CN112950680A - 一种卫星遥感图像配准方法 - Google Patents

一种卫星遥感图像配准方法 Download PDF

Info

Publication number
CN112950680A
CN112950680A CN202110192046.8A CN202110192046A CN112950680A CN 112950680 A CN112950680 A CN 112950680A CN 202110192046 A CN202110192046 A CN 202110192046A CN 112950680 A CN112950680 A CN 112950680A
Authority
CN
China
Prior art keywords
image
remote sensing
square
satellite remote
current frame
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
CN202110192046.8A
Other languages
English (en)
Other versions
CN112950680B (zh
Inventor
丛二勇
朱莉
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.)
Harbin University
Original Assignee
Harbin 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 Harbin University filed Critical Harbin University
Priority to CN202110192046.8A priority Critical patent/CN112950680B/zh
Publication of CN112950680A publication Critical patent/CN112950680A/zh
Application granted granted Critical
Publication of CN112950680B publication Critical patent/CN112950680B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种卫星遥感图像配准方法，涉及数据处理领域，本发明通过二值化处理、边缘提取、质心提取、建立当前帧卫星遥感图像数据库和当前帧卫星遥感图像标准数据库、按照条件搜索相应区域、旋转角度比较、两幅图像的平移量计算、图像对齐等操作实现对卫星遥感图像的配准和检测，与现有技术相比，本发明具有图像配准精度高，配准误差小的优点。

