CN112598717A - 高光谱卫星影像全谱段配准方法及介质 - Google Patents
高光谱卫星影像全谱段配准方法及介质 Download PDFInfo
- Publication number
- CN112598717A CN112598717A CN202011466044.5A CN202011466044A CN112598717A CN 112598717 A CN112598717 A CN 112598717A CN 202011466044 A CN202011466044 A CN 202011466044A CN 112598717 A CN112598717 A CN 112598717A
- Authority
- CN
- China
- Prior art keywords
- matching point
- spectrum
- point pairs
- affine transformation
- matching
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000003595 spectral effect Effects 0.000 claims abstract description 75
- 230000009466 transformation Effects 0.000 claims abstract description 47
- 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 abstract description 42
- 238000012546 transfer Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000003287 optical effect Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 102000006463 Talin Human genes 0.000 description 12
- 108010083809 Talin Proteins 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000003384 imaging method Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 240000004282 Grewia occidentalis Species 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种高光谱卫星影像全谱段配准方法及介质的技术方案，包括：对渐变式滤光片的高光谱卫星影像的所有谱段进行线性拉伸以及边窗滤波；对相邻谱段进行特征点提取以及匹配，得到粗匹配点对；根据粗匹配点对建立相邻谱段的粗仿射变换关系，得到精确匹配点对；根据精匹配点对构建Delaunay三角网；基于Delaunay三角网，选择一谱段作为基准普段，利用相邻谱段的仿射变换关系传递策略完成全谱段的配准。本发明的有益效果为：实现高光谱卫星影像全谱段的高精度配准。
Description
技术领域
本发明涉及计算机及高光谱遥感卫星数据处理领域，具体涉及了一种高光谱卫星影像全谱段配准方法及介质。
背景技术
高光谱遥感技术具有光谱分辨率高、图谱合一的独特优点，是用很窄且连续的光谱通道对地物进行持续遥感成像的技术，其光谱分辨率高达纳米数量级，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的。高光谱遥感相对于传统遥感，能获得更多的光谱空间信息，已广泛应用于环境保护监测、海洋水质监测、林业资源监测、智能水利建设、精准农业服务、国土资源监测等多个领域。
在遥感影像处理中，影像配准是数据镶嵌、融合及进行后期应用的基础。影像配准技术主要有：基于区域的配准和基于特征的配准。基于区域的配准方法大多采用互相关法或傅立叶变换技术来实现，其局限性在于计算量大，难以处理灰度特性差异较大的图像；基于特征的配准方法，通过提取两幅图像的共同结构来实现，更适合遥感影像数据的配准。目前，影像配准的研究主要集中在多源影像之间的配准，对于高光谱影像谱段间的配准，相关成果较少。
对于采用渐变式滤光片的光谱成像仪来说，在其推扫成像过程中，不同谱段的成像时刻及地表反射存在差异，使得同一地物在不同谱段的成像位置和灰度响应存在较大差异，这种差异会导致非相邻谱段的特征匹配变得非常困难。同时，在卫星推扫成像过程中，受太空环境影响，卫星平台颤振和姿态抖动导致各谱段的同名点偏移不一致；此外，地形起伏也会导致不同谱段成像角度不一致，这两种局部偏差会使得单个变换模型很难补偿全局的几何变换关系，从而影响局部配准精度。由此可见，设计研发一个合理的高光谱卫星影像全谱段配准技术方法显得十分重要。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种高光谱卫星影像全谱段配准方法及介质，实现了高光谱卫星影像全谱段的高精度配准。
