CN112270320B - 一种基于卫星影像校正的输电线路杆塔坐标校准方法 - Google Patents
一种基于卫星影像校正的输电线路杆塔坐标校准方法 Download PDFInfo
- Publication number
- CN112270320B CN112270320B CN202011281163.3A CN202011281163A CN112270320B CN 112270320 B CN112270320 B CN 112270320B CN 202011281163 A CN202011281163 A CN 202011281163A CN 112270320 B CN112270320 B CN 112270320B
- Authority
- CN
- China
- Prior art keywords
- tower
- image
- coordinates
- line
- rpc
- 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 41
- 230000005540 biological transmission Effects 0.000 title claims abstract description 32
- 238000003702 image correction Methods 0.000 title claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 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 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000007670 refining Methods 0.000 claims description 6
- 241000668842 Lepidosaphes gloverii Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 11
- 230000007547 defect Effects 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/20068—Projection on vertical or horizontal image axis
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于卫星影像校正的输电线路杆塔坐标校准方法,属于遥感技术领域。该方法的主要步骤如下:第一,对输入的待校准的遥感影像进行基于参考底图的校准,实现原始影像RPC参数的精化;第二,通过精化后的RPC参数对影像进行正射纠正;第三,输入杆塔的原始坐标,同时通过对纠正影像中的输电杆塔进行杆塔坐标检测。最后,将改正值与原值进行比对,对差值比较大的杆塔进行自动修正,实现杆塔坐标的精确校准。该方法可以实现输电线路精细化巡线管理,提高输电线路运维效率,实现卫星智能巡检,精准查找杆塔及输电线路的缺陷及隐患。
Description
技术领域
本发明属于遥感技术领域,具体涉及一种基于卫星影像校正的输电线路杆塔坐标校准方法。
背景技术
输电线路杆塔坐标的精度对雷电定位系统及无人机巡检的结果影响极大。2006年我国雷电监测网就已经覆盖了绝大多数地区。目前有关于输电线路杆塔坐标的相关研究仍比较少,在我国的电力线路安全巡检工作中,并没有实现自动化管理方式,还是过于依赖传统的人工巡检的工作模式。运行部门一般选择基于地理信息系统技术以及GPS技术,通过手持GPS直接得到杆塔坐标。这种模式存在着较大主观影响因素。并且人工巡视的频次有限,无法做到设备缺陷的及时发现。使得电力系统安全隐患较多,还需要较高的人工成本和信息管理成本。高精度的杆塔坐标能够降低巡线风险,提高巡线效率,快速到达指定区域。而随着遥感技术的不断发展,可以有效的避免人工巡检工作中主观因素的影响,弥补传统人工巡检工作的缺憾以及不足,预防电力线路出现各种电力故障,提升电力线路安全巡检系统的工作质量及准确性。目前未发现利用卫星影像校正的输电线路杆塔坐标的相关报道。
发明内容
本发明的目的是为了解决现有技术的不足,针对传统输电杆塔坐标校准方法人力、时间成本高的问题,提出一种基于卫星影像校正的输电线路杆塔坐标校准方法,实现杆塔坐标的自动校准。
为实现上述目的,本发明采用的技术方案如下:
一种基于卫星影像校正的输电线路杆塔坐标校准方法,其特征在于,包括以下步骤:
步骤(1):对待校准的遥感影像进行基于参考底图的校准,对原始影像RPC参数的精化;
步骤(2):通过步骤(1)中精化后的RPC参数,对已做RPC精化的遥感影像进行正射纠正;