Description

一种卫星遥感图像配准方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种卫星遥感图像配准方法。
背景技术
随着科技的进步以及卫星遥感图像分辨率的不断提高，人们可以从卫星遥 感图像中获取更多的有用数据和信息。伴随数字地球概念的提出，越来越多的 民用领域需要用到卫星遥感图像，例如，自然灾害观测、气象预报、资源调查 (如地质、矿产、森林、水利、海洋、农业等资源的调查研究)等。不同的应 用环境及使用要求，对卫星遥感图像处理提出了更多不同的需求，因此，卫星 遥感图像配准和检测已经成为卫星遥感图像处理和应用中不可或缺的重要环 节。
目前，针对卫星遥感图像的配准算法主要有：灰度配准、特征配准、相位 配准。常用的基于特征的方法是利用两幅影像上预先提出的点、线、面特征， 然后对两个特征集进行匹配，即先提取特征点，然后对特征点集进行匹配，最 后对图像进行变换。但是这种方法存在配准精度低、配准误差大的问题。
发明内容
本发明的目的是提供一种卫星遥感图像配准方法，以提高卫星遥感图像配 准精度，降低配准误差。
本发明为解决技术问题所采用的技术方案如下：
本发明的一种卫星遥感图像配准方法，包括以下步骤：
步骤一、拍摄当前帧卫星遥感图像，进行图像二值化处理，获得第一幅图 像；
步骤二、对第一幅图像采用canny算子提取边缘，获得第二幅图像；
步骤三、对第二幅图像的每个闭合连通区域分别提取质心；
步骤四、分别以第二幅图像的每个闭合连通区域的质心为中心，提取出对 应的闭合连通区域，比较所提取的闭合连通区域的面积大小，选择面积最大的 闭合连通区域作为第三幅图像，选择面积最小的闭合连通区域作为第四幅图像；
步骤五、在第三幅图像中，以其质心为圆心作最大直径R1的外接圆，在外 接圆内部作最大面积正方形；在第四幅图像中，以其质心为圆心作最大直径R2 的外接圆，在外接圆内部作最大面积正方形；
步骤六、对第三幅图像和第四幅图像分别进行Hough变换，分别记录第三 幅图像的旋转角度θ1和第四幅图像的旋转角度θ2；
步骤七、以第三幅图像的质心为基点将第三幅图像的质心位置映射到第二 幅图像中，以第四幅图像的质心为基点将第四幅图像的质心位置映射到第二幅 图像中；
步骤八、再对第二幅图像每个闭合连通区域分别提取质心，分别以每个质 心为中心，排列组合所有正方形，将所有正方形按照面积大小进行排列，记录 每个正方形中心位置、每个正方形边长大小、每个正方形所对应的外接圆面积 大小、每个正方形所对应的闭合连通区域位置，最终记录该正方形中心在第二 幅图像中的位置，收集上述数据得到当前帧卫星遥感图像数据库；
步骤九、根据拍摄的当前帧卫星遥感图像，给出对应的当前帧卫星遥感标 准图像；对当前帧卫星遥感标准图像重复步骤二至步骤八，获得当前帧卫星遥 感标准图像数据库；
步骤十、设定正方形最大边长L1、正方形所对应的外接圆最大面积S1，在 当前帧卫星遥感标准图像数据库中按照已经排列好的所有正方形搜索同时满足 正方形最大边长L1、正方形所对应的外接圆最大面积S1的正方形，当搜索到该 正方形时，则将这两个正方形以四个顶点为基点进行匹配，计算出所对应的两 幅图像的旋转角度θ3；当|θ1-θ3|＞θ4时停止搜索，其中θ4为旋转角度 最大值，搜索成功，否则搜索失败；
步骤十一、设定正方形最小边长L2、正方形所对应的外接圆最小面积S2， 在当前帧卫星遥感标准图像数据库中按照已经排列好的所有正方形搜索同时满 足正方形最小边长L2、正方形所对应的外接圆最小面积S2的正方形，当搜索到 该正方形时，则将这两个正方形以四个顶点为基点进行匹配，计算出所对应的 两幅图像的旋转角度θ4；当|θ1-θ4|＜θ5时停止搜索，其中θ5为旋转角 度最小值，搜索成功，否则搜索失败；
