合结果，所述融合结果根据经双线性插值后对应MSS的灰度值，该像素SPAN和APAN的灰度值和转换系数计算得出；
h3、输出该波段融合结果。
8.根据权利要求7所述的方法，其特征在于，在步骤f中，所述SPAN的像素值不在显存中保留。
9.根据权利要求1-8中任一所述的方法，其特征在于，所述多个线程为
Figure FDA0001925371260000031
个线程块，每个线程块中包含16*16个线程，X是正射校正后的PAN的横向像素数，Y是正射校正后的PAN的纵向像素数。
CN201811613709.3A 2018-12-27 2018-12-27 遥感图像预处理方法 Pending CN111383158A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811613709.3A CN111383158A (zh) 2018-12-27 2018-12-27 遥感图像预处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811613709.3A CN111383158A (zh) 2018-12-27 2018-12-27 遥感图像预处理方法

Publications (1)

Publication Number Publication Date
CN111383158A true CN111383158A (zh) 2020-07-07

Family

ID=71214571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811613709.3A Pending CN111383158A (zh) 2018-12-27 2018-12-27 遥感图像预处理方法

Country Status (1)

Country Link
CN (1) CN111383158A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240758A (zh) * 2021-05-28 2021-08-10 珠江水利委员会珠江水利科学研究院 基于融合衍生指数的遥感影像融合方法、系统、设备及介质
CN115423696A (zh) * 2022-07-29 2022-12-02 上海海洋大学 一种自适应线程参数的遥感正射影像并行生成方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240758A (zh) * 2021-05-28 2021-08-10 珠江水利委员会珠江水利科学研究院 基于融合衍生指数的遥感影像融合方法、系统、设备及介质
CN113240758B (zh) * 2021-05-28 2022-03-08 珠江水利委员会珠江水利科学研究院 基于融合衍生指数的遥感影像融合方法、系统、设备及介质
CN115423696A (zh) * 2022-07-29 2022-12-02 上海海洋大学 一种自适应线程参数的遥感正射影像并行生成方法

Similar Documents

Publication Publication Date Title
CN111275626B (zh) 一种基于模糊度的视频去模糊方法、装置及设备
WO2021088473A1 (en) Image super-resolution reconstruction method, image super-resolution reconstruction apparatus, and computer-readable storage medium
US20210174471A1 (en) Image Stitching Method, Electronic Apparatus, and Storage Medium
JP6902122B2 (ja) ダブル視野角画像較正および画像処理方法、装置、記憶媒体ならびに電子機器
CN107886552B (zh) 贴图处理方法和装置
WO2021163844A1 (en) Super resolution using convolutional neural network
US20110134136A1 (en) Computing Level of Detail for Anisotropic Filtering
CN110517352B (zh) 一种物体的三维重建方法、存储介质、终端及系统
CN111899295B (zh) 一种基于深度学习的单目场景深度预测方法
US11244426B2 (en) Method for image super resolution imitating optical zoom implemented on a resource-constrained mobile device, and a mobile device implementing the same
CN112801904B (zh) 一种基于卷积神经网络的混合退化图像增强方法
US11887218B2 (en) Image optimization method, apparatus, device and storage medium
CN111881920B (zh) 一种大分辨率图像的网络适配方法及神经网络训练装置
KR101207084B1 (ko) 이미지 처리 방법 및 이를 위한 장치
US20070273692A1 (en) 3-Dimensional graphics processing method, medium and apparatus performing perspective correction
CN111383158A (zh) 遥感图像预处理方法
Xing et al. Scale-arbitrary invertible image downscaling
CN113506305A (zh) 三维点云数据的图像增强方法、语义分割方法及装置
CN113344786B (zh) 基于几何生成模型的视频转码方法、装置、介质和设备
CN115375539A (zh) 图像分辨率增强、多帧图像超分辨率系统和方法
CN115239559A (zh) 一种融合视图合成的深度图超分辨率方法及系统
CN108492264B (zh) 一种基于sigmoid变换的单帧图像快速超分辨方法
CN113240589A (zh) 一种多尺度特征融合的图像去雾方法及系统
CN115280368A (zh) 用于渲染的滤波
CN114219900B (zh) 基于混合现实眼镜的三维场景重建方法、重建系统和应用

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