步骤(3):通过选取Inception特征提取模块和RPN区域推荐模块构建基于多尺度特征融合的目标检测识别神经网络,采用基于多尺度特征融合的目标检测识别神经网络检测步骤(2)中已纠正影像中的输电杆塔,并输出检测矩形框图中心坐标,作为杆塔坐标的改正值;
步骤(4):将步骤(3)中得到的杆塔坐标的改正值与原始值进行比对,对差值大于5米的杆塔进行修正,实现杆塔坐标的精确校准。
进一步,优选的是,步骤(1)中,参考底图校准的方式为:
(1.1)将待校准影像A中4角点坐标通过RPC计算出范围,计算出与参考底图B的相交范围区域C;
(1.2)分块大小设置成256*256,对相交范围区域C进行网格分块处理;
(1.3)分别对影像A中与参考底图B中每一块区域进行SIFT匹配,得到地面控制点;
(1.4)利用RANSAC算法对SIFT匹配得到的地面控制点中的粗差点进行剔除,得到像点坐标对;
(1.5)基于像点坐标和RPC模型的正反变换解算经纬度,根据得到的经纬度坐标在参考DEM通过插值的方式读取每个匹配到的控制点的高程;
(1.6)根据像点坐标以及对应地面控制点的经纬度和高程,利用单片空间后方交会方法,对原始影像RPC参数进行精化。
进一步,优选的是,步骤(2)中,通过步骤(1)中精化后的RPC参数,对待校准的遥感影像进行正射纠正的具体方法为:
基于RPC模型的影像进行正射纠正需要正反变换;
其中,正变换的步骤为:
1)、根据公式
y=e0+e1·sample+e2·line
x=f0+f1·sample+f2·line
将图像量测坐标(x,y)变换为(line,sample),其中,(x,y)是控制点在影像上的量测坐标,(sample,line)为RPC模型计算得到的像点坐标;e0,e1,e2,f0,f1,f2为待求解的6个仿射变换参数;
2)、根据公式
将(line,sample)和该点高程正则化,并假定P和L的初值为0;Latitude、Longitude、Height分别为地面控制点的经度、纬度、高程;LAT_OFF、LAT_SCALE、LONG_OFF、LONG_SCALE、HEIGHT_OFF、HEIGHT_SCALE、SAMP_OFF、SAMP_SCALE、LINE_OFF、LINE_SCALE为RPC参数,从影像RPC文件中获得;
3)、为了增强参数求解的稳定性,将地面坐标正则化到-1和1之间;求解该点的正则化坐标P和L;
4)、由公式
求解该点的经纬度;
5)、将该点投影到WGS84投影系统中获取其平面坐标;
反变换的步骤为:
1)、将平面坐标和该点高程变换为WGS84下的经纬度和椭球高;
2)、根据公式
将地面坐标正则化;
3)、由公式
计算像点的正则化坐标X,Y;
4)、由公式
计算像点的(line,sample);;
5)、由公式
y=e0+e1·sample+e2·line
x=f0+f1·sample+f2·line
将(line,sample)变换为(x,y)。
进一步,优选的是,步骤(3)的具体方法为:通过基于多尺度特征融合的目标检测识别神经网络对已纠正影像中的输电杆塔进行识别,输出检测矩形框图中心坐标,作为杆塔坐标的改正值。
进一步,优选的是,步骤(3)中,通过选取Inception特征提取模块和RPN区域推荐模块构建基于多尺度特征融合的目标检测识别神经网络的具体方法为:建立用于深度卷积网络的数据库,其中的图像由遥感图像中裁剪得到基于深度学习的高压输电塔检测识别网络,以Inception模块做特征提取部分,以RPN结构进行推荐区域生成,最终完成杆塔坐标的目标定位和类别判断。
进一步,优选的是,步骤(4)中,修正时,设置距离范围为50米,若输入的某线路某号杆塔坐标此距离范围内没有检测出的杆塔与之对应,则显示“无法对此杆塔进行识别”错误,按顺序对下一杆塔进行检测。
本发明步骤(1)中,对原始影像RPC参数的精化的为:该RPC参数精化需要使用少量的控制点求解像点的量测坐标与利用RPC模型计算影像坐标之间的变换关系。精化分为两类,一类参数纠正行方向的误差,一类参数纠正列方向的误差。其中行参数吸收轨道、姿态在行方向上的影响,列参数吸收轨道、姿态在列方向上的影响,因此可以采用定义在影像面的仿射变换来校正此类误差。
在影像上定义仿射变换:
y=e0+e1·sample+e2·line
x=f0+f1·sample+f2·line
式中,(x,y)是控制点在影像上的量测坐标,(sample,line)为RPC模型计算得到的像点坐标。
根据下面公式可以对每个控制点列下述的线性方程,根据最小二乘平差求解影像面的仿射变换参数,完成利用控制点提高RPC模型的精度。因为仿射变换为线性模型,求解参数不需要初值。
在缺少控制点(控制点小于三个)条件下,为了获得较好的精度,待求解的仿射变换参数需要分析。如果仅有一个控制点,求解偏移参数e0和f0来消除平移误差;当有两个控制点,求解平移参数(e0和f0)和line方向的系数(e2和f2)可以获得较高的精度。
本发明中参考底图通常选用满足1:10000比例尺测图的正射影像。、
