CN112017108B - 基于独立模型法平差的卫星影像颜色相对校正方法 - Google Patents
基于独立模型法平差的卫星影像颜色相对校正方法 Download PDFInfo
- Publication number
- CN112017108B CN112017108B CN202010788098.7A CN202010788098A CN112017108B CN 112017108 B CN112017108 B CN 112017108B CN 202010788098 A CN202010788098 A CN 202010788098A CN 112017108 B CN112017108 B CN 112017108B
- Authority
- CN
- China
- Prior art keywords
- image
- error
- adjustment
- radiation
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012937 correction Methods 0.000 title claims abstract description 12
- 230000005855 radiation Effects 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000000265 homogenisation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 16
- 238000009825 accumulation Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000004075 alteration Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明针对已有卫星正射影像拼接中颜色相对校正时存在的误差累积、主影像选择以及干扰像素问题,提出了基于独立模型法平差的卫星影像颜色相对校正方法,可以有效解决成对技术的误差累积问题,以影像为计算单位的平差策略解决已有辐射区域网平差方法计算内存大的问题。同时,利用改进后的IR‑MAD算法获取均匀分布的辐射连接点,可以有效降低干扰像素对颜色相对校正的影响,提升平差精度。并且通过引入“虚拟辐射控制点”替代主影像,解决已有方法的结果对主影像的依赖,实现全自动化处理。
Description
技术领域
本发明属于摄影测量与遥感领域,涉及一种基于独立模型法区域网平差的卫星正射影像颜色相对校正方法,其中基于独立模型法的辐射区域网平差是本方法的关键技术。
背景技术
由于遥感数据采集时的大气环境、光照条件以及传感器光谱响应等的变化,卫星影像间存在颜色差异。通过辐射定标,虽可消除卫星影像存在的“条带效应”,然而影像之间的颜色差异依然存在,导致生成的正射影像在拼接时出现严重的颜色不连续问题,甚至出现“补丁”式的视觉效果。该问题极大地影响地物分类与判别、变化检测等处理,限制了卫星正射影像的应用。因此,颜色相对校正是卫星正射影像生产与应用的必要环节。
已有的卫星正射影像颜色相对校正研究方面,大多是基于几何镶嵌处理路径的成对技术。这类方法通过特定的处理路径,利用区域增长策略,逐像对进行处理,它简单有效,尤其在小数据集处理中能得到较好的结果。然而由于缺少约束,颜色误差累积随路径的传播而逐渐增大,从而限制其在大数据集中的应用。为此,许多针对最小化误差累积的算法得到广泛研究,较为常用的有Dijkstra最短路径算法和动态规划算法等。然而这些算法都只能最小化误差累积,不能完全消除该问题。此外,成对技术的结果十分依赖于主影像的质量。目前一般人工选择一张无云、颜色质量好的影像作为主影像,但这无疑限制了成对技术的自动化处理。
为解决颜色误差累积的问题,基于平差的全局算法相继得到研究。其中,相关学者基于影像重叠区统计量应该相等的思想,通过统计影像重叠区的均值与均方差建立方程组,再利用最小二乘求解全局最优的线性调整参数。这类方法简单有效,但是并未考虑云、水以及地表变化等干扰像素的影响,难以适用于存在干扰像素的数据集。因此,部分学者提出基于辐射不变特征点的区域网平差方法。这类方法通过多元变化检测(MultivariateAlteration Detection,MAD)、迭代加权多元变化检测(IR-MAD)以及主成分分析(Principal Component Analysis,PCA)等提取辐射不变特征点,然后建立所有特征点的误差方程组,再利用最小二乘求解。这类方法可以有效降低干扰像素的影响,但法方程计算需要消耗极大的内存,且随着影像数量增多而呈指数级增加,因此受限于大数据集。
