CN113393571A - 一种无云卫星图像生成方法及装置 - Google Patents
一种无云卫星图像生成方法及装置 Download PDFInfo
- Publication number
- CN113393571A CN113393571A CN202110663756.4A CN202110663756A CN113393571A CN 113393571 A CN113393571 A CN 113393571A CN 202110663756 A CN202110663756 A CN 202110663756A CN 113393571 A CN113393571 A CN 113393571A
- Authority
- CN
- China
- Prior art keywords
- cloud
- satellite
- image
- model
- track
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012937 correction Methods 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 35
- 230000001133 acceleration Effects 0.000 claims description 18
- 238000012892 rational function Methods 0.000 claims description 12
- 238000003384 imaging method Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000011524 similarity measure Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000003702 image correction Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种无云卫星图像生成方法与装置,属于遥感技术领域。本发明面向无云图像获取的实际需求,针对现有技术中的气象云图和云层探测器等方法实施难度大,对时效性和精度要求高,且现有方法的分辨率较低,只能达到公里级,无法满足资源详查及云缝小区域点观测等实际应用需求,提出了先使用多个高轨高分辨率卫星协同计算得到云轨迹,再根据所述云轨迹规划低轨卫星的拍摄时间和观测角度,获取无云图像的技术方案。本方案可以综合利用现有卫星资源实现云轨迹的快速定位,没有额外装备上的开销,且由于经过通用几何模型的修正处理,因此高轨卫星获取的云轨迹具有定位精度高的优点,可进一步提高无云卫星图像的获取效率。
Description
技术领域
本发明涉及遥感技术领域,特别是涉及一种无云卫星图像生成方法及装置。
背景技术
高质量无云图像一直以来都是光学遥感应用的重要数据源,其获取能力的高低是衡量光学卫星效能的重要指标,更是对地观测领域军民商深度融合的重要内容,在支持国家建设和保障军事任务等方面都具有强烈需求和重要意义。但光学卫星由于云层遮挡,常规单星拍摄一般难以获取高质量的无云图像,因此,会造成大量的卫星资源浪费。
目前,针对卫星观测时的云层遮挡问题,国内外相关研究方法主要集中于利用气象云图和云层探测器开展无云图像获取研究。
气象云图主要是采用地球剖分将地球表面离散化为多个网格,并在卫星观测目标区域之前,根据气象部门提供的该地区未来不同时刻、不同时间段的气象云图,得到每个目标(网格)在某一时刻上空是否有云,以及云层厚度等信息。考虑云层的变化,即不同时刻的气象云图,再结合卫星的运动轨道和传感器等信息,根据某一时刻卫星与地面目标连线与云层之间的交点,计算云层遮挡时间,将云层遮挡描述为多个固定的时间窗口,在调度前删除被云层遮挡的观测时间窗口或者切除观测时间窗口中被云层遮挡的部分,以获得无云图像数据。采用气象云图的方法解决云层遮挡存在的问题主要是需要事先获取观测区域的气象云图,且云图应该具有较高的定位精度。但是现在的云图分辨率较低,大多为公里级,这就无法满足资源详查和云缝小区域点观测的实际应用需求。
云层探测器通常安装在卫星的前部,具有最大30度的俯仰角,可以在目标观测前探测到云层覆盖信息,判断观测是否被云层遮挡。若存在云层遮挡,再结合卫星的运动轨道和传感器等信息,实时更新卫星对地观测角度,避开云层观测或者停止观测。通过这种星上搭载的云层探测器,在卫星对地观测过程中可以有效避开云层的遮挡,明显减少了卫星观测、存储及传输资源的浪费。目前,国外部分新一代的对地观测卫星,例如Pleiades卫星,已装载了云层探测器并得到实际应用。采用云探测器解决云层遮挡存在的问题主要是在于:一是需要额外安装云探测器,成本较高;二是由于云层探测器最大只有30度的俯仰角,加上卫星围绕地球高速运转,通常从获得云层遮挡信息到目标观测只有几秒钟的时间,因此该方法对星上任务调度处理时效性和卫星机动能力提出了更高的要求。
综上所述,现有的针对卫星观测时的云层遮挡问题的技术方案实施起来难度大,对时效性和精度要求很高,导致这些方法无法支撑国家建设和保障军事任务的强大需求。
发明内容
有鉴于此,本发明提供的一种无云卫星图像生成方法及装置,主要目的在于解决现有技术中由于云层遮挡,常规单星拍摄难以获取高质量的无云图像的问题。本发明的技术方案以高轨卫星为基础,利用高轨高分辨率卫星协同计算得到云轨迹,在获取云轨迹的情况下,再通过低轨卫星实现无云图像的获取。
根据本发明一个方面,提供了一种无云卫星图像生成方法,该方法包括步骤:S1:使用多个高轨高分辨率卫星协同计算得到云轨迹;S2:低轨卫星根据所述云轨迹规划拍摄时间与观测角度,获取无云图像。
