CN114037913B - 遥感影像的自动纠偏方法、装置、电子设备及存储介质 - Google Patents
遥感影像的自动纠偏方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114037913B CN114037913B CN202210019442.5A CN202210019442A CN114037913B CN 114037913 B CN114037913 B CN 114037913B CN 202210019442 A CN202210019442 A CN 202210019442A CN 114037913 B CN114037913 B CN 114037913B
- Authority
- CN
- China
- Prior art keywords
- feature
- block
- feature points
- correction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012937 correction Methods 0.000 claims abstract description 94
- 239000013598 vector Substances 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000005192 partition Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 13
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000903 blocking effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 8
- 238000003702 image correction Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000265 homogenisation Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种遥感影像的自动纠偏方法、装置、电子设备及存储介质，涉及遥感影像处理技术领域，该方法包括：从参考影像的第一分块和遥感影像的校正影像的第二分块中分别提取多个特征点，确定第一分块的特征点和第二分块的特征点之间的所有特征向量的欧式距离矩阵；从第一分块的特征点中选取与第二分块的每个特征点的欧式距离矩阵最小的特征点作为目标特征点，并将目标特征点与第二分块对应的特征点作为目标特征点组；基于目标特征点组的误差从目标特征点组中筛选出多个内点组，从内点组的集合中选取属于校正影像的校正特征点，并基于校正特征点对遥感影像进行校正。能够解决目前在对遥感图像进行配准时配准运行时间过长的问题。
Description
技术领域
本申请涉及遥感影像处理领域，具体而言，涉及一种遥感影像的自动纠偏方法、装置、电子设备及存储介质。
背景技术
遥感图像配准是将同一场景在不同类型传感器或在不同时间、不同角度等情况下拍摄得到的遥感图像进行同名像元高精度配准的过程。
遥感影像数据量庞大，覆盖范围广，直接将影像整体输入到特征检测算子中运算存在内存占用过高，普通机器无法运行。常用的图像配准技术分为两类，一类是基于灰度的自动配准方法，该方法直接利用图像的灰度信息，通过互相关、互信息等方法建立两幅图像之间的相似性度量来获取匹配点，但该方法由于精度较低已经难以满足高分辨率影像的要求；另一类是基于特征的自动配准，该方法为通过提取图像中的点特征进行影响特征间的匹配，而遥感影像的配准通常是不同时间影像的配准，其色彩和纹理存在一定的差异，这就使得特征点匹配筛除错误匹配点时存在一定的困难，阈值会随着影像的差异而变化，从而无法最大化保留优质的特征点，存在特征点选取效率低下，配准运行时间过长，同时计算数据量庞大，运算时占用内存过高，增加了内存运行的压力。
发明内容
有基于此，本申请实施例的目的在于提供一种遥感影像的自动纠偏方法、装置、电子设备及存储介质，用以解决目前在对遥感图像进行配准时特征点选取效率低下，配准运行时间过长的问题。
第一方面，本申请实施例提供一种遥感影像的自动纠偏方法，包括：
从参考影像的第一分块和遥感影像的校正影像的第二分块中分别提取多个特征点，确定所述第一分块的特征点和所述第二分块的特征点之间的所有特征向量的欧式距离矩阵；
从所述第一分块的特征点中选取与所述第二分块的每个特征点的欧式距离矩阵最小的特征点作为目标特征点，并将所述目标特征点与所述第二分块对应的所述特征点作为目标特征点组；
基于所述目标特征点组的误差从所述目标特征点组中筛选出多个内点组，从所述内点组的集合中选取属于所述校正影像的校正特征点，并基于所述校正特征点对所述遥感影像进行校正。
在上述实现过程中，通过计算第一分块的特征点与第二分块的特征点的距离矩阵的实施方式，能够针对图像色彩和纹理的差异，剔除部分特征距离较远的点，最大化保留优质的特征点，从而提高在对遥感图像进行配准时特征点的选取效率，由于剔除了其中部分非优质的特征点，还能缩减计算数据量，从而节省配准运行时间。
可选地，在所述从参考影像的第一分块和遥感影像的校正影像的第二分块中提取多个特征点之前，所述方法还可以包括：
采用八向定位的边界跟踪方法提取出所述参考影像的第一有效区矢量范围和所述校正影像的第二有效区矢量范围；
对所述第一有效区矢量范围中的地理空间范围和所述第二有效区矢量范围中的地理空间范围进行相交计算，确定第一重叠范围区域和第二重叠范围区域；所述第一重叠范围区域为所述参考影像中的所述第一有效区矢量范围和所述第二有效区矢量范围的重叠范围区域，所述第二重叠范围区域为所述校正影像中所述第二有效区矢量范围和所述第一有效区矢量范围的重叠范围区域；
将所述第一重叠范围区域和所述第二重叠范围区域自适应生成空间网格，对所述第一重叠范围区域分块以得到所述第一分块，所述第一分块为所述第一重叠范围区域中的任一分块，根据所述第一分块的位置从所述第二重叠范围中获取与所述第一分块对应的第二分块。
在上述实现过程中，基于对参考影像和校正影像进行分块的处理，使不同的分块间可以进行并行计算，能够提高计算速度，降低设备运算内存压力，从而提高校正影像的效率。
可选地，所述从参考影像的第一分块和遥感影像的校正影像的第二分块中提取多个特征点包括：
分别计算所述第一分块和所述第二分块的统计直方图或累计直方图，并基于所述统计直方图或所述累计直方图对所述第一分块和所述第二分块进行直方图均衡化；