综上所述,如何消除误差累积、避免主影像选择以及剔除干扰像素是目前卫星影像相对校正中的主要问题,已有方法大多仅仅独立解决了其中部分问题,而没有同时考虑多个因素的影响。
发明内容
为同时解决以上问题,本发明提出基于独立模型法区域网平差的卫星正射影像颜色一致性处理方法。其核心思想是以影像为计算单元,利用线性估计器求解观测值以及“虚拟辐射控制点”的线性调整参数,通过不断的迭代计算得到全局最优解,解决误差累积问题以及已有平差方法计算内存大的问题,从而突破大数据集的限制。此外,本发明还利用基于改进后的IR-MAD算法提取在灰度值范围上均匀分布的辐射连接点,剔除干扰像素,提升平差精度,且引入“虚拟辐射控制点”约束平差解算,解决现有算法对主影像的依赖,从而达到全自动处理要求。
本发明的上述技术问题主要是通过下述技术方案得以解决:基于独立模型法区域网平差的卫星正射影像颜色相对校正方法,包括如下步骤:
步骤1,对影像对的重叠区所有像素进行不变概率计算,将所有不变概率高于Hρ的像素对作为候选辐射特征点;
步骤2,对该影像对的每一张影像的每一个波段进行辐射特征点抽稀与均匀化,在该波段每一个灰度值上选取不变概率最大的Hs个候选辐射特征点,将两张影像的不同波段上选取的辐射特征点的集合作为最终的辐射特征点;
步骤3,利用正射影像仿射变换参数,对每一个辐射特征点计算平面坐标(X,Y),然后基于平面坐标进行特征点串联,即设置一个几何误差容忍阈值Ht,若两个特征点的地面坐标欧式距离小于该阈值,则认为是辐射连接点;
步骤4,计算“虚拟辐射控制点”,对所有辐射连接点利用式(1)进行“虚拟辐射控制点”计算,
其中,RTruth表示“虚拟辐射控制点”的灰度值,Ri表示辐射连接点在影像i上的观测值,(ai,bi)表示前一次迭代计算后影像i的线性调整模型,Pi是影像i的权值,表示影像的质量,所有影像的初始权值都设置为1,m表示该连接点的观测值个数;
步骤5,影像内线性颜色调整模型(ai,bi)计算:选择线性模型估计器,对每一个影像,利用该影像的辐射连接点观测值以及由步骤4计算得到的“虚拟辐射控制点”进行线性模型拟合,得到(ai,bi)的值;
步骤6,逐影像计算观测值中误差σi,如式(2),并利用式(3)计算整体中误差σ0,
式(2)中,K表示影像i的有效观测值数量,Δj是连接点j的观测值的残差,Ri,j表示该连接点j在影像i中的观测值,中误差σi表示影像i的观测值总体误差的大小,它还反映了影像i的辐射质量,σi越大,颜色质量相对越差,式(3)中,M表示影像的数量;
比较本次迭代与前一次迭代的整体中误差,若本次迭代中误差大于前一次迭代,或者两次迭代的差值的绝对值小于阈值Hσ,则迭代终止;
步骤7,以影像中误差和整体中误差的较大值作为粗差剔除的基础,以式(4)作为阈值,逐影像进行粗差探测,当|Δ|>Houtliers,则认为该观测值是粗差像素,
Houtliers=t*max(σ0,σi) (4)
式中,t表示粗差的容忍度,|Δ|是指观测值残差的绝对值;
步骤8,利用影像中误差以及整体中误差,更新影像权值,如式(5),
步骤9,重复步骤4-8,直到满足步骤6中迭代条件,或者迭代次数超过一定次数,则迭代终止。
进一步的,步骤1中采用迭代加权多元变化检测算法对影像对的重叠区所有像素进行不变概率计算,Hρ设置为0.9。
进一步的,步骤2中Hs设置为100。
进一步的,步骤5中的线性模型估计器包括最小二乘、Theil–Sen线性回归以及正交线性回归。
进一步的,步骤6中Hσ=10-6。
进一步的,步骤7中,前三次迭代中t设置为5,后续迭代中则设置为3。
与现有技术相比,本发明的优点和有益效果:本发明主要针对已有卫星正射影像拼接中颜色相对校正时存在的误差累积、主影像选择以及干扰像素问题,提出了一种基于独立模型法区域网平差的正射影像颜色相对校正方法,可以有效解决成对技术的误差累积问题,以影像为计算单位的平差策略解决已有辐射区域网平差方法计算内存大的问题。同时,利用改进后的IR-MAD算法获取均匀分布的辐射连接点,可以有效降低干扰像素对颜色一致性处理的影响,提升平差精度。并且通过引入“虚拟辐射控制点”替代主影像,解决已有方法的结果对主影像的依赖,实现全自动化处理。
附图说明
图1为本发明流程图。
具体实施方式
如图1所示,本发明的方法以影像为计算单元,利用最小二乘平差求解线性颜色调整参数,通过不断的迭代计算得到全局最优解。其核心过程包括以下步骤:
辐射连接点提取:
步骤1:利用迭代加权多元变化检测算法(IR-MAD)对影像对的重叠区所有像素进行不变概率计算,将所有不变概率高于Hρ的像素对作为候选辐射特征点。一般Hρ设置为0.9。