本发明的技术方案包括一种高光谱卫星影像全谱段配准方法，其特征在于，该方法包括：S100，对渐变式滤光片的高光谱卫星影像的所有谱段进行线性拉伸以及边窗滤波；S200，对相邻谱段进行特征点提取以及匹配，得到粗匹配点对；S300，根据所述粗匹配点对建立相邻谱段的粗仿射变换关系，得到精确匹配点对；S400，根据所述精匹配点对构建Delaunay三角网；S500，基于所述Delaunay三角网，选择一谱段作为基准普段，利用相邻谱段的所述仿射变换关系传递策略完成全谱段的配准。
根据所述的高光谱卫星影像全谱段配准方法，其中S100包括：对渐变式滤光片的高光谱卫星影像的所有谱段进行2％线性拉伸。
根据所述的高光谱卫星影像全谱段配准方法，其中S200包括：通过分块策略对相邻谱段进行特征点提取以及匹配，其中特征点的提取通过尺度不变特征转换或加速稳健特征实现；以及，使用随机抽样一致算法找到最优的数学模型使得满足该模型的匹配点对个数最多，并剔除错误的匹配点对，得到正确的粗匹配点对。
根据所述的高光谱卫星影像全谱段配准方法，其中S300包括：将前谱段或后谱段分别作为参考谱段或待配准谱段，根据建立的粗仿射变换关系计算参考谱段中每个特征点对应的预测值，根据预测值与实际匹配点计算横坐标及纵坐标方向的差值以及均方根误差。
根据所述的高光谱卫星影像全谱段配准方法，其中S200还包括：计算匹配点对的均方根误差，剔除均方根误差大于0.5的匹配点对，均方根误差计算方式为
x和y分别为参考谱段的匹配点坐标，重复计算匹配点对的均方根误差的过程直至所有匹配点对的总均方根误差小于等于0.5，得到正确的精匹配点对，总均方根误差的计算方式为
根据所述的高光谱卫星影像全谱段配准方法，其中S500包括：构建Delaunay三角网以及建立小三角形面元仿射变换关系，通过
得到的精匹配点对构建Delaunay三角网，对每个小三角形面元顶点与顶点在待配准谱段中对应的匹配点建立仿射变换关系，其中a1、b1、c1、a2、b2、c2表示两三角形面元的仿射变换系数，X和Y表示参考谱段的匹配点在待配准谱段中的坐标。
根据所述的高光谱卫星影像全谱段配准方法，其中仿射变换关系通过最近邻插值法、双线性插值法及双三次插值法进行插值计算新的像素值。
根据所述的高光谱卫星影像全谱段配准方法，其中该方法还包括：通过重采样算法循环执行，直至完成所有小三角形的计算，重采样算法包括双线性插值及三次卷积插值法。
根据所述的高光谱卫星影像全谱段配准方法，其中S500还包括：通过谱段的信噪比以及波谱范围分析选取对应的谱段作为基准谱段，基准谱段为中间谱段或红谱段。
本发明的技术方案还包括一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现任一所述的方法步骤。
本发明的有益效果为：高光谱卫星影像全谱段的高精度配准。
附图说明
下面结合附图和实施例对本发明进一步地说明；
图1所示为根据本发明实施方式的总体流程图。
图2所示为根据本发明实施方式的相对配准和绝对配准流程图。
图3所示为根据本发明实施方式的特征点分块提取策略示意图。
图4所示为根据本发明实施方式的匹配点对及预测位置示意图。
图5所示为根据本发明实施方式的Delaunay三角网构建局部结果。
图6所示为根据本发明实施方式的谱段之间的仿射变换关系传递流程图。
图7所示为根据本发明实施方式的谱段之间的仿射变换关系传递示意图。
图8所示为根据本发明实施方式的映射位置不在Band 3中三角网多边形内示意图。
图9a，9b所示为根据本发明实施方式的真彩色对比示意图。
图10a，10b所示为根据本发明实施方式的假彩色对比示意图。
图11所示为根据本发明实施方式的装置介质图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。
在本发明的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。
本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
图1所示为根据本发明实施方式的总体流程图。该流程包括：S100，对渐变式滤光片的高光谱卫星影像的所有谱段进行线性拉伸以及边窗滤波；S200，对相邻谱段进行特征点提取以及匹配，得到粗匹配点对；S300，根据粗匹配点对建立相邻谱段的粗仿射变换关系，得到精确匹配点对；S400，根据精匹配点对构建Delaunay三角网；S500，基于Delaunay三角网，选择一谱段作为基准普段，利用相邻谱段的仿射变换关系传递策略完成全谱段的配准。
图2所示为根据本发明实施方式的相对配准和绝对配准流程图。包括相对配准(步骤S1到步骤S3)和绝对配准(步骤S4到步骤S6)。相对配准是对相邻谱段进行配准，而绝对配准是选择一个谱段作为基准，采用仿射变换关系的传递策略完成其他谱段与基准谱段的配准。下面结合附图1对本发明进行详细的描述，具体包括以下步骤：