作为本发明的进一步改进,所述云轨迹的生成步骤包括:S11:获取多个高轨高分辨率卫星分别拍摄的在近实时时间区间内同一区域含云卫星图像;S12:对各所述含云卫星图像进行定位误差修正,得到定位精度一致的各含云卫星修正图像,以及各含云卫星修正图像分别对应的各几何修正模型;S13:分别对各所述含云卫星修正图像进行云检测,得到各卫星云图像;S14:对所有所述卫星云图像进行同名云点匹配,得到同名云点;S15:以云层在所述近实时时间区间内满足匀加速运动为前提构建云轨迹运动模型;S16:以同一云层上的不同云点在所述近实时时间区间内速度和加速度保持基本一致为前提建立云点约束模型;S17:结合所述云轨迹运动模型、云点约束模型以及各通用几何修正模型的集合构建得到误差方程;S18:对所述误差方程进行最小二乘答解,获取云轨迹交会结果及云轨迹模型;根据所述云轨迹模型及所述云轨迹交会结果,对云层在未来某一时刻的空间位置进行预测。
作为本发明的进一步改进,获取所述通用几何修正模型集的步骤包括:S121采用有理函数模型作为卫星图像成像几何模型,将所述含云卫星图像的像点坐标(R,C)表示为含地面点坐标(X,Y,Z)的多项式的比值,公式为:
其中,(Xn,Yn,Zn)、(rn,cn)分别为地面点坐标(X,Y,Z)、像点坐标(R,C)经平移和缩放后的正则化坐标,取值在[-1,1]之间;各多项式Pi(i=1,2,3,4)如下:
P1=a0+a1Z+a2Y+a3X+a4ZY+a5ZX+a6YX+a7Z2+a8Y2+a9X2+a10ZYX+a11Z2Y+a12Z2X+a13Y2Z+a14Y2X+a15ZX2+a16YX2+a17Z3+a18Y3+a19X3
P2=b0+b1Z+b2Y+b3X+b4ZY+b5ZX+b6YX+b7Z2+b8Y2+b9X2+b10ZYX+b11Z2Y+b12Z2X+b13Y2Z+b14Y2x+b15ZX2+b16YX2+b17Z3+b18Y3+b19X3
P3=c0+c1Z+c2Y+c3X+c4ZY+c5ZX+c6YX+c7Z2+c8Y2+c9X2+c10ZYX+c11Z2Y+c12Z2X+c13Y2Z+c14Y2X+c15ZX2+c16YX2+c17Z3+c18Y3+c19X3
P4=d0+d1Z+d2Y+d3X+d4ZY+d5ZX+d6YX+d7Z2+d8Y2+d9X2+d10ZYX+d11Z2Y+d12Z2X+d13Y2Z+d14Y2X+d15ZX2+d16YX2+d17Z3+d18Y3+d19X3
式中,aj(j=0,1,2,...,19)、bj(j=0,1,2,...,19)、cj(j=0,1,2,...,19)、dj(j=0,1,2,...,19)为所述有理函数模型的通用参数;S122在所述含云卫星图像上获取一定数量的地面控制点,通过最小二乘方法对所述通用参数进行修正,得到所述几何修正模型;S123使用步骤S121及S122遍历所述含云卫星图像集中的每张含云卫星图像,得到所述几何修正模型的集合。
作为本发明的进一步改进,所述云轨迹运动模型如下式所示:
其中,(X,Y,Z)为云点坐标;(X0,Y0,Z0)为云点起始坐标;(m1,n1,l1)为云点速度;(m2,n2,l2)为云点加速度;t为时间。
作为本发明的进一步改进,所述误差方程如下:Vc=Cy+Dz-lc
其中vc=[vR vC]T为云点行、列坐标观测值残差向量;
y=[ΔX0 ΔY0 ΔZ0]T为云点物方空间起始坐标增量向量;
z=[Δa1 Δa2 Δb1 Δb2 Δc1 Δc2]T为云点速度和加速度增量向量;
作为本发明的进一步改进,所述对所述含云卫星图像修正集中的含云图像进行云检测的具体步骤包括:S131简单线性迭代聚类算法对所述含云图像分割生成超像素对象,并统计超像素的光谱均值和每块超像素的方差为超像素光谱属性;S132图像直方图均衡化处理,根据均衡化图像直方图获取到合适的云检测光谱阈值;S133根据云检测光谱阈值和所述超像素光谱属性获得所述含云图像云检测粗检结果;S134对所述粗检结果区域进行区域增长与膨胀处理,获得所述含云图像云检测结果。
作为本发明的进一步改进,所述同名云点匹配首先获取得到云边缘,并计算得到云边缘的梯度信息;在匹配的过程中,以梯度信息最大为目标,采用相关系数相似性测度、Zernike矩差异相似性测度及误差椭圆相似性测度为综合匹配测度,实现同名云点的高精度匹配。
根据本发明另一个方面,提供了一种无云卫星图像生成装置,该装置包括:云轨迹获取模块:被配置为使用多个高轨高分辨率卫星协同计算得到云轨迹;规划拍摄模块:被配置为使用低轨卫星根据所述云轨迹规划拍摄时间与观测角度,获取无云图像。
作为本发明的进一步改进,所述云轨迹获取模块包括:卫星图像获取子模块:被配置为获取多个高轨高分辨率卫星分别拍摄的在近实时时间区间内同一区域含云卫星图像;几何修正模型子模块:被配置为对各所述含云卫星图像进行定位误差修正,得到定位精度一致的各含云卫星修正图像,以及各含云卫星修正图像分别对应的各几何修正模型;云检测子模块:被配置为分别对各所述含云卫星修正图像进行云检测,得到各卫星云图像;同名云点匹配子模块:被配置为对所有所述卫星云图像进行同名云点匹配,得到同名云点;云轨迹运动模型构建子模块:被配置为以云层在所述近实时时间区间内满足匀加速运动为前提构建云轨迹运动模型;云点约束模型构建子模块:被配置为以同一云层上的不同云点在所述近实时时间区间内速度和加速度保持基本一致为前提建立云点约束模型;构建误差方程子模块:被配置为结合所述云轨迹运动模型、云点约束模型以及各所述几何修正模型的集合构建得到误差方程;云层位置预测子模块:被配置为对所述误差方程进行最小二乘答解,获取云轨迹交会结果及云轨迹模型;根据所述云轨迹模型及所述云轨迹交会结果,对云层在未来某一时刻的空间位置进行预测。
作为本发明的进一步改进,所述几何修正模型子模块包括:初始模型单元:采用有理函数模型作为卫星图像成像几何模型,将所述含云卫星图像的像点坐标(R,C)表示为含地面点坐标(X,Y,Z)的多项式的比值,公式为:
其中,(Xn,Yn,Zn)、(rn,cn)分别为地面点坐标(X,Y,Z)、像点坐标(R,C)经平移和缩放后的正则化坐标,取值在[-1,1]之间;各多项式Pi(i=1,2,3,4)如下:
P1=a0+a1Z+a2Y+a3X+a4ZY+a5ZX+a6YX+a7Z2+a8Y2+a9X2+a10ZYX+a11Z2Y+a12Z2X+a13Y2Z+a14Y2X+a15ZX2+a16YX2+a17Z3+a18Y3+a19X3