本发明所述的RPC为有理多项式模型。
本发明中Inception特征提取模块是一种特征提取的网络结构,RPN区域推荐模块是框定目标区域的网络结构。
本发明与现有技术相比,其有益效果为:
本发明将影像与高精度的参考底图进行配准得到高精度的纠正影像,再通过目标识别技术实现对杆塔坐标的自动校准。相比于传统方法,该方法可以在保证一定的准确率的情况下有效减小运行人员的工作量,提升工作效率。
本发明可以实现大面积的输电线路杆塔的识别与校准,不需要去实地现场进行测量,可以节约时间成本和人力成本。相比于现有杆塔坐标技术,可以将杆塔坐标的坐标精度从原来的几十米提升到米级。
附图说明
图1为本发明的实现流程图;
图2为参考底图匹配的流程图;
图3为杆塔坐标校准流程图;
图4为参考底图校正前后差异图;其中,(a)为高景1号影像未做校准时与参考底图的位置关系图;(b)为高景1号影像做校准后与参考底图的位置关系图;
图5为正射纠正前后杆塔坐标差异图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限定本发明的范围。实施例中未注明具体技术或条件者,按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者,均为可以通过购买获得的常规产品。
如图1所示,一种基于卫星影像校正的输电线路杆塔坐标校准方法,包括以下步骤:
步骤(1):对待校准的遥感影像进行基于参考底图的校准,对原始影像RPC参数的精化;
步骤(2):通过步骤(1)中精化后的RPC参数,对已做RPC精化的遥感影像进行正射纠正;
步骤(3):通过选取Inception特征提取模块和RPN区域推荐模块构建基于多尺度特征融合的目标检测识别神经网络,采用基于多尺度特征融合的目标检测识别神经网络检测步骤(2)中已纠正影像中的输电杆塔,并输出检测矩形框图中心坐标,作为杆塔坐标的改正值;
步骤(4):将步骤(3)中得到的杆塔坐标的改正值与原始值进行比对,对差值大于5米的杆塔进行修正,实现杆塔坐标的精确校准。
如图2所示,其中,步骤(1)中,参考底图校准的方式为:
(1.1)将待校准影像A中4角点坐标通过RPC计算出范围,计算出与参考底图B的相交范围区域C;
(1.2)分块大小设置成256*256,对相交范围区域C进行网格分块处理;
(1.3)分别对影像A中与参考底图B中每一块区域进行SIFT匹配,得到地面控制点;
(1.4)利用RANSAC算法对SIFT匹配得到的地面控制点中的粗差点进行剔除,得到像点坐标对;
(1.5)基于像点坐标和RPC模型的正反变换解算经纬度,根据得到的经纬度坐标在参考DEM通过插值的方式读取每个匹配到的控制点的高程;
(1.6)根据像点坐标以及对应地面控制点的经纬度和高程,利用单片空间后方交会方法,对原始影像RPC参数进行精化。
步骤(2)中,通过步骤(1)中精化后的RPC参数,对待校准的遥感影像进行正射纠正的具体方法为:
基于RPC模型的影像进行正射纠正需要正反变换;
其中,正变换的步骤为:
1)、根据公式
y=e0+e1·sample+e2·line
x=f0+f1·sample+f2·line
将图像量测坐标(x,y)变换为(line,sample),其中,(x,y)是控制点在影像上的量测坐标,(sample,line)为RPC模型计算得到的像点坐标;e0,e1,e2,f0,f1,f2为待求解的6个仿射变换参数;
2)、根据公式
将(line,sample)和该点高程正则化,并假定P和L的初值为0;Latitude、Longitude、Height分别为地面控制点的经度、纬度、高程;LAT_OFF、LAT_SCALE、LONG_OFF、LONG_SCALE、HEIGHT_OFF、HEIGHT_SCALE、SAMP_OFF、SAMP_SCALE、LINE_OFF、LINE_SCALE为RPC参数,从影像RPC文件中获得;
3)、为了增强参数求解的稳定性,将地面坐标正则化到-1和1之间;求解该点的正则化坐标P和L;
4)、由公式
求解该点的经纬度;
5)、将该点投影到WGS84投影系统中获取其平面坐标;
反变换的步骤为:
1)、将平面坐标和该点高程变换为WGS84下的经纬度和椭球高;
2)、根据公式
将地面坐标正则化;
3)、由公式
计算像点的正则化坐标X,Y;
4)、由公式
计算像点的(line,sample);;
5)、由公式
y=e0+e1·sample+e2·line
x=f0+f1·sample+f2·line
将(line,sample)变换为(x,y)。
步骤(3)的具体方法为:通过基于多尺度特征融合的目标检测识别神经网络对已纠正影像中的输电杆塔进行识别,输出检测矩形框图中心坐标,作为杆塔坐标的改正值。
步骤(3)中,通过选取Inception特征提取模块和RPN区域推荐模块构建基于多尺度特征融合的目标检测识别神经网络的具体方法为:建立用于深度卷积网络的数据库,其中的图像由遥感图像中裁剪得到基于深度学习的高压输电塔检测识别网络,以Inception模块做特征提取部分,以RPN结构进行推荐区域生成,最终完成杆塔坐标的目标定位和类别判断。