步骤十一、当搜索成功时，将当前帧卫星遥感图像与当前帧卫星遥感标准 图像按照旋转角度θ3和旋转角度θ4对齐；当搜索失败时，将当前帧卫星遥感 图像与当前帧卫星遥感标准图像按照旋转角度θ1和旋转角度θ2对齐；
步骤十二、利用归一化互相关方法计算对齐后的当前帧卫星遥感图像与当 前帧卫星遥感标准图像的平移量，同时将这两幅图像完全对齐。
优选的，步骤二中，对第一幅图像采用canny算子提取边缘，获得第二幅图 像的具体操作步骤如下：
(1)滤波：采用高斯滤波函数对原始第一幅图像进行滤波及降噪处理，二 维高斯函数为：
Figure BDA0002945457960000031
式(1)中，G(x,y,σ)为二维高斯函数，π和e均为常数，σ为高斯函数 的分布参数，(x,y)为图像坐标点，对图像进行平滑处理后得到的平滑图像为：
g(x,y)＝G(x,y,σ)*f(x,y) (2)
式(2)中，f(x,y)为原始第一幅图像；
(2)计算梯度幅值和梯度方向
对平滑图像的像素点在水平方向和竖直方向进行求解偏导数：
Figure BDA0002945457960000032
Figure BDA0002945457960000033
式中，Gx为平滑图像的像素点在水平方向的偏导数，Gy为平滑图像的像素 点在水平方向的偏导数；
利用一阶有限差分来计算梯度幅值和梯度方向：
Figure BDA0002945457960000034
Figure BDA0002945457960000035
式中，M(x,y)为梯度幅值，θ(x,y)为梯度方向；
(3)对梯度幅值进行非极大值抑制；
(4)采用双阈值算法检测边缘和连接边缘：选取高阈值Th和低阈值Tl， 然后开始扫描图像f(x,y)对候选边缘图像中标记的候选边缘点的每一个像素点 (i,j)进行，若像素点(i,j)的梯度幅值M(x,y)大于Th，则认为该点为边缘点，若像 素点(i,j)的梯度幅值M(x,y)小于Tl，则认为该点不是边缘点；当梯度幅值M(x,y) 处于Th与Tl之间时，则需要根据边缘连通性进行判断：若该点的相邻像素点 中有边缘点，则认为该点为边缘点进行连接，否则该点为非边缘点。
本发明的有益效果是：
本发明通过二值化处理、边缘提取、质心提取、建立当前帧卫星遥感图像 数据库和当前帧卫星遥感图像标准数据库、按照条件搜索相应区域、旋转角度 比较、；两幅图像的平移量计算、图像对齐等操作实现对卫星遥感图像的配准和 检测，与现有技术相比，本发明具有图像配准精度高，配准误差小的优点。
具体实施方式
本发明的一种卫星遥感图像配准方法，主要包括以下步骤：
步骤一、拍摄当前帧卫星遥感图像，进行图像二值化处理，获得第一幅图 像；
步骤二、对第一幅图像采用canny算子提取边缘，获得第二幅图像；
步骤二的具体操作步骤如下：
(1)滤波：采用高斯滤波函数对原始第一幅图像进行滤波及降噪处理，二 维高斯函数为：
Figure BDA0002945457960000041
式(1)中，G(x,y,σ)为二维高斯函数，π和e均为常数，σ为高斯函数 的分布参数，(x,y)为图像坐标点，对图像进行平滑处理后得到的平滑图像为：
g(x,y)＝G(x,y,σ)*f(x,y) (2)
式(2)中，f(x,y)为原始第一幅图像；
(2)计算梯度幅值和梯度方向
对平滑图像的像素点在水平方向和竖直方向进行求解偏导数：
Figure BDA0002945457960000042
Figure BDA0002945457960000051
式中，Gx为平滑图像的像素点在水平方向的偏导数，Gy为平滑图像的像素 点在水平方向的偏导数；
利用一阶有限差分来计算梯度幅值和梯度方向：
Figure BDA0002945457960000052
Figure BDA0002945457960000053
式中，M(x,y)为梯度幅值，θ(x,y)为梯度方向；
(5)对梯度幅值进行非极大值抑制；