P2=b0+b1Z+b2Y+b3X+b4ZY+b5ZX+b6YX+b7Z2+b8Y2+b9X2+bi0ZYX+b11Z2Y+b12Z2X+b13Y2Z+b14Y2X+b15ZX2+b16YX2+b17Z3+b18Y3+b19X3
P3=c0+c1Z+c2Y+c3X+c4ZY+c5ZX+c6YX+c7Z2+c8Y2+c9X2+c10ZYX+c11Z2Y+c12Z2X+c13Y2Z+c14Y2X+c15ZX2+c16YX2+c17Z3+c18Y3+c19X3
P4=d0+d1Z+d2Y+d3X+d4ZY+d5ZX+d6YX+d7Z2+d8Y2+d9X2+d10ZYX+d11Z2Y+d12Z2X+d13Y2Z+d14Y2X+d15ZX2+d16YX2+d17Z3+d18Y3+d19X3
式中,aj(j=0,1,2,...,19)、bj(j=0,1,2,...,19)、cj(j=0,1,2,...,19)、dj(j=0,1,2,...,19)为所述有理函数模型的通用参数;参数修正单元:在所述含云卫星图像上获取一定数量的地面控制点,通过最小二乘方法对所述通用参数进行修正,得到所述几何修正模型;使用所述初始模型单元及所述参数修正单元遍历所述含云卫星图像集中的每张含云卫星图像,得到所述几何修正模型的集合。
籍由上述技术方案,本发明提供的有益效果如下:
(1)本发明的技术方案以高轨卫星为基础,利用高轨高分辨率卫星协同计算得到云轨迹,再通过低轨卫星实现无云图像的获取,可以综合利用现有卫星资源实现云轨迹的快速定位,没有额外装备上的开销。
(2)由于经过通用几何模型的修正处理,因此高轨卫星获取的云轨迹具有定位精度高的优点,有利于提升低轨卫星的拍摄时间和观测角度规划准确度,可进一步提高无云卫星图像的获取效率。
(3)采用高轨卫星与低轨卫星相配合的方式获取无云图像,可以进一步优化卫星资源,快速地获取得到目标区域影像,为国土资源普查、兴趣区域快速成像提供重要支撑。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种无云卫星图像生成方法总体流程图;
图2示出了本发明实施例提供的一种无云卫星图像生成方法中生成云轨迹的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
首先,在对本发明实施例进行描述的过程中出现的部分名词或者术语适用于如下解释:
物方空间坐标系:空间坐标系有物空间坐标系和像空间坐标系。其中物空间坐标系又称物方空间坐标系,是指物体在测量员指定空间的坐标系,比如地面、其他参照物等。像空间坐标系是以摄影中心S为坐标原点,x,y轴与像平面坐标系的x,y轴平行,z轴与主光轴重合,形成像空间右手直角坐标系S-xyz。为了便于进行空间坐标的变换,需要建立起描述像点在像空间位置的坐标系,即像空间坐标系。
本发明要解决的核心技术问题为,现有技术中光学卫星由于云层遮挡,常规单星拍摄难以获取高质量的无云图像的问题。
有鉴于此,本发明提供的一种无云卫星图像生成方法及装置,通过利用高轨高分辨率卫星协同计算得到云轨迹,在获取云轨迹的情况下,再通过低轨卫星实现无云图像的获取。
实施例1
请参考图1,其示出了本发明实施例提供的一种无云卫星图像生成方法总体流程图。
如图1所示,本实施例方法主要包括以下步骤:
S1:使用多个高轨高分辨率卫星协同计算得到云轨迹;具体步骤如下:
S11:获取不同高轨高分辨率卫星拍摄的在近实时时间区间内同一区域含云卫星图像;
S12:对各所述含云卫星图像进行定位误差修正,得到定位精度一致的各含云卫星修正图像,以及各含云卫星修正图像分别对应的各几何修正模型;
S13:分别对各所述含云卫星修正图像进行云检测,得到各卫星云图像;
S14:对所有所述卫星云图像进行同名云点匹配,得到同名云点;
S15:以云层在所述近实时时间区间内满足匀加速运动为前提构建云轨迹运动模型;
S16:以同一云层上的不同云点在所述近实时时间区间内速度和加速度保持基本一致为前提建立云点约束模型;
S17:结合所述云轨迹运动模型、云点约束模型以及各几何修正模型集构建得到误差方程;
S18:对所述误差方程进行最小二乘答解,获取云轨迹交会结果及云轨迹模型;根据所述云轨迹模型及所述云轨迹交会结果,对云层在未来某一时刻的空间位置进行预测。
下面通过详述对本实施例的一个具体应用场景,来使得本领域技术人员对本实施例的技术方案更为明确易懂。
图2示出了本发明实施例提供的一种无云卫星图像生成方法中生成云轨迹的流程图;
如图2所示,在本实施例的一个具体的应用场景中,使用两种不同的高轨卫星来协同获取云轨迹,本领域技术人员无需创造性改进即可将本实施例所述方法适用于多种不同高轨卫星来协同获取云轨迹。
步骤S11具体为采用两种不同的高轨卫星近实时地获取得到同一区域的多张含云卫星图像。在实际使用时,也可根据需要采用多颗高轨卫星进行拍摄。
步骤S12具体为:
S121采用RFM模型(Rational Function Model有理函数模型)作为卫星图像成像几何模型。RFM模型将卫星图像的像点坐标(R,C)表示为含地面点坐标(X,Y,Z)的多项式的比值,即:
式中,(Xn,Yn,Zn)、(rn,cn)分别为地面点坐标(X,Y,Z)、像点坐标(R,C)经平移和缩放后的正则化坐标,取值在[-1,1]之间;各多项式Pi(i=1,2,3,4)中每一项的各个坐标分量Xn,Yn,Zn的幂次最大不超过3,且每一项各个坐标分量的幂次之和也不超过3。以P1(Xn,Yn,Zn)为例,其具体形式(为了书写方便,这里省略了下标n)如下式所示。对于P2、P3、P4,只需将式中aj的分别替换为bj、cj和dj即可。
P1=a0+a1Z+a2Y+a3X+a4ZY+a5ZX+a6YX+a7Z2+a8Y2+a9X2+a10ZYX+a11Z2Y+a12Z2X+a13Y2Z+a14Y2X+a15ZX2+a16YX2+a17Z3+a18Y3+a19X3
P2=b0+b1Z+b2Y+b3X+b4ZY+b5ZX+b6YX+b7Z2+b8Y2+b9X2+b10ZYX+b11Z2Y+b12Z2X+b13Y2Z+b14Y2X+b15ZX2+b16YX2+b17Z3+b18Y3+b19X3