步骤(4)中,修正时,设置距离范围为50米,若输入的某线路某号杆塔坐标此距离范围内没有检测出的杆塔与之对应,则显示“无法对此杆塔进行识别”错误,按顺序对下一杆塔进行检测。
应用实例
一种基于卫星影像校正的输电线路杆塔坐标校准方法,包括如下步骤:
步骤(1):对待校准的遥感影像进行基于参考底图的校准,实现原始影像RPC参数的精化;本次实验采用云南昆明地区高景1号数据进行实验。参考底图选用谷歌地球影像数据,分辨率为0.3米。参考DEM分辨率为30米。在图4中,图(a)为高景1号影像未做校准时与参考底图的位置关系图;图(b)为高景1号影像做校准后与参考底图的位置关系图。从图中可以看出校准前后影像与参考底图的接边情况。
步骤(2):通过步骤(1)中精化后的RPC参数,对待校准的遥感影像进行正射纠正,纠正所用的参考DEM为步骤(1)中所用的DEM;
步骤(3):通过选取Inception特征提取模块和RPN区域推荐模块构建基于多尺度特征融合的目标检测识别神经网络检测技术检测步骤(2)中已纠正影像中的输电杆塔,并返回纠正杆塔的坐标改正值。在图5中,左上角点位置为某一杆塔校准前的位置,方框中心位置为杆塔检测结果的位置坐标。
步骤(4):将步骤(3)中得到的杆塔坐标的改正值与原始值进行比对,对差值比较大的杆塔进行自动修正,实现杆塔坐标的精确校准,如图3。表1为杆塔坐标校准前后对比。
表1
原有技术一般根据利用运行人员测量得到的经度与纬度计算杆塔之间的测量档距判断该基杆塔的坐标是否有误,通过有误杆塔是否为单独一基杆塔,相邻两基杆塔或者连续杆塔,结合误差的大小和符号确定需要校准的杆塔,最后结合杆塔的转角情况与运行档距,利用地理信息软件中的测量工具,对需要校准的杆塔进行坐标校准,只能实现相对位置的精度提升和绝对定位的粗略定位。本方法基于高精度控制数据,实现每一级杆塔坐标的绝对定位校准,校准结果相较于原有方法在相对精度和绝对精度均有明显提高。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于卫星影像校正的输电线路杆塔坐标校准方法,其特征在于,包括以下步骤:
步骤(1):对待校准的遥感影像进行基于参考底图的校准,对原始影像RPC参数的精化;
步骤(2):通过步骤(1)中精化后的RPC参数,对已做RPC精化的遥感影像进行正射纠正;
步骤(3):通过选取Inception特征提取模块和RPN区域推荐模块构建基于多尺度特征融合的目标检测识别神经网络,采用基于多尺度特征融合的目标检测识别神经网络检测步骤(2)中已纠正影像中的输电杆塔,并输出检测矩形框图中心坐标,作为杆塔坐标的改正值;
步骤(4):将步骤(3)中得到的杆塔坐标的改正值与原始值进行比对,对差值大于5米的杆塔进行修正,实现杆塔坐标的精确校准;
步骤(2)中,通过步骤(1)中精化后的RPC参数,对待校准的遥感影像进行正射纠正的具体方法为:
基于RPC模型的影像进行正射纠正需要正反变换;
其中,正变换的步骤为:
1)、根据公式
y=e0+e1·sample+e2·line
x=f0+f1·sample+f2·line
将图像量测坐标(x,y)变换为(line,sample),其中,(x,y)是控制点在影像上的量测坐标,(line,sample)为RPC模型计算得到的像点坐标;e0,e1,e2,f0,f1,f2为待求解的6个仿射变换参数;
2)、根据公式
将(line,sample)和该点高程正则化,并假定P和L的初值为0;Latitude、Longitude、Height分别为地面控制点的经度、纬度、高程;LAT_OFF、LAT_SCALE、LO NG_OFF、LONG_SCALE、H EIG HT_OFF、H EIG HT_SCALE、SAM P_OFF、SAM P_SCALE、LIN E_OF F、LIN E_SCALE为RPC参数,从影像RPC文件中获得;
3)、为了增强参数求解的稳定性,将地面坐标正则化到-1和1之间;求解该点的正则化坐标P和L;
4)、由公式
求解该点的经纬度;
5)、将该点投影到WGS84投影系统中获取其平面坐标;
反变换的步骤为:
1)、将平面坐标和该点高程变换为WGS84下的经纬度和椭球高;
2)、根据公式
将地面坐标正则化;
3)、由公式
计算像点的正则化坐标X,Y;
4)、由公式
计算像点的(line,sample);
5)、由公式
y=e0+e1·sample+e2·line
x=f0+f1·sample+f2·line
将(line,sample)变换为(x,y)。
2.根据权利要求1所述的杆塔坐标校准方法,其特征在于,步骤(1)中,参考底图校准的方式为:
(1.1)将待校准影像A中4角点坐标通过RPC计算出范围,计算出与参考底图B的相交范围区域C;
