CN112419350A - 基于地物边界信息的遥感影像自动化几何配准方法及系统 - Google Patents
基于地物边界信息的遥感影像自动化几何配准方法及系统 Download PDFInfo
- Publication number
- CN112419350A CN112419350A CN202011305929.7A CN202011305929A CN112419350A CN 112419350 A CN112419350 A CN 112419350A CN 202011305929 A CN202011305929 A CN 202011305929A CN 112419350 A CN112419350 A CN 112419350A
- Authority
- CN
- China
- Prior art keywords
- image
- corrected
- remote sensing
- points
- boundary information
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
Abstract
本发明提出一种利用遥感影像地物边界信息进行自动化几何配准的方法及系统,包括根据待校正影像的空间分辨率和波段设置选择参考影像,并对所述待校正影像和参考影像进行图像预处理,得到待校正影像和参考影像的经纬度信息;通过提取待校正影像和参考影像的地物边界信息来突显待校正影像和参考影像中的边界线特征,掩盖非边界线特征,得到边界线影像;在边界线影像上提取预选同名点,通过特征点过滤删除其中错误的特征点,得到同名点库和基于点特征的几何配准精化模型;根据基于点特征的几何配准模型对待校正影像进行几何配准。本发明提取出地物边界信息,以此获取足够数量和质量的控制点,大幅提高航空航天及无人机遥感影像自动化几何配准的精度。
Description
技术领域
本发明涉及一种基于地物边界信息的遥感影像自动化几何配准方法,属于遥感影像的几何配准技术领域。
背景技术
影像预处理作为遥感应用的关键前提是遥感影像处理不可或缺的技术环节之一,几何精配准是实现卫星遥感规模化应用、服务长时序大范围自动化环境监测的重要基础。在几乎所有的卫星遥感应用场景中,精确的几何定位都是必须的。
遥感影像几何配准指的是通过各种方法解决卫星成像过程中的几何畸变问题。基于成像机理和过程,使用轨道和卫星姿态参数,通过几何模型进行的系统校正为几何粗校正。这类校正能够为影像提供了基本的地理空间几何信息,当前,由于卫星几何技术方面的进步,很多卫星的几何粗校正就能够提供较高几何精度的信息。然而,由于应用目的的不同,需求的精度也不同,一些要求更高的任务依然需要利用地面控制点进行几何精配准;另外一方面,部分遥感影像,尤其是历史遥感影像,面临着姿态和轨道参数偏差大、几何定位精度不高的问题。有的甚至无法通过算法对卫星轨道参数进行修正过滤。面对这样的问题,少量的卫星数据尚可通过手动方法进行几何精配准,大量的数据则将无法面临着无法完成的工作量。这就需要自动化方法和工具通过自动选点匹配,实现几何精配准的目标。当前的遥感影像几何精配准自动化工具,出于处理多场景目标的考虑,在同名点的选择上更注重于普适的方法,然而,由于地面目标复杂多变,这些算法依然需要人工监督下完成,以准确排除严重错误的控制点。这种方法简化了几何精配准流程,但是依然无法满足大规模数据自动化处理的需求。在为开发出更加有效的全场景自动化几何配准工具之前,发展针对特殊场景的遥感影像自动化几何配准工具将是一个有效的方案。
基于遥感影像几何配准的现状,本发明提出了一种利用地物边界信息的遥感影像自动化的几何配准方法。
发明内容
本发明的目的在于:提出了一种利用遥感影像地物边界信息进行自动化的几何配准方法,该方法能有效实现不同分辨率影像在有明显地物边界信息区域的几何配准,能在无人工监督的情况下完成准确的几何配准。该方法也能为较好的应用于有明显地物边界信息的遥感影像几何配准。
本发明的上述目的通过以下技术方案实现:
一种基于地物边界信息的遥感影像自动化几何配准方法,包括如下步骤:
1)根据待校正影像的空间分辨率和波段设置选择参考影像,并对所述待校正影像和参考影像进行图像预处理,得到待校正影像和参考影像的经纬度信息;
2)通过提取待校正影像和参考影像的地物边界信息来突显待校正影像和参考影像中的边界线特征,掩盖非边界线特征,最终得到校正影像和参考影像的边界线影像;
3)使用尺度不变特征变换方法在2)所得的边界线影像上提取预选同名点,通过特征点过滤删除其中错误的特征点,得到同名点库和基于点特征的几何配准精化模型;
4)根据3)所得基于点特征的几何配准模型对待校正影像进行几何配准。
而且,步骤1)中,选择与待校正影像相关特征近似且几何定位精度高的遥感影像作为参考影像。
而且,所述图像预处理包括几何粗校正和重采样。
而且,所述的重采样是根据参考影像的空间分辨率,将待校正影像和参考影像中较高空间分辨率的影像重采样至与较低空间分辨率影像一致。
而且,步骤2)中,地物边界信息的提取采用遥感影像的指数化方法、边缘检测算法或者卷积神经网络算法。