步骤S1：对所有谱段进行2％的线性拉伸，增强谱段的对比度，同时进行边窗滤波去除影像噪点，边窗滤波在去除噪点的同时能够保留谱段的纹理特征，特征点的提取及匹配的质量直接影响后续谱段的配准精度，因此提高控制点的提取质量尤为重要。
步骤S2：参考图3，采用分块策略对相邻谱段进行特征点提取以及匹配，如b1与b2、b2与b3，…，bn-1与bn，本实施例中原始影像大小为5056×5056像素，分块大小为200×200像素，使用SIFT特征描述算子进行特征点提取。本步骤中的特征描述算子推荐使用SIFT(Scale-Invariant Feature Transform，尺度不变特征转换)或SURF(Speeded-Up RobustFeatures，加速稳健特征)特征算子，对于遥感影像来说，要实现亚像素级的配准，需要高精度的特征点提取及匹配。
在特征点匹配过程中，会出现错误的匹配点对，使用随机抽样一致(RandomSample Consensus，RANSAC)算法找到最优的数学模型使得满足该模型的匹配点对个数最多，以此来剔除错误的匹配点对，得到正确的粗匹配点对。
步骤S3：基于S2中的粗匹配点对建立相邻谱段的粗仿射变换关系，本实施例中选择前谱段为参考谱段，后谱段为待配准谱段，也可以反向选择。根据建立的粗仿射变换关系计算参考谱段中每个特征点对应的预测值，根据预测值与实际匹配点计算x和y方向的差值以及均方根误差(Root Mean Square，RMS)。以图4为例，P1和P2为匹配点对，P2*是通过粗仿射变换关系计算P1点在待配准谱段的预测位置，利用公式1计算匹配点对的均方根误差，剔除均方根误差大于0.5的匹配点对，重复该过程直至所有匹配点对的总均方根误差(公式2)优于0.5，得到正确的精匹配点对。
步骤S4：利用S3中得到的精匹配点对构建Delaunay三角网(图4)，此步骤中只需要对参考谱段中的匹配点进行三角网构建，利用每个小三角形面元顶点与顶点在待配准谱段中对应的匹配点建立仿射变换关系(公式3)。
其中a1、b1、c1、a2、b2、c2表示两三角形面元的仿射变换系数，(x,y)是参考谱段的匹配点坐标，(X,Y)表示参考谱段的匹配点在待配准谱段中的坐标。
步骤S5：选择一个谱段作为绝对基准谱段，利用相邻谱段的仿射变换关系传递策略完成全谱段的配准。谱段选取的原则是该谱段可以很好表示地物纹理特征，具有很高的对比度。选取方法可以通过谱段的信噪比以及波谱范围分析来确定，一般选择中间谱段或者红谱段作为参考谱段。
相邻谱段的仿射变换关系传递策略如图6和图7所示，图7中以Band 1为基准谱段，a和b中的实线圆圈点为Band1与Band 2的匹配点对，b和c中的三角形点为Band 2与Band 3的匹配点对，d中的四角形点为Band N-1与Band N的匹配点对。
图5所示为根据本发明实施方式的Delaunay三角网构建局部结果，左边为参考波段的三角网(局部)，右为待配准波段的三角网(局部)。
Band 2与Band 1配准步骤：
(1)利用Band 1中的匹配点(a中实线圆圈点)构建密集Delaunay三角网D1；
(2)根据D1中的小三角形顶点以及顶点在Band 2中对应的匹配点(b中实线圆圈点)，利用公式(3)计算第i个三角形的仿射变换系数矩阵H1,2(i)；
(3)利用公式(4)，对D1中小三角形内部点做仿射变换，计算内部点在Band 2中的正确坐标，采用最近邻插值法、双线性插值法或双三次插值法进行插值计算新的像素值；
其中，
表示Band 1中三角网第i个三角形的内部点坐标；H1,2(i)表示Band 1中三角网第i个三角形的内部点在Band 2中坐标。
(4)重复(2)和(3)步骤，直至完成所有小三角形的计算。在进行后续波段的配准时，则会用到前面波段之间的仿射变换关系计算Band 1中的匹配点在待配准波段中的坐标位置，称为相邻波段的仿射变换关系传递策略。下面以Band 3与Band 1的配准和Band N与Band 1的配准为例进行说明。
Band 3与Band 1配准步骤：
(1)利用Band 2和Band 3的匹配点(b中三角形点)构建密集Delaunay三角网D2；
(2)根据D2中的小三角形顶点以及顶点在Band 3中对应的匹配点(图7中(c)的三角形点)，利用公式(3)计算第i个三角形的仿射变换系数矩阵H2,3(i)；
(3)利用公式(5)，依据三角形的仿射变换关系矩阵计算Band 1与Band2的匹配点(b中实线圆圈点)在Band 3中的位置(图7中(c)的虚线圆圈点)；
其中，
表示Band 2中的Band 1和Band 2的匹配点坐标；
表示表示Band1和Band 2的匹配点在Band 3中的坐标。
(4)根据D1中小三角形的顶点以及顶点在Band 3中的对应点(图7中(c)的虚线圆圈点)，利用公式(3)计算第i个三角形的仿射变换系数矩阵H1，3(i)；
(5)利用公式(6)，对D1中小三角形的内部点做仿射变换，计算内部点在Band 3中的正确坐标，采用最近邻插值法、双线性插值法或双三次插值法进行插值计算新的像素值；
其中，
表示Band 1中三角网的第i个三角形的内部点坐标；
表示Band1中三角网第i个三角形内部点在Band 3中的坐标。