基于特征检测算子分别提取直方图均衡化后的所述第一分块和所述第二分块的多个特征点，并计算每个所述特征点的特征描述子以对所述特征点的周围图像区域进行描述；
所述确定所述第一分块的特征点和所述第二分块的特征点之间的所有特征向量的欧式距离矩阵包括：
基于所述特征描述子获得所述第一分块的特征点和所述第二分块的特征点之间的所有特征向量的欧式距离矩阵。
在上述实现过程中，采用特征检测算子计算每个特征点的特征描述子的方式，在其中计算了特征点的主方向，为特征描述子提供了旋转不变的特性，同时还能够描述特征点周围的图像区域，因此能够提高运算速度，从而提高了特征点的提取效率。基于直方图均衡化使分块的灰度值分布近似于均匀分布，使分块灰度标准差变大，丰富分块图像细节，同时，由于对分块进行直方图均衡化消除色彩差异，还能够采用本申请实施例中提供的纠偏方法校正波段数不同或经过系统校正后依然存在偏差的全色、多光谱影像。
可选地，在所述确定所述第一分块的特征点和所述第二分块的特征点之间的所有特征向量的欧式距离矩阵之后，所述方法还包括：
在所述第一分块的特征点和所述第二分块的特征点之间的欧式距离大于或等于预设欧氏距离阈值时，从所述距离矩阵中剔除所述特征点。
在上述实现过程中，通过预先设置欧氏距离阈值，能够对特征点进行筛选，从而提高保留的特征点之间的相似程度，能够针对匹配图像色彩和纹理的差异，保留优质的特征点以提取图像中的特征，从而提高控制点的匹配效率。
可选地，在所述将所述目标特征点与所述第二分块对应的所述特征点作为目标特征点组之后，所述方法还包括：
当所述目标特征点在所述第二分块中有多个特征点对应时，计算所述目标特征点与所述第二分块中对应的每个所述特征点的相对距离，在所述相对距离大于预设相对距离阈值时，剔除与所述相对距离对应的目标特征点组；
当所述目标特征点与所述第二分块中所述特征点唯一对应时，将对应后的所述特征点组保留，将保留下来的所有所述特征点组作为待处理目标特征点组。
在上述实现过程中，通过设置相对距离阈值能够对特征点处理精度进行动态调整，能够使特征点密集且分布均匀。能够避免遥感影像中特征明显的点密集分布于某一区域，而导致的求解出的变换参数只满足与特征点密集区域的情况，提高了影像校正的精准度。
可选地，所述基于所述目标特征点组的误差从所述目标特征点组中筛选出多个内点组包括：
对所述特征点进行分区域处理，所述分区域处理包括根据所述特征点的经纬度信息，将处于预设范围区间的多个特征点划分为同一组，所述特征点的数量范围位于800-1000之间；
基于随机抽样一致算法选取至少六组第一特征点组，基于所述第一特征点组，利用最小二乘法计算并求解出从所述参考影像变换至所述校正影像的二次多项式的变换参数；
基于所述二次多项式的变换参数计算待处理目标特征点组的误差，设置误差阈值，筛选所述第一特征点组中误差小于所述误差阈值的特征点组为内点组；
重复所述基于随机抽样一致算法选取至少六组第一特征点组至所述筛选所述第一特征点组中误差小于所述误差阈值的特征点组为内点组的步骤，确定内点组最多的二次多项式对应的变换参数，并确定出新的内点组，将所有的内点组组成内点组集合。
在上述实现过程中，基于分区域处理以及随机抽样的方式进一步筛选出错误的特征点，保证校正影像与参考影像的吻合度，从而提高校正影像与参考影像的匹配质量，通过采用分段的计算方式能够对阈值进行动态的调整，提高确定内点组的计算效率，实现快速获取正确点。
可选地，所述基于所述特征点对所述遥感影像进行校正包括：
基于密度的聚类算法DBSCAN对所述校正特征点进行空间聚类，将特征距离在设定阈值内的所述校正特征点归为一类，在每类校正特征点中保留特征距离最近的所述校正特征点，所述特征距离为两个所述校正特征点之间的距离，将保留的所述校正特征点作为所述校正影像的最终特征点；
基于所述最终特征点对所述遥感影像进行校正。
在上述实现过程中，采用空间聚类的方式对校正特征点进行均匀化处理，使校正特征点密集且分布均匀，因此能运用于整个遥感图像的校正，避免了遥感影像中特征明显的点密集分布于地物轮廓分明地区，而导致的求解出的变换参数只满足与特征点密集区域的情况，提高了影像校正的精准度。
第二方面，本申请实施例提供一种遥感影像纠偏装置，包括：
确定模块，用于从参考影像的第一分块和遥感影像的校正影像的第二分块中分别提取多个特征点，确定所述第一分块的特征点和所述第二分块的特征点之间的所有特征向量的欧式距离矩阵；
选取模块，用于从所述第一分块的特征点中选取与所述第二分块的每个特征点的欧式距离矩阵最小的特征点作为目标特征点，并将所述目标特征点与所述第二分块对应的所述特征点作为目标特征点组；
校正模块，用于基于所述目标特征点组的误差从所述目标特征点组中筛选出多个内点组，从所述内点组的集合中选取属于所述校正影像的校正特征点，并基于所述校正特征点对所述遥感影像进行校正。
在上述实现过程中，通过计算第一分块的特征点与第二分块的特征点的距离矩阵的实施方式，能够针对图像色彩和纹理的差异，剔除部分特征距离较远的点，最大化保留优质的特征点，从而提高在对遥感图像进行配准时特征点的选取效率，由于剔除了其中部分非优质的特征点，还能缩减计算数据量，从而节省配准运行时间。
可选地，遥感影像的纠偏装置还可以包括：
提取模块，用于采用八向定位的边界跟踪方法提取出所述参考影像的第一有效区矢量范围和所述校正影像的第二有效区矢量范围。
重叠范围区域确定模块，用于对所述第一有效区矢量范围中的地理空间范围和所述第二有效区矢量范围中的地理空间范围进行相交计算，确定第一重叠范围区域和第二重叠范围区域；所述第一重叠范围区域为所述参考影像中的所述第一有效区矢量范围和所述第二有效区矢量范围的重叠范围区域，所述第二重叠范围区域为所述校正影像中所述第二有效区矢量范围和所述第一有效区矢量范围的重叠范围区域。
分块确定模块，用于将所述第一重叠范围区域和所述第二重叠范围区域自适应生成空间网格，对所述第一重叠范围区域分块以得到所述第一分块，所述第一分块为所述第一重叠范围区域中的任一分块，根据所述第一分块的位置从所述第二重叠范围中获取与所述第一分块对应的第二分块。
在上述实现过程中，基于对参考影像和校正影像进行分块的处理，使不同的分块间可以进行并行计算，能够提高计算速度，降低设备运算内存压力，从而提高校正影像的效率。
可选地，所述确定模块可以包括：
计算子模块，用于分别计算所述第一分块和所述第二分块的统计直方图或累计直方图，并基于所述统计直方图或所述累计直方图对所述第一分块和所述第二分块进行直方图均衡化；基于特征检测算子分别提取直方图均衡化后的所述第一分块和所述第二分块的多个特征点，并计算每个所述特征点的特征描述子以对所述特征点的周围图像区域进行描述。