而且,在步骤1)或者步骤2)之后,对待校正影像和参考影像进行影像条带消除处理,后续步骤基于消除处理结果进行。
而且,步骤3中,所述特征点过滤实现方式为,是根据空间距离和连线方向两个特征对所述预选同名点进行筛选。
而且,根据空间距离对所述预选同名点进行筛选,采用以下基于范围约束的过滤方式实现,
从所述预选同名点中删除满足以下任一条件的特征点:
abs(ytarget-yinit)/Res.>m
abs(xtarget-xinit)/Res.>n
其中,xtarget、ytarget表示同名点参考影像的经纬度,xinit、yinit表示在待校正影像的经纬度,Res.表示空间分辨率;n为几何定位误差能够接受的横向像元个数,m为几何定位误差能够接受的纵向像元个数;abs()表示取绝对值。
而且,根据连线方向对所述预选同名点进行筛选,采用以下基于点空间关系的过滤方式实现,
设Finit,i(xinit,yinit)为待校正影像某预选同名点i,Ftarget,i(xtarget,ytarget)为参考影像上的对应预选同名点,设Finit,i(xinit,yinit)、Ftarget,i(xtarget,ytarget)之间构成的向量记为θi为向量与正北方向的夹角,另假设为正北方向的向量,
按照下式计算每个预选同名点的方位角,并根据计算结果剔除离群点,然后对所有剩余方位角进行顺序排列,按照分位数分布取中间部分的数据点作为备选同名点;
另一方面,本发明还提供一种基于地物边界信息的遥感影像自动化几何配准系统,用于实现如上所述的一种基于地物边界信息的遥感影像自动化几何配准方法。
从上述技术方案可以看出,本发明的利用于地物边界信息的遥感影像自动几何配准方法具有以下有益效果:
1.能够更精确地拟合空间复杂的几何变形。遥感观测通常覆盖空间范围大,本发明能够获取足够多的高质量的沿地物边界线分布的几何配准点进行几何配准。
2.模型严格遵循沿用了已有的成像几何关系,精度高且可靠性强。
3.形式简单且易于解算,在提高精度和可靠性的同时付出最小的计算代价。该方法在控制点初选和筛查方面,较已有方法具有突出优势。
本发明能够通过基于传统指数方法或机器学习方法提取出地物边界信息,以此获取足够数量和质量的控制点,大幅提高航空航天及无人机遥感影像自动化几何配准的精度,适用但不限于海洋/湖泊/河流/森林/沙漠/山地/城市等环境。
附图说明
图1是本发明实施例所述的利用水陆边界的遥感影像的自动几何配准方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施过程,并参照附图,对本发明进一步详细说明。
在本发明实施例中,提供了一种基于地物边界信息的遥感影像自动几何配准方法,利用了地物边界信息进行选点,并进行筛选点,包括如下步骤:
1)根据待校正影像的空间分辨率、波段设置选择遥感影像作为参考影像;并对所述待校正影像和参考影像进行图像预处理,得到待校正影像和参考影像的经纬度信息;
本发明优选的方案中,为了保证影像边界线特征数据的一致性和稳定性,1)所述的根据待校正影像的空间分辨率、波段设置选择遥感影像作为参考影像,选择与所述待校正影像相关特征近似且几何定位精度高(根据空间分辨率的不同,推荐以Landsat8 OLI及MODIS等公认的几何定位精确的影像为标准)的遥感影像。
本发明优选的方案中,1)所述的图像预处理包括几何粗校正和重采样。更优选的方案中,所述的重采样是根据所述参考影像的空间分辨率,将所述待校正影像和参考影像中较高空间分辨率的影像重采样至与较低空间分辨率影像一致。
2)通过提取1)所述待校正影像和参考影像的地物边界来突显待校正影像和参考影像中的边界线处图像特征,掩盖非边界线特征,最终得到校正影像和参考影像清晰的边界线灰度图像;
为了尽量掩盖非边界线特征以便提取边界线处的特征点,本发明优选的方案中,2)所述的边界线可通过以下方法提取:
(a)遥感影像的指数化方法:
以水陆边界线提取为例,以所述待校正影像和所述参考影像的数码值或天顶辐亮度作为输入,按照以下式(I)或式(II)计算:
或,
其中,DN表示遥感影像数码值,green、nir分别表示绿、近红外两个波段,LTOA表示天顶辐亮度。注意:归一化植被指数(NDWI)也是一种用于水陆边界提取的简便方法,计算公式可查文献,本发明不做特殊说明。
(b)其它边界线提取方法:
包括计算机视觉中的各种边缘检测算法,如Canny算子和Marr-Hildreth算子等;深度学习中的卷积神经网络算法等。
在传感器成像过程中,由于探元响应差异,往往造成遥感图像出现有规律的间隔横向带状纹理,即影像条带。影像条带会造成像元辐射信息出现严重偏差,严重的影像条带会极大干扰边界线特征点的选择,导致几何精配准失败。因此,为了进一步提高本发明所述的几何精配准准确性,优选的方案中进一步包括对所述待校正影像和所述参考影像进行影像条带消除处理,所述的影像条带消除处理可以在1)所述的图象预处理中进行,也可以在2)所述的边界线提取后进行。
更优选的方案中,所述的影像条带消除使用基于小波变换框架的方法,具体包括采用以下式(III)的计算:
3)使用尺度不变特征变换方法(SIFT方法)在2)所得的边界线灰度影像上提取预选同名点,通过特征点过滤删除其中错误的特征点,得到同名点库和基于点特征的几何配准模型;
本发明的方案中,3)所述的SIFT方法在边界线影像上提取的特征点通常非常密集,部分特征点并非位于边界线上,它们可能是错误的;还有一部分位于边界线上的特征点并非准确的一一对应,因此这些点都需要删除。为了提高所述删除的准确性,本发明优选的方案中,3)所述的特征点过滤是根据空间距离和连线方向两个特征对所述预选同名点进行筛选。
本发明更优选的方案中,所述的根据空间距离对所述预选同名点进行筛选具体是以下基于范围约束的过滤方法:
尽管待校正影像的几何定位有偏差,但遥感影像的几何定位误差总是在一个概要范围内,设所述几何定位误差在横向n个像元内、纵向m个像元内,则从所述预选同名点中删除满足以下式(III)或式(IV)中任一条件的特征点:
abs(ytarget-yinit)/Res.>m(IV)
或者
abs(xtarget-xinit)/Res.>n(V)
其中,xtarget、ytarget表示同名点参考影像的经纬度,xinit、yinit表示在待校正影像的经纬度,Res.表示空间分辨率(度),abs()表示取绝对值。具体实施时,m、n的取值根据遥感影像本身的定位误差设置。
本发明更优选的方案中,所述的根据连线方向对所述预选同名点进行筛选具体是以下基于所有点空间关系的过滤:
设Finit,i(xinit,yinit)为待校正影像某预选同名点i,Ftarget,i(xtarget,ytarget)为参考影像上的对应预选同名点,设Finit,i(xinit,yinit)、Ftarget,i(xtarget,ytarget)之间构成的向量记为θi为向量与正北方向的夹角,即方位角,另外假设为正北方向的向量,则按照以下式(VI)计算每个预选同名点的方位角,并根据计算结果剔除离群点,然后对所有剩余方位角进行顺序排列,根据所有剩余方位角的分位数分布,去掉上下各10%的数据点,取中间80%的数据点作为备选同名点;对所有备选同名点使用以下式(VI)计算方位角均值使用以下式(VII)计算方位角标准差σ;选择处于范围内的备选同名点作为所述预选同名点,剔除不在这一范围内的同名点;
其中,N表示备选同名点对的数量。
具体实施时,可综合使用以上两种筛选方式进行过滤。
4)根据3)所得基于点特征的几何配准精化模型对待校正影像进行几何配准。
具体实施时,本领域技术人员可采用计算机软件技术实现以上方法的自动流程运行。如图1所示,实施例具体实现时可采用的流程具体包括如下步骤:
步骤A,参考影像的选择
根据待校正影像的空间分辨率、波段设置,选择相关特征近似(空间分辨率差异不超过50%,具有绿光波段和近红外波段)且几何定位精度高(根据空间分辨率的不同,推荐以landsat 8OLI及MODIS等公认的几何定位精确的影像为标准)的遥感影像,以保证数据水陆边界线特征数据的一致性和稳定性。
步骤B,几何粗校正
根据影像自带的几何信息进行几何配准,赋予影像经纬度信息。
步骤C,重采样
根据参考影像的空间分辨率,将较高空间分辨率的影像重采样至与较低空间分辨率影像一致。
步骤D,影像的条带预处理
对于没有条带干扰的数据,可以忽略这一步。
影像条带是指卫星在成像过程中,由于探元响应差异造成的卫星图像出现有规律的间隔横向带状纹理。影像条带会造成像元辐射信息出现严重偏差,严重的影像条带会极大干扰水陆边界线特征点的选择,导致几何精配准失败。影像条带的消除使用基于小波变换框架的方法:
参考影像和待校正影像都需要进行条带消除、
步骤E,计算归一化水体指数NDWI
原始影像地表信息复杂,为了提取水陆边界线处的特征点,需要尽量掩盖非水陆边界线特征。通过计算NDWI可以达到这一目的,为了简化计算流程,数码值或天顶辐亮度均可以作为输入:
或,
其中,DN表示遥感影像数码值,green、nir分别表示绿、近红外两个波段,LTOA表示天顶辐亮度。
参考影像和待校正影像均需要计算NDWI。
步骤F,同名点提取
使用SIFT方法提取预选同名点。
步骤H,特征点过滤
使用SIFT在NDWI影像上提取的特征点非常密集,部分特征点位于内陆或海面上,并非位于水陆边界线上,它们可能是错误的。还有一部分位于水陆边界线上的特征点并非准确的一一对应,这些点都需要删除。通过以下方法将这些点删除:
①基于范围约束的过滤:
尽管待校正影像的有偏差,但遥感影像的几何定位误差总是在一个概要范围内,比如横向n个像元、纵向m个像元。则可利用这个条件删除部分控制点:abs(ytarget-yinit)/Res.>m(IV)
或者
abs(xtarget-xinit)/Res.>n(V)
其中,xtarget、ytarget表示同名点参考影像的经纬度,xinit、yinit表示在待校正影像的经纬度,Res.表示空间分辨率(度)。如果同名点满足这一条件,则删除这一同名点。
判断校正点前后是否超过了影像本身的几何定位误差,如果超过,则删除这一特征点。
②基于所有点空间关系的过滤