(6)重复(2)和(5)步骤，直至完成所有小三角形的计算。
同样，Band N与Band 1的配准方法类似，步骤如下：
(1)利用Band N-1与Band N的匹配点构建Delaunay三角网DN-1；
(2)根据DN-1中的小三角形顶点以及顶点在Band N中对应的匹配点(图7中(d)的四角形点)，利用公式(3)计算仿射变换系数矩阵；
(3)根据相邻波段的仿射变换传递策略，已经计算出Band 1中的匹配点在Band N-1中正确的坐标，根据(2)中的仿射变换系数能够计算Band N-1中匹配点在Band N中的坐标(图7中(d)的虚线圆圈点)；
(4)据D1中小三角形的顶点以及顶点在Band N中的对应点(图7中(d)的虚线圆圈点)，利用公式(3)计算仿射变换系数矩阵；
(5)对D1中小三角形的内部点做仿射变换，计算内部点在Band N中的正确坐标，采用最近邻插值法、双线性插值法或双三次插值法进行插值计算新的像素值；
(6)重复(2)和(5)步骤，直至完成所有小三角形的计算。
本步骤中重采样算法推荐使用双线性插值(Bilinear Interpolation)和三次卷积插值法(Cubic Convolution Interpolation)。
图8所示为根据本发明实施方式的映射位置不在Band 3中三角网多边形内示意图，由于每个波段提取特征点位置及个数都不一样，构建的Delaunay三角网也会不一样，则会出现计算Band 1中匹配点在Band N中的位置时，匹配点不在Delaunay三角网内的情况(图8中处于三角网外的“()”形)。该情况则需要计算每个三角形的重心位置，找出距离匹配点最近的三角形(图8中“()”形最近的三角形)，利用该三角形建立的仿射变换关系进行像素重采样。
同样，Band N与Band 1的配准方法类似，利用Band N-1与Band N的匹配点构建Delaunay三角网，利用上面的方法，已经计算出Band 1与Band 2的匹配点在Band N-1中的映射位置，利用Band N-1与Band N建立的仿射变换关系计算Band 1与Band 2的匹配点在Band N的映射位置(图7中Band N虚线圆圈)，遍历Band 1中的三角网，建立三角形顶点与顶点在Band N中的映射点的仿射变换关系，利用该仿射变换关系对三角形内部像素点进行校正。
图9a为两谱段直接配准结果，图9b为本发明实施方式的配准结果，真彩色为([Red:b14,Green:b7,Blue:b2]。
图10a为两谱段直接配准结果，图10b为本发明实施方式的配准结果，假彩色为([Red:b28,Green:b7,Blue:b2]。
图11所示为根据本发明实施方式的装置介质图。装置包括存储器100及处理器200，其中处理器200存储有计算机程序，计算机程序用于执行：读取卫星影像，获取卫星影像的每个像元经纬度信息及高程信息；根据开窗位置、各景数据基准波段成像起始行计数及成像时间计算各波段逐像元成像时间；根据轨道信息文件通过内插获得对应时间的卫星定位信息；根据像元经纬度信息、高程信息、成像时间计算全谱段逐像元太阳高度角及方位角；根据像元经纬度信息、高程信息及卫星定位信息计算全谱段逐像元卫星高度角及方位角；输出太阳及卫星的全谱段逐像元高度角及方位角，存储为固定格式文件。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (10)
1.一种高光谱卫星影像全谱段配准方法，其特征在于，该方法包括：
S100，对渐变式滤光片的高光谱卫星影像的所有谱段进行线性拉伸以及边窗滤波；
S200，对相邻谱段进行特征点提取以及匹配，得到粗匹配点对；
S300，根据所述粗匹配点对建立相邻谱段的粗仿射变换关系，得到精确匹配点对；
S400，根据所述精匹配点对构建Delaunay三角网；
S500，基于所述Delaunay三角网，选择一谱段作为基准普段，利用相邻谱段的所述仿射变换关系传递策略完成全谱段的配准。
2.根据权利要求1所述的高光谱卫星影像全谱段配准方法，其特征在于，所述S100包括：对渐变式滤光片的高光谱卫星影像的所有谱段进行2％线性拉伸。
3.根据权利要求1所述的高光谱卫星影像全谱段配准方法，其特征在于，所述S200包括：
通过分块策略对相邻谱段进行特征点提取以及匹配，其中特征点的提取通过尺度不变特征转换或加速稳健特征实现；以及，使用随机抽样一致算法找到最优的数学模型使得满足该模型的匹配点对个数最多，并剔除错误的匹配点对，得到正确的粗匹配点对。
4.根据权利要求1所述的高光谱卫星影像全谱段配准方法，其特征在于，所述S300包括：
将前谱段或后谱段分别作为参考谱段或待配准谱段，根据建立的粗仿射变换关系计算参考谱段中每个特征点对应的预测值，根据预测值与实际匹配点计算横坐标及纵坐标方向的差值以及均方根误差。
5.根据权利要求4所述的高光谱卫星影像全谱段配准方法，其特征在于，所述S200还包括：
计算匹配点对的均方根误差，剔除均方根误差大于0.5的匹配点对，均方根误差计算方式为
x和y分别为参考谱段的匹配点坐标，重复计算匹配点对的均方根误差的过程直至所有匹配点对的总均方根误差小于等于0.5，得到正确的精匹配点对，总均方根误差的计算方式为