所述确定模块可具体用于：
基于所述特征描述子获得所述第一分块的特征点和所述第二分块的特征点之间的所有特征向量的欧式距离矩阵。
在上述实现过程中，采用特征检测算子计算每个特征点的特征描述子的方式，在其中计算了特征点的主方向，为特征描述子提供了旋转不变的特性，同时还能够描述特征点周围的图像区域，因此能够提高运算速度，从而提高了特征点的提取效率。基于直方图均衡化使分块的灰度值分布近似于均匀分布，使分块灰度标准差变大，丰富分块图像细节，同时，由于对分块进行直方图均衡化消除色彩差异，还能够采用本申请实施例中提供的纠偏方法校正波段数不同或经过系统校正后依然存在偏差的全色、多光谱影像。
可选地，遥感影像的纠偏装置还可以包括：
筛选模块，用于在所述第一分块的特征点和所述第二分块的特征点之间的欧式距离大于或等于预设欧氏距离阈值时，从所述距离矩阵中剔除所述特征点。
在上述实现过程中，通过预先设置欧氏距离阈值，能够对特征点进行筛选，从而提高保留的特征点之间的相似程度，能够针对匹配图像色彩和纹理的差异，保留优质的特征点以提取图像中的特征，从而提高了控制点的匹配效率。
可选地，所述筛选模块还可用于：
当所述目标特征点在所述第二分块中有多个特征点对应时，计算所述目标特征点与所述第二分块中对应的每个所述特征点的相对距离，在所述相对距离大于预设相对距离阈值时，剔除与所述相对距离对应的目标特征点组；当所述目标特征点与所述第二分块中所述特征点唯一对应时，将对应后的所述特征点组保留，将保留下来的所有所述特征点组作为待处理目标特征点组。
在上述实现过程中，通过设置相对距离阈值能够对特征点处理精度进行动态调整，能够使特征点密集且分布均匀。能够避免遥感影像中特征明显的点密集分布于某一区域，而导致的求解出的变换参数只满足与特征点密集区域的情况，提高了影像校正的精准度。
可选地，所述校正模块可具体用于：
对所述特征点进行分区域处理，所述分区域处理包括根据所述特征点的经纬度信息，将处于预设范围区间的多个特征点划分为同一组，所述特征点的数量范围位于800-1000之间；基于随机抽样一致算法选取至少六组第一特征点组，基于所述第一特征点组，利用最小二乘法计算并求解出从所述参考影像变换至所述校正影像的二次多项式的变换参数；基于所述二次多项式的变换参数计算待处理目标特征点组的误差，设置误差阈值，筛选所述第一特征点组中误差小于所述误差阈值的特征点组为内点组；重复所述基于随机抽样一致算法选取至少六组第一特征点组至所述筛选所述第一特征点组中误差小于所述误差阈值的特征点组为内点组的步骤，确定内点组最多的二次多项式对应的变换参数，并确定出新的内点组，将所有的内点组组成内点组集合。
在上述实现过程中，基于分区域处理以及随机抽样的方式进一步筛选出错误的特征点，保证校正影像与参考影像的吻合度，从而提高校正影像与参考影像的匹配质量，通过采用分段的计算方式能够对阈值进行动态的调整，能够提高确定内点组的计算效率，实现快速获取正确点。
可选地，所述校正模块还可具体用于：
基于密度的聚类算法DBSCAN对所述校正特征点进行空间聚类，将特征距离在设定阈值内的所述校正特征点归为一类，在每类校正特征点中保留特征距离最近的所述校正特征点，所述特征距离为两个所述校正特征点之间的距离，将保留的所述校正特征点作为所述校正影像的最终特征点；基于所述最终特征点对所述遥感影像进行校正。
在上述实现过程中，采用空间聚类的方式对校正特征点进行均匀化处理，使校正特征点密集且分布均匀，因此能运用于整个遥感图像的校正，避免了遥感影像中特征明显的点密集分布于地物轮廓分明地区，而导致的求解出的变换参数只满足与特征点密集区域的情况，提高了影像校正的精准度。
第三方面，本申请实施例提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器读取并运行所述程序指令时，执行上述任一实现方式中的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述任一实现方式中的步骤。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的对参考影像和遥感影像的校正影像进行分块的步骤示意图；
图2为本申请实施例提供的一种网格划分示意图；
图3为本申请实施例提供的遥感影像的自动纠偏方法的步骤示意图；
图4为本申请实施例提供的一种提取特征点的步骤示意图；
图5为本申请实施例提供的一种筛选内点组的步骤示意图；
图6为本申请实施例提供的一种遥感影像的纠偏装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
申请人在研究的过程中发现，传统的图像配准技术一般分为基于灰度的配准和基于特征的配准，基于灰度的自动配准方法直接利用图像的灰度信息，通过互相关、互信息等方法建立两幅图像之间的相似性度量来获取匹配点，并基于匹配点对图像进行配准，在这种方法中配准的精度较低，难以满足高分辨率影像的配准。而对于高分辨率影像采用基于特征的配准，通过提取图像中的点特征进行影像特征间的匹配，但对于遥感影像的领域，通常是不同时间影像的配准，目前的施行方式是通过贪心算法遍历每个特征点，删除周围邻近的特征距离较远的点，因此存在特征点选取效率低下，配准运行时间过长，同时计算数据量庞大，运算时占用内存过高的问题。
有基于此，本申请实施例提供一种遥感影像纠偏方法，请参看图1，图1为本申请实施例提供的对参考影像和遥感影像的校正影像进行分块的步骤示意图，该步骤可以包括：
在步骤S111中，采用八向定位的边界跟踪方法提取出所述参考影像的第一有效区矢量范围和所述校正影像的第二有效区矢量范围。
其中，本申请实施例中采用八邻域边缘跟踪的方法，首先遍历图像找到第一个非零像素点，确定该点为边界点，将该点作为搜索起点，搜索其八邻域，找到下一边界点，然后以此边界点为当前点继续搜索，直至回到搜索起点，从而将影像中离散的边缘串接起来，分别确定参考影像的第一有效区矢量范围和校正影像的第二有效区矢量范围。
在步骤S112中，对所述第一有效区矢量范围中的地理空间范围和所述第二有效区矢量范围中的地理空间范围进行相交计算，确定第一重叠范围区域和第二重叠范围区域；所述第一重叠范围区域为所述参考影像中的所述第一有效区矢量范围和所述第二有效区矢量范围的重叠范围区域，所述第二重叠范围区域为所述校正影像中所述第二有效区矢量范围和所述第一有效区矢量范围的重叠范围区域。