步骤2:对该影像对的每一张影像的每一个波段进行辐射特征点抽稀与均匀化。在该波段每一个灰度值上选取不变概率最大的Hs个候选辐射特征点。将两张影像的不同波段上选取的辐射特征点的集合作为最终的辐射特征点,而特征点灰度值则作为观测值参与后续区域网平差。需要注意的是,对重复选择的特征点进行处理,只保留一个。一般Hs设置为100。
步骤3:组织连接点。利用正射影像仿射变换参数,对每一个辐射特征点计算平面坐标(X,Y),然后基于平面坐标进行特征点串联。由于正射影像之间存在一定的几何误差,相同地面位置在不同影像的像点不会完全重合,因此需要设置一个几何误差容忍阈值Ht,若两个特征点的地面坐标欧式距离小于该阈值,则认为是连接点。一般gsd为地面分辨率。
独立模型法辐射区域网平差:
本方法中的辐射区域网平差是分别对每个波段进行计算,每个波段的计算方法相同,因此以下仅以单个波段为例进行详细描述。
步骤4:计算“虚拟辐射控制点”。对所有辐射连接点利用式(1)进行“虚拟辐射控制点”计算。
其中,RTruth表示“虚拟辐射控制点”的灰度值。Ri表示辐射连接点在影像i上的观测值。(ai,bi)表示前一次迭代计算后影像i的线性调整模型。Pi是影像i的权值,表示影像的质量,所有影像的初始权值都设置为1。m表示该连接点的观测值个数。
步骤5:影像内线性颜色调整模型(ai,bi)计算。选择线性模型估计器,对每一个影像,利用该影像的辐射连接点观测值以及由步骤4计算得到的“虚拟辐射控制点”进行线性模型拟合。线性模型估计器有最小二乘、Theil–Sen线性回归以及正交线性回归等。为了降低粗差像素对计算结果的影响,本方法一般选用正交线性回归模型。
步骤6:如式(2),逐影像计算观测值中误差σi,并利用式(3)计算整体中误差σ0。
式(2)中,K表示影像i的有效观测值数量,Δj是连接点j的观测值的残差,Ri,j表示该连接点j在影像i中的观测值。中误差σi表示影像i的观测值总体误差的大小,它还反映了影像i的颜色质量,σi越大,颜色质量相对越差。式(3)中,M表示影像的数量。
比较本次迭代与前一次迭代的整体中误差。若本次迭代中误差大于前一次迭代,或者两次迭代的差值的绝对值小于阈值Hσ,则迭代终止。一般Hσ=10-6。
步骤7:剔除粗差。由于辐射特征点提取时不能完全剔除云、水和地表变化等干扰像素,以及其他未知误差的影响,在每一次迭代后需要对粗差进行剔除。本发明以影像中误差和整体中误差的较大值作为粗差剔除的基础,以式(4)作为阈值,逐影像进行粗差探测。当|Δ|>Houtliers,则认为该观测值是粗差像素。
Houtliers=t*max(σ0,σi) (4)
式中,t表示粗差的容忍度,一般在前三次迭代中设置为5,后续迭代中则设置为3。|Δ|是指观测值残差的绝对值。
步骤8:利用影像中误差以及整体中误差,更新影像权值,如式(5)。
步骤9:重复步骤4-8,直到满足步骤6中迭代条件,或者迭代次数超过20次,则迭代终止。此时每张影像的线性模型则是本方法计算得到的最终结果。
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 (7)
1.基于独立模型法平差的卫星影像颜色相对校正方法,其特征在于,包括如下步骤:
步骤1,对影像对的重叠区所有像素进行不变概率计算,将所有不变概率高于Hρ的像素对作为候选辐射特征点;
步骤2,对该影像对的每一张影像的每一个波段进行辐射特征点抽稀与均匀化,在该波段每一个灰度值上选取不变概率最大的Hs个候选辐射特征点,将两张影像的不同波段上选取的辐射特征点的集合作为最终的辐射特征点;
步骤3,利用正射影像仿射变换参数,对每一个辐射特征点计算平面坐标(X,Y),然后基于平面坐标进行特征点串联,即设置一个几何误差容忍阈值Ht,若两个特征点的地面坐标欧式距离小于该阈值,则认为是辐射连接点;
步骤4,计算“虚拟辐射控制点”,对所有辐射连接点利用式(1)进行“虚拟辐射控制点”计算,
其中,RTruth表示“虚拟辐射控制点”的灰度值,Ri表示辐射连接点在影像i上的观测值,(ai,bi)表示前一次迭代计算后影像i的线性调整模型,Pi是影像i的权值,表示影像的质量,所有影像的初始权值都设置为1,m表示该连接点的观测值个数;
步骤5,影像内线性颜色调整模型(ai,bi)计算:选择线性模型估计器,对每一个影像,利用该影像的辐射连接点观测值以及由步骤4计算得到的“虚拟辐射控制点”进行线性模型拟合,得到(ai,bi)的值;
步骤6,逐影像计算观测值中误差σi,如式(2),并利用式(3)计算整体中误差σ0,
式(2)中,K表示影像i的有效观测值数量,Δj是连接点j的观测值的残差,Ri,j表示该连接点j在影像i中的观测值,中误差σi表示影像i的观测值总体误差的大小,式(3)中,M表示影像的数量;
比较本次迭代与前一次迭代的整体中误差,若本次迭代中误差大于前一次迭代,或者两次迭代的差值的绝对值小于阈值Hσ,则迭代终止;