6.根据权利要求5所述的高光谱卫星影像全谱段配准方法，其特征在于，所述S500包括：
构建Delaunay三角网以及建立小三角形面元仿射变换关系，
通过
得到的精匹配点对构建Delaunay三角网，对每个小三角形面元顶点与顶点在待配准谱段中对应的匹配点建立仿射变换关系，其中a1、b1、c1、a2、b2、c2表示两三角形面元的仿射变换系数，X和Y表示参考谱段的匹配点在待配准谱段中的坐标。
7.根据权利要求6所述的高光谱卫星影像全谱段配准方法，其特征在于，所述仿射变换关系通过最近邻插值法、双线性插值法及双三次插值法进行插值计算新的像素值。
8.根据权利要求7所述的高光谱卫星影像全谱段配准方法，其特征在于，该方法还包括，通过重采样算法循环执行，直至完成所有小三角形的计算，重采样算法包括双线性插值及三次卷积插值法。
9.根据权利要求1所述的高光谱卫星影像全谱段配准方法，其特征在于，所述S500还包括：
通过谱段的信噪比以及波谱范围分析选取对应的谱段作为基准谱段，基准谱段为中间谱段或红谱段。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011466044.5A CN112598717B (zh) | 2020-12-14 | 2020-12-14 | 高光谱卫星影像全谱段配准方法及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011466044.5A CN112598717B (zh) | 2020-12-14 | 2020-12-14 | 高光谱卫星影像全谱段配准方法及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112598717A true CN112598717A (zh) | 2021-04-02 |
| CN112598717B CN112598717B (zh) | 2024-05-17 |
Family
ID=75195167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011466044.5A Active CN112598717B (zh) | 2020-12-14 | 2020-12-14 | 高光谱卫星影像全谱段配准方法及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112598717B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115331116A (zh) * | 2022-10-13 | 2022-11-11 | 潍坊绘圆地理信息有限公司 | 基于多模态数据的地面目标精准识别星上模糊推理方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060276698A1 (en) * | 2005-06-07 | 2006-12-07 | Halldorsson Gisli H | Automatic registration of images |
| US7620269B1 (en) * | 2004-07-01 | 2009-11-17 | Sandia Corporation | Edge-based correlation image registration for multispectral imaging |
| CN102968788A (zh) * | 2012-10-25 | 2013-03-13 | 武汉大学 | 一种基于规则格网面元的波段配准方法 |
| CN104732532A (zh) * | 2015-03-11 | 2015-06-24 | 中国空间技术研究院 | 一种遥感卫星多光谱图像配准方法 |
| CN104809724A (zh) * | 2015-04-21 | 2015-07-29 | 电子科技大学 | 多波段遥感影像的自动精配准方法 |
| CN105303545A (zh) * | 2015-11-25 | 2016-02-03 | 中国矿业大学(北京) | 一种多光谱影像和全色卫星影像融合方法 |
| CN106204601A (zh) * | 2016-07-15 | 2016-12-07 | 华东师范大学 | 一种基于波段扫描形式的活体高光谱序列图像并行配准方法 |
| US20170205337A1 (en) * | 2014-07-24 | 2017-07-20 | Ecole Polytechnique Federale De Lausanne (Epfl) | Compact Multifunctional System for Imaging Spectroscopy |
| CN107274441A (zh) * | 2017-06-14 | 2017-10-20 | 中国科学院遥感与数字地球研究所 | 一种高光谱图像的波段校准方法和系统 |