P3=c0+c1Z+c2Y+c3X+c4ZY+c5ZX+c6YX+c7Z2+c8Y2+c9X2+c10ZYX+c11Z2Y+c12Z2X+c13Y2Z+c14Y2X+c15ZX2+c16YX2+c17Z3+c18Y3+c19X3
P4=d0+d1Z+d2Y+d3X+d4ZY+d5ZX+d6YX+d7Z2+d8Y2+d9X2+d10ZYX+d11Z2Y+d12Z2X+d13Y2Z+d14Y2X+d15ZX2+d16YX2+d17Z3+d18Y3+d19X3
式中,aj(j=0,1,2,...,19)、bj(j=0,1,2,...,19)、cj(j=0,1,2,...,19)、dj(j=0,1,2,...,19)为RPC参数(有理函数模型的通用参数)。
S122在含云卫星图像上获取一定数量的地面控制点,通过最小二乘方法对RPC参数进行修正,得到修正后的几何模型。
S123使用步骤S121及S122遍历含云卫星图像集中的每张含云卫星图像,得到几何修正模型的集合。
步骤S13中的云层检测具体来说,主要分为四个步骤:
S131简单线性迭代聚类算法对图像分割生成超像素对象,并统计超像素的光谱均值和每块超像素的方差;
其中,简单线性迭代聚类算法主要通过设置初始化聚类中心;以梯度最小为目标,在聚类中心的邻域内进一步确定新的聚类中心;以新的聚类中心为起算点,确定每一个像素点的类别;通过空间距离和颜色距离,进一步优化聚类中心;通过对上述步骤进行迭代答解,得到图像分割结果;最后采用连通性增强等手段,优化图像分割结果。
S132图像直方图均衡化处理,根据均衡化图像直方图获取到合适的云检测光谱阈值;
S133根据云检测光谱阈值和超像素光谱属性获得图像云检测粗检结果;
S134对所述粗检结果区域进行区域增长与膨胀处理,获得最终的云检测结果。
步骤S14中同名云点的匹配在云检测的基础上进行,与传统方法直接匹配不同,本实施例技术方案中同名云点的匹配首先获取得到云边缘,并计算得到云边缘的梯度信息。在匹配的过程中,以梯度信息最大为目标,采用相关系数、Zernike矩差异、误差椭圆等相似性测度为综合匹配测度,实现同名云点的高精度匹配。
具体来说:云边缘可以通过云检测结果得到;在此基础上,计算每一个边缘像素点的梯度信息;最后以梯度信息最大为目标,寻找得到两张图上梯度信息最接近的点作为匹配点,在这个过程中主要采用相关系数、Zemike矩差异、误差椭圆等相似性测度为综合匹配测度,其中梯度信息起到的作用类似于像素灰度值。
在步骤S15中,由于受卫星轨道设计不同的影响,不同的遥感卫星很难在同一时刻对云层成像,而云层在不同卫星的成像时间间隔内处于运动状态。由于本实施例所述技术方案中,不同卫星成像时间间隔比较短,可假设在这个时间间隔内云层满足匀加速运动,以此建立云轨迹运动模型如下式所示:
式中,(X,Y,Z)为云点坐标;(X0,Y0,Z0)为云点起始坐标;(m1,n1,l1)为云点速度;(m2,n2,l2)为云点加速度;t为时间。
在步骤S16中,对于同一云层上的不同云点,虽然起始位置不一样,但其速度和加速度仍保持基本一致。基于这一前提,本实施例拟建立云点约束模型,如下式所示:
式中,下标i和j分别表示第i个和第j个云点。(m1,n1,l1)为云点速度;(m2,n2,l2)为云点加速度。
在步骤S17中,对步骤S15和步骤S16构建得到的云轨迹运动模型和云点约束模型,结合修正后的RFM模型构建得到误差方程;所述误差方程如下:
Vc=Cy+Dz-lc
其中vc=[vR vC]T为云点行、列坐标观测值残差向量;
y=[ΔX0 ΔY0 ΔZ0]T为云点物方空间起始坐标增量向量;
z=[Δa1 Δa2 Δb1 Δb2 Δc1 Δc2]T为云点速度和加速度增量向量;
S18:对构建得到的误差方程进行最小二乘答解,获取云轨迹交会结果,最终计算得到云轨迹模型;根据所述云轨迹模型及所述云轨迹交会结果,即可对云层在未来某一时刻的空间位置进行预测。如下式所示:
S2:根据所述云轨迹规划低轨卫星的拍摄时间和拍摄角度,获取无云图像。
根据所述云轨迹规划低轨卫星的拍摄时间,根据云层在未来某一时刻的空间位置推演结果规划低轨卫星的拍摄角度,最终获取无云图像。
实施例2
进一步的,作为对上述实施例所示方法的实现,本发明另一实施例还提供了一种无云卫星图像生成装置。该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。在该实施例的装置中,具有以下模块:
1、云轨迹获取模块:被配置为使用多个高轨高分辨率卫星协同计算得到云轨迹。该模块对应于实施例1中的步骤S1。
包括以下子模块:
1.1卫星图像获取子模块:被配置为获取多个高轨高分辨率卫星分别拍摄的在近实时时间区间内同一区域含云卫星图像;
1.2几何修正模型子模块:被配置为对各所述含云卫星图像进行定位误差修正,得到定位精度一致的各含云卫星修正图像,以及各含云卫星修正图像分别对应的各几何修正模型;
包括以下子单元:
初始模型单元:采用有理函数模型作为卫星图像成像几何模型,将所述含云卫星图像的像点坐标(R,C)表示为含地面点坐标(X,Y,Z)的多项式的比值,公式为:
其中,(Xn,Yn,Zn)、(rn,cn)分别为地面点坐标(X,Y,Z)、像点坐标(R,C)经平移和缩放后的正则化坐标,取值在[-1,1]之间;
各多项式Pi(i=1,2,3,4)中每一项的各个坐标分量Xn,Yn,Zn的幂次最大不超过3,且每一项各个坐标分量的幂次之和也不超过3。
P1=a0+a1Z+a2Y+a3X+a4ZY+a5ZX+a6YX+a7Z2+a8Y2+a9X2+a10ZYX+a11Z2Y+a12Z2X+a13Y2Z+a14Y2X+a15ZX2+a16YX2+a17Z3+a18Y3+a19X3
P2=b0+b1Z+b2Y+b3X+b4ZY+b5ZX+b6YX+b7Z2+b8Y2+b9X2+b10ZYX+b11Z2Y+b12Z2X+b13Y2Z+b14Y2X+b15ZX2+b16YX2+b17Z3+b18Y3+b19X3