(6)采用双阈值算法检测边缘和连接边缘：选取高阈值Th和低阈值Tl， 然后开始扫描图像f(x,y)对候选边缘图像中标记的候选边缘点的每一个像素点 (i,j)进行，若像素点(i,j)的梯度幅值M(x,y)大于Th，则认为该点为边缘点，若像 素点(i,j)的梯度幅值M(x,y)小于Tl，则认为该点不是边缘点；当梯度幅值M(x,y) 处于Th与Tl之间时，则需要根据边缘连通性进行判断：若该点的相邻像素点 中有边缘点，则认为该点为边缘点进行连接，否则该点为非边缘点；
步骤三、对第二幅图像的每个闭合连通区域分别提取质心；
步骤四、分别以第二幅图像的每个闭合连通区域的质心为中心，提取出对 应的闭合连通区域，比较所提取的闭合连通区域的面积大小，选择面积最大的 闭合连通区域作为第三幅图像，选择面积最小的闭合连通区域作为第四幅图像；
步骤五、在第三幅图像中，以其质心为圆心作最大直径R1的外接圆，在外 接圆内部作最大面积正方形；在第四幅图像中，以其质心为圆心作最大直径R2 的外接圆，在外接圆内部作最大面积正方形；
步骤六、对第三幅图像和第四幅图像分别进行Hough变换，分别记录第三 幅图像的旋转角度θ1和第四幅图像的旋转角度θ2；
步骤七、以第三幅图像的质心为基点将第三幅图像的质心位置映射到第二 幅图像中，以第四幅图像的质心为基点将第四幅图像的质心位置映射到第二幅 图像中；
步骤八、再对第二幅图像每个闭合连通区域分别提取质心，分别以每个质 心为中心，排列组合所有正方形，将所有正方形按照面积大小进行排列，记录 每个正方形中心位置、每个正方形边长大小、每个正方形所对应的外接圆面积 大小、每个正方形所对应的闭合连通区域位置，最终记录该正方形中心在第二 幅图像中的位置，收集上述数据得到当前帧卫星遥感图像数据库；
步骤九、根据拍摄的当前帧卫星遥感图像，给出对应的当前帧卫星遥感标 准图像；对当前帧卫星遥感标准图像重复步骤二至步骤八，获得当前帧卫星遥 感标准图像数据库；
步骤十、设定正方形最大边长L1、正方形所对应的外接圆最大面积S1，在 当前帧卫星遥感标准图像数据库中按照已经排列好的所有正方形搜索同时满足 正方形最大边长L1、正方形所对应的外接圆最大面积S1的正方形，当搜索到该 正方形时，则将这两个正方形以四个顶点为基点进行匹配，计算出所对应的两 幅图像的旋转角度θ3；当|θ1-θ3|＞θ4时停止搜索，其中θ4为旋转角度 最大值，搜索成功，否则搜索失败；
步骤十一、设定正方形最小边长L2、正方形所对应的外接圆最小面积S2， 在当前帧卫星遥感标准图像数据库中按照已经排列好的所有正方形搜索同时满 足正方形最小边长L2、正方形所对应的外接圆最小面积S2的正方形，当搜索到 该正方形时，则将这两个正方形以四个顶点为基点进行匹配，计算出所对应的 两幅图像的旋转角度θ4；当|θ1-θ4|＜θ5时停止搜索，其中θ5为旋转角 度最小值，搜索成功，否则搜索失败；
步骤十一、当搜索成功时，将当前帧卫星遥感图像与当前帧卫星遥感标准 图像按照旋转角度θ3和旋转角度θ4对齐；当搜索失败时，将当前帧卫星遥感 图像与当前帧卫星遥感标准图像按照旋转角度θ1和旋转角度θ2对齐；
步骤十二、利用归一化互相关方法计算对齐后的当前帧卫星遥感图像与当 前帧卫星遥感标准图像的平移量，同时将这两幅图像完全对齐。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其 限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术 人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或 者对其中部分技术特征进行等同替换，但这些修改或者替换，并不使相应技 术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (2)