| CN107610164A (zh) * | 2017-09-11 | 2018-01-19 | 北京空间飞行器总体设计部 | 一种基于多特征混合的高分四号影像配准方法 |
| CN110660089A (zh) * | 2019-09-25 | 2020-01-07 | 云南电网有限责任公司电力科学研究院 | 一种卫星图像的配准方法及装置 |
| KR20200078723A (ko) * | 2018-12-21 | 2020-07-02 | 극동대학교 산학협력단 | 다중해상도 영상등록 시 가변 원형템플릿을 이용한 특징정합 방법 |
| WO2020206666A1 (zh) * | 2019-04-12 | 2020-10-15 | 深圳市汇顶科技股份有限公司 | 基于散斑图像的深度估计方法及装置、人脸识别系统 |
-
2020
- 2020-12-14 CN CN202011466044.5A patent/CN112598717B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7620269B1 (en) * | 2004-07-01 | 2009-11-17 | Sandia Corporation | Edge-based correlation image registration for multispectral imaging |
| US20060276698A1 (en) * | 2005-06-07 | 2006-12-07 | Halldorsson Gisli H | Automatic registration of images |
| CN102968788A (zh) * | 2012-10-25 | 2013-03-13 | 武汉大学 | 一种基于规则格网面元的波段配准方法 |
| US20170205337A1 (en) * | 2014-07-24 | 2017-07-20 | Ecole Polytechnique Federale De Lausanne (Epfl) | Compact Multifunctional System for Imaging Spectroscopy |
| CN104732532A (zh) * | 2015-03-11 | 2015-06-24 | 中国空间技术研究院 | 一种遥感卫星多光谱图像配准方法 |
| CN104809724A (zh) * | 2015-04-21 | 2015-07-29 | 电子科技大学 | 多波段遥感影像的自动精配准方法 |
| CN105303545A (zh) * | 2015-11-25 | 2016-02-03 | 中国矿业大学(北京) | 一种多光谱影像和全色卫星影像融合方法 |
| CN106204601A (zh) * | 2016-07-15 | 2016-12-07 | 华东师范大学 | 一种基于波段扫描形式的活体高光谱序列图像并行配准方法 |
| CN107274441A (zh) * | 2017-06-14 | 2017-10-20 | 中国科学院遥感与数字地球研究所 | 一种高光谱图像的波段校准方法和系统 |
| CN107610164A (zh) * | 2017-09-11 | 2018-01-19 | 北京空间飞行器总体设计部 | 一种基于多特征混合的高分四号影像配准方法 |
| KR20200078723A (ko) * | 2018-12-21 | 2020-07-02 | 극동대학교 산학협력단 | 다중해상도 영상등록 시 가변 원형템플릿을 이용한 특징정합 방법 |
| WO2020206666A1 (zh) * | 2019-04-12 | 2020-10-15 | 深圳市汇顶科技股份有限公司 | 基于散斑图像的深度估计方法及装置、人脸识别系统 |
| CN110660089A (zh) * | 2019-09-25 | 2020-01-07 | 云南电网有限责任公司电力科学研究院 | 一种卫星图像的配准方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 祁曦;陈志云;: "结合SIFT和Delaunay三角网的遥感图像配准算法", 计算机系统应用, no. 10, pages 161 - 169 * |
| 翟涌光;王耀强;: "基于点特征的多源遥感影像高精度自动配准方法", 遥感技术与应用, no. 03, pages 404 - 409 * |
| 范大昭;任玉川;贾博;张红敏;王鹏;: "一种基于点特征的高精度图像配准方法", 地理信息世界, no. 05, pages 66 - 70 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115331116A (zh) * | 2022-10-13 | 2022-11-11 | 潍坊绘圆地理信息有限公司 | 基于多模态数据的地面目标精准识别星上模糊推理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112598717B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111080724B (zh) | 一种红外和可见光的融合方法 | |
