CN112465699A - 一种基于云检测的遥感影像拼接方法 - Google Patents

一种基于云检测的遥感影像拼接方法 Download PDF

Info

Publication number
CN112465699A
CN112465699A CN202011348271.8A CN202011348271A CN112465699A CN 112465699 A CN112465699 A CN 112465699A CN 202011348271 A CN202011348271 A CN 202011348271A CN 112465699 A CN112465699 A CN 112465699A
Authority
CN
China
Prior art keywords
image
remote sensing
cloud
corrected
method based
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
CN202011348271.8A
Other languages
English (en)
Inventor
臧文乾
王铁柱
王更科
王栋
赵亚萌
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 Xingtong Langfang Information Technology Co ltd
Original Assignee
Zhongke Xingtong Langfang Information Technology 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 Xingtong Langfang Information Technology Co ltd filed Critical Zhongke Xingtong Langfang Information Technology Co ltd
Priority to CN202011348271.8A priority Critical patent/CN112465699A/zh
Publication of CN112465699A publication Critical patent/CN112465699A/zh
Pending legal-status Critical Current

Links

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
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30192—Weather; Meteorology

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及影像拼接领域，尤其涉及一种基于云检测的遥感影像拼接方法。将输入影像筛分为目标影像个待矫正影像；提取基准影像和待处理影像的重叠区；通过云检测将图像重叠区域上云雾区域掩盖；对待矫正影像整体进行匀光匀色处理；在重叠区寻找最佳镶嵌线；在最佳镶嵌线两侧羽化调整镶嵌拼接。将输入影像筛分为目标影像、待矫正影像，根据影像信息判断输入影像的相对位置并确定目标影像与待矫正影像重叠相交的区域，在重叠区域内进行检测是否存在云雾区域，对存在云雾区域的影像进行掩膜，之后对待矫正影像整体进行匀光匀色，最后寻找影像最佳的拼接镶嵌线，同时进行羽化处理，使生成影像无明显的拼接镶嵌痕迹，得到一幅较大范围的高质量遥感影像。