P3=c0+c1Z+c2Y+c3X+c4ZY+c5ZX+c6YX+c7Z2+c8Y2+c9X2+c10ZYX+c11Z2Y+c12Z2X+c13Y2Z+c14Y2X+c15ZX2+c16YX2+c17Z3+c18Y3+c19X3
P4=d0+d1Z+d2Y+d3X+d4ZY+d5ZX+d6YX+d7Z2+d8Y2+d9X2+d10ZYX+d11Z2Y+d1222X+d13Y2Z+d14Y2X+d15ZX2+d16YX2+d17Z3+d18Y3+d19X3
式中,aj(j=o,1,2,...,19)、bj(j=0,1,2,...,19)、cj(j=0,1,2,...,19)、dj(j=0,1,2,...,19)为所述有理函数模型的通用参数;
参数修正单元:在所述含云卫星图像上获取一定数量的地面控制点,通过最小二乘方法对所述通用参数进行修正,得到所述几何修正模型;
使用所述初始模型单元及所述参数修正单元遍历所述含云卫星图像集中的每张含云卫星图像,得到所述几何修正模型的集合。
1.3云检测子模块:被配置为分别对各所述含云卫星修正图像进行云检测,得到各卫星云图像;
1.4同名云点匹配子模块:被配置为对所有所述卫星云图像进行同名云点匹配,得到同名云点;
1.5云轨迹运动模型构建子模块:被配置为以云层在所述近实时时间区间内满足匀加速运动为前提构建云轨迹运动模型;
1.6云点约束模型构建子模块:被配置为以同一云层上的不同云点在所述近实时时间区间内速度和加速度保持基本一致为前提建立云点约束模型;
1.7构建误差方程子模块:被配置为结合所述云轨迹运动模型、云点约束模型以及各所述几何修正模型的集合构建得到误差方程;
1.8云层位置预测子模块:被配置为对所述误差方程进行最小二乘答解,获取云轨迹交会结果及云轨迹模型;根据所述云轨迹模型及所述云轨迹交会结果,对云层在未来某一时刻的空间位置进行预测。
2、规划拍摄模块:被配置为使用低轨卫星根据所述云轨迹规划拍摄时间与观测角度,获取无云图像。该模块对应于实施例1中的步骤S2。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
Claims (10)
1.一种无云卫星图像生成方法,其特征在于,包括:
S1:使用多个高轨高分辨率卫星协同计算得到云轨迹;
S2:低轨卫星根据所述云轨迹规划拍摄时间与观测角度,获取无云图像。
2.根据权利要求1所述的无云卫星图像生成方法,其特征在于,所述云轨迹的生成步骤包括:
S11:获取多个高轨高分辨率卫星分别拍摄的在近实时时间区间内同一区域含云卫星图像;
S12:对各所述含云卫星图像进行定位误差修正,得到定位精度一致的各含云卫星修正图像,以及各含云卫星修正图像分别对应的各几何修正模型;
S13:分别对各所述含云卫星修正图像进行云检测,得到各卫星云图像;
S14:对所有所述卫星云图像进行同名云点匹配,得到同名云点;
S15:以云层在所述近实时时间区间内满足匀加速运动为前提构建云轨迹运动模型;
S16:以同一云层上的不同云点在所述近实时时间区间内速度和加速度保持基本一致为前提建立云点约束模型;
S17:结合所述云轨迹运动模型、云点约束模型以及各所述几何修正模型的集合构建得到误差方程;
S18:对所述误差方程进行最小二乘答解,获取云轨迹交会结果及云轨迹模型;根据所述云轨迹模型及所述云轨迹交会结果,对云层在未来某一时刻的空间位置进行预测。
3.根据权利要求2所述的无云卫星图像生成方法,其特征在于,获取所述几何修正模型的集合的步骤包括:
S121采用有理函数模型作为卫星图像成像几何模型,将所述含云卫星图像的像点坐标(R,C)表示为含地面点坐标(X,Y,Z)的多项式的比值,公式为:
其中,(Xn,Yn,Zn)、(rn,cn)分别为地面点坐标(X,Y,Z)、像点坐标(R,C)经平移和缩放后的正则化坐标,取值在[-1,1]之间;
各多项式Pi(i=1,2,3,4)如下;
P1=a0+a1Z+a2Y+a3X+a4ZY+a5ZX+a6YX+a7Z2+a8Y2+a9X2+a1oZYX+a11Z2Y+a12Z2X+a13Y2Z+a14Y2X+a15ZX2+a16YX2+a17Z3+a18Y3+a19X3
P2=b0+b1Z+b2Y+b3X+b4ZY+b5ZX+b6YX+b7Z2+b8Y2+b9X2+b10ZYX+b11Z2Y+b12Z2X+b13Y2Z+b14Y2X+b15ZX2+b16YX2+b17Z3+b18Y3+b19X3
P3=c0+c1Z+c2Y+c3X+c4ZY+c5ZX+c6YX+c7Z2+c8Y2+c9X2+c10ZYX+c11Z2Y+c12Z2X+c13Y2z+c14Y2X+c15ZX2+c16YX2+c17Z3+c18Y3+c19X3
P4=d0+d1Z+d2Y+d3X+d4ZY+d5ZX+d6YX+d7Z2+d8Y2+d9X2+d10ZYX+d11Z2Y+d12Z2X+d13Y2Z+d14Y2X+d15ZX2+d16YX2+d17Z3+d18Y3+d19X3
式中,aj(j=0,1,2,...,19)、bj(j=0,1,2,...,19)、cj(j=0,1,2,...,19)、dj(j=0,1,2,...,19)为所述有理函数模型的通用参数;
S122在所述含云卫星图像上获取一定数量的地面控制点,通过最小二乘方法对所述通用参数进行修正,得到所述几何修正模型;
S123使用步骤S121及S122遍历所述含云卫星图像集中的每张含云卫星图像,得到所述几何修正模型的集合。
6.根据权利要求2至5任意一项所述的无云卫星图像生成方法,其特征在于,所述对所述含云卫星图像修正集中的含云图像进行云检测的具体步骤包括:
S131简单线性迭代聚类算法对所述含云图像分割生成超像素对象,并统计超像素的光谱均值和每块超像素的方差为超像素光谱属性;
S132图像直方图均衡化处理,根据均衡化图像直方图获取到合适的云检测光谱阈值;
S133根据云检测光谱阈值和所述超像素光谱属性获得所述含云图像云检测粗检结果;
S134对所述粗检结果区域进行区域增长与膨胀处理,获得所述含云图像云检测结果。