在步骤S113中，将所述第一重叠范围区域和所述第二重叠范围区域自适应生成空间网格，对所述第一重叠范围区域分块以得到所述第一分块，所述第一分块为所述第一重叠范围区域中的任一分块，根据所述第一分块的位置从所述第二重叠范围中获取与所述第一分块对应的第二分块。
具体地，请参看图2，图2为本申请实施例提供的一种网格划分示意图，其中，实线矩形为参考影像，虚线矩形为校正影像，加粗多边形为第一重叠范围区域，实线矩形内的方格为自适应生成的空间网格，网格的大小与影像的分辨率有关，且保证每个网格像元的长宽大于1000个像元。实线矩形与虚线矩形重合的部分即为第一重叠范围区域。
由此可见，本申请实施例基于对参考影像和校正影像进行分块的处理，使不同的分块间可以进行并行计算，能够提高计算速度，降低设备运算内存压力，从而提高校正影像的效率。
在确定参考影像的第一分块和校正影像的第二分块后，便基于第一分块和第二分块提取影像的特征点，请参看图3，图3为本申请实施例提供的遥感影像的纠偏方法的步骤示意图，该方法可以包括如下步骤：
在步骤S12中，从参考影像的第一分块和遥感影像的校正影像的第二分块中分别提取多个特征点，确定所述第一分块的特征点和所述第二分块的特征点之间的所有特征向量的欧式距离矩阵。
在步骤S13中，从所述第一分块的特征点中选取与所述第二分块的每个特征点的欧式距离矩阵最小的特征点作为目标特征点，并将所述目标特征点与所述第二分块对应的所述特征点作为目标特征点组。
在步骤S14中，基于所述目标特征点组的误差从所述目标特征点组中筛选出多个内点组，从所述内点组的集合中选取属于所述校正影像的校正特征点，并基于所述校正特征点对所述遥感影像进行校正。
由此可见，本申请实施例通过计算第一分块的特征点与第二分块的特征点的距离矩阵的实施方式，能够针对图像色彩和纹理的差异，剔除部分特征距离较远的点，最大化保留优质的特征点，从而提高在对遥感图像进行配准时特征点的选取效率，由于剔除了其中部分非优质的特征点，还能缩减计算数据量，从而节省配准运行时间。
具体地，对于步骤S12，本申请实施例提供一种提取特征点的施行方式，请参看图4，图4为本申请实施例提供的一种提取特征点的步骤示意图，该步骤可以包括：
在步骤S121中，分别计算所述第一分块和所述第二分块的统计直方图或累计直方图，并基于所述统计直方图或所述累计直方图对所述第一分块和所述第二分块进行直方图均衡化。
示例性地，基于分块特征的统计直方图对分块对应的图像特征进行描述，图像特征的统计直方图和累计直方图都可以是一个1-D的离散函数，统计直方图的离散函数的公式为
；累计直方图的离散函数的公式为
。其中，k为分块特征取值，L为特征可取值个数，
为分块中具有特征值为k的像素的个数，N为分块中像素的总数。
在步骤S122中，基于特征检测算子分别提取直方图均衡化后的所述第一分块和所述第二分块的多个特征点，并计算每个所述特征点的特征描述子以对所述特征点的周围图像区域进行描述。
其中，在某个像素点和该像素点周围领域足够多的其他像素点处于不同区域时，则该像素点为特征点，对于遥感图像来说，也就是该像素点的灰度值和其周围足够多的其他像素点的灰度值不同。
示例性地，在本申请实施例提供的施行方式中，特征检测算子可以是ORB（Oriented FAST and Rotated BRIEF）特征检测算子，特征描述子可以是BRIEF（BinaryRobust Independent Elementary Features）特征描述子，其中，提取特征点的步骤可以为：基于FAST（Features from Accelerated Segment Test）算法提取关键点，基于Harris算法筛选匹配分数高的特征点；对分块进行金字塔变换；计算特征点中心和角度方向；基于BRIEF算法计算特征点的BRIEF特征描述子。
在步骤S123中，基于所述特征描述子获得所述第一分块的特征点和所述第二分块的特征点之间的所有特征向量的欧式距离矩阵。
由此可见，本申请实施例采用特征检测算子计算每个特征点的特征描述子的方式，在其中计算了特征点的主方向，为特征描述子提供了旋转不变的特性，同时还能够描述特征点周围的图像区域，因此能够提高运算速度，从而提高了特征点的提取效率。基于直方图均衡化使分块的灰度值分布近似于均匀分布，使分块灰度标准差变大，丰富分块图像细节，同时，由于对分块进行直方图均衡化消除色彩差异，还能够采用本申请实施例中提供的纠偏方法校正波段数不同或经过系统校正后依然存在偏差的全色、多光谱影像。
在一可选的实施例中，对于步骤S12，在所述确定所述第一分块的特征点和所述第二分块的特征点之间的所有特征向量的距离矩阵之后，所述方法还可以包括：
在所述第一分块的特征点和所述第二分块的特征点之间的欧式距离大于或等于预设欧氏距离阈值时，从所述距离矩阵中剔除所述特征点。
示例性地，如第一分块特征点2与第二分块中特征点1的欧式距离矩阵最小，则第一分块特征点2为第二分块中特征点1对应的特征点；第一分块特征点2与第二分块中特征点3的欧式距离矩阵最小，则第一分块特征点2为第二分块中特征点3对应的特征点，第一分块某一特征点可能与第二分块中特征点多个特征点对应。
由此可见，在本申请实施例中预设欧氏距离阈值，能够对特征点进行筛选，从而提高保留的特征点之间的相似程度，能够针对匹配图像色彩和纹理的差异，保留优质的特征点以提取图像中的特征，从而提高了控制点的匹配效率。
可选地，针对步骤S13，在所述将所述目标特征点与所述第二分块对应的所述特征点作为目标特征点组之后，所述方法还可以包括：
当所述目标特征点在所述第二分块中有多个特征点对应时，计算所述目标特征点与所述第二分块中对应的每个所述特征点的相对距离，在所述相对距离大于预设相对距离阈值时，剔除与所述相对距离对应的目标特征点组；
当所述目标特征点与所述第二分块中所述特征点唯一对应时，将对应后的所述特征点组保留，将保留下来的所有所述特征点组作为待处理目标特征点组。
示例性地，第一分块某一特征点与第二分块中多个特征点对应时（即与2个或2个以上的特征点对应时），将该特征点作为待处理的目标特征点，如第一分块的特征点2与第二分块的特征点3及1都对应，则第一分块特征点2则为待处理的目标特征点，基于相对距离公式，分别计算待处理的目标特征点与第二分块对应的特征点之间的相对距离，删除相对距离大于相对距离阈值的待处理的目标特征点与第二分块对应的特征点所形成特征点组，将保留下来的所有特征点组作为目标特征点组。
由此可见，本申请实施例通过设置相对距离阈值能够对特征点处理精度进行动态调整，能够使特征点密集且分布均匀。能够避免遥感影像中特征明显的点密集分布于某一区域，而导致的求解出的变换参数只满足与特征点密集区域的情况，提高了影像校正的精准度。
当待处理的目标特征点组较多时，会提高算法的复杂程度，本申请实施例采用分段的计算方式，分块求解内点组，针对步骤S14，本申请实施例提供一种筛选内点组施行步骤，请参看图5，图5为本申请实施例提供的一种筛选内点组的步骤示意图，该步骤可以包括：
在步骤S141中，对所述特征点进行分区域处理，所述分区域处理包括根据所述特征点的经纬度信息，将处于预设范围区间的多个特征点划分为同一组，所述特征点的数量范围位于800-1000之间。
在步骤S142中，基于随机抽样一致算法选取至少六组第一特征点组，基于所述第一特征点组，利用最小二乘法计算并求解出从所述参考影像变换至所述校正影像的二次多项式的变换参数。
在步骤S143中，基于所述二次多项式的变换参数计算待处理目标特征点组的误差，设置误差阈值，筛选所述第一特征点组中误差小于所述误差阈值的特征点组为内点组。
在步骤S144中，重复所述基于随机抽样一致算法选取至少六组第一特征点组至所述筛选所述第一特征点组中误差小于所述误差阈值的特征点组为内点组的步骤，确定内点组最多的二次多项式对应的变换参数，并确定出新的内点组，将所有的内点组组成内点组集合。
示例性地，首先根据特征点的经纬度信息对特征点进行分区域处理，将经纬度信息为某一范围区间段的特征点划分为同一组，其中，将从某一范围区间段中获取的特征点的数量范围控制在800-1000个特征点之间。
其中，可以基于随机抽样一致性（Random Sample And Consensus，RANSAC）算法从所有待处理的目标特征点组中随机抽取6对特征点组，并利用最小二乘法，根据随机抽取出来的6对特征点组求解出表示从参考影像变换至校正影像的二次多项式的变换参数，并基于变换参数计算所有目标特征点组的误差，将误差小于预设误差阈值的所有目标特征点组作为内点组。并重复上述S142-S143的步骤，确定内点组数量最多的二次多项式的变换参数，根据与该变换参数对应的概率确定内点组，并将所有的内点组作为内点组集合。
另外，也可以设置多个误差阈值分多个阶段得到内点组，如第一阶段，将步骤S143中的误差值作为第一误差值，如处理高分辨率影像而将误差阈值设置为10m，从而确定第一内点集合；第二阶段，将第一内点组集合作为所有待处理的目标特征点组，重复上述S141-S143的步骤，并将误差阈值设定为第二误差阈值，如处理像元级精度影像而将误差阈值设置为0.5m，从而确定第二内点组集合作为最终的内点组集合。
由此可见，本申请实施例基于分区域处理以及随机抽样的方式进一步筛选出错误的特征点，保证校正影像与参考影像的吻合度，从而提高校正影像与参考影像的匹配质量，通过采用分段的计算方式，能够提高确定内点组的计算效率，实现快速获取正确点。
可选地，针对步骤S14，基于所述特征点对所述遥感影像进行校正可以包括：
基于密度的聚类算法DBSCAN对所述校正特征点进行空间聚类，将特征距离在设定阈值内的所述校正特征点归为一类，在每类校正特征点中保留特征距离最近的所述校正特征点，所述特征距离为两个所述校正特征点之间的距离，将保留的所述校正特征点作为所述校正影像的最终特征点；基于所述最终特征点对所述遥感影像进行校正。
其中，可以从内点组集合中筛选出属于校正影像的特征点，将筛选出来的特征点作为校正影像的初步特征点，基于DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)聚类算法对初步特征点进行空间聚类，使初步特征点之间的距离在特定阈值（如10m）内的化为一类，且在每类中只保留特征距离最近的初步特征点，将保留的初步特征点作为校正特征点，并基于保留的所述校正特征点对所述遥感影像进行校正。
由此可见，本申请实施例采用空间聚类的方式对校正特征点进行均匀化处理，使校正特征点密集且分布均匀，因此能运用于整个遥感图像的校正，避免了遥感影像中特征明显的点密集分布于地物轮廓分明地区，而导致的求解出的变换参数只满足与特征点密集区域的情况，提高了影像校正的精准度。
由于本申请实施例在运行RANSAC算法时采用的是通过二次多项式表示从参考影像变换至校正影像，因此，影像校正也采用二次多项式校正的方式。但由于本申请实施例中所有的施行步骤均为分块操作，得出的校正特征点具有空间局部最优的特点，因此也可以采用薄板样条函数对遥感影像进行校正。
基于同一发明构思，本申请实施例还提供一种遥感影像纠偏装置60，请参看图6，图6为本申请实施例提供的一种遥感影像的纠偏装置的示意图，该装置可以包括：
确定模块61，用于从参考影像的第一分块和遥感影像的校正影像的第二分块中提取多个特征点，确定所述第一分块的特征点和所述第二分块的特征点之间的所有特征向量的欧式距离矩阵。
选取模块62，用于从所述第一分块的特征点中选取与所述第二分块的每个特征点的欧式距离矩阵最小的特征点作为目标特征点，并将所述目标特征点与所述第二分块对应的所述特征点作为目标特征点组。
校正模块63，用于基于所述目标特征点组的误差从所述目标特征点组中筛选出多个内点组，从所述内点组的集合中选取属于所述校正影像的校正特征点，并基于所述校正特征点对所述遥感影像进行校正。
可选地，遥感影像的纠偏装置60还可以包括：
提取模块，用于采用八向定位的边界跟踪方法提取出所述参考影像的第一有效区矢量范围和所述校正影像的第二有效区矢量范围。
重叠范围区域确定模块，用于对所述第一有效区矢量范围中的地理空间范围和所述第二有效区矢量范围中的地理空间范围进行相交计算，确定第一重叠范围区域和第二重叠范围区域；所述第一重叠范围区域为所述参考影像中的所述第一有效区矢量范围和所述第二有效区矢量范围的重叠范围区域，所述第二重叠范围区域为所述校正影像中所述第二有效区矢量范围和所述第一有效区矢量范围的重叠范围区域。
分块确定模块，用于将所述第一重叠范围区域和所述第二重叠范围区域自适应生成空间网格，对所述第一重叠范围区域分块以得到所述第一分块，所述第一分块为所述第一重叠范围区域中的任一分块，根据所述第一分块的位置从所述第二重叠范围中获取与所述第一分块对应的第二分块。
可选地，所述确定模块61可以包括：
计算子模块，用于分别计算所述第一分块和所述第二分块的统计直方图或累计直方图，并基于所述统计直方图或所述累计直方图对所述第一分块和所述第二分块进行直方图均衡化；基于特征检测算子分别提取直方图均衡化后的所述第一分块和所述第二分块的多个特征点，并计算每个所述特征点的特征描述子以对所述特征点的周围图像区域进行描述。
所述确定模块61可具体用于：基于所述特征描述子获得所述第一分块的特征点和所述第二分块的特征点之间的所有特征向量的欧式距离矩阵。