步骤7,以影像中误差和整体中误差的较大值作为粗差剔除的基础,以式(4)作为阈值,逐影像进行粗差探测,当|Δ|>Houtliers,则认为该观测值是粗差像素,
Houtliers=t*max(σ0,σi) (4)
式中,t表示粗差的容忍度,|Δ|是指观测值残差的绝对值;
步骤8,利用影像中误差以及整体中误差,更新影像权值,如式(5),
步骤9,重复步骤4-8,直到满足步骤6中迭代条件,或者迭代次数超过一定次数,则迭代终止。
2.如权利要求1所述的基于独立模型法平差的卫星影像颜色相对校正方法,其特征在于:步骤1中采用迭代加权多元变化检测算法对影像对的重叠区所有像素进行不变概率计算,Hρ设置为0.9。
3.如权利要求1所述的基于独立模型法平差的卫星影像颜色相对校正方法,其特征在于:步骤2中Hs设置为100。
5.如权利要求1所述的基于独立模型法平差的卫星影像颜色相对校正方法,其特征在于:步骤5中的线性模型估计器包括最小二乘、Theil-Sen线性回归以及正交线性回归。
6.如权利要求1所述的基于独立模型法平差的卫星影像颜色相对校正方法,其特征在于:步骤6中Hσ=10-6。
7.如权利要求1所述的基于独立模型法平差的卫星影像颜色相对校正方法,其特征在于:步骤7中,前三次迭代中t设置为5,后续迭代中则设置为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010788098.7A CN112017108B (zh) | 2020-08-07 | 2020-08-07 | 基于独立模型法平差的卫星影像颜色相对校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010788098.7A CN112017108B (zh) | 2020-08-07 | 2020-08-07 | 基于独立模型法平差的卫星影像颜色相对校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112017108A CN112017108A (zh) | 2020-12-01 |
CN112017108B true CN112017108B (zh) | 2022-04-15 |
Family
ID=73499472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010788098.7A Active CN112017108B (zh) | 2020-08-07 | 2020-08-07 | 基于独立模型法平差的卫星影像颜色相对校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112017108B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634133B (zh) * | 2020-12-07 | 2022-04-29 | 武汉大学 | 基于云控制的多镜头多面阵航空相机检校及影像虚拟拼接方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915913A (zh) * | 2010-07-30 | 2010-12-15 | 中交第二公路勘察设计研究院有限公司 | 一种稳健的高分辨率卫星影像连接点自动匹配方法 |
CN103823981A (zh) * | 2014-02-28 | 2014-05-28 | 武汉大学 | 一种数字高程模型辅助的卫星影像区域网平差方法 |
CN105551057A (zh) * | 2016-01-30 | 2016-05-04 | 武汉大学 | 超大规模光学卫星影像区域网平差粗差剔除方法及系统 |
CA2939304A1 (en) * | 2016-08-17 | 2018-02-17 | Zhe Jun Wang | A pixel-based universal image info extraction models and process flow |
CN111003214A (zh) * | 2019-11-22 | 2020-04-14 | 武汉大学 | 基于云控制的国产陆地观测卫星姿轨精化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019513315A (ja) * | 2016-02-29 | 2019-05-23 | ウルグス ソシエダード アノニマ | 惑星規模解析のためのシステム |