7.根据权利要求2至5任意一项所述的无云卫星图像生成方法,其特征在于,所述同名云点匹配首先获取得到云边缘,并计算得到云边缘的梯度信息;在匹配的过程中,以梯度信息最大为目标,采用相关系数相似性测度、Zernike矩差异相似性测度及误差椭圆相似性测度为综合匹配测度,实现同名云点的高精度匹配。
8.一种无云卫星图像生成装置,其特征在于,包括:
云轨迹获取模块:被配置为使用多个高轨高分辨率卫星协同计算得到云轨迹;
规划拍摄模块:被配置为使用低轨卫星根据所述云轨迹规划拍摄时间与观测角度,获取无云图像。
9.根据权利要求8所述的无云卫星图像生成装置,其特征在于,所述云轨迹获取模块包括:
卫星图像获取子模块:被配置为获取不同高轨高分辨率卫星拍摄的在近实时时间区间内同一区域含云卫星图像;
几何修正模型子模块:被配置为对各所述含云卫星图像进行定位误差修正,得到定位精度一致的各含云卫星修正图像,以及各含云卫星修正图像分别对应的各几何修正模型;
云检测子模块:被配置为分别对各所述含云卫星修正图像进行云检测,得到各卫星云图像;
同名云点匹配子模块:被配置为对所有所述卫星云图像进行同名云点匹配,得到同名云点;
云轨迹运动模型构建子模块:被配置为以云层在所述近实时时间区间内满足匀加速运动为前提构建云轨迹运动模型;
云点约束模型构建子模块:被配置为以同一云层上的不同云点在所述近实时时间区间内速度和加速度保持基本一致为前提建立云点约束模型;
构建误差方程子模块:被配置为结合所述云轨迹运动模型、云点约束模型以及所述几何修正模型的集合构建得到误差方程;
云层位置预测子模块:被配置为对所述误差方程进行最小二乘答解,获取云轨迹交会结果及云轨迹模型;根据所述云轨迹模型及所述云轨迹交会结果,对云层在未来某一时刻的空间位置进行预测。
10.根据权利要求9所述的无云卫星图像生成装置,其特征在于,所述几何修正模型子模块包括:
初始模型单元:采用有理函数模型作为卫星图像成像几何模型,将所述含云卫星图像的像点坐标(R,C)表示为含地面点坐标(X,Y,Z)的多项式的比值,公式为:
其中,(Xn,Yn,Zn)、(rn,cn)分别为地面点坐标(X,Y,Z)、像点坐标(R,C)经平移和缩放后的正则化坐标,取值在[-1,1]之间;
各多项式Pi(i=1,2,3,4)如下:
P1=a0+a1Z+a2Y+a3X+a4ZY+a5ZX+a6YX+a7Z2+a8Y2+a9X2+a10ZYX+a11Z2Y+a12Z2X+a13Y2Z+a14Y2X+a15ZX2+a16YX2+a17Z3+a18Y3+a19X3
P2=b0+b1z+b2Y+b3X+b4ZY+b5ZX+b6YX+b7Z2+b8Y2+b9X2+b10ZYX+b11Z2Y+b12Z2X+b13Y2Z+b14Y2X+b15ZX2+b16YX2+b17Z3+b18Y3+b19X3
P3=c0+c1z+c2Y+c3X+c4ZY+c5ZX+c6YX+c7Z2+c8Y2+c9X2+c10ZYX+c11Z2Y+c12Z2X+c13Y2Z+c14Y2X+c15ZX2+c16YX2+c17Z3+c18Y3+c19X3
P4=d0+d1Z+d2Y+d3X+d4ZY+d5ZX+d6YX+d7Z2+d8Y2+d9X2+d10ZYX+d11Z2Y+d12Z2X+d13Y2Z+d14Y2X+d15ZX2+d16YX2+d17Z3+d18Y3+d19X3
式中,aj(j=0,1,2,...,19)、bj(j=0,1,2,...,19)、cj(j=0,1,2,...,19)、dj(j=0,1,2,...,19)为所述有理函数模型的通用参数;
参数修正单元:在所述含云卫星图像上获取一定数量的地面控制点,通过最小二乘方法对所述通用参数进行修正,得到所述几何修正模型;
使用所述初始模型单元及所述参数修正单元遍历所述含云卫星图像集中的每张含云卫星图像,得到所述几何修正模型的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663756.4A CN113393571B (zh) | 2021-06-15 | 2021-06-15 | 一种无云卫星图像生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663756.4A CN113393571B (zh) | 2021-06-15 | 2021-06-15 | 一种无云卫星图像生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113393571A true CN113393571A (zh) | 2021-09-14 |
CN113393571B CN113393571B (zh) | 2023-06-27 |
Family
ID=77621211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110663756.4A Active CN113393571B (zh) | 2021-06-15 | 2021-06-15 | 一种无云卫星图像生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393571B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187351A (zh) * | 2021-12-09 | 2022-03-15 | 北京劢亚科技有限公司 | 一种应用于卫星的图像采集方法及装置 |
CN114838740A (zh) * | 2022-05-20 | 2022-08-02 | 北京市遥感信息研究所 | 一种考虑不同经纬度区域的卫星图像几何定标方法 |
CN114993347A (zh) * | 2022-05-20 | 2022-09-02 | 北京市遥感信息研究所 | 一种考虑不同太阳高度的卫星图像定位处理方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110249860A1 (en) * | 2010-04-12 | 2011-10-13 | Liang-Chien Chen | Integrating and positioning method for high resolution multi-satellite images |