可选地，遥感影像的纠偏装置60还可以包括：
筛选模块，用于在所述第一分块的特征点和所述第二分块的特征点之间的欧式距离大于或等于预设欧氏距离阈值时，从所述距离矩阵中剔除所述特征点。
可选地，所述筛选模块还可用于：
当所述目标特征点在所述第二分块中有多个特征点对应时，计算所述目标特征点与所述第二分块中对应的每个所述特征点的相对距离，在所述相对距离大于预设相对距离阈值时，剔除与所述相对距离对应的目标特征点组；当所述目标特征点与所述第二分块中所述特征点唯一对应时，将对应后的所述特征点组保留，将保留下来的所有所述特征点组作为待处理目标特征点组。
可选地，所述校正模块63可具体用于：
对所述特征点进行分区域处理，所述分区域处理包括根据所述特征点的经纬度信息，将处于预设范围区间的多个特征点划分为同一组，所述特征点的数量范围位于800-1000之间；基于随机抽样一致算法选取至少六组第一特征点组，基于所述第一特征点组，利用最小二乘法计算并求解出从所述参考影像变换至所述校正影像的二次多项式的变换参数；基于所述二次多项式的变换参数计算待处理目标特征点组的误差，设置误差阈值，筛选所述第一特征点组中误差小于所述误差阈值的特征点组为内点组；重复所述基于随机抽样一致算法选取至少六组第一特征点组至所述筛选所述第一特征点组中误差小于所述误差阈值的特征点组为内点组的步骤，确定内点组最多的二次多项式对应的变换参数，并确定出新的内点组，将所有的内点组组成内点组集合。
可选地，所述校正模块63还可具体用于：
基于密度的聚类算法DBSCAN对所述校正特征点进行空间聚类，将特征距离在设定阈值内的所述校正特征点归为一类，在每类校正特征点中保留特征距离最近的所述校正特征点，所述特征距离为两个所述校正特征点之间的距离，将保留的所述校正特征点作为所述校正影像的最终特征点；基于所述最终特征点对所述遥感影像进行校正。
基于同一发明构思，本申请实施例还提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器读取并运行所述程序指令时，执行上述任一实现方式中的步骤。
基于同一发明构思，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述任一实现方式中的步骤。
所述计算机可读存储介质可以是随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等各种可以存储程序代码的介质。其中，存储介质用于存储程序，所述处理器在接收到执行指令后，执行所述程序，本发明实施例任一实施例揭示的过程定义的电子终端所执行的方法可以应用于处理器中，或者由处理器实现。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
可以替换的，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。
所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (9)
1.一种遥感影像的自动纠偏方法，其特征在于，包括：
从参考影像的第一分块和遥感影像的校正影像的第二分块中分别提取多个特征点，确定所述第一分块的特征点和所述第二分块的特征点之间的所有特征向量的欧式距离矩阵；
从所述第一分块的特征点中选取与所述第二分块的每个特征点的欧式距离矩阵最小的特征点作为目标特征点，并将所述目标特征点与所述第二分块对应的所述特征点作为目标特征点组；
基于所述目标特征点组的误差从所述目标特征点组中筛选出多个内点组，从所述内点组的集合中选取属于所述校正影像的校正特征点，并基于所述校正特征点对所述遥感影像进行校正；
所述基于所述特征点对所述遥感影像进行校正包括：
基于密度的聚类算法DBSCAN对所述校正特征点进行空间聚类，将特征距离在设定阈值内的所述校正特征点归为一类，在每类校正特征点中保留特征距离最近的所述校正特征点，所述特征距离为两个所述校正特征点之间的距离，将保留的所述校正特征点作为所述校正影像的最终特征点；
基于所述最终特征点对所述遥感影像进行校正。
2.根据权利要求1所述的方法，其特征在于，在所述从参考影像的第一分块和遥感影像的校正影像的第二分块中提取多个特征点之前，所述方法还包括：
采用八向定位的边界跟踪方法提取出所述参考影像的第一有效区矢量范围和所述校正影像的第二有效区矢量范围；
对所述第一有效区矢量范围中的地理空间范围和所述第二有效区矢量范围中的地理空间范围进行相交计算，确定第一重叠范围区域和第二重叠范围区域；所述第一重叠范围区域为所述参考影像中的所述第一有效区矢量范围和所述第二有效区矢量范围的重叠范围区域，所述第二重叠范围区域为所述校正影像中所述第二有效区矢量范围和所述第一有效区矢量范围的重叠范围区域；
将所述第一重叠范围区域和所述第二重叠范围区域自适应生成空间网格，对所述第一重叠范围区域分块以得到所述第一分块，所述第一分块为所述第一重叠范围区域中的任一分块，根据所述第一分块的位置从所述第二重叠范围中获取与所述第一分块对应的第二分块。
3.根据权利要求1所述的方法，其特征在于，所述从参考影像的第一分块和遥感影像的校正影像的第二分块中提取多个特征点包括：
分别计算所述第一分块和所述第二分块的统计直方图或累计直方图，并基于所述统计直方图或所述累计直方图对所述第一分块和所述第二分块进行直方图均衡化；
基于特征检测算子分别提取直方图均衡化后的所述第一分块和所述第二分块的多个特征点，并计算每个所述特征点的特征描述子以对所述特征点的周围图像区域进行描述；
所述确定所述第一分块的特征点和所述第二分块的特征点之间的所有特征向量的欧式距离矩阵包括：
基于所述特征描述子获得所述第一分块的特征点和所述第二分块的特征点之间的所有特征向量的欧式距离矩阵。
4.根据权利要求1所述的方法，其特征在于，在所述确定所述第一分块的特征点和所述第二分块的特征点之间的所有特征向量的欧式距离矩阵之后，所述方法还包括：
在所述第一分块的特征点和所述第二分块的特征点之间的欧式距离大于或等于预设欧氏距离阈值时，从所述距离矩阵中剔除所述特征点。
5.根据权利要求1所述的方法，其特征在于，在所述将所述目标特征点与所述第二分块对应的所述特征点作为目标特征点组之后，所述方法还包括：
当所述目标特征点在所述第二分块中有多个特征点对应时，计算所述目标特征点与所述第二分块中对应的每个所述特征点的相对距离，在所述相对距离大于预设相对距离阈值时，剔除与所述相对距离对应的目标特征点组；
当所述目标特征点与所述第二分块中所述特征点唯一对应时，将对应后的所述特征点组保留，将保留下来的所有所述特征点组作为待处理目标特征点组。