Description

一种基于云检测的遥感影像拼接方法
技术领域
本发明涉及影像拼接领域，尤其涉及一种基于云检测的遥感影像拼接方法。
背景技术
目前，影像的拼接镶嵌技术是计算机视觉和图像处理领域研究的热点问题，随着航空技术和高精度相机的发展，遥感影像分辨率得到大幅的提升，同时每景影像覆盖范围相对缩小，同时由于天气等不可控的因素影响，影像质量受云覆盖影像较大，难以一次性获得大区域的高质量遥感影像。
大面积的多景遥感影像镶嵌图在各类遥感应用中发挥着重要的作用，无论是对大型构造带进行长距离追索，或对成片岩性或地貌单元进行区域性划分无论是环境监测，还是对大面积的资源现状调查，都需要镶嵌图像作为其基础资料。有时候研究对象区域面积可能很小，但是却可能跨越了多景影像，这时也需要以镶嵌图作为基础图件数据，可以这么说，镶嵌图像是对各类遥感数据应用很有价值的基础的数据。遥感影像镶嵌拼接是将来源于相同或不同传感器、相同时间或不同时间的具有一定重叠区域的遥感影像拼接成更大范围影像的处理技术，目的是镶嵌后得到的较大范围的高质量影像。满足后续图像处理、分析和应用。通常情况下，影响拼接涉及到影像配准和影像合成两部分。影像拼接主要有通过特征点匹配和通过影像精校正坐标配准，影像合成需要对矫正后的影像进行匀光匀色使图像典型地物色调一致，无明显拼接痕迹。
现有遥感卫星影像拼接技术主要是对图像大小的增加，通过匹配镶嵌匀色在无明显拼接痕迹下使影像覆盖面积增大，但拼接过程中大多没有考虑到重叠区域影像质量的评价。
发明内容
本发明所要解决的技术问题是提供一种基于云检测的遥感影像拼接方法，解决如何对重叠区域内质较好影像进行拼接镶嵌，得到的较大范围的高质量影像的问题。
本发明解决上述技术问题的技术方案如下：一种基于云检测的遥感影像拼接方法，包括如下步骤：
S1、将输入影像筛分为目标影像个待矫正影像；
S2、提取基准影像和待处理影像的重叠区；
S3、通过云检测将图像重叠区域上云雾区域掩盖；
S4、对待矫正影像整体进行匀光匀色处理；
S5、在重叠区寻找最佳镶嵌线；
S6、在最佳镶嵌线两侧羽化调整镶嵌拼接。
进一步，所述步骤S1中，输入影像采用方差或图像信息熵的方式进行筛分。
进一步，所述步骤S2中，根据地理坐标提取基准影像和待矫正影像的重叠区。
进一步，所述所述步骤S3中，云雾区域的确定方法为：计算每个像素一定模板范围内的均值和方差，将均值与方差之差较大的区域标记为云。
进一步，所述步骤S4中，采用Wallis算法对待矫正影像整体匀光匀色。
进一步，所述步骤S5中，采用蚁群算法进行镶嵌线自动提取。
本发明提供一种基于云检测的遥感影像拼接方法，包括如下步骤：
S1、将输入影像筛分为目标影像个待矫正影像；
S2、提取基准影像和待处理影像的重叠区；
S3、通过云检测将图像重叠区域上云雾区域掩盖；
S4、对待矫正影像整体进行匀光匀色处理；
S5、在重叠区寻找最佳镶嵌线；
S6、在最佳镶嵌线两侧羽化调整镶嵌拼接。
这样，将输入影像筛分为目标影像，熵值较小的为待矫正影像，然后根据影像信息判断输入影像的相对位置并确定目标影像与待矫正影像重叠相交的区域，在重叠区域内进行检测是否存在云雾区域，对存在云雾区域的影像进行掩膜，之后对待矫正影像整体进行匀光匀色，使两张影像中典型地物的色调光调保持一致，最后寻找影像最佳的拼接镶嵌线，同时拼接过程中对镶嵌线两侧影像进行羽化处理，使生成影像无明显的拼接镶嵌痕迹，得到一幅较大范围的高质量遥感影像。
附图说明
图1为本发明一种基于云检测的遥感影像拼接方法流程示意图；
图2为本发明一种基于云检测的遥感影像拼接方法实施例整体流程图；
图3为本发明一种基于云检测的遥感影像拼接方法中蚁群算法备选路径点示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，本发明提供一种基于云检测的遥感影像拼接方法，包括如下步骤：
S1、将输入影像筛分为目标影像个待矫正影像；
S2、提取基准影像和待处理影像的重叠区；
S3、通过云检测将图像重叠区域上云雾区域掩盖；
S4、对待矫正影像整体进行匀光匀色处理；
S5、在重叠区寻找最佳镶嵌线；
S6、在最佳镶嵌线两侧羽化调整镶嵌拼接。