US20110286660A1 (en) * | 2010-05-20 | 2011-11-24 | Microsoft Corporation | Spatially Registering User Photographs |
CN102508260A (zh) * | 2011-11-30 | 2012-06-20 | 武汉大学 | 一种面向侧视中分辨率卫星的几何成像构建方法 |
CN103557870A (zh) * | 2013-10-09 | 2014-02-05 | 董路 | 一种动态轨迹导航方法及云平台 |
CN104215968A (zh) * | 2014-09-01 | 2014-12-17 | 中国人民解放军国防科学技术大学 | 一种云层对敏捷光学卫星的遮挡时间窗口的计算方法 |
CN106023177A (zh) * | 2016-05-14 | 2016-10-12 | 吉林大学 | 一种气象卫星云图的雷暴云识别方法和系统 |
CN106407656A (zh) * | 2016-08-29 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 一种基于高分辨率卫星影像数据的气溶胶光学厚度反演方法 |
CN106403902A (zh) * | 2016-08-31 | 2017-02-15 | 武汉大学 | 一种星地协同的光学卫星在轨实时几何定位方法及系统 |
US20170250751A1 (en) * | 2016-02-29 | 2017-08-31 | Satellogic Overseas, Inc. (Bvi) | System for planetary-scale analytics |
CN107895152A (zh) * | 2017-11-24 | 2018-04-10 | 西安空间无线电技术研究所 | 一种在轨云缝快速检测方法 |
CN109270554A (zh) * | 2018-11-20 | 2019-01-25 | 江苏智途科技股份有限公司 | 一种用于控制卫星成像的剖分调度方法 |
CN110455254A (zh) * | 2018-12-25 | 2019-11-15 | 华中科技大学 | 一种面向飞行器导航制导的单层云云底高度估计方法 |
CN111127506A (zh) * | 2019-11-19 | 2020-05-08 | 北京空间飞行器总体设计部 | 一种基于序列图像的海上运动目标综合检测方法 |
-
2021
- 2021-06-15 CN CN202110663756.4A patent/CN113393571B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110249860A1 (en) * | 2010-04-12 | 2011-10-13 | Liang-Chien Chen | Integrating and positioning method for high resolution multi-satellite images |
US20110286660A1 (en) * | 2010-05-20 | 2011-11-24 | Microsoft Corporation | Spatially Registering User Photographs |
CN102508260A (zh) * | 2011-11-30 | 2012-06-20 | 武汉大学 | 一种面向侧视中分辨率卫星的几何成像构建方法 |
CN103557870A (zh) * | 2013-10-09 | 2014-02-05 | 董路 | 一种动态轨迹导航方法及云平台 |
CN104215968A (zh) * | 2014-09-01 | 2014-12-17 | 中国人民解放军国防科学技术大学 | 一种云层对敏捷光学卫星的遮挡时间窗口的计算方法 |
US20170250751A1 (en) * | 2016-02-29 | 2017-08-31 | Satellogic Overseas, Inc. (Bvi) | System for planetary-scale analytics |
CN106023177A (zh) * | 2016-05-14 | 2016-10-12 | 吉林大学 | 一种气象卫星云图的雷暴云识别方法和系统 |
CN106407656A (zh) * | 2016-08-29 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 一种基于高分辨率卫星影像数据的气溶胶光学厚度反演方法 |
CN106403902A (zh) * | 2016-08-31 | 2017-02-15 | 武汉大学 | 一种星地协同的光学卫星在轨实时几何定位方法及系统 |
CN107895152A (zh) * | 2017-11-24 | 2018-04-10 | 西安空间无线电技术研究所 | 一种在轨云缝快速检测方法 |
CN109270554A (zh) * | 2018-11-20 | 2019-01-25 | 江苏智途科技股份有限公司 | 一种用于控制卫星成像的剖分调度方法 |
CN110455254A (zh) * | 2018-12-25 | 2019-11-15 | 华中科技大学 | 一种面向飞行器导航制导的单层云云底高度估计方法 |
CN111127506A (zh) * | 2019-11-19 | 2020-05-08 | 北京空间飞行器总体设计部 | 一种基于序列图像的海上运动目标综合检测方法 |
Non-Patent Citations (2)
Title |
---|
N.CHAMPION等: "Automatic production of large-scale cloud-free orthomosaics from multitemporal satellite images", IEEE * |