6.根据权利要求1所述的方法，其特征在于，所述基于所述目标特征点组的误差从所述目标特征点组中筛选出多个内点组包括：
对所述特征点进行分区域处理，所述分区域处理包括根据所述特征点的经纬度信息，将处于预设范围区间的多个特征点划分为同一组，所述特征点的数量范围位于800-1000之间；
基于随机抽样一致算法选取至少六组第一特征点组，基于所述第一特征点组，利用最小二乘法计算并求解出从所述参考影像变换至所述校正影像的二次多项式的变换参数；
基于所述二次多项式的变换参数计算待处理目标特征点组的误差，设置误差阈值，筛选所述第一特征点组中误差小于所述误差阈值的特征点组为内点组；
重复所述基于随机抽样一致算法选取至少六组第一特征点组至所述筛选所述第一特征点组中误差小于所述误差阈值的特征点组为内点组的步骤，确定内点组最多的二次多项式对应的变换参数，并确定出新的内点组，将所有的内点组组成内点组集合。
7.一种遥感影像纠偏装置，其特征在于，包括：
确定模块，用于从参考影像的第一分块和遥感影像的校正影像的第二分块中提取多个特征点，确定所述第一分块的特征点和所述第二分块的特征点之间的所有特征向量的欧式距离矩阵；
选取模块，用于从所述第一分块的特征点中选取与所述第二分块的每个特征点的欧式距离矩阵最小的特征点作为目标特征点，并将所述目标特征点与所述第二分块对应的所述特征点作为目标特征点组；
校正模块，用于基于所述目标特征点组的误差从所述目标特征点组中筛选出多个内点组，从所述内点组的集合中选取属于所述校正影像的校正特征点，并基于所述校正特征点对所述遥感影像进行校正；所述基于所述特征点对所述遥感影像进行校正包括：
基于密度的聚类算法DBSCAN对所述校正特征点进行空间聚类，将特征距离在设定阈值内的所述校正特征点归为一类，在每类校正特征点中保留特征距离最近的所述校正特征点，所述特征距离为两个所述校正特征点之间的距离，将保留的所述校正特征点作为所述校正影像的最终特征点；基于所述最终特征点对所述遥感影像进行校正。
8.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器运行所述程序指令时，执行权利要求1-6中任一项所述方法中的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器运行时，执行权利要求1-6任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210019442.5A CN114037913B (zh) | 2022-01-10 | 2022-01-10 | 遥感影像的自动纠偏方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210019442.5A CN114037913B (zh) | 2022-01-10 | 2022-01-10 | 遥感影像的自动纠偏方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114037913A CN114037913A (zh) | 2022-02-11 |
| CN114037913B true CN114037913B (zh) | 2022-04-26 |
Family
ID=80147376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210019442.5A Active CN114037913B (zh) | 2022-01-10 | 2022-01-10 | 遥感影像的自动纠偏方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114037913B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109461115A (zh) * | 2018-07-27 | 2019-03-12 | 北京电影学院 | 一种基于深度卷积网络的自动图像配准方法 |
| CN110136182A (zh) * | 2019-05-28 | 2019-08-16 | 北京百度网讯科技有限公司 | 激光点云与2d影像的配准方法、装置、设备和介质 |
| CN111009001A (zh) * | 2019-09-17 | 2020-04-14 | 哈工大机器人(中山)无人装备与人工智能研究院 | 一种图像配准方法、装置、设备及存储介质 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7653264B2 (en) * | 2005-03-04 | 2010-01-26 | The Regents Of The University Of Michigan | Method of determining alignment of images in high dimensional feature space |
| WO2012039719A1 (en) * | 2010-09-24 | 2012-03-29 | Hewlett-Packard Development Company, L.P. | Image registration |
| CN102073990A (zh) * | 2010-11-26 | 2011-05-25 | 中国科学院遥感应用研究所 | 一种遥感图像自动几何纠正的系统框架和方法 |
| CN103065311A (zh) * | 2012-12-26 | 2013-04-24 | 中国土地勘测规划院 | 基于基准影像库的卫星影像自动配准方法 |
| CN103383773B (zh) * | 2013-03-26 | 2016-09-28 | 中国科学院遥感与数字地球研究所 | 一种动态提取图像控制点的遥感卫星图像自动正射纠正的框架和方法 |
| CN103413272B (zh) * | 2013-07-22 | 2016-12-28 | 中国科学院遥感与数字地球研究所 | 低空间分辨率多源遥感图像空间一致性校正方法 |
| CN103700110B (zh) * | 2013-12-27 | 2017-03-22 | 重庆交通大学 | 全自动影像匹配方法 |
| CN104778679B (zh) * | 2014-12-22 | 2019-07-12 | 中国科学院遥感与数字地球研究所 | 一种基于高分一号卫星数据的控制点图元快速匹配方法 |