这样，将输入影像筛分为目标影像，熵值较小的为待矫正影像，然后根据影像信息判断输入影像的相对位置并确定目标影像与待矫正影像重叠相交的区域，在重叠区域内进行检测是否存在云雾区域，对存在云雾区域的影像进行掩膜，之后对待矫正影像整体进行匀光匀色，使两张影像中典型地物的色调光调保持一致，最后寻找影像最佳的拼接镶嵌线，同时拼接过程中对镶嵌线两侧影像进行羽化处理，使生成影像无明显的拼接镶嵌痕迹，得到一幅较大范围的高质量遥感影像。
本发明的一种基于云检测的遥感影像拼接方法，如图1-图3所示，在前面描述的技术方案的基础上还可以是：步骤S1中，输入影像采用方差或图像信息熵的方式进行筛分。这样，对于输入影像应选取目标影像和待矫正影像，选择方式往往是根据图像质量选择质量较好的为目标影像。评判标准可以使用方差或图像信息熵的方式，方差反映了图像各个像元灰度相对于灰度平均值的离散情况，在某种程度上也可以用来评价图像信息量的大小。方差大的图像其灰度级分布比较分散，图像的反差大，说明图像灰度层次越丰富，图像质量较为理想；方差小的图像反差小，对比度不大，色调单一均匀，看不出太多的信息。信息熵的大小能够反映图像携带的信息量的多少。一般情况下，图像的信息熵越大，图像包含的像素灰度越丰富，灰度分布越均匀，图像的地物目标越多，图像的信息量越大，其包含的信息量越丰富，质量就更好，在目视效果中，地物更加易于识别和分类，图像质量较为理想，而图像信息熵值越小表示图像的地物目标越少，图像的所含信息量越少，质量就越差，不利于目视识别和分类。
本发明的一种基于云检测的遥感影像拼接方法，如图1所示，在前面描述的技术方案的基础上还可以是：所述图像信息熵方法包括如下步骤：
T1、选择图像的邻域灰度均值作为灰度分布的空间特征量，与图像的像素灰度组成特征二元组；
T2、根据灰度分布的空间特征量、图像的像素灰度计算某个灰度在该图像中出现的概率；
T3、通过某个灰度在该图像中出现的概率构造离散的图像二维熵；
T4、计算图像的熵值，选取熵值大的为目标影像，熵值小的为待矫正影像。
这样，图像的信息熵是一种特征的统计形式，它反映了图像中平均信息量的多少，可以表示图像灰度分布的聚集特征和空间特征。计算方法选择图像的邻域灰度均值作为灰度分布的空间特征量，与图像的像素灰度组成特征二元组，计算某个灰度在该图像中出现的概率；通过某个灰度在该图像中出现的概率构造离散的图像二维熵，构造的图像二维熵可以在图像所包含信息量的前提下，突出反映图像中像素位置的灰度信息和像素邻域内灰度分布的综合特征，通过计算图像的熵值，选取熵值大的为目标影像，熵值小的为待矫正影像。进一步优选的技术方案是：所述步骤T2中，某个灰度在该图像中出现的概率的计算公式为：
Figure BDA0002800520590000051
其中Pij：某个灰度在该图像中出现的概率；f(i,j)为特征二元组(i,j)出现的频数；N：图像的尺度；i:灰度分布的空间特征量；j:图像的像素灰度。
进一步优选的技术方案是：所述步骤T3中，离散的图像二维熵的计算公式为：
Figure BDA0002800520590000061
其中，H：离散的图像二维熵。
这样，计算方法选择图像的邻域灰度均值作为灰度分布的空间特征量，与图像的像素灰度组成特征二元组，记为(i,j)，其中i表示像素的灰度值(0<＝i<＝255)，j表示邻域灰度均值(0<＝j<＝255),Pij是某个灰度在该图像中出现的概率，可由灰度直方图获得：
Figure BDA0002800520590000062
上式能反应某像素位置上的灰度值与其周围像素灰度分布的综合特征，其中f(i,j)为特征二元组(i,j)出现的频数，N为图像的尺度，定义离散的图像二维熵为：
Figure BDA0002800520590000063
构造的图像二维熵可以在图像所包含信息量的前提下，突出反映图像中像素位置的灰度信息和像素邻域内灰度分布的综合特征。通过计算图像的熵值，选取熵值大的为目标影像，熵值小的为待矫正影像。
本发明的一种基于云检测的遥感影像拼接方法，如图1-图3所示，在前面描述的技术方案的基础上还可以是：所述步骤S2中，根据地理坐标提取基准影像和待矫正影像的重叠区。进一步优选的技术方案是：所述所述步骤S3中，云雾区域的确定方法为：计算每个像素一定模板范围内的均值和方差，将均值与方差之差较大的区域标记为云。这样，依据地理坐标提取基准影像和待处理影像的重叠区，并提取重叠区影像中云的掩膜图像。云在影像中表现为亮度很高、内部均匀的区域。计算每个像素一定模板范围内的均值和方差，将均值与方差之差较大的区域标记为云，构建掩膜图像。