RUDORFF等: "Satellite images to map and estimate sugarcane area int the state of Sao Paulo:crop year 2003/2004", AGRICULTURA EM SAO PAULO * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187351A (zh) * | 2021-12-09 | 2022-03-15 | 北京劢亚科技有限公司 | 一种应用于卫星的图像采集方法及装置 |
CN114838740A (zh) * | 2022-05-20 | 2022-08-02 | 北京市遥感信息研究所 | 一种考虑不同经纬度区域的卫星图像几何定标方法 |
CN114993347A (zh) * | 2022-05-20 | 2022-09-02 | 北京市遥感信息研究所 | 一种考虑不同太阳高度的卫星图像定位处理方法 |
CN114838740B (zh) * | 2022-05-20 | 2024-04-26 | 北京市遥感信息研究所 | 一种考虑不同经纬度区域的卫星图像几何定标方法 |
CN114993347B (zh) * | 2022-05-20 | 2024-05-07 | 北京市遥感信息研究所 | 一种考虑不同太阳高度的卫星图像定位处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113393571B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113393571B (zh) | 一种无云卫星图像生成方法及装置 | |
Wu et al. | Integration of aerial oblique imagery and terrestrial imagery for optimized 3D modeling in urban areas | |
CN111862126B (zh) | 深度学习与几何算法结合的非合作目标相对位姿估计方法 | |
CN107527328B (zh) | 一种兼顾精度与速度的无人机影像几何处理方法 | |
CN112902953A (zh) | 一种基于slam技术的自主位姿测量方法 | |
CN111415409B (zh) | 一种基于倾斜摄影的建模方法、系统、设备和存储介质 | |
Li et al. | Image processing algorithms for deep-space autonomous optical navigation | |
Sauerbier et al. | The practical application of UAV-based photogrammetry under economic aspects | |
WO2021163157A1 (en) | Collaborative 3d mapping and surface registration | |
CA2918511A1 (en) | A method for reducing blur of tdi-ccd camera images | |
CN111241988A (zh) | 一种结合定位信息的大场景内运动目标检测识别方法 | |
CN104154919A (zh) | 一种非合作航天器上太阳能帆板三角架结构的位姿自主测量方法 | |
Feng et al. | Comparisons of CME morphological characteristics derived from five 3D reconstruction methods | |
CN116402942A (zh) | 一种融合多尺度图像特征的大规模建筑物三维重建方法 | |
CN113744315A (zh) | 一种基于双目视觉的半直接视觉里程计 | |
CN115471749A (zh) | 地外探测无监督学习的多视角多尺度目标识别方法及系统 | |
Kersten et al. | Potentials of autonomous UAS and automated image analysis for structural health monitoring | |
Huang et al. | Multi-view large-scale bundle adjustment method for high-resolution satellite images | |
CA3108547A1 (en) | Collaborative 3d mapping and surface registration | |
CN111667413A (zh) | 一种基于多源传感数据融合处理的图像消旋方法和系统 | |
Wang et al. | Automated mosaicking of UAV images based on SFM method | |
Chen et al. | A novel monocular calibration method for underwater vision measurement | |
Andolfo et al. | Visual Odometry analysis of the NASA Mars 2020 Perseverance rover’s images | |
Wang et al. | A method for data density reduction in overlapped airborne LiDAR strips | |
CN115018983A (zh) | 移相变压器选址方法、装置、电子设备及存储介质 |
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 |