设Finit,i(xinit,yinit)为待校正影像某特征同名点i,Ftarget,i(xtarget,ytarget)为参考影像上的对应特征同名点,θi为向量与正北方向的夹角,即方位角,另外假设为正北方向的向量,则
进一步,根据上式(VI)计算的方位角剔除离群点,
对方位角进行顺序排列,根据方位角的分位数分布,去掉上下各10%的数据点,取中间80%的数据点作为备选同名点。
对经过删选的备选同名点,使用以下式(VI)计算方位角均值、使用以下式(VII)计算方位角标准差:
步骤G校正
根据上述过滤的大量控制点,采用常规的多项式方法对图像变形进行数学模拟,实现平移、缩放、旋转、仿射、弯曲等形变的合成,并选择所需的重采样方法(最近邻法、双线性内插法、三次卷积内插法)进行插值采样。
至此,已经结合附图对本实施例进行了详细描述,依据以上描述,本领域技术人员应当对本发明利用地物边界信息的遥感影像自动几何配准方法有了清楚的认识并可以实施。
除非特别描述或必须依序发生的步骤,上述步骤的顺序并无限制于以上所列,且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑,彼此混合搭配使用或与其他实施例混合搭配使用,即不同实施例中的技术特征可以自由组合形成更多的实施例。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。
各种通用系统也可以与基于在此的启示一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白可以利用各种编程语言实现在此描述的本发明的内容,并且本文对特定编程语言所做的描述是为了披露本发明的最佳实施方式。
本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的相关设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
具体实施时,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
在一些可能的实施例中,提供一种基于地物边界信息的遥感影像自动化几何配准系统,包括以下模块,
第一模块,用于根据待校正影像的空间分辨率和波段设置选择参考影像,并对所述待校正影像和参考影像进行图像预处理,得到待校正影像和参考影像的经纬度信息;
第二模块,用于通过提取待校正影像和参考影像的地物边界信息来突显待校正影像和参考影像中的边界线特征,掩盖非边界线特征,最终得到校正影像和参考影像的边界线影像;
第三模块,用于使用尺度不变特征变换方法在第二模块所得的边界线影像上提取预选同名点,通过特征点过滤删除其中错误的特征点,得到同名点库和基于点特征的几何配准精化模型;
第四模块,用于根据第三模块所得基于点特征的几何配准模型对待校正影像进行几何配准。
在一些可能的实施例中,提供一种基于地物边界信息的遥感影像自动化几何配准系统,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于地物边界信息的遥感影像自动化几何配准方法。
在一些可能的实施例中,提供一种基于地物边界信息的遥感影像自动化几何配准系统,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于地物边界信息的遥感影像自动化几何配准方法。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于地物边界信息的遥感影像自动化几何配准方法,其特征在于,包括如下步骤:
1)根据待校正影像的空间分辨率和波段设置选择参考影像,并对所述待校正影像和参考影像进行图像预处理,得到待校正影像和参考影像的经纬度信息;
2)通过提取待校正影像和参考影像的地物边界信息来突显待校正影像和参考影像中的边界线特征,掩盖非边界线特征,最终得到校正影像和参考影像的边界线影像;
3)使用尺度不变特征变换方法在2)所得的边界线影像上提取预选同名点,通过特征点过滤删除其中错误的特征点,得到同名点库和基于点特征的几何配准精化模型;
4)根据3)所得基于点特征的几何配准模型对待校正影像进行几何配准。
2.根据权利要求1所述基于地物边界信息的遥感影像自动化几何配准方法,其特征在于:步骤1)中,选择与待校正影像相关特征近似且几何定位精度高的遥感影像作为参考影像。
3.根据权利要求1所述基于地物边界信息的遥感影像自动化几何配准方法,其特征在于:所述图像预处理包括几何粗校正和重采样。
4.根据权利要求3所述基于地物边界信息的遥感影像自动化几何配准方法,其特征在于:所述的重采样是根据参考影像的空间分辨率,将待校正影像和参考影像中较高空间分辨率的影像重采样至与较低空间分辨率影像一致。
5.根据权利要求1所述基于地物边界信息的遥感影像自动化几何配准方法,其特征在于:步骤2)中,地物边界信息的提取采用遥感影像的指数化方法、边缘检测算法或者卷积神经网络算法。
6.根据权利要求1所述基于地物边界信息的遥感影像自动化几何配准方法,其特征在于:在步骤1)或者步骤2)之后,对待校正影像和参考影像进行影像条带消除处理,后续步骤基于消除处理结果进行。
7.根据权利要求1或2或3或4或5或6所述基于地物边界信息的遥感影像自动化几何配准方法,其特征在于:步骤3中,所述特征点过滤实现方式为,是根据空间距离和连线方向两个特征对所述预选同名点进行筛选。
8.根据权利要求7所述基于地物边界信息的遥感影像自动化几何配准方法,其特征在于:根据空间距离对所述预选同名点进行筛选,采用以下基于范围约束的过滤方式实现,从所述预选同名点中删除满足以下任一条件的特征点:
abs(ytarget-yinit)/Res.>m
abs(xtarget-xinit)/Res.>n
其中,xtarget、ytarget表示同名点参考影像的经纬度,xinit、yinit表示在待校正影像的经纬度,Res.表示空间分辨率;n为几何定位误差能够接受的横向像元个数,m为几何定位误差能够接受的纵向像元个数;abs()表示取绝对值。
9.根据权利要求7所述基于地物边界信息的遥感影像自动化几何配准方法,其特征在于:根据连线方向对所述预选同名点进行筛选,采用以下基于点空间关系的过滤方式实现,
设Finit,i(xinit,yinit)为待校正影像某预选同名点i,Ftarget,i(xtarget,ytarget)为参考影像上的对应预选同名点,设Finit,i(xinit,yinit)、Ftarget,i(xtarget,ytarget)之间构成的向量记为θi为向量与正北方向的夹角,另假设为正北方向的向量,
按照下式计算每个预选同名点的方位角,并根据计算结果剔除离群点,然后对所有剩余方位角进行顺序排列,按照分位数分布取中间部分的数据点作为备选同名点;
10.一种基于地物边界信息的遥感影像自动化几何配准系统,其特征在于:用于实现如权利要求1-9任一项所述的一种基于地物边界信息的遥感影像自动化几何配准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011305929.7A CN112419350B (zh) | 2020-11-20 | 2020-11-20 | 基于地物边界信息的遥感影像自动化几何配准方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011305929.7A CN112419350B (zh) | 2020-11-20 | 2020-11-20 | 基于地物边界信息的遥感影像自动化几何配准方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419350A true CN112419350A (zh) | 2021-02-26 |
CN112419350B CN112419350B (zh) | 2023-06-02 |
Family
ID=74773737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011305929.7A Active CN112419350B (zh) | 2020-11-20 | 2020-11-20 | 基于地物边界信息的遥感影像自动化几何配准方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419350B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160071A (zh) * | 2021-03-11 | 2021-07-23 | 北京师范大学 | 卫星影像自动化几何纠正方法、系统、介质及终端设备 |
CN113592744A (zh) * | 2021-08-12 | 2021-11-02 | 长光卫星技术有限公司 | 一种适用于高分辨率遥感影像的几何精校正方法 |
CN113643369A (zh) * | 2021-08-16 | 2021-11-12 | 中国科学院空天信息创新研究院 | 针对遥感影像的定位信息校正方法 |
CN114419116A (zh) * | 2022-01-11 | 2022-04-29 | 江苏省测绘研究所 | 一种基于网匹配的遥感影像配准方法及其系统 |
CN115877420A (zh) * | 2022-10-17 | 2023-03-31 | 中国人民解放军61540部队 | 一种基于静止卫星的定位方法、系统、电子设备及介质 |
CN117079166A (zh) * | 2023-10-12 | 2023-11-17 | 江苏智绘空天技术研究院有限公司 | 一种基于高空间分辨率遥感图像的边缘提取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170236284A1 (en) * | 2016-02-13 | 2017-08-17 | University Of Rochester | Registration of aerial imagery to vector road maps with on-road vehicular detection and tracking |
CN107301661A (zh) * | 2017-07-10 | 2017-10-27 | 中国科学院遥感与数字地球研究所 | 基于边缘点特征的高分辨率遥感图像配准方法 |
CN108830889A (zh) * | 2018-05-24 | 2018-11-16 | 中国科学院遥感与数字地球研究所 | 基于全局几何约束的遥感影像与基准影像的匹配方法 |
CN109191501A (zh) * | 2018-08-07 | 2019-01-11 | 宁波市测绘设计研究院 | 一种多源高空间分辨率影像的自动几何配准方法 |
CN109658446A (zh) * | 2018-10-30 | 2019-04-19 | 武汉珈和科技有限公司 | 一种高分辨率遥感影像几何配准方法及装置 |
-
2020
- 2020-11-20 CN CN202011305929.7A patent/CN112419350B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170236284A1 (en) * | 2016-02-13 | 2017-08-17 | University Of Rochester | Registration of aerial imagery to vector road maps with on-road vehicular detection and tracking |
CN107301661A (zh) * | 2017-07-10 | 2017-10-27 | 中国科学院遥感与数字地球研究所 | 基于边缘点特征的高分辨率遥感图像配准方法 |
CN108830889A (zh) * | 2018-05-24 | 2018-11-16 | 中国科学院遥感与数字地球研究所 | 基于全局几何约束的遥感影像与基准影像的匹配方法 |
CN109191501A (zh) * | 2018-08-07 | 2019-01-11 | 宁波市测绘设计研究院 | 一种多源高空间分辨率影像的自动几何配准方法 |
CN109658446A (zh) * | 2018-10-30 | 2019-04-19 | 武汉珈和科技有限公司 | 一种高分辨率遥感影像几何配准方法及装置 |
Non-Patent Citations (1)
Title |
---|
王媛等: "面向高分一号遥感影像的自动几何配准算法对比", 《农业机械学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160071A (zh) * | 2021-03-11 | 2021-07-23 | 北京师范大学 | 卫星影像自动化几何纠正方法、系统、介质及终端设备 |
CN113160071B (zh) * | 2021-03-11 | 2023-11-07 | 北京师范大学 | 卫星影像自动化几何纠正方法、系统、介质及终端设备 |
CN113592744A (zh) * | 2021-08-12 | 2021-11-02 | 长光卫星技术有限公司 | 一种适用于高分辨率遥感影像的几何精校正方法 |
CN113592744B (zh) * | 2021-08-12 | 2024-03-19 | 长光卫星技术股份有限公司 | 一种适用于高分辨率遥感影像的几何精校正方法 |
CN113643369A (zh) * | 2021-08-16 | 2021-11-12 | 中国科学院空天信息创新研究院 | 针对遥感影像的定位信息校正方法 |
CN114419116A (zh) * | 2022-01-11 | 2022-04-29 | 江苏省测绘研究所 | 一种基于网匹配的遥感影像配准方法及其系统 |
CN114419116B (zh) * | 2022-01-11 | 2024-04-09 | 江苏省测绘研究所 | 一种基于网匹配的遥感影像配准方法及其系统 |
CN115877420A (zh) * | 2022-10-17 | 2023-03-31 | 中国人民解放军61540部队 | 一种基于静止卫星的定位方法、系统、电子设备及介质 |
CN115877420B (zh) * | 2022-10-17 | 2023-10-10 | 中国人民解放军61540部队 | 一种基于静止卫星的定位方法、系统、电子设备及介质 |
CN117079166A (zh) * | 2023-10-12 | 2023-11-17 | 江苏智绘空天技术研究院有限公司 | 一种基于高空间分辨率遥感图像的边缘提取方法 |
CN117079166B (zh) * | 2023-10-12 | 2024-02-02 | 江苏智绘空天技术研究院有限公司 | 一种基于高空间分辨率遥感图像的边缘提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112419350B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419350B (zh) | 基于地物边界信息的遥感影像自动化几何配准方法及系统 | |
EP2761594B1 (en) | Automated image registration with varied amounts of a priori information using a minimum entropy method | |
US6084989A (en) | System and method for automatically determining the position of landmarks in digitized images derived from a satellite-based imaging system | |
Shen et al. | A spatiotemporal fusion based cloud removal method for remote sensing images with land cover changes | |
CN107527328B (zh) | 一种兼顾精度与速度的无人机影像几何处理方法 | |
Marsetič et al. | Automatic orthorectification of high-resolution optical satellite images using vector roads | |
Hong et al. | A robust technique for precise registration of radar and optical satellite images | |
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 | |
Nagy | Digital image-processing activities in remote sensing for earth resources | |
Gonçalves et al. | CHAIR: Automatic image registration based on correlation and Hough transform | |
CN115187798A (zh) | 一种多无人机高精度匹配定位方法 | |
CN113624231A (zh) | 基于异源图像匹配的惯性视觉组合导航定位方法及飞行器 | |
Hu et al. | Robust registration by rank minimization for multiangle hyper/multispectral remotely sensed imagery | |
CN108876829B (zh) | 基于非线性尺度空间及径向基函数的sar高精度配准方法 | |
Li et al. | Pixel-based invariant feature extraction and its application to radiometric co-registration for multi-temporal high-resolution satellite imagery | |
Panigrahi et al. | Pre-processing algorithm for rectification of geometric distortions in satellite images | |
Bhatt et al. | Image registration for meteorological applications: Development of a generalized software for sensor data registration at isro | |
CN115661689A (zh) | 赤潮区域确定方法、存储介质和电子设备 | |
Jin | ENVI automated image registration solutions | |
CN114494039A (zh) | 一种水下高光谱推扫图像几何校正的方法 | |
CN114004770A (zh) | 一种卫星时空图的精校正方法、装置及存储介质 | |
Eppler et al. | GOES landmark positioning system | |
Xiong et al. | An SRTM assisted image matching algorithm for long-strip satellite imagery | |
CN117592001B (zh) | 一种数据融合方法及装置 | |
JPH08161474A (ja) | 異種センサ画像間レジストレーション補正方法 |
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 |