本发明的一种基于云检测的遥感影像拼接方法，如图1-图3所示，在前面描述的技术方案的基础上还可以是：所述步骤S4中，采用Wallis算法对待矫正影像整体匀光匀色。这样，现有的匀光匀色算法也有很多，比如直方图匹配，mask滤波器，Wallis滤波器等，易磊通过现有的匀光匀色算法对比实验，指出Wallis滤波器匀色方法比较可靠。Wallis滤波器实际上是一种局部影像变换，用于多幅影像间亮度和反差调整，它的作用是将待矫正影像的灰度均值和方差映射到目标的灰度均值和方差值，使不同影像的灰度方差和均值都具有近似相等的数值，从而达到匀色的目的。
首先计算两幅影像的均值方差，统计过程不对标记的云雾进行计算，然后根据图像均值和方差计算线性变换过程中的相加系数和相乘系数：
Figure BDA0002800520590000071
β＝bmf+(1-b)mk
其中mk、sk是待矫正影像的灰度均值和方差，mf、sf为参考影像的灰度均值和方差；c∈[0，1]为影像方差的扩展系数；b∈[0，1]为影像亮度的扩展系数。为了将待矫正影像光亮度和色彩接近目标影像，使用经典Wallis滤波器参数令c和b都等于1即：
Figure BDA0002800520590000072
β＝mf
得到相乘系数和相加系数后，使用Wallis滤波器对待矫正影像进行线性变换，其线性变换公式为：
f(x,y)＝(k(x,y)-mk)α+β
式中，k(x,y)为待处理影像在(x,y)处的灰度值；f(x,y)为Wallis变换后影像在(x,y)处的灰度值；经过匀光匀色后待矫正影像的典型地物的光照亮度和色调接近目标影像，为下一步的拼接做好准备。
本发明的一种基于云检测的遥感影像拼接方法，如图1-图3所示，在前面描述的技术方案的基础上还可以是：所述步骤S5中，采用蚁群算法进行镶嵌线自动提取。这样，使用蚁群算法镶嵌线自动提取方法避免镶嵌线穿过道路、河流等地物，利用镶嵌边界自然地过度，其中还要对提取的云覆盖区域进项避让处理，使云的位置由质量较好的一幅影像覆盖，提高镶嵌结果的质量。蚁群算法，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。蚂蚁在运动过程中，会留下一种称为信息素的东西，并且会随着移动的距离，播散的信息素越来越少，所以往往在家或者食物的周围，信息素的浓度是最强的，而蚂蚁自身会根据信息素去选择方向，当然信息素越浓，被选择的概率也就越大。
将初始镶嵌线的起点像素作为路往搜索的起点放置一只蚂蚁，蚂蚁的备选路径点为下一行像素(路径点)在当前点附近的若干个路径点。如图3所示，P_i代表该路径点的信息素值。
蚂蚁根据轮盘赔原则从备选路径点中选择一个路径点作为下一个当前路径点。重复该过程，直到蚂蚁到达路径点的最后一行。将蚂蚁路径表中记载的路径点上的信息素更新，在原信息素的基础上加上一个值Pa使当前被选中的路径点上的信息素得以累积。Pa值影响到算法的收敛速度，Ps值越大，蚁群收敛趁快，但Pa过大，容易使蚁群收敛于局部最优解。查阅相关文献表明，在兼顾计算效率与镶嵌质量的前提下，一般取0.05左右即可。将当前路径表与最优路径记录相比较，如果当前路径表中各路径点上的信息素的累计值大于最优路径的累计值.则将当前路径设置为最优路径。
重复步骤上述，直至达到循环次数或者路径收敛为止。循环次数依赖于镶嵌线的长度，镶嵌线越长，需要的循环次数越多。对数码航空影像，一般取10000左右即可，在遥感影像中根据图像的分辨率，尺寸大小和重叠区域的大小确定循环次数，将每次循环获得的路径表中的路径点求均值与方差，如果在循环过程中均值与方差的改变量趋于零，可认为算法收敛。
找最优的镶嵌线后对两幅影像进行镶嵌拼接，过程中对镶嵌线两侧进行羽化处理，由镶嵌线向两侧逐渐过渡，线性融合公式为
g(x)＝βf0(x)+αf1(x)
其中α的取值范围为0-1之间,β的取值范围也为0-1之间，f0(x)和f1(x)分别是镶嵌线两侧待矫正影像和目标影像的点，α和β在镶嵌线时都取0.5，在待矫正影像一侧β逐渐增大，α逐渐减小，在目标影像一侧时，α逐渐增大，β逐渐减小。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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)