CN109903352B (zh) * | 2018-12-24 | 2021-03-30 | 中国科学院遥感与数字地球研究所 | 一种卫星遥感影像大区域无缝正射影像制作方法 |
-
2020
- 2020-08-07 CN CN202010788098.7A patent/CN112017108B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915913A (zh) * | 2010-07-30 | 2010-12-15 | 中交第二公路勘察设计研究院有限公司 | 一种稳健的高分辨率卫星影像连接点自动匹配方法 |
CN103823981A (zh) * | 2014-02-28 | 2014-05-28 | 武汉大学 | 一种数字高程模型辅助的卫星影像区域网平差方法 |
CN105551057A (zh) * | 2016-01-30 | 2016-05-04 | 武汉大学 | 超大规模光学卫星影像区域网平差粗差剔除方法及系统 |
CA2939304A1 (en) * | 2016-08-17 | 2018-02-17 | Zhe Jun Wang | A pixel-based universal image info extraction models and process flow |
CN111003214A (zh) * | 2019-11-22 | 2020-04-14 | 武汉大学 | 基于云控制的国产陆地观测卫星姿轨精化方法 |
Non-Patent Citations (1)
Title |
---|
DEM约束的卫星影像定位法;陶鹏杰;《测绘学报》;20200131;第49卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112017108A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN106548462B (zh) | 基于薄板样条插值的非线性sar图像几何校正方法 | |
CN109272520B (zh) | 一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法 | |
CN110533726B (zh) | 一种激光雷达场景三维姿态点法向量估计修正方法 | |
CN108492263B (zh) | 一种镜头径向畸变校正方法 | |
CN110728706B (zh) | 基于深度学习的sar图像精细配准方法 | |
CN116188496B (zh) | 基于土地利用类型的遥感影像自适应分割方法 | |
CN112419380B (zh) | 一种基于云掩膜的静止轨道卫星序列影像高精度配准方法 | |
CN110986998B (zh) | 一种基于有理函数模型的卫星视频相机在轨几何定标方法 | |
CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
KR100996897B1 (ko) | 직선 핏팅에 의한 광각렌즈의 원주방향의 왜곡영상 보정 방법 | |
CN112017108B (zh) | 基于独立模型法平差的卫星影像颜色相对校正方法 | |
CN107220947B (zh) | 一种遥感图像相对辐射校正方法及系统 | |
CN110738693A (zh) | 一种地基成像雷达多角度图像配准方法 | |
CN108076341B (zh) | 一种视频卫星成像在轨实时稳像方法及系统 | |
CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
CN107516291A (zh) | 夜景影像正射纠正处理方法 | |
CN107705244B (zh) | 一种适用于大区域多幅遥感影像的接边纠正方法 | |
CN113592744B (zh) | 一种适用于高分辨率遥感影像的几何精校正方法 | |
CN114565653B (zh) | 一种存在旋转变化和尺度差异的异源遥感图像匹配方法 | |
CN113902661A (zh) | 卫星遥感影像融合方法 | |
CN105184327A (zh) | 一种基于顶点三分策略的遥感图像特征点匹配方法 | |
CN110322454B (zh) | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 | |
CN108052986A (zh) | 基于多通道的最小二乘匹配方法 | |
CN112330700A (zh) | 一种卫星影像的耕地地块提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |