CN112581595B - 一种多视角卫星影像一致性分析方法 - Google Patents
一种多视角卫星影像一致性分析方法 Download PDFInfo
- Publication number
- CN112581595B CN112581595B CN202011388817.2A CN202011388817A CN112581595B CN 112581595 B CN112581595 B CN 112581595B CN 202011388817 A CN202011388817 A CN 202011388817A CN 112581595 B CN112581595 B CN 112581595B
- Authority
- CN
- China
- Prior art keywords
- time
- angle
- consistency
- image
- solar
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000003384 imaging method Methods 0.000 claims description 28
- 230000002123 temporal effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005286 illumination Methods 0.000 abstract description 9
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/50—Lighting effects
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种多视角卫星影像一致性分析方法,用于解决多因素导致的多视角卫星影像不一致性的评价问题。首先从一组多视角卫星影像意选定一张参考影像,将其与所有剩余影像组成多个立体像对;计算每个立体像对的空间夹角;计算每个立体像对的太阳夹角;计算每个立体像对的时间夹角;计算立体像对的一致性代价函数。本发明利用影像间的视角一致性,光照一致性和时间一致性(地物一致性)来综合评估影像的一致性,通过将影响影像一致性的因素都转换成角度及其夹角,从而将不同的影响因素都统一到同一个代价函数中来评估影像的一致性;解决了现有方法对影响影像一致性的因素考虑不足,影像一致性评估不准确的问题。
Description
技术领域
本发明属于卫星立体成像技术领域,特别涉及一种多视角卫星影像一致性分析方法。
背景技术
在多视角卫星影像三维重建中,任意两种影像组成立体像对时立体像对的一致性会有较大的差异。立体像对的一致性会直接影响匹配的效果,立体像对的一致性越强,影像匹配的效果越好,三维重建的质量也越高。当立体像对的一致性太差时,甚至会出现影像匹配失败的情况。在特征匹配中,一致性太差的立体像对可能会无法提取到足够的特征匹配点,从而影响到后续的三维重建环节;在密集匹配中,一致性差的影像也会给密集匹配造成较大的困难,难以得到较好的密集匹配结果。为了从多视角卫星影像中选取一致性较好的影像进行三维重建,需要对多视角卫星影像中影像之间的一致性进行分析。
现有的卫星影像一致性分析方法主要利用立体交会角和时间一致性来分析立体像对的一致性,例如(Facciolo等,2017)通过分析立体像对间的交会夹角和立体像对成像时间的差异来分析影像的一致性。
现有方法的缺点是只分析了影像成像角度不一致和成像时间不一致导致的影像不一致,且对于两种因素导致的不一致性难以做到统一的评价。
发明内容
影像成像过程中,针对多因素导致的多视角卫星影像不一致性的评价问题,本发明提出了一种多视角卫星影像一致性分析方法。本发明利用影像间的视角一致性,光照一致性和时间一致性(地物一致性)来综合评估影像的一致性,为多视角卫星影像中立体像对的筛选提供依据,进而解决如何从多视角卫星影像中筛选出一致性好的影像来进行高质量三维重建的问题。
多视角卫星影像一致性分析的具体步骤如下:
(1)对于一组多视角卫星影像,任意选定一张参考影像,将其与所有剩余影像组成多个立体像对;
(2)计算每个立体像对的空间夹角θspace,计算公式如下:
θspace=arccos(cosβcosβ'+sinβ·sinβ'·cos(α-α'))
(3)计算每个立体像对的太阳夹角θsolar,计算公式如下:
θsolar=arccos(cosβsolarcosβ'solar+sinβsolar·sinβ'solar·cos(αsolar-α'solar))
(4)将每个立体像对的成像时间转化成时间方向角,所述时间方向角包括时间倾斜角以及时间方位角;利用左影像的时间方位角αtime和时间倾斜角βtime,以及右影像的时间方位角α′time和时间倾斜角β′time,计算每个立体像对的时间夹角θtime,具体公式如下:
θtime=arccos(cosβtimecosβ'time+sinβtime·sinβ'time·cos(αtime-α'time));
(5)根据空间夹角θspace、太阳夹角θsolar,以及时间夹角θtime,计算立体像对的一致性代价函数,具体公式如下:
fcost=θspace+λ1θsolar+λ2θtime
有益效果
本发明通过将影响影像一致性的因素都转换成角度及其夹角,从而将不同的影响因素都统一到同一个代价函数中来评估影像的一致性;解决了现有方法对影响影像一致性的因素考虑不足,影像一致性评估不准确的问题。
附图说明
图1、本发明方法流程图;
图2、立体像对成像示意图;
图3、日期对应的时间方向角;
图4、多视角卫星影像成像条件;
图5、特征匹配点数量随一致性代价的变化关系图。
具体实施方式
本发明提供了一种多视角卫星影像一致性分析方法:
立体像对的一致性,主要受到视角一致性,光照一致性和时间一致性(地物一致性)三个方面的影响,下面分别从这三个方面分析立体像对的一致性。
(1)视角一致性分析
在光学卫星成像中,不同的成像方向角会造成影像中地面物体不同情况的遮挡。对于一个立体像对,空间夹角(立体交会角)越大,影像的一致性越差,当两张影像的空间夹角为0°时,他们的地物一致性最强。因此,可以用立体像对的空间夹角来评估影像的视角一致性。图2所示为卫星在两个不同位置对同一地面目标成像的示意图。如图所示,根据边角关系,以及三角函数变换关系进行如下推导:
其中,α和β为左影像的成像方位角和倾斜角,α'和β'为右影像的成像方位角和倾斜角。于是,立体像对之间的空间夹角为:
(2)光照一致性分析
对于光学遥感卫星影像,影像的质量严重依赖于光照,不同的太阳方向角会造成地面物体不同情况的阴影。对于一个立体像对,可以用两张影像的太阳方向角的夹角来评估立体像对的光照一致性。太阳夹角越大,地面阴影的差异越大,当两张影像的太阳夹角为0°时,地面阴影的一致性最强。
影像间的太阳夹角与空间夹角的计算方法类似,具体公式如下。
θsolar=arccos(cosβsolarcosβ'solar+sinβsolar·sinβ'solar·cos(αsolar-α'solar))
其中,αsolar和βsolar为左影像的太阳方位角和倾斜角,α'solar和β'solar为右影像的太阳方位角和倾斜角。
(3)时间一致性分析
立体影像间的地物一致性主要与时间一致性相关。在光学遥感卫星影像的成像中,随着时间的变化地面目标的形态特征也会发生变化。这其中可以分为两种情况:一是快速变化的地物特征;二是缓慢变化的地物特征。快速变化的地物特征主要包括人类和动物活动带来的地面特征的变化,如行人和交通工具位置的移动等;天气变化带来的地面特征的变化,如云层的遮挡和光照强度的变化等。快速变化的地物特征通常在一天之内,几小时甚至几分钟就会发生变化。缓慢变化的地物特征主要包括地面建筑物的变化和植被的变化,其中,地面建筑物是主要的重建目标。而地面植被会随季节呈现出周期性的变化规律。缓慢变化的地物特征通常会在几天、几个月甚至几年才发生变化。
快速变化的地物特征只有在同轨卫星影像才能获得较好的影像一致性,在异轨影像中基本没有一致性可言,在此不做详细讨论。本发明主要讨论异轨影像的一致性,主要是异轨影像中缓慢变化的地物特征的一致性。由于地物一致性难以建模,本发明利用影像获取的时间一致性分析来代替地物一致性分析。
一般来说两张影像的获取时间越接近,地面物体的差异越小,地物一致性越好。此外,不同年份相同季节获取的两张影像也有较好的相似性。因此,本发明将影像的获取时间转化成时间方向角,通过求立体像对之间的时间夹角来评估立体像对的时间一致性。卫星影像获取时间转化为时间方向角的具体公式如下:
t=τimage-τrefer
βtime=10+10*t/360
αtime=mod(t,360)
其中,τimage表示影像获取时间,τrefer表示参考时间,可以设置为一组多视角卫星影像中最早的影像获取时间,t表示影像时间与参考时间的时间间隔,βtime表示影像的时间倾斜角,αtime表示影像的时间方位角,mod表示求余函数。表1展示了一个时间序列对应的时间方向角,图3展示了其在极坐标中相应的位置,其中极角(angle)代表时间方位角,极径(radius)代表时间倾斜角。
表1、时间序列对应的时间方向角
序号 | 1 | 2 | 3 | 4 | 5 | 6 |
成像日期 | 20150101 | 20150201 | 20150301 | 20150401 | 20150501 | 20150601 |
方位角/° | 0.00 | 30.00 | 60.00 | 90.00 | 120.00 | 150.00 |
倾斜角/° | 10.00 | 10.83 | 11.67 | 12.50 | 13.33 | 14.17 |
序号 | 7 | 8 | 9 | 10 | 11 | 12 |
成像日期 | 20150701 | 20150801 | 20150901 | 20151001 | 20151101 | 20151201 |
方位角/° | 180.00 | 210.00 | 240.00 | 270.00 | 300.00 | 330.00 |
倾斜角/° | 15.00 | 15.83 | 16.67 | 17.50 | 18.33 | 19.17 |
序号 | 13 | 14 | 15 | 16 | 17 | 18 |
成像日期 | 20160101 | 20160201 | 20160301 | 20160401 | 20160501 | 20160601 |
方位角/° | 0.00 | 30.00 | 60.00 | 90.00 | 120.00 | 150.00 |
倾斜角/° | 20.00 | 20.83 | 21.67 | 22.50 | 23.33 | 24.17 |
序号 | 19 | 20 | 21 | 22 | 23 | 24 |
成像日期 | 20160701 | 20160801 | 20160901 | 20161001 | 20161101 | 20161201 |
方位角/° | 180.00 | 210.00 | 240.00 | 270.00 | 300.00 | 330.00 |
倾斜角/° | 25.00 | 25.83 | 26.67 | 27.50 | 28.33 | 29.17 |
图3中×表示时间序列,从图3中可以看出,影像间的时间间隔越大,相应的时间夹角也越大,而相同季节拍摄的影像则会有较小的时间夹角。将立体影像间的成像时间间隔建模成时间方向角后,通过计算立体影像间的时间夹角,就可以表征立体影像间的地物一致性。立体像对的时间夹角的计算公式与空间夹角的计算公式类似:
θtime=arccos(cosβtimecosβ'time+sinβtime·sinβ'time·cos(αtime-α'time))
(4)一致性代价函数
为了综合各方面因素评价立体像对的一致性,本发明构建一个一致性代价函数来评估立体像对的一致性。由于视角一致性、光照一致性和时间一致性对立体像对一致性的影响程度是不一致的,本发明将立体像对的空间夹角、太阳夹角和时间夹角进行加权求和来得到影像一致性代价函数:
fcost=θspace+λ1θsolar+λ2θtime
其中,λ1表示立体像对太阳夹角加权系数(依据实验经验可取0.8),λ2表示立体像对时间夹角加权系数(依据实验经验可取0.2)。
多视角卫星影像一致性分析的具体步骤如下:
(1)对于一组多视角卫星影像,任意选定一张参考影像,将其与所有剩余影像组成多个立体像对;
(2)计算每个立体像对的空间夹角;
(3)计算每个立体像对的太阳夹角;
(4)将卫星影像的成像时间转化成时间方向角,计算每个立体像对的时间夹角;
(5)计算立体像对的一致性代价函数。
本发明将成像时间转化成时间方向角,从而利用立体像对的时间夹角来评价立体像对的时间一致性(地物一致性);综合考虑影像间的视角一致性,光照一致性和时间一致性(地物一致性)来评价影像的一致性,利用权重公式来均衡三个因素的对影像一致性影响的权重。
为了验证本发明提出的多视角卫星影像立体像对一致性分析方法的有效性,本节利用一组多视角卫星影像进行立体像对的一致性分析。首先,利用一致性代价函数对立体像对的一致性进行排序;然后,利用特征提取与匹配算法从立体像对中提取特征点,通过匹配点的数量来衡量立体像对的一致性,从而验证本文所提方法的有效性。
(1)实验数据
表2 WorldView-3多视角卫星影像基本信息
表2列出了实验中用到的20张WorldView-3卫星获取的不同视角的高分辨率卫星影像的相关信息,成像区域为阿根廷布宜诺斯艾利斯(Buenos Aires),地面分辨率约为0.31m。
为了更直观的展示多视角卫星影像数据集的成像条件,将多视角卫星影像的成像方向角、太阳方向角和时间方向角展示在如图4所示的极坐标图中,其中极角(angle)代表方位角,极径(radius)代表倾斜角。
从图4中可以看出,多视角卫星影像数据集中不同影像的成像条件差异较大,组成立体像对时,影像的一致性也会有较大的差异。
(2)实验结果
表3立体像对一致性估计实验结果表
本文分别以影像WV3-1和WV3-2为参考影像,与所有剩余影像组成立体像对。然后计算所有立体像对的一致性代价,并利用特征提取与匹配算法(SURF)提取立体像对的特征点。表3按一致性代价值的大小顺序展示了所有37个立体像对的特征匹配结果。
从表中可以发现,随着一致性代价值的升高,立体像对中能够提取到的特征匹配点越来越少。将匹配点数量与一致性代价值之间的关系绘制在图5中。由于特征匹配点的提取具有一定的随机性,关系曲线会呈现出一定的波动性。可以得出的结论是,随着一致性代价的升高,立体像对中能够提取的特征匹配点呈现出逐步下降的趋势,这证明了本发明提出的多视角卫星影像立体像对一致性分析方法的有效性。
Claims (4)
1.一种多视角卫星影像一致性分析方法,其特征在于包括以下步骤:
(1)对于一组多视角卫星影像,任意选定一张参考影像,将其与所有剩余影像组成多个立体像对;
(2)计算每个立体像对的空间夹角θspace;
(3)计算每个立体像对的太阳夹角θsolar;
(4)将每个立体像对的成像时间转化成时间方向角,所述时间方向角包括时间倾斜角以及时间方位角;利用左影像的时间方位角αtime和时间倾斜角βtime,以及右影像的时间方位角α′time和时间倾斜角β′time,计算每个立体像对的时间夹角θtime,具体公式如下:
θtime=arccos(cosβtimecosβ'time+sinβtime·sinβ'time·cos(αtime-α'time));
(5)根据空间夹角θspace、太阳夹角θsolar,以及时间夹角θtime,计算立体像对的一致性代价函数;
其中,步骤(4)中所述时间方向角的计算过程具体如下:
选取多视角卫星影像中最早的影像获取时间做为参考时间τrefer;
计算卫星影像的获取时间τimage与参考时间τrefer的时间间隔t,计算公式如下:
t=τimage-τrefer;
根据卫星影像的时间间隔t计算卫星影像的时间倾斜角,以及影像的时间方位角,计算公式如下:
时间倾斜角=10+10*t/360
时间方位角=mod(t,360)
其中,mod表示求余函数。
2.根据权利要求1所述的一种多视角卫星影像一致性分析方法,其特征在于:步骤(2)所述每个立体像对的空间夹角的计算过程如下:
分别获取立体像对中每张卫星影像的方位角和倾斜角,其中,(α,β)表示左影像的成像方位角和倾斜角,(α′,β′)表示右影像的成像方位角和倾斜角;
根据立体像对中每张卫星影像的方位角和倾斜角,计算得到该立体像对的空间夹角θspace,具体计算公式如下:
θspace=arccos(cosβcosβ'+sinβ·sinβ'·cos(α-α'))。
3.根据权利要求1所述的一种多视角卫星影像一致性分析方法,其特征在于:步骤(3)所述每个立体像对的太阳夹角的计算过程如下:
分别获取立体像对中每张卫星影像的太阳方位角和倾斜角,其中,(αsolar,βsolar)表示左影像的太阳方位角和倾斜角,(α′solar,β′solar)表示右影像的太阳方位角和倾斜角;
根据立体像对中每张卫星影像的太阳方位角和倾斜角,计算得到该立体像对的太阳夹角θsolar,具体公式如下:
θsolar=arccos(cosβsolarcosβ'solar+sinβsolar·sinβ'solar·cos(αsolar-α'solar))。
4.根据权利要求1所述的一种多视角卫星影像一致性分析方法,其特征在于:步骤(5)所述的立体像对的一致性代价函数具体如下:
fcost=θspace+λ1θsolar+λ2θtime
其中,λ1表示立体像对太阳夹角加权系数,λ2表示立体像对时间夹角加权系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011388817.2A CN112581595B (zh) | 2020-12-02 | 2020-12-02 | 一种多视角卫星影像一致性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011388817.2A CN112581595B (zh) | 2020-12-02 | 2020-12-02 | 一种多视角卫星影像一致性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112581595A CN112581595A (zh) | 2021-03-30 |
CN112581595B true CN112581595B (zh) | 2023-12-19 |
Family
ID=75126636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011388817.2A Active CN112581595B (zh) | 2020-12-02 | 2020-12-02 | 一种多视角卫星影像一致性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112581595B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485737A (zh) * | 2015-08-25 | 2017-03-08 | 南京理工大学 | 基于线特征的点云数据与光学影像的自动配准融合方法 |
CN107220996A (zh) * | 2017-05-17 | 2017-09-29 | 武汉大学 | 一种基于三角结构一致的无人机线阵与面阵影像匹配方法 |
CN109509216A (zh) * | 2018-10-31 | 2019-03-22 | 中国科学院遥感与数字地球研究所 | 一种Landsat与SPOT卫星影像自动配准方法 |
CN110210453A (zh) * | 2019-06-14 | 2019-09-06 | 中国资源卫星应用中心 | 一种基于遥感图像特征的油罐存储量确定方法及系统 |
CN111950433A (zh) * | 2020-08-07 | 2020-11-17 | 中国人民解放军战略支援部队航天工程大学 | 光学卫星影像特征匹配深度学习训练样本集自动构建方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4425983B1 (ja) * | 2009-03-18 | 2010-03-03 | 株式会社パスコ | 日射量の評価方法および評価装置 |
EP3301641B1 (en) * | 2015-07-06 | 2020-08-26 | Nippon Telegraph and Telephone Corporation | Image collation device, image collation method, and program |
US11484279B2 (en) * | 2018-09-24 | 2022-11-01 | Siemens Medical Solutions Usa, Inc. | Systems to assess projection data inconsistency |
-
2020
- 2020-12-02 CN CN202011388817.2A patent/CN112581595B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485737A (zh) * | 2015-08-25 | 2017-03-08 | 南京理工大学 | 基于线特征的点云数据与光学影像的自动配准融合方法 |
CN107220996A (zh) * | 2017-05-17 | 2017-09-29 | 武汉大学 | 一种基于三角结构一致的无人机线阵与面阵影像匹配方法 |
CN109509216A (zh) * | 2018-10-31 | 2019-03-22 | 中国科学院遥感与数字地球研究所 | 一种Landsat与SPOT卫星影像自动配准方法 |
CN110210453A (zh) * | 2019-06-14 | 2019-09-06 | 中国资源卫星应用中心 | 一种基于遥感图像特征的油罐存储量确定方法及系统 |
CN111950433A (zh) * | 2020-08-07 | 2020-11-17 | 中国人民解放军战略支援部队航天工程大学 | 光学卫星影像特征匹配深度学习训练样本集自动构建方法 |
Non-Patent Citations (2)
Title |
---|
利用PC-SIFT的多源光学卫星影像自动配准方法;李明;李德仁;范登科;郭炳轩;;武汉大学学报(信息科学版)(01);全文 * |
无人机海量遥感影像快速自动拼接算法研究;刘彬;陈向宁;郭连朋;;武汉大学学报(工学版)(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112581595A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Berman et al. | Single image dehazing using haze-lines | |
Robbins et al. | Craters of the Pluto-Charon system | |
Chen et al. | Spatially and temporally weighted regression: A novel method to produce continuous cloud-free Landsat imagery | |
Müller-Linow et al. | The leaf angle distribution of natural plant populations: assessing the canopy with a novel software tool | |
Shen et al. | A spatiotemporal fusion based cloud removal method for remote sensing images with land cover changes | |
Atwood et al. | Improving PolSAR land cover classification with radiometric correction of the coherency matrix | |
CN108428220B (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 | |
CN110570363A (zh) | 基于带有金字塔池化与多尺度鉴别器的Cycle-GAN的图像去雾方法 | |
CN108764250B (zh) | 一种运用卷积神经网络提取本质图像的方法 | |
CN108921035B (zh) | 基于空间引力和像元聚集度的亚像元定位方法和系统 | |
US11830167B2 (en) | System and method for super-resolution image processing in remote sensing | |
CN110111346B (zh) | 基于视差信息的遥感图像语义分割方法 | |
Tong et al. | Attraction-repulsion model-based subpixel mapping of multi-/hyperspectral imagery | |
CN109491994B (zh) | Landsat-8卫星精选遥感数据集最简化筛选方法 | |
Toriya et al. | SAR2OPT: Image alignment between multi-modal images using generative adversarial networks | |
Lalonde et al. | What does the sky tell us about the camera? | |
Khoshboresh-Masouleh et al. | A deep learning method for near-real-time cloud and cloud shadow segmentation from gaofen-1 images | |
US11222229B1 (en) | System and method for multidimensional gradient-based cross-spectral stereo matching | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
CN112767267B (zh) | 基于仿真偏振带雾场景数据集的图像去雾方法 | |
CN112784747B (zh) | 高光谱遥感图像多尺度本征分解方法 | |
CN109377476A (zh) | 遥感影像云检测特征参数的动态阈值获取方法及装置 | |
CN112581595B (zh) | 一种多视角卫星影像一致性分析方法 | |
CN110796635B (zh) | 一种基于剪切波变换的光场图像质量评价方法 |
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 |