| CN108846436A (zh) * | 2018-06-13 | 2018-11-20 | 武汉朗视软件有限公司 | 一种多影像立体匹配方法 |
| CN109117851A (zh) * | 2018-07-06 | 2019-01-01 | 航天星图科技（北京）有限公司 | 一种基于网格统计约束的视频图像匹配方法 |
| CN112396643A (zh) * | 2020-12-08 | 2021-02-23 | 兰州交通大学 | 一种尺度不变特征与几何特征融合的多模态高分影像配准方法 |
| CN113434736A (zh) * | 2021-06-10 | 2021-09-24 | 中国科学院电子学研究所苏州研究院 | 一种面向遥感大数据的多维混合索引方法及系统 |
-
2022
- 2022-01-10 CN CN202210019442.5A patent/CN114037913B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109461115A (zh) * | 2018-07-27 | 2019-03-12 | 北京电影学院 | 一种基于深度卷积网络的自动图像配准方法 |
| CN110136182A (zh) * | 2019-05-28 | 2019-08-16 | 北京百度网讯科技有限公司 | 激光点云与2d影像的配准方法、装置、设备和介质 |
| CN111009001A (zh) * | 2019-09-17 | 2020-04-14 | 哈工大机器人(中山)无人装备与人工智能研究院 | 一种图像配准方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 局部坐标系的嫦娥二号月面影像自动拼接方法;杨阿华等;《测绘学报》;20140131;第43卷(第1期);第52-59页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114037913A (zh) | 2022-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109740606B (zh) | 一种图像识别方法及装置 | |
| CN111340701B (zh) | 一种基于聚类法筛选匹配点的电路板图像拼接方法 | |
| CN109712071B (zh) | 基于航迹约束的无人机图像拼接与定位方法 | |
| CN111398176B (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
| CN111832634B (zh) | 异物检测方法、系统、终端设备及存储介质 | |
| CN113661497A (zh) | 一种匹配方法、装置、电子设备及计算机可读存储介质 | |
| CN112102381A (zh) | 一种基于r-sift的硬件木马图像配准方法、存储介质及设备 | |
| CN112215887A (zh) | 一种位姿确定方法、装置、存储介质及移动机器人 | |
| CN114037913B (zh) | 遥感影像的自动纠偏方法、装置、电子设备及存储介质 | |
| CN111915645B (zh) | 影像匹配方法、装置、计算机设备及计算机可读存储介质 | |
| CN117520581A (zh) | 一种土地测绘信息管理方法、系统、设备及介质 | |
| CN116167921B (zh) | 一种飞行太空舱全景图像拼接方法及系统 | |
| CN112215304A (zh) | 一种用于地理影像拼接的灰度影像匹配方法及装置 | |
| CN116542998B (zh) | 用于光刻薄膜电感的轮廓检测方法、装置、设备及介质 | |
| CN112212851B (zh) | 一种位姿确定方法、装置、存储介质及移动机器人 | |
| CN104322057A (zh) | 图案处理装置、图案处理方法和图案处理程序 | |
| CN111104965A (zh) | 车辆目标识别的方法及装置 | |
| US11645827B2 (en) | Detection method and device for assembly body multi-view change based on feature matching | |
| CN114463393A (zh) | 图像配准方法、计算机设备及存储装置 | |
| CN112907495A (zh) | 高光谱图像的空间分辨率增强方法、装置及电子设备 | |
| CN109919998B (zh) | 卫星姿态确定方法、装置和终端设备 | |
| CN114078245A (zh) | 一种图像处理方法及图像处理装置 | |
| CN112927276A (zh) | 图像配准方法、装置、电子设备及存储介质 | |
| KR101934317B1 (ko) | 선형정보의 연관분석을 이용한 영상의 자동등록 시스템 | |
| CN116977677B (zh) | 基于聚类的图像特征点匹配筛选方法、装置、设备及介质 |
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 | ||
| CP03 | Change of name, title or address |
Address after: No. 200, building 16, middle section of shuangshenggang Avenue, Shuangliu District, Chengdu, Sichuan Province Patentee after: Chengdu Guoxing Aerospace Technology Co.,Ltd. Address before: 610094 No. 16, floor 1, building 7, No. 333, middle section of Shuangnan Avenue, Dongsheng Street, Shuangliu District, Chengdu, Sichuan Patentee before: CHENGDU GUOXING AEROSPACE TECHNOLOGY Co.,Ltd. |
|
| CP03 | Change of name, title or address |