1.一种卫星遥感图像配准方法，其特征在于，包括以下步骤：
步骤一、拍摄当前帧卫星遥感图像，进行图像二值化处理，获得第一幅图像；
步骤二、对第一幅图像采用canny算子提取边缘，获得第二幅图像；
步骤三、对第二幅图像的每个闭合连通区域分别提取质心；
步骤四、分别以第二幅图像的每个闭合连通区域的质心为中心，提取出对应的闭合连通区域，比较所提取的闭合连通区域的面积大小，选择面积最大的闭合连通区域作为第三幅图像，选择面积最小的闭合连通区域作为第四幅图像；
步骤五、在第三幅图像中，以其质心为圆心作最大直径R1的外接圆，在外接圆内部作最大面积正方形；在第四幅图像中，以其质心为圆心作最大直径R2的外接圆，在外接圆内部作最大面积正方形；
步骤六、对第三幅图像和第四幅图像分别进行Hough变换，分别记录第三幅图像的旋转角度θ1和第四幅图像的旋转角度θ2；
步骤七、以第三幅图像的质心为基点将第三幅图像的质心位置映射到第二幅图像中，以第四幅图像的质心为基点将第四幅图像的质心位置映射到第二幅图像中；
步骤八、再对第二幅图像每个闭合连通区域分别提取质心，分别以每个质心为中心，排列组合所有正方形，将所有正方形按照面积大小进行排列，记录每个正方形中心位置、每个正方形边长大小、每个正方形所对应的外接圆面积大小、每个正方形所对应的闭合连通区域位置，最终记录该正方形中心在第二幅图像中的位置，收集上述数据得到当前帧卫星遥感图像数据库；
步骤九、根据拍摄的当前帧卫星遥感图像，给出对应的当前帧卫星遥感标准图像；对当前帧卫星遥感标准图像重复步骤二至步骤八，获得当前帧卫星遥感标准图像数据库；
步骤十、设定正方形最大边长L1、正方形所对应的外接圆最大面积S1，在当前帧卫星遥感标准图像数据库中按照已经排列好的所有正方形搜索同时满足正方形最大边长L1、正方形所对应的外接圆最大面积S1的正方形，当搜索到该正方形时，则将这两个正方形以四个顶点为基点进行匹配，计算出所对应的两幅图像的旋转角度θ3；当|θ1-θ3|＞θ4时停止搜索，其中θ4为旋转角度最大值，搜索成功，否则搜索失败；
步骤十一、设定正方形最小边长L2、正方形所对应的外接圆最小面积S2，在当前帧卫星遥感标准图像数据库中按照已经排列好的所有正方形搜索同时满足正方形最小边长L2、正方形所对应的外接圆最小面积S2的正方形，当搜索到该正方形时，则将这两个正方形以四个顶点为基点进行匹配，计算出所对应的两幅图像的旋转角度θ4；当|θ1-θ4|＜θ5时停止搜索，其中θ5为旋转角度最小值，搜索成功，否则搜索失败；
步骤十一、当搜索成功时，将当前帧卫星遥感图像与当前帧卫星遥感标准图像按照旋转角度θ3和旋转角度θ4对齐；当搜索失败时，将当前帧卫星遥感图像与当前帧卫星遥感标准图像按照旋转角度θ1和旋转角度θ2对齐；
步骤十二、利用归一化互相关方法计算对齐后的当前帧卫星遥感图像与当前帧卫星遥感标准图像的平移量，同时将这两幅图像完全对齐。
2.根据权利要求1所述的一种卫星遥感图像配准方法，其特征在于，步骤二中，对第一幅图像采用canny算子提取边缘，获得第二幅图像的具体操作步骤如下：
(1)滤波：采用高斯滤波函数对原始第一幅图像进行滤波及降噪处理，二维高斯函数为：
Figure FDA0002945457950000021
式(1)中，G(x,y,σ)为二维高斯函数，π和e均为常数，σ为高斯函数的分布参数，(x,y)为图像坐标点，对图像进行平滑处理后得到的平滑图像为：
g(x,y)＝G(x,y,σ)*f(x,y) (2)
式(2)中，f(x,y)为原始第一幅图像；
(2)计算梯度幅值和梯度方向
对平滑图像的像素点在水平方向和竖直方向进行求解偏导数：
Figure FDA0002945457950000031
Figure FDA0002945457950000032
式中，Gx为平滑图像的像素点在水平方向的偏导数，Gy为平滑图像的像素点在水平方向的偏导数；
利用一阶有限差分来计算梯度幅值和梯度方向：
Figure FDA0002945457950000033
Figure FDA0002945457950000034
式中，M(x,y)为梯度幅值，θ(x,y)为梯度方向；
(3)对梯度幅值进行非极大值抑制；
(4)采用双阈值算法检测边缘和连接边缘：选取高阈值Th和低阈值Tl，然后开始扫描图像f(x,y)对候选边缘图像中标记的候选边缘点的每一个像素点(i,j)进行，若像素点(i,j)的梯度幅值M(x,y)大于Th，则认为该点为边缘点，若像素点(i,j)的梯度幅值M(x,y)小于Tl，则认为该点不是边缘点；当梯度幅值M(x,y)处于Th与Tl之间时，则需要根据边缘连通性进行判断：若该点的相邻像素点中有边缘点，则认为该点为边缘点进行连接，否则该点为非边缘点。
CN202110192046.8A 2021-02-20 2021-02-20 一种卫星遥感图像配准方法 Active CN112950680B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110192046.8A CN112950680B (zh) 2021-02-20 2021-02-20 一种卫星遥感图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110192046.8A CN112950680B (zh) 2021-02-20 2021-02-20 一种卫星遥感图像配准方法