(1.2)分块大小设置成256*256,对相交范围区域C进行网格分块处理;
(1.3)分别对影像A中与参考底图B中每一块区域进行SIFT匹配,得到地面控制点;
(1.4)利用RANSAC算法对SIFT匹配得到的地面控制点中的粗差点进行剔除,得到像点坐标对;
(1.5)基于像点坐标和RPC模型的正反变换解算经纬度,根据得到的经纬度坐标在参考DEM通过插值的方式读取每个匹配到的控制点的高程;
(1.6)根据像点坐标以及对应地面控制点的经纬度和高程,利用单片空间后方交会方法,对原始影像RPC参数进行精化。
3.根据权利要求1所述的基于卫星影像校正的输电线路杆塔坐标校准方法,其特征在于,步骤(3)的具体方法为:通过基于多尺度特征融合的目标检测识别神经网络对已纠正影像中的输电杆塔进行识别,输出检测矩形框图中心坐标,作为杆塔坐标的改正值。
4.根据权利要求1所述的基于卫星影像校正的输电线路杆塔坐标校准方法,其特征在于,步骤(3)中,通过选取Inception特征提取模块和RPN区域推荐模块构建基于多尺度特征融合的目标检测识别神经网络的具体方法为:建立用于深度卷积网络的数据库,其中的图像由遥感图像中裁剪得到基于深度学习的高压输电塔检测识别网络,以Inception模块做特征提取部分,以RPN结构进行推荐区域生成,最终完成杆塔坐标的目标定位和类别判断。
5.根据权利要求1所述的基于卫星影像校正的输电线路杆塔坐标校准方法,其特征在于,步骤(4)中,修正时,设置距离范围为50米,若输入的某线路某号杆塔坐标此距离范围内没有检测出的杆塔与之对应,则显示“无法对此杆塔进行识别”错误,按顺序对下一杆塔进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011281163.3A CN112270320B (zh) | 2020-11-16 | 2020-11-16 | 一种基于卫星影像校正的输电线路杆塔坐标校准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011281163.3A CN112270320B (zh) | 2020-11-16 | 2020-11-16 | 一种基于卫星影像校正的输电线路杆塔坐标校准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270320A CN112270320A (zh) | 2021-01-26 |
CN112270320B true CN112270320B (zh) | 2023-08-22 |
Family
ID=74340777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011281163.3A Active CN112270320B (zh) | 2020-11-16 | 2020-11-16 | 一种基于卫星影像校正的输电线路杆塔坐标校准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270320B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780086B (zh) * | 2021-08-11 | 2022-05-17 | 南京捷鹰数码测绘有限公司 | 一种基于无人机的远程自然资源动态监测方法 |
CN113534845B (zh) * | 2021-08-18 | 2022-06-21 | 国网湖南省电力有限公司 | 基于gnss定位的架空配电线路无人机自主巡检方法及系统 |
CN113920185B (zh) * | 2021-09-03 | 2023-04-11 | 佛山中科云图智能科技有限公司 | 一种杆塔线路点云数据校核方法 |
CN116109848B (zh) * | 2022-12-30 | 2023-11-24 | 中国人民解放军61646部队 | 辐射几何不变的sar影像特征匹配方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590701A (zh) * | 2012-02-07 | 2012-07-18 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种输电线路杆塔坐标校准方法 |
KR101332093B1 (ko) * | 2012-12-22 | 2013-11-25 | (주)지오투정보기술 | 복수개의 센서에 의해 획득된 대상 객체의 좌표 정보를 이용하여 3차원 공간 데이터를 획득하는 공간영상처리 시스템 |
CN108335261A (zh) * | 2018-02-08 | 2018-07-27 | 重庆市地理信息中心 | 一种光学遥感卫星正射影像拉花区域自动检测方法 |