1.一种基于云检测的遥感影像拼接方法，其特征在于，包括如下步骤：
S1、将输入影像筛分为目标影像个待矫正影像；
S2、提取基准影像和待处理影像的重叠区；
S3、通过云检测将图像重叠区域上云雾区域掩盖；
S4、对待矫正影像整体进行匀光匀色处理；
S5、在重叠区寻找最佳镶嵌线；
S6、在最佳镶嵌线两侧羽化调整镶嵌拼接。
2.根据权利要求1所述的基于云检测的遥感影像拼接方法，其特征在于：所述步骤S1中，输入影像采用方差或图像信息熵的方式进行筛分。
3.根据权利要求2所述的基于云检测的遥感影像拼接方法，其特征在于，所述图像信息熵方法包括如下步骤：
T1、选择图像的邻域灰度均值作为灰度分布的空间特征量，与图像的像素灰度组成特征二元组；
T2、根据灰度分布的空间特征量、图像的像素灰度计算某个灰度在该图像中出现的概率；
T3、通过某个灰度在该图像中出现的概率构造离散的图像二维熵；
T4、计算图像的熵值，选取熵值大的为目标影像，熵值小的为待矫正影像。
4.根据权利要求3所述的基于云检测的遥感影像拼接方法，其特征在于，所述步骤T2中，某个灰度在该图像中出现的概率的计算公式为：
Figure FDA0002800520580000011
其中Pij：某个灰度在该图像中出现的概率；f(i,j)为特征二元组(i,j)出现的频数；N：图像的尺度；i:灰度分布的空间特征量；j:图像的像素灰度。
5.根据权利要求4所述的基于云检测的遥感影像拼接方法，其特征在于，所述步骤T3中，离散的图像二维熵的计算公式为：
Figure FDA0002800520580000021
其中，H：离散的图像二维熵。
6.根据权利要求1所述的基于云检测的遥感影像拼接方法，其特征在于：所述步骤S2中，根据地理坐标提取基准影像和待矫正影像的重叠区。
7.根据权利要求1所述的基于云检测的遥感影像拼接方法，其特征在于：所述所述步骤S3中，云雾区域的确定方法为：计算每个像素一定模板范围内的均值和方差，将均值与方差之差较大的区域标记为云。
8.根据权利要求1所述的基于云检测的遥感影像拼接方法，其特征在于：所述步骤S4中，采用Wallis算法对待矫正影像整体匀光匀色。
9.根据权利要求1所述的基于云检测的遥感影像拼接方法，其特征在于：所述步骤S5中，采用蚁群算法进行镶嵌线自动提取。
CN202011348271.8A 2020-11-26 2020-11-26 一种基于云检测的遥感影像拼接方法 Pending CN112465699A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011348271.8A CN112465699A (zh) 2020-11-26 2020-11-26 一种基于云检测的遥感影像拼接方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011348271.8A CN112465699A (zh) 2020-11-26 2020-11-26 一种基于云检测的遥感影像拼接方法

Publications (1)

Publication Number Publication Date
CN112465699A true CN112465699A (zh) 2021-03-09

Family

ID=74808666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011348271.8A Pending CN112465699A (zh) 2020-11-26 2020-11-26 一种基于云检测的遥感影像拼接方法

Country Status (1)

Country Link
CN (1) CN112465699A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113421193A (zh) * 2021-05-05 2021-09-21 桂林理工大学 均值-方差成本函数最小模型的多幅影像镶嵌辐射均衡方法
CN113536010A (zh) * 2021-06-30 2021-10-22 中国人民解放军陆军工程大学 一种局部遥感影像更新方法及装置
CN113920030A (zh) * 2021-10-25 2022-01-11 自然资源部国土卫星遥感应用中心 一种大区域高保真卫星遥感影像匀色镶嵌处理方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218821A (zh) * 2013-04-27 2013-07-24 航天恒星科技有限公司 一种面向区域覆盖的影像自动镶嵌方法
CN111311622A (zh) * 2020-01-30 2020-06-19 桂林理工大学 基于蚁群算法的多幅影像镶嵌线网的优化选择方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218821A (zh) * 2013-04-27 2013-07-24 航天恒星科技有限公司 一种面向区域覆盖的影像自动镶嵌方法
CN111311622A (zh) * 2020-01-30 2020-06-19 桂林理工大学 基于蚁群算法的多幅影像镶嵌线网的优化选择方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张剑清等: "基于蚁群算法的正射影像镶嵌线自动选择", 《武汉大学学报(信息科学版)》 *
胡洋洋等: "基于菱形邻域和二维熵的改进密度峰值图像分割", 《昆明理工大学学报(自然科学版)》 *
蔡红玥: "一种遥感影像镶嵌线自动提取方法", 《城市地理》 *
邹同元，丁火平: "《星地一体化遥感数据处理技术》", 31 August 2020, 机械工业出版社 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113421193A (zh) * 2021-05-05 2021-09-21 桂林理工大学 均值-方差成本函数最小模型的多幅影像镶嵌辐射均衡方法
CN113536010A (zh) * 2021-06-30 2021-10-22 中国人民解放军陆军工程大学 一种局部遥感影像更新方法及装置
CN113920030A (zh) * 2021-10-25 2022-01-11 自然资源部国土卫星遥感应用中心 一种大区域高保真卫星遥感影像匀色镶嵌处理方法及装置
CN113920030B (zh) * 2021-10-25 2022-04-08 自然资源部国土卫星遥感应用中心 一种大区域高保真卫星遥感影像匀色镶嵌处理方法及装置

Similar Documents

Publication Publication Date Title
CN112465699A (zh) 一种基于云检测的遥感影像拼接方法
CN106651872B (zh) 基于Prewitt算子的路面裂缝识别方法及系统
CN105631880B (zh) 车道线分割方法和装置
CN110263717B (zh) 一种融入街景影像的土地利用类别确定方法
CN106530313B (zh) 一种基于区域分割的海天线实时检测方法
CN111027446B (zh) 一种高分辨率影像的海岸线自动提取方法
CN109345547A (zh) 基于深度学习多任务网络的交通车道线检测方法及装置
CN108960404B (zh) 一种基于图像的人群计数方法及设备
CN105493141B (zh) 非结构化道路边界检测
CN107622239B (zh) 一种层次化局部结构约束的遥感图像指定建筑区检测方法
CN104657980A (zh) 一种改进的基于Meanshift的多通道图像分割算法
CN111291826A (zh) 基于相关性融合网络的多源遥感图像的逐像素分类方法
CN109377480A (zh) 基于深度学习的耕地变化检测方法
TWI497449B (zh) 非監督式調適方法與應用其之影像自動分類方法
CN108776106A (zh) 一种基于无人机低空遥感的作物长势监测方法及系统
CN109446978B (zh) 基于凝视卫星复杂场景的飞机动目标跟踪方法
JP4747122B2 (ja) 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム
Zhang et al. Preprocessing and fusion analysis of GF-2 satellite Remote-sensed spatial data
Wang et al. Settlement extraction in the North China Plain using Landsat and Beijing-1 multispectral data with an improved watershed segmentation algorithm
CN113284066B (zh) 遥感影像自动云检测方法和装置
CN109063577B (zh) 基于信息增益率的卫星影像分割最佳分割尺度确定方法
CN117876823A (zh) 一种茶园图像检测方法及其模型训练方法和系统
CN106709922B (zh) 基于图像的牧草覆盖度和生物量自动检测方法
KR102040562B1 (ko) 영상정보를 활용한 시정거리 추정 방법
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

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210309