CN112529946A - 一种基于高程数据的高分立体模型优化方法、系统、电子设备及可读存储介质 - Google Patents

一种基于高程数据的高分立体模型优化方法、系统、电子设备及可读存储介质 Download PDF

Info

Publication number
CN112529946A
CN112529946A CN202011406641.9A CN202011406641A CN112529946A CN 112529946 A CN112529946 A CN 112529946A CN 202011406641 A CN202011406641 A CN 202011406641A CN 112529946 A CN112529946 A CN 112529946A
Authority
CN
China
Prior art keywords
matching
elevation data
dsm
image
dimensional point
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
Application number
CN202011406641.9A
Other languages
English (en)
Other versions
CN112529946B (zh
Inventor
潘红播
周平
邹思远
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202011406641.9A priority Critical patent/CN112529946B/zh
Publication of CN112529946A publication Critical patent/CN112529946A/zh
Application granted granted Critical
Publication of CN112529946B publication Critical patent/CN112529946B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T3/02—Affine transformations
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于高程数据的高分立体模型优化方法、系统、电子设备及可读存储介质，包括如下步骤：S1：获取高分立体影像对及其定位模型RPC，以及获取高程数据；S2：生成高分立体影像对相对应的DSM三维点云；S3：将所述DSM三维点云与所述高程数据进行配准得到配准参数，再利用配准参数优化定位模型RPC。其中，本发明通过生成高分立体影像对相对应的DSM三维点云，将高分立体影像的二维图像与三维点云的数据配准问题转换成三维点云之间的配准问题，进而有效地解决了高精度高程数据和高分卫星影像的配准问题。

Description

一种基于高程数据的高分立体模型优化方法、系统、电子设备 及可读存储介质
技术领域
本发明属于卫星摄影测量技术领域，具体涉及一种无地面控制点条件下，基于高程数据的高分立体模型优化方法、系统、电子设备及可读存储介质。
背景技术
卫星摄影测量是一种获取地球空间信息的重要手段。目前在轨的大部分高分卫星影像的姿态测量精度不能满足高精度无控定位的需求，这导致传统的卫星几何处理对地面控制点的依赖程度较高。然而，获取地面控制点存在成本高、效率低；在森林、沙漠、雪地等困难区域难以获取高精度的控制点；在境外难以实地测量地面控制点等问题。上述问题将极大地限制基于高分卫星影像的全球测图，因此研究卫星影像的无控制点条件下的高精度定位具有迫切性和必要性。
针对卫星影像在无控制点条件下定位精度低的问题，可通过匹配或配准已有的高精度地理空间数据以获取控制点信息，进而提高卫星影像的定位精度。利用测区内已有的地理空间数据，比如数字正射影像(Digital Orthophoto Map，DOM)、表面(DigitalSurface Model，DEM)、矢量化地图或已知定向参数的影像，与卫星影像匹配或配准以获得高精度的平面或高程控制点，进而提高无控条件下卫星影像的定位精度。然而上述影像一般难以获取，此时可根据一些开源数据提供控制，比如Google Earth影像、天地图影像、OpenStreetMap等地图数据、SRTM等全球开源DEM或激光测高数据等。激光测高数据和DSM等的高精度高程数据不仅高程精度极高，而且同时提供平面和高程控制，对提升无控条件下卫星影像的定位精度具有巨大潜力。高精度高程数据和高分卫星影像的配准，是将高精度高程数据用于提升卫星影像定位精度的重要手段。
然而，高精度高程数据和高分卫星影像在物理特性、采样方式和几何模型等方面存在显著性差异，这导致高精度高程数据和高分卫星影像的配准不易实现，进而造成高精度高程数据难以用于提升卫星影像的定位精度。
发明内容
本发明的目的是解决高精度高程数据和高分立体影像直接配准的难题，进而利用高精度高程数据提升卫星影像的定位精度。本发明通过生成高分立体影像对相对应的DSM三维点云，将高分立体影像的二维图像与三维点云的数据配准问题转换成三维点云之间的配准问题，进而有效地解决了高精度高程数据和高分卫星影像的配准问题，并最终应用在高分立体模型优化，提升了卫星影像的定位精度。
本发明一方面提供了一种基于高程数据的高分立体模型优化方法，包括如下步骤：
S1：获取高分立体影像对及其定位模型RPC，以及获取高程数据；
S2：生成高分立体影像对相对应的DSM三维点云；
S3：将所述DSM三维点云与所述高程数据进行配准得到配准参数，再利用配准参数优化定位模型RPC。
可选地，步骤S3中利用配准参数优化定位模型RPC的过程为：
首先，在高分立体影像空间内划分格网；
然后，通过原定位模型RPC求解格网点对应的物方坐标(X1,Y1,Z1)；
再利用所述配准参数对格网点的物方坐标(X1,Y1,Z1)进行修正，最后利用修正后的格网点的物方坐标(X,Y,Z)和格网点的像素坐标求解RPC参数得到优化的定位模型RPC；
其中，格网点的物方坐标修正公式如下：
Figure BDA0002818707160000021
其中，(ΔX,ΔY,ΔZ)是配准参数中的三个平移量，
Figure BDA0002818707160000022
是由配准参数中的三个旋转角所组成的旋转矩阵，λ是尺度变换因子。本发明上述方法使得高分立体模型的优化问题转换成物方坐标的变换问题，从而将一个复杂的问题转换为简单的运算。
可选地，所述配准参数为高程数据和所述DSM三维点云之间的刚性变换参数。所述刚性变换参数为所述三个平移量、三个旋转角和一个尺度变换因子的任意组合。具体参数综合考虑高程数据和高分立体影像的相对位置关系，本发明对此不进行具体的限定。
可选地，步骤S2中生成所述DSM三维点云的过程如下：
S21：将高程数据投影至高分立体影像对的左、右核线影像上得到掩膜文件；
S22：利用掩膜文件采用面向目标区域的金字塔匹配策略进行左、右核线影像匹配得到在掩膜区域内的匹配结果；
S23：基于所述掩膜区域的匹配结果构建所述DSM三维点云。
可选地，步骤S22的执行过程如下：
分别对左、右核线影像下采样得到左、右金字塔图像；
除金字塔底层图像外，其余金字塔图像采样全区域的匹配算法进行匹配得到视差图；
针对金字塔底层图像，遍历上层金字塔图像的匹配结果，若匹配像素在上层金字塔图像中匹配成功，且所述匹配像素位于掩膜文件之外，则基于所述匹配像素在上层金字塔视差图的视差缩小视差搜索范围，再进行匹配；若匹配像素在掩膜文件内，则基于所述匹配像素在上层金字塔视差图的视差及其周围像素的视差确定视差搜索范围，再进行匹配得到匹配结果。
其中，本发明在金字塔底层影像融入了目标区域内精细匹配，目标区域外粗略匹配的思想，最终获得了高分立体影像在目标区域内的高精度匹配结果。其中，目标区域之外(掩膜文件之外)的像素点影响很小，缩小视差范围可以加速数据处理效率。
可选地，所述左、右核线影像的获取过程如下：
在使用尺度不变特征的基础上，根据预设的匹配点密度对影像对划分大分块，再在各个大分块中进行划分小分块；
针对各个大分块，遍历所述大分块内的小分块影像并进行匹配直至所述大分块中小分块的累计匹配点个数达到预设要求，再遍历下一个大分块，重复直至遍历完所有大分块，最终得到高分立体影像对的匹配连接点；
基于所述匹配连接点进行自由网平差计算得到高分立体影像对的改正参数；
基于所述改正参数对所述高分立体影像对进行重采样得到所述左、右核线影像。
本发明通过划分大分块以及小分块，使得获取匹配连接点时不需要遍历整幅图像，也能够实现预设的匹配点密度的匹配。
可选地，获取高程数据后，利用置信度参考、全球DSM约束剔除所述高程数据中的粗差。
第二方面，本发明还提供一种基于高程数据的高分立体模型优化系统，包括：
数据获取模块：用于获取高分立体影像对及其定位模型RPC，以及获取高程数据；
DSM三维点云构建模块：用于生成高分立体影像对相对应的DSM三维点云；
配准参数计算模块：用于将所述DSM三维点云与所述高程数据进行配准得到配准参数；
优化模块：用于利用配准参数优化定位模型RPC。
第三方面，本发明还提供了一种电子设备，包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用所述计算机程序以执行：所述基于高程数据的高分立体模型优化方法的步骤。
第四方面，本发明还提供了一种可读存储介质，存储了计算机程序，所述计算机程序被处理器调用以执行：所述基于高程数据的高分立体模型优化方法的步骤。
有益效果
1.本发明所述基于高程数据的高分立体模型优化方法，通过生成高分立体影像对相对应的DSM三维点云，将高分立体影像的二维图像与三维点云的数据配准问题转换成三维点云之间的配准问题，解决了原本高精度高程数据和高分卫星影像在物理特性、采样方式和几何模型等方面存在显著性差异的问题，从而实现了高精度高程数据和高分卫星影像的精确配准，最终应用在高分立体模型优化，提升了卫星影像的定位精度。
2.本发明在进一步的方案中，利用配准参数优化定位模型RPC时，首先在高分立体影像内均匀划分格网，然后通过若干个物方高程面和原始的高分立体模型得到影像格网点对应的物方点，再利用高精度高程数据和DSM三维点云的配准参数改正物方点，最后通过影像格网点的像素坐标和改正后物方坐标计算出更新后的高分立体模型，从而将高分立体模型的优化问题转换成物方坐标的变换问题，实现复杂问题简单化处理。
3.本发明在进一步的方案中，执行了面向目标区域的金字塔匹配策略，首先构建了高精度高程数据在高分立体影像的掩膜文件(即目标区域)，然后仅在金字塔底层影像融入了目标区域内精细匹配，目标区域外粗略匹配的思想，最终获得了高分立体影像在目标区域内的高精度DSM三维点云。该匹配策略不仅能够获得目标区域内的高精度DSM三维点云，而且提高了匹配效率。
附图说明
图1是本发明实施例提供的一种基于高程数据的高分立体模型优化方法的流程图；
图2是本发明实施例提供的连接点在高分影像上的分布图；
图3是本发明实施例提供的剔除粗差后的ICESat-2分布图；
图4是本发明实施例提供的掩膜图；
图5是本发明实施例提供的ICESat-2和DSM三维点云分布图；
图6是本发明实施例提供的配准前后DSM的高程剖面图。
具体实施方式
本发明提供一种基于高程数据的高分立体模型优化方法，其将高分立体影像对与高精度高程数据的匹配问题转换为三维点云之间的配准问题，进而有效地解决了高精度高程数据和高分卫星影像的配准问题。下面将结合实施例对本发明做进一步的说明。
本实施例中，所述优化方法包括如下步骤：
S1：获取高分立体影像对及其定位模型RPC(Rational PolynomialCoefficients,有理多项式系数，用于定位)，以及获取高程数据。本实施例中，以长沙市及其周边地区为研究区域，高分立体影像选择为资源三号卫星前视和后视影像，高程数据为激光测高数据ICESat-2。
本实施例中，针对高分立体影像对及其定位模型RPC，优选依次进行连接点匹配、自由网平差和核线重采样，得到高分立体影像对的左、右核线影像及对应的RPC文件，具体如下：
连接点匹配：
S1.1：在使用尺度不变特征(Scale-invariant feature transform，SIFT)的基础上，根据预设的匹配点密度对影像对划分大分块，再在各个大分块中进行划分小分块；
S1.2：针对各个大分块，遍历所述大分块内的小分块影像并进行匹配直至所述大分块中小分块的累计匹配点(同名点)个数达到预设要求，再遍历下一个大分块，重复直至遍历完所有大分块，最终得到高分立体影像对的匹配连接点(白色十字丝)，如图2所示。依据该匹配策略，不需要遍历整幅图像，提高整体匹配效率。
S1.3：剔除步骤S1.2得到匹配连接点中的错误匹配点。本实例中优选结合局部特征保留算法和随机抽样一致性算法(Random Sample Consensus,RANSAC)进行剔除，其中，局部特征保留算法是将同名点的邻域信息转换成具体的数学模型，用一定的阈值剔除不符合邻域特征的错误点。RANSAC算法通过反复迭代，以实现最终的单应矩阵模型参数能够支持更多的同名点。由于其均为现有技术，因此本发明对其实现过程不进行具体的阐述。
自由网平差：
S1.4：采用基于像方仿射模型的改正策略进行自由网平差计算，其中，将步骤S1.3的匹配连接点的坐标输入下述公式中计算出高分立体影像对中每幅影像的六个改正参数，公式如下：
Figure BDA0002818707160000051
式中，a0,a1,a2,a3,a4,a5为像方仿射模型的六个改正参数，C，R为归一化的像方坐标，ΔC＝x-C且ΔR＝y-R，x,y为匹配连接点的像点坐标。
核线重采样：
S1.5：在步骤S1.4的基础上对原始高分立体影像对进行核线重采样，得到左、右核线影像以及对应的RPC文件，应当可以理解，重采样后对应的定位参数进行了调整。
本实施例中，针对高程数据，优选通过设置置信度参考、全球DSM约束等策略剔除高精度高程数据的粗差。其中，读入激光测高卫星ICESat-2(Ice、Cloud and landElevation Satellite2)分发的ATL03产品。ATL03产品主要用于描述每个光子的获取时间、经度、纬度、置信度以及经过多次地球物理校正的高程等信息。置信度是区分光子属于背景噪声或信号的重要依据，共划分为0、1、2、3和4，仅保留置信度高(本实例取3和4)的光子作为有效光子，能够剔除大部分背景噪声；另外，采用全球TanDEM-X作为全球DSM参考，用于剔除ICESat-2激光测高数据中的粗差。根据光子的经纬度读取其在TanDEM-X的高程，与其本身的高程进行比较，当差值的绝对值大于一定阈值(本实例取10米)，则剔除该光子，反之，则保留，最终的ICESat-2如图3所示。
S2：生成高分立体影像对相对应的DSM三维点云。具体包括：S21：将高程数据投影至高分立体影像对的左、右核线影像上得到掩膜文件；S22：利用掩膜文件采用面向目标区域的金字塔匹配策略进行左、右核线影像匹配得到在掩膜区域内的匹配结果；S23：构建目标区域内的高精度DSM三维点云。
S21：针对掩膜文件：将剔除了粗差的高精度高程数据投影到左、右核线影像上并结合卫星影像的直接定位精度，适当外扩一定像素得到左、右核线影像上的掩膜文件，如图4所示为左核线影像上的掩膜文件，掩膜文件上的掩膜区域表示高程数据与核线影像的对应区域。
S22：针对如何利用掩膜文件构建DSM三维点云时，执行面向目标区域的金字塔匹配策略，具体如下：
分别对左、右核线影像下采样得到左、右金字塔图像；
除金字塔底层图像外，其余金字塔图像采用全区域的匹配算法进行匹配得到视差图；
在金字塔底层影像融入了目标区域内精细匹配，目标区域外粗略匹配的思想，最终获得了高分立体影像在目标区域内的高精度匹配结果。具体匹配策略如下：当匹配像素在上层金字塔匹配成功，并且该像素在掩膜文件外，则认为该像素不属于目标区域。在实际匹配过程中，仅需要根据该像素在上层金字塔视差图的视差并外扩较小视差确定搜索范围(对应较小的视差搜索范围)，快速获得粗略的匹配结果；
其他情形则根据该像素及其周围像素的上层金字塔视差图确定视差搜索范围(对应较大的视差搜索范围)，获得高精度的匹配结果。
S23：保留掩膜区域的匹配结果，以及基于所述掩膜区域的匹配结果构建所述DSM三维点云，如图5所示(黑色点是高程数据，灰色点是DSM三维点云)，保留掩膜区域的匹配结果，再前方交会，获得DSM三维点云，由于本步骤为现有技术手段实现过程，因此不进行具体的赘述。
S3：将所述DSM三维点云与所述高程数据进行配准得到配准参数，再利用配准参数优化定位模型RPC。具体的执行过程如下：
S3.1：通过迭代最近点算法(Iterative Closest Point，ICP)求解高程数据和DSM三维点云间的刚性变换参数。
S3.2：利用配准参数将DSM三维点云的坐标与高程数据的坐标系统一得到优化后的DSM三维点云，如图6所示为配准前后的DSM的高程剖面图。
S3.3：在影像空间内均匀划分格网(譬如影像分为30×30格网，则共有31×31个格网点)，其中，每个格网点对应一个像点；同时在物方空间的高程范围内选择若干个高程面，然后利用原始影像的RPC文件反变换，计算每个格网点在高程面上的物方平面坐标，由于该过程是现有技术实现过程，因此，不进行具体阐述；
S3.4：利用配准参数对步骤S3.3得到的格网点的物方坐标进行改正，得到配准后的物方坐标。
其中，物方坐标的修正公式如下：
Figure BDA0002818707160000071
其中，(ΔX,ΔY,ΔZ)是配准参数中的三个平移量，
Figure BDA0002818707160000072
是由配准参数中的三个旋转量所组成的旋转矩阵，λ是尺度变换因子。
S3.5：利用S3.4得到的配准后的物方坐标计算更新的RPC参数，得到优化的定位模型RPC，具体的计算公式如下：
Figure BDA0002818707160000073
其中，(x,y)是格网点的像素坐标，(X,Y,Z)是修正后的物方坐标，(a1,a2,a3,a4,a5,a6,a7,a8,a9,a10,a11,a12,a13,a14,a15,a16,a17,a18,a19,a20)、(b1,b2,b3,b4,b5,b6,b7,b8,b9,b10,b11,b12,b13,b14,b15,b16,b17,b18,b19,b20)、(c1,c2,c3,c4,c5,c6,c7,c8,c9,c10,c11,c12,c13,c14,c15,c16,c17,c18,c19,c20)和(d1,d2,d3,d4,d5,d6,d7,d8,d9,d10,d11,d12,d13,d14,d15,d16,d17,d18,d19,d20)是待求解的RPC参数。
其中，将多个像素坐标及其对应的修正后的物方坐标代入上述2个公式，最小二乘平差求解RPC参数。
为了验证本发明所述方法的有效性，本实施例中在影像覆盖区域，采用实时动态差分(Real-time kinematic，RTK)技术实地测量17个地面控制点，其中，控制点坐标通过湖南省连续运行参考站解算得到，且三维精度优于0.1米。此外，影像控制点选在道路中线交叉点，影像上清晰易辨识，所有控制点的像点坐标通过单片量测获得。
为了对比基于高精度高程数据优化后的高分立体模型能够达到的精度水平，本发明采用了四角点布设控制点的方案对高分立体模型进行了区域网平差。基于高精度高程数据和基于区域网平差的高分立体模型定位中误差(单位：米)对比见下表1：
表1
不同来源的高分立体模型 X Y 平面 高程
原始高分立体模型 0.99 3.26 3.40 5.99
基于高精度高程数据的高分立体模型 1.09 3.06 3.25 0.97
基于区域网平差的高分立体模型 0.86 1.46 1.69 1.26
上述实施例表明：相比于原始高分立体模型，本发明生产的高分立体模型显著地提升了高程定位精度，达到了与基于区域网平差的高分立体模型相同的高程精度水平。本发明测试了不同卫星载荷、不同空间分辨率和不同地形的高分立体像对，最终都提升了高分立体模型的定位精度，确保了本发明所述方法的可靠性和鲁棒性，具有一定实用价值。
在一些可行的实施例中，本发明还提供一种基于高程数据的高分立体模型优化系统，包括：数据获取模块、DSM三维点云构建模块、配准参数计算模块以及优化模块。
数据获取模块：用于获取高分立体影像对及其定位模型RPC，以及获取高程数据。
DSM三维点云构建模块：用于生成高分立体影像对相对应的DSM三维点云；
配准参数计算模块：用于将所述DSM三维点云与所述高程数据进行配准得到配准参数；
优化模块：用于利用配准参数优化定位模型RPC。
在一些可行的方式中，所述优化系统还包括数据处理模块，该数据处理模块用于对高分立体影像对及为其定位模型RPC，依次进行执行连接点匹配、自由网平差和核线重采样得到高分立体影像对的左、右核线影像及对应的RPC文件；以及数据处理模块还用于针对高程数据，通过设置置信度参考、全球DSM约束等策略剔除高精度高程数据的粗差。在一些可行的方式中，DSM三维点云构建模块还包括掩膜文件生成单元以及DSM三维点云生成单元，其中，掩膜文件生成单元用于将高程数据投影至高分立体影像对的左、右核线影像上得到掩膜文件；DSM三维点云生成单元用于利用掩膜文件采用面向目标区域的金字塔匹配策略进行左、右核线影像匹配得到在掩膜区域内的匹配结果，进而构建出所述DSM三维点云。
在一些可行的方式中，配准参数计算模块具体是采用通过迭代最近点算法(Iterative Closest Point，ICP)求解高程数据和DSM三维点云间的刚性变换参数，并作为配准参数。
在一些可行的方式中，优化模块用于执行上述步骤S3.2-步骤S3.5记载的实现过程。
应当理解，本发明提供的优化系统与上述优化方法相对应，因此，具体细节请参照上述方法内容的记载，本发明不再赘述。另外，上述功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
此外，本发明还提供了一种电子设备，包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用所述计算机程序以执行：S1：获取高分立体影像对及其定位模型RPC，以及获取高程数据；S2：生成高分立体影像对相对应的DSM三维点云；S3：将所述DSM三维点云与所述高程数据进行配准得到配准参数，再利用配准参数优化定位模型RPC。
本发明还提供了一种可读存储介质，存储了计算机程序，所述计算机程序被处理器调用以执行：S1：获取高分立体影像对及其定位模型RPC，以及获取高程数据；S2：生成高分立体影像对相对应的DSM三维点云；S3：将所述DSM三维点云与所述高程数据进行配准得到配准参数，再利用配准参数优化定位模型RPC。
具体的实现过程可以参照前述方法内容的描述。应当理解，在本发明实施例中，所称处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
所述可读存储介质为计算机可读存储介质，其可以是前述任一实施例所述的控制器的内部存储单元，例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备，例如所述控制器上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。

Claims (10)

1.一种基于高程数据的高分立体模型优化方法，其特征在于：包括如下步骤：
S1：获取高分立体影像对及其定位模型RPC，以及获取高程数据；
S2：生成高分立体影像对相对应的DSM三维点云；
S3：将所述DSM三维点云与所述高程数据进行配准得到配准参数，再利用配准参数优化定位模型RPC。
2.根据权利要求1所述的方法，其特征在于：步骤S3中利用配准参数优化定位模型RPC的过程为：
首先，在高分立体影像空间内划分格网；
然后，通过原定位模型RPC求解格网点对应的物方坐标(X1,Y1,Z1)；
再利用所述配准参数对格网点的物方坐标(X1,Y1,Z1)进行修正，最后利用修正后的格网点的物方坐标(X,Y,Z)和格网点的像素坐标求解RPC参数得到优化的定位模型RPC；
其中，格网点的物方坐标修正公式如下：
Figure FDA0002818707150000011
其中，(ΔX,ΔY,ΔZ)是配准参数中的三个平移量，
Figure FDA0002818707150000012
是由配准参数中的三个旋转角所组成的旋转矩阵，λ是尺度变换因子。
3.根据权利要求2所述的方法，其特征在于：所述配准参数为高程数据和所述DSM三维点云之间的刚性变换参数，所述刚性变换参数为所述三个平移量、三个旋转角和一个尺度变换因子的任意组合。
4.根据权利要求1所述的方法，其特征在于：步骤S2中生成所述DSM三维点云的过程如下：
S21：将高程数据投影至高分立体影像对的左、右核线影像上得到掩膜文件；
S22：利用掩膜文件采用面向目标区域的金字塔匹配策略进行左、右核线影像匹配，得到在掩膜区域内的匹配结果；
S23：基于所述掩膜区域的匹配结果构建所述DSM三维点云。
5.根据权利要求4所述的方法，其特征在于：步骤S22的执行过程如下：
分别对左、右核线影像下采样得到左、右金字塔图像；
除金字塔底层图像外，其余金字塔图像采用全区域的匹配算法进行匹配得到视差图；
针对金字塔底层图像，遍历上层金字塔图像的匹配结果，若匹配像素在上层金字塔图像中匹配成功，且所述匹配像素位于掩膜文件之外，则基于所述匹配像素在上层金字塔视差图的视差缩小视差搜索范围，再进行匹配；若匹配像素在掩膜文件内，则基于所述匹配像素在上层金字塔视差图的视差及其周围像素的视差确定视差搜索范围，再进行匹配得到匹配结果。
6.根据权利要求4所述的方法，其特征在于：所述左、右核线影像的获取过程如下：
在使用尺度不变特征的基础上，根据预设的匹配点密度对影像对划分大分块，再在各个大分块中进行划分小分块；
针对各个大分块，遍历所述大分块内的小分块影像并进行匹配直至所述大分块中小分块的累计匹配点个数达到预设要求，再遍历下一个大分块，重复直至遍历完所有大分块，最终得到高分立体影像对的匹配连接点；
基于所述匹配连接点进行自由网平差计算得到高分立体影像对的改正参数；
基于所述改正参数对所述高分立体影像对进行重采样得到所述左、右核线影像。
7.根据权利要求1所述的方法，其特征在于：获取高程数据后，利用置信度参考、全球DSM约束剔除所述高程数据中的粗差。
8.一种基于高程数据的高分立体模型优化系统，其特征在于：包括：
数据获取模块：用于获取高分立体影像对及其定位模型RPC，以及获取高程数据；
DSM三维点云构建模块：用于生成高分立体影像对相对应的DSM三维点云；
配准参数计算模块：用于将所述DSM三维点云与所述高程数据进行配准得到配准参数；
优化模块：用于利用配准参数优化定位模型RPC。
9.一种电子设备，其特征在于：包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用所述计算机程序以执行：权利要求1-7任一项所述方法的步骤。
10.一种可读存储介质，其特征在于：存储了计算机程序，所述计算机程序被处理器调用以执行权利要求1-7任一项所述方法的步骤。
CN202011406641.9A 2020-12-04 2020-12-04 高分立体模型优化方法、系统、电子设备及可读存储介质 Active CN112529946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011406641.9A CN112529946B (zh) 2020-12-04 2020-12-04 高分立体模型优化方法、系统、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011406641.9A CN112529946B (zh) 2020-12-04 2020-12-04 高分立体模型优化方法、系统、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN112529946A true CN112529946A (zh) 2021-03-19
CN112529946B CN112529946B (zh) 2022-05-17

Family

ID=74996833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011406641.9A Active CN112529946B (zh) 2020-12-04 2020-12-04 高分立体模型优化方法、系统、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112529946B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241125A (zh) * 2021-11-30 2022-03-25 感知天下(北京)信息科技有限公司 一种基于多视角卫星影像精细三维建模方法及系统
CN114252060A (zh) * 2021-12-31 2022-03-29 中铁第一勘察设计院集团有限公司 一种基于航天卫星影像的大场景制作方法
CN115113228A (zh) * 2022-05-09 2022-09-27 江苏省水利科学研究院 一种基于地理信息技术的退圩还湖工程测验方法
CN115143942A (zh) * 2022-07-18 2022-10-04 广东工业大学 一种基于光子点云辅助的卫星摄影测量对地定位方法
CN116958265A (zh) * 2023-09-19 2023-10-27 交通运输部天津水运工程科学研究所 一种基于双目视觉的船舶位姿测量方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139375A (zh) * 2015-07-15 2015-12-09 武汉大学 一种结合全球dem与立体视觉的卫星影像云检测方法
CN108415871A (zh) * 2017-02-10 2018-08-17 北京吉威时代软件股份有限公司 基于物方半全局多视影像匹配的密集dsm生成方法
US20200103530A1 (en) * 2017-06-05 2020-04-02 Chinese Academy Of Surveying And Mapping Method for extracting elevation control point with assistance of satellite laser altimetry data
CN111126148A (zh) * 2019-11-25 2020-05-08 长光卫星技术有限公司 一种基于视频卫星影像的dsm生成方法
CN111754458A (zh) * 2020-05-18 2020-10-09 北京吉威空间信息股份有限公司 面向几何精处理的卫星影像立体空间基准框架构建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139375A (zh) * 2015-07-15 2015-12-09 武汉大学 一种结合全球dem与立体视觉的卫星影像云检测方法
CN108415871A (zh) * 2017-02-10 2018-08-17 北京吉威时代软件股份有限公司 基于物方半全局多视影像匹配的密集dsm生成方法
US20200103530A1 (en) * 2017-06-05 2020-04-02 Chinese Academy Of Surveying And Mapping Method for extracting elevation control point with assistance of satellite laser altimetry data
CN111126148A (zh) * 2019-11-25 2020-05-08 长光卫星技术有限公司 一种基于视频卫星影像的dsm生成方法
CN111754458A (zh) * 2020-05-18 2020-10-09 北京吉威空间信息股份有限公司 面向几何精处理的卫星影像立体空间基准框架构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LIYI GUAN,ET AL.: "The impact of horizontal errors on the accuracy of freely available digital elevation models(DEMs)", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 *
左志奇: "立体匹配点云数据融合去噪算法", 《电子技术与软件工程》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241125A (zh) * 2021-11-30 2022-03-25 感知天下(北京)信息科技有限公司 一种基于多视角卫星影像精细三维建模方法及系统
CN114252060A (zh) * 2021-12-31 2022-03-29 中铁第一勘察设计院集团有限公司 一种基于航天卫星影像的大场景制作方法
CN114252060B (zh) * 2021-12-31 2023-12-08 中铁第一勘察设计院集团有限公司 一种基于航天卫星影像的大场景制作方法
CN115113228A (zh) * 2022-05-09 2022-09-27 江苏省水利科学研究院 一种基于地理信息技术的退圩还湖工程测验方法
CN115113228B (zh) * 2022-05-09 2023-10-24 江苏省水利科学研究院 一种基于地理信息技术的退圩还湖工程测验方法
CN115143942A (zh) * 2022-07-18 2022-10-04 广东工业大学 一种基于光子点云辅助的卫星摄影测量对地定位方法
CN116958265A (zh) * 2023-09-19 2023-10-27 交通运输部天津水运工程科学研究所 一种基于双目视觉的船舶位姿测量方法及系统

Also Published As

Publication number Publication date
CN112529946B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN112529946B (zh) 高分立体模型优化方法、系统、电子设备及可读存储介质
US9378585B2 (en) System and method for automatic geometric correction using RPC
Oh et al. A piecewise approach to epipolar resampling of pushbroom satellite images based on RPC
CN113358091B (zh) 一种利用三线阵立体卫星影像生产数字高程模型dem的方法
CN111724465B (zh) 基于平面约束优选虚拟控制点的卫星影像平差方法及装置
CN108564532B (zh) 大尺度地距星载sar图像镶嵌方法
CN108562900B (zh) 一种基于高程校正的sar图像几何配准方法
CN113566793A (zh) 基于无人机倾斜影像的真正射影像生成方法和装置
CN115439571A (zh) 一种适用于线阵推扫式卫星影像核线影像生成方法及装置
CN117030620A (zh) 一种基于多源光学遥感卫星影像区域网平差的方法及装置
Hu et al. Planetary3D: A photogrammetric tool for 3D topographic mapping of planetary bodies
CN117058008A (zh) 遥感影像几何与辐射一体化校正方法、装置、设备及介质
CN112560868B (zh) 一种基于特征点库的多进程大区域网影像匹配方法及装置
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
Ma et al. Historical photograph orthorectification using SfM for land cover change analysis
CN114359389A (zh) 一种基于像面核线对的大影像分块核线制作方法
CN112561805A (zh) 一种几何粗校正影像的校正方法及装置
Liu et al. Adaptive re-weighted block adjustment for multi-coverage satellite stereo images without ground control points
Sekhar et al. Geocoding RISAT-1 MRS images using bias-compensated RPC models
CN113280789B (zh) 一种地表起伏区域激光测高点作为影像高程控制点方法
Soliman et al. Assessment of geometric correction of remote sensing satellite images using RPC versus GCP
CN114964169B (zh) 像方物方协同改正的遥感影像平差方法
CN117541752B (zh) 一种区域网平差模型的dem校正方法、电子设备及存储介质
Mohammed et al. Improved automatic registration adjustment of multi-source remote sensing datasets
Elshehaby et al. Assessment of cartographic potential of EgyptSat-1 satellite image (case study in flat areas)

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