CN109903352A (zh) * | 2018-12-24 | 2019-06-18 | 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 |
CN110703268A (zh) * | 2019-11-06 | 2020-01-17 | 广东电网有限责任公司 | 一种自主定位导航的航线规划方法和装置 |
-
2020
- 2020-11-16 CN CN202011281163.3A patent/CN112270320B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590701A (zh) * | 2012-02-07 | 2012-07-18 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种输电线路杆塔坐标校准方法 |
KR101332093B1 (ko) * | 2012-12-22 | 2013-11-25 | (주)지오투정보기술 | 복수개의 센서에 의해 획득된 대상 객체의 좌표 정보를 이용하여 3차원 공간 데이터를 획득하는 공간영상처리 시스템 |
CN108335261A (zh) * | 2018-02-08 | 2018-07-27 | 重庆市地理信息中心 | 一种光学遥感卫星正射影像拉花区域自动检测方法 |
CN109903352A (zh) * | 2018-12-24 | 2019-06-18 | 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 |
CN110703268A (zh) * | 2019-11-06 | 2020-01-17 | 广东电网有限责任公司 | 一种自主定位导航的航线规划方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112270320A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270320B (zh) | 一种基于卫星影像校正的输电线路杆塔坐标校准方法 | |
CN110031829B (zh) | 一种基于单目视觉的目标精准测距方法 | |
CN104156536B (zh) | 一种盾构机刀具磨损的可视化定量标定及分析方法 | |
WO2020098177A1 (zh) | 一种基于线性回归拟合的天线下倾角测量方法 | |
CN111241988B (zh) | 一种结合定位信息的大场景内运动目标检测识别方法 | |
CN109029368B (zh) | 像方补偿的遥感影像/sar影像高精度几何定位后处理方法 | |
CN110363758B (zh) | 一种光学遥感卫星成像质量确定方法及系统 | |
CN102855628B (zh) | 多源多时相高分辨率卫星遥感影像自动匹配方法 | |
CN112801094B (zh) | 一种指针式仪表图像倾斜校正方法 | |
CN116597013B (zh) | 一种基于不同经纬度区域的卫星图像几何定标方法 | |
CN102243299B (zh) | 无人机载sar图像正射纠正装置 | |
CN111696156B (zh) | 一种免控制点的遥感影像坐标转换方法 | |
CN114529610B (zh) | 一种基于rgb-d相机的毫米波雷达数据标注方法 | |
CN116839564A (zh) | 一种高精地图构建辅助方法、设备及介质 | |
CN111144350B (zh) | 一种基于参考底图的遥感影像定位精度评价方法 | |
CN116844147A (zh) | 一种基于深度学习的指针式仪表识别和异常警报方法 | |
CN113850868B (zh) | 一种波浪爬高图像识别方法 | |
CN105571598B (zh) | 一种卫星激光高度计足印相机姿态的测定方法 | |
CN112184785B (zh) | 基于mcd度量和vtm的多模态遥感图像配准方法 | |
CN116989825A (zh) | 一种路侧激光雷达-相机-utm坐标系联合标定方法及系统 | |
CN116973946A (zh) | 一种深度学习与鱼眼相机图像分割的导航卫星定位方法 | |
CN109886988A (zh) | 一种微波成像仪定位误差的度量方法、系统、装置及介质 | |
CN115511977A (zh) | 一种基于标定模板的外参标定方法及装置 | |
CN115830474A (zh) | 一种识别野生藏药独一味及其分布并计算其产量的方法与系统 | |
CN109461137B (zh) | 一种基于灰度相关性的面向对象正射影像质量检查方法 |
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 |