Publications (2)

Publication Number Publication Date
CN112950680A true CN112950680A (zh) 2021-06-11
CN112950680B CN112950680B (zh) 2022-07-05

Family

ID=76244673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110192046.8A Active CN112950680B (zh) 2021-02-20 2021-02-20 一种卫星遥感图像配准方法

Country Status (1)

Country Link
CN (1) CN112950680B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1545061A (zh) * 2003-11-20 2004-11-10 上海交通大学 刚体变换下基于轮廓的多源图像配准方法
CN103077527A (zh) * 2013-02-05 2013-05-01 湖北工业大学 一种稳健的多源卫星遥感影像配准方法
CN105427237A (zh) * 2015-11-25 2016-03-23 长春乙天科技有限公司 一种大幅面光学测量系统的钢网图像配准与检测方法
CN109727279A (zh) * 2018-06-04 2019-05-07 南京师范大学 一种矢量数据与遥感影像的自动配准方法
CN110596116A (zh) * 2019-07-23 2019-12-20 浙江科技学院 一种车辆表面瑕疵检测方法及检测系统
CN110660091A (zh) * 2019-09-30 2020-01-07 北京一起教育信息咨询有限责任公司 一种图像配准处理方法、装置和拍照批改作业系统
CN111275749A (zh) * 2020-01-21 2020-06-12 沈阳先进医疗设备技术孵化中心有限公司 图像配准及其神经网络训练方法及装置
US20200226413A1 (en) * 2017-08-31 2020-07-16 Southwest Jiaotong University Fast and robust multimodal remote sensing images matching method and system
CN111833237A (zh) * 2020-01-19 2020-10-27 宁波大学 基于卷积神经网络和局部单应性变换的图像配准方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1545061A (zh) * 2003-11-20 2004-11-10 上海交通大学 刚体变换下基于轮廓的多源图像配准方法
CN103077527A (zh) * 2013-02-05 2013-05-01 湖北工业大学 一种稳健的多源卫星遥感影像配准方法
CN105427237A (zh) * 2015-11-25 2016-03-23 长春乙天科技有限公司 一种大幅面光学测量系统的钢网图像配准与检测方法
US20200226413A1 (en) * 2017-08-31 2020-07-16 Southwest Jiaotong University Fast and robust multimodal remote sensing images matching method and system
CN109727279A (zh) * 2018-06-04 2019-05-07 南京师范大学 一种矢量数据与遥感影像的自动配准方法
CN110596116A (zh) * 2019-07-23 2019-12-20 浙江科技学院 一种车辆表面瑕疵检测方法及检测系统
CN110660091A (zh) * 2019-09-30 2020-01-07 北京一起教育信息咨询有限责任公司 一种图像配准处理方法、装置和拍照批改作业系统
CN111833237A (zh) * 2020-01-19 2020-10-27 宁波大学 基于卷积神经网络和局部单应性变换的图像配准方法
CN111275749A (zh) * 2020-01-21 2020-06-12 沈阳先进医疗设备技术孵化中心有限公司 图像配准及其神经网络训练方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何梦梦: "特征级高分辨率遥感图像快速自动配准", 《遥感学报》 *

Also Published As

Publication number Publication date
CN112950680B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
Li et al. LNIFT: Locally normalized image for rotation invariant multimodal feature matching
CN111028277B (zh) 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法
US11244197B2 (en) Fast and robust multimodal remote sensing image matching method and system
CN109409292B (zh) 基于精细化特征优化提取的异源图像匹配方法
CN104881841B (zh) 基于边缘特征与点特征的航拍高压电力塔架图像拼接方法
CN112254656B (zh) 一种基于结构表面点特征的立体视觉三维位移测量方法
CN107610164B (zh) 一种基于多特征混合的高分四号影像配准方法
CN103886611A (zh) 一种适合于航空摄影飞行质量自动检查的影像匹配方法
CN112634335A (zh) 面向非线性辐射畸变的稳健遥感影像特征点对提取方法
CN105631872B (zh) 基于多特征点的遥感图像配准方法
CN110580705B (zh) 一种基于双域图信号滤波检测建筑物边缘点的方法
CN110569861A (zh) 一种基于点特征和轮廓特征融合的图像匹配定位方法
Wei et al. A concentric loop convolutional neural network for manual delineation-level building boundary segmentation from remote-sensing images
CN106886988A (zh) 一种基于无人机遥感的线性目标检测方法及系统
CN111861866A (zh) 一种变电站设备巡检图像全景重建方法
CN117274627A (zh) 一种基于图像转换的多时相积雪遥感图像匹配方法及系统
CN105678720A (zh) 一种全景拼接判断图像匹配方法及装置
Huang et al. SAR and optical images registration using shape context
CN112950680B (zh) 一种卫星遥感图像配准方法
CN109785318B (zh) 基于面线基元关联约束的遥感图像变化检测方法
CN106355576A (zh) 基于mrf图像分割算法的sar图像配准方法
CN107945218B (zh) 边缘大畸变影像匹配方法
CN115423851A (zh) 一种基于os-sift的可见光-sar图像配准算法
Barazzetti et al. Automatic registration of multi-source medium resolution satellite data
Zhu et al. A filtering strategy for interest point detecting to improve repeatability and information content

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