| US7835594B2 (en) | Structured smoothing for superresolution of multispectral imagery based on registered panchromatic image | |
| Song et al. | Spatiotemporal satellite image fusion through one-pair image learning | |
| CN108288256B (zh) | 一种多光谱马赛克图像复原方法 | |
| US7936949B2 (en) | Panchromatic modulation of multispectral imagery | |
| WO2008070542A1 (en) | Spatial and spectral calibration of a panchromatic, multispectral image pair | |
| CN112598608B (zh) | 一种基于目标区域的光学卫星快速融合产品制作方法 | |
| CN111768337B (zh) | 一种图像处理方法、装置和电子设备 | |
| CN108759788B (zh) | 无人机影像定位定姿方法及无人机 | |
| CN108564532B (zh) | 大尺度地距星载sar图像镶嵌方法 | |
| CN113570536B (zh) | 基于cpu和gpu协同处理的全色和多光谱影像实时融合方法 | |
| CN112598717B (zh) | 高光谱卫星影像全谱段配准方法及介质 | |
| 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 | |
| CN111681171A (zh) | 基于分块匹配的全色与多光谱图像高保真融合方法及装置 | |
| CN101900817B (zh) | 一种普适的遥感数据规则格网化方法 | |
| CN104574338A (zh) | 基于多角度线阵ccd传感器的遥感图像超分辨率重建方法 | |
| CN114241064A (zh) | 一种遥感卫星内外方位元素实时几何定标方法 | |
| Hu et al. | Planetary3D: A photogrammetric tool for 3D topographic mapping of planetary bodies | |
| Chen et al. | Unified framework for the joint super-resolution and registration of multiangle multi/hyperspectral remote sensing images | |
| CN109579796B (zh) | 一种投影后影像的区域网平差方法 | |
| CN111145231A (zh) | 遥感图像的波段偏移确定方法、装置和电子设备 | |
| CN116503248A (zh) | 一种针对原油储罐的红外图像校正方法及校正系统 | |
| CN102509275B (zh) | 一种基于像元成像区域合成的遥感图像重采样方法 | |
| CN115115520A (zh) | 一种具有提高图像清晰度和分辨率的图像成像方法 | |
| Cariou et al. | Automatic georeferencing of airborne pushbroom scanner images with missing ancillary data using mutual information |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230111 Address after: Obit Technology Park, No.1 Baisha Road, East Bank of Tangjia, Zhuhai, Guangdong 519000 Applicant after: Zhuhai Orbit Satellite Big Data Co.,Ltd. Address before: 519080 Eubit Science Park, No. 1 Baisha Road, East Bank of Tangjia, Zhuhai City, Guangdong Province Applicant before: ZHUHAI ORBITA AEROSPACE TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant |