CN114419116A - 一种基于网匹配的遥感影像配准方法及其系统 - Google Patents

一种基于网匹配的遥感影像配准方法及其系统 Download PDF

Info

Publication number
CN114419116A
CN114419116A CN202210025114.6A CN202210025114A CN114419116A CN 114419116 A CN114419116 A CN 114419116A CN 202210025114 A CN202210025114 A CN 202210025114A CN 114419116 A CN114419116 A CN 114419116A
Authority
CN
China
Prior art keywords
image
corrected
subdata
road network
remote sensing
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
CN202210025114.6A
Other languages
English (en)
Other versions
CN114419116B (zh
Inventor
丁龙远
张彭
蔡勇
卢忠
高雅
张戬
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.)
Taizhou Natural Resources And Planning Bureau
JIANGSU INSTITUTE OF SURVEYING & MAPPING
Original Assignee
Taizhou Natural Resources And Planning Bureau
JIANGSU INSTITUTE OF SURVEYING & MAPPING
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 Taizhou Natural Resources And Planning Bureau, JIANGSU INSTITUTE OF SURVEYING & MAPPING filed Critical Taizhou Natural Resources And Planning Bureau
Priority to CN202210025114.6A priority Critical patent/CN114419116B/zh
Publication of CN114419116A publication Critical patent/CN114419116A/zh
Application granted granted Critical
Publication of CN114419116B publication Critical patent/CN114419116B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Abstract

本发明提供了一种基于网匹配的遥感影像配准方法及其系统，所述遥感影像配准方法包括：将待校正影像、标准参考影像和路网按相同的地理坐标跨度进行均匀切分；选取所述待校正影像的子数据、所述标准参考影像的子数据，分别与所述路网的子数据进行动态叠加，以匹配控制点；基于所述控制点群，对所述待校正影像进行多项式变换并重采样，以得到校准后的新影像。本发明的配准方法聚焦影像中的公路水路区域，排除其他各类不稳定要素的干扰，借助网匹配精度评价算法，自动提取优质控制点，且该方法实现简单，配准效率高，同时有效地保证了配准的稳健性和准确性，适用于各类光学遥感影像的几何精校正。

Description

一种基于网匹配的遥感影像配准方法及其系统
技术领域
本发明涉及遥感影像处理领域，具体而言，涉及一种基于网匹配的遥感影像配准方法及其系统。
背景技术
大部分原始卫星遥感数据，通常不带有地理坐标，无法直接使用。用户需要依据机构公布的RPC参数和数字高程模型数据计算影像的经纬度坐标，生成具有测量意义的空间数据。这一处理过程为几何粗校正。经过几何粗校正的影像虽然消除了大部分几何畸变，但坐标仍然存在少许误差。因此还要参照具有精确坐标的空间数据，对影像进行更精细的几何校正，这一处理过程可称为几何精校正。几何精校正是遥感数据处理过程中必不可少的步骤，提升这一步骤的效率和精度，对提高遥感影像处理效率和处理能力具有重要意义。
几何精校正一般基于多项式实现，即通过多项式描述待校正影像像素坐标与真实坐标的映射关系。对于影像的二维坐标，通常采用二元n次多项式，公式如下：
Figure BDA0003464089810000011
其中，X、Y为校正前影像的坐标，x、y为校正后影像的坐标，a、b为多项式系数；
只要确定多项式的系数，就可以建立多项式，对原影像进行坐标变换并重采样，生成坐标准确的新影像。为了求解多项式系数，需要在标准影像和待校正影像中，选取若干同名控制点，继而基于同名点的坐标，解算出多项式系数。因此，多项式校正的关键在于获取可靠的同名点。同名点要尽量选择易于分辨、形态精细、坐标稳定的点位，例如：公路交叉口、道路转角等，且同名点在整幅影像中的分布要尽量均匀且广泛。但在实际操作过程中，经常无法找到足够的理想同名点，尤其在分辨率不高的遥感影像中，难以找到清晰可辨的同名点，从而导致校正结果产生不同程度的偏差。
现有的方法，通常是基于边缘检测、角点检测、图像特征匹配等算法，直接在影像中提取同名点。但由于遥感影像中要素多样，内容繁杂，而且受到角度、光照、物候等因素的干扰，直接在原始影像中通过局部运算寻找同名点，很容易误提取伪同名点，影响校正效果。
有鉴于此，特提出本发明。
发明内容
有鉴于此，本发明公开了一种基于网匹配的遥感影像配准方法，以及用于实现上述基于网匹配的遥感影像配准方法的系统，以提高配准的效率以及准确度。
具体地，本发明是通过以下技术方案实现的：
第一方面，本发明公开了一种基于网匹配的遥感影像配准方法，所述方法包括如下步骤：
将待校正影像、标准参考影像和路网按相同的地理坐标进行跨度切分；
选取所述待校正影像的子数据、所述标准参考影像的子数据，分别与所述路网的子数据进行动态叠加，以匹配控制点；
基于所述控制点群，对所述待校正影像进行多项式变换并重采样，以得到校准后的新影像。
第二方面，本发明公开了一种基于网匹配的遥感影像配准系统，包括：
数据切分模块：用于将待校正影像、标准参考影像和路网按相同的地理坐标跨度进行均匀切分；
动态叠加模块：用于选取所述待校正影像的子数据、所述标准参考影像的子数据，分别与所述路网的子数据进行动态叠加，以匹配控制点；
变换重采样模块：用于基于所述控制点群，对所述待校正影像进行多项式变换并重采样，以得到校准后的新影像。
第三方面，本发明公开了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述基于网匹配的遥感影像配准方法的步骤。
第四方面，本发明公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述基于网匹配的遥感影像配准方法的步骤。
由于遥感影像中的公路和水路都具有分布广泛、形态稳定、色彩均匀、易于辨认的特点，且呈纵横交织的网状分布，拥有大量交点和角点，非常适合用于影像几何校正。因此本发明的方案针对上述情况，提出了一种基于网匹配实现影像几何精校正的方法，该方法聚焦影像中的公路水路区域，排除其他各类不稳定要素的干扰，借助网匹配精度评价算法，自动提取优质控制点。该方法实现简单，配准效率高，同时有效地保证了配准的稳健性和准确性，适用于各类光学遥感影像的几何精校正。
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为本发明实施例提供的基于网匹配的遥感影像配准方法的流程示意图；
图2为本发明实施例提供的基于网匹配的遥感影像配准方法的整体操作示意流程图；
图3为本发明实施例提供的遥感影像配准系统的结构示意图；
图4为本发明实施例提供的一种计算机设备的结构示意图；
图5为实际操作中的待校正的影像图；
图6为实际操作中的参考水网数据图；
图7为实际操作中的参考路网数据图；
图8为实际操作中的影像子图叠加路网子图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本发明公开了一种基于网匹配的遥感影像配准方法，所述方法包括：
将待校正影像、标准参考影像和路网按相同的地理坐标进行跨度切分；
选取所述待校正影像的子数据和与之对应的所述标准参考影像的子数据、所述路网的子数据进行动态叠加，以匹配控制点；
基于所述控制点群，对所述待校正影像进行多项式变换并重采样，以得到校准后的新影像。
正是因为现有技术中，通常是基于边缘检测、角点检测、图像特征匹配等算法，直接在影像中提取同名点。但由于遥感影像中要素多样，内容繁杂，而且受到角度、光照、物候等因素的干扰，直接在原始影像中通过局部运算寻找同名点，很容易误提取伪同名点，影响校正效果，为了解决上述问题，本发明提供了一种提高配准精度的方法。
图1为本发明实施例公开的一种基于网匹配的遥感影像配准方法的流程示意图，参照图1所示，所述方法包括如下步骤：
S1、将待校正影像、标准参考影像和路网按相同的地理坐标进行跨度切分。
在该步骤中，所涉及的标准参考影像是与待校正影像分辨率相似的坐标准确的影像数据，是任何几何校正方法都需要使用的核心参考数据。路网的数据为矢量面状数据，数据内容一般是公路或水路，标准参考影像和路网数据均作为几何校正的参考标准使用。公路和水路通常具有一定宽度，大多在2m-20m之间。根据影像拍摄区域的地理特点，可以同时使用水路数据或公路数据，或者只用其中一种。例如：对于水网密布的地区，可以只采用水路数据。对于路网发达的地区，可以只采用公路数据。总之，要保证在影像中，有充足的路网要素作为匹配参考。
优选地，该步骤中的跨度切分的方法包括：对待校正影像、标准参考影像和路网数据，都按照相同的地理坐标跨度切割，使每个待校正影像子数据，都能够找到与之对应的，具有相同地理范围的参考影像子数据和路网子数据。
更进一步地，切割采用的地理跨度应根据影像的分辨率适当调整，以保证子图大小适中，实际操作时子图的大小控制在5万-20万像素之间。如果子图过小，则图面信息过少，匹配对象不足以支撑网匹配精度的计算；如果子图过大，则计算匹配值耗时相对长，影响效率。
S2、选取所述待校正影像的子数据和与之对应的所述标准参考影像的子数据、所述路网的子数据进行动态叠加，以匹配控制点；
该S2步骤中，通过动态叠加匹配精度评价算法以自动计算优质控制点。
优选地，所述动态叠加、匹配控制点的具体方法包括：
选取其中一幅所述待校正影像的子数据，同时选取与之对应的标准参考影像的子数据、路网子数据；
将标准参考影像的子数据按照所述待校正影像的子数据的长宽重采样，再将所述路网子数据分别动态绘制于在待校正影像子数据和参考影像子数据上；
通过标准参考影像与路网数据的严密匹配程度，而待校正影像与路网数据存在不同程度的错位，以反映出待校正影像在该区域范围内的偏移情况。
通过数据的错位程度即可反映出影像偏移(或几何误差)的严重程度。
更优选地，待校正影像的最佳控制点的计算方法包括：
首先设置初始校正参数Δu1、Δv1，将待校正影像的子数据按照初始校正参数，进行坐标初步修正，修正公式如下：
Figure BDA0003464089810000061
再将初步修正的待校正影像子图在d*d范围内平移，共做平移d*d-1次，循环计算每次平移后待校正影像的子数据与路网子数据的匹配度，选择匹配度最优的矫正参数(Δu2，Δv2)，即可计算出子图的最佳控制点X,Y,x,y；
原图坐标X，Y与校正后坐标x,y的关系可表示为：
Figure BDA0003464089810000062
其中，每次平移后待校正影像的子数据与路网子数据的匹配度P是通过影像与路网重叠区域的统计值衡量的。由于道路和水系的色调均匀，变化平缓。根据路网特征，选择重叠区域的辐射变化率总和，作为网匹配度。路网与影像中路网要素匹配得越准，重叠区域的标准差或变化率总和就越小，匹配度也就越高。
下方公式中，Iimage表示影像子图，Inet表示路网子图，Icover表示影像与路网重叠区域的取值矩阵；
Figure BDA0003464089810000071
通过对Icover进行一个高通滤波卷积运算，可以得到影像与路网重叠区域的数值变化矩阵Ck；
Ck＝G(Icover)；
计算Ck矩阵中所有数值的总和，作为网匹配度；
Figure BDA0003464089810000072
按照上述均匀分布的原则，对于整幅待校正影像均可以按照上述方法来选取最佳控制点，因此优选地，所有待校正影像的优质控制点的计算方法包括：
先将每张待校正影像子图获取最佳控制点，通过N张待校正影像子图获得的N个最佳控制点，N的最小值由多项式次数n决定：
Nmin＝(n+1)(n+2)/2。
该公式中的n是指校正多项式的次数，通常可以是一次多项式、二次多项式、三次多项式，相应地，n就等于1、2、3。
S3、基于所述控制点群，对所述待校正影像进行多项式变换并重采样，以得到校准后的新影像。
优选地，该步骤中，进行多项式变换并重采样以生成坐标精确的新影像的过程中，变换多项式可以选择一次多项式、二次多项式或三次多项式，重采样方法可以选择最邻近法、双线性内插法、三次卷积内插法。
整个配准方法的整体操作示意流程图参见图2所示。
图3是本发明公开的基于网匹配的遥感影像配准系统的结构示意图，该系统包括：
数据切分模块101：用于将待校正影像、标准参考影像和路网按相同的地理坐标进行跨度切分；
动态叠加模块102：用于选取所述待校正影像的子数据和与之对应的所述标准参考影像的子数据、所述路网的子数据进行动态叠加，以匹配控制点；
变换重采样模块103：用于基于所述控制点群，对所述待校正影像进行多项式变换并重采样，以得到校准后的新影像。
该配准系统主要由上述三个模块构成，从而实现配准效率高，同时有效地保证了配准的稳健性和准确性，适用于各类光学遥感影像的几何精校正。
具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
具体实际案例举例：
当配准一幅卫星影像时，按照格网所示的地理跨度分割为小块，并收集水网数据、路网数据，也按照相同的方式分割为小块，具体如图5-图7所示；
图8为一幅影像子图与路网子图的叠加图。由于影像所在区域水网密集，这里仅使用了水网数据，即图中白色部分。程序动态叠加小块的影像和路网数据，并在预设范围上下左右平移影像子图，通过计算网匹配值，自动选取该子图的最佳配准点。
图4是本发明公开的一种计算机设备的结构示意图。参考图4所示，该计算机设备包括：输入装置63、输出装置64、存储器62和处理器61；所述存储器62，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器61执行，使得所述一个或多个处理器61实现如上述实施例提供的一种基于网匹配的遥感影像配准方法；其中输入装置63、输出装置64、存储器62和处理器61可以通过总线或者其他方式连接，图4中以通过总线连接为例。
存储器62作为一种计算设备可读写存储介质，可用于存储软件程序、计算机可执行程序，如本申请实施例所述的一种基于网匹配的遥感影像配准方法对应的程序指令；存储器62可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等；此外，存储器62可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件；在一些实例中，存储器62可进一步包括相对于处理器61远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置63可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入；输出装置64可包括显示屏等显示设备。
处理器61通过运行存储在存储器62中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理。
上述提供的计算机设备可用于执行上述实施例提供的一种基于网匹配的遥感影像配准方法，具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的一种基于网匹配的遥感影像配准方法，存储介质是任何的各种类型的存储器设备或存储设备，存储介质包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等；存储介质可以还包括其它类型的存储器或其组合；另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统；第二计算机系统可以提供程序指令给第一计算机用于执行。存储介质包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上实施例所述的一种基于网匹配的遥感影像配准方法，还可以执行本申请任意实施例所提供的一种基于网匹配的遥感影像配准方法中的相关操作。
最后应说明的是：虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。
以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。

Claims (10)

1.一种基于网匹配的遥感影像配准方法，其特征在于，包括如下步骤：
将待校正影像、标准参考影像和路网按相同的地理坐标跨度进行均匀切分；
选取所述待校正影像的子数据、所述标准参考影像的子数据，分别所述路网的子数据进行动态叠加，以匹配控制点；
基于所述控制点群，对所述待校正影像进行多项式变换并重采样，以得到校准后的新影像。
2.根据权利要求1所述的遥感影像配准方法，其特征在于，所述跨度切分的方法包括：按照相同的纬度差和经度差，将所述路网图像、所述标准参考影像与所述待校正影像切分为纬度范围和经度范围均一致的子图像。
3.根据权利要求2所述的遥感影像配准方法，其特征在于，切分过程中的地理跨度根据对应影像的分辨率进行适时调整。
4.根据权利要求1所述的遥感影像配准方法，其特征在于，所述动态叠加、匹配控制点的方法包括：
选取其中一幅所述待校正影像的子数据，同时选取与之对应的标准参考影像的子数据、路网子数据；
将标准参考影像的子数据按照所述待校正影像的子数据的长宽重采样，再将所述路网子数据分别动态绘制于在待校正影像子数据和参考影像子数据上；
通过标准参考影像与路网数据的严密匹配程度，而待校正影像与路网数据存在不同程度的错位，以反映出待校正影像在该区域范围内的偏移情况。
5.根据权利要求4所述的遥感影像配准方法，其特征在于，所述待校正影像的最佳控制点的计算方法包括：
首先设置初始校正参数Δu1、Δv1，将待校正影像的子数据按照初始校正参数，进行坐标初步修正，修正公式如下：
Figure FDA0003464089800000021
再将初步修正的待校正影像子图在d*d范围内平移，共做平移d*d-1次，循环计算每次平移后待校正影像的子数据与路网子数据的匹配度，选择匹配度最优的矫正参数(Δu2，Δv2)，即可计算出子图的最佳控制点X,Y,x,y；
原图坐标X，Y与校正后坐标x,y的关系可表示为：
Figure FDA0003464089800000022
6.根据权利要求5所述的遥感影像配准方法，其特征在于，所述每次平移后待校正影像的子数据与路网子数据的匹配度P是通过影像与路网重叠区域的统计值衡量的，具体计算方法如下：
Figure FDA0003464089800000023
Iimage表示影像子图，Inet表示路网子图，Icover表示影像与路网重叠区域的取值矩阵；
通过对Icover进行高通滤波卷积运算，得到影像与路网重叠区域的数值变化矩阵Ck；
Ck＝G(Icover)；
然后计算Ck矩阵中所有数值的总和，作为网匹配度；
Figure FDA0003464089800000024
7.根据权利要求5所述的遥感影像配准方法，其特征在于，所有待校正影像的优质控制点的计算方法包括：
先将每张待校正影像子图获取最佳控制点，通过N张待校正影像子图获得的N个最佳控制点，N的最小值由多项式次数n决定：
Nmin＝(n+1)(n+2)/2。
8.一种基于网匹配的遥感影像配准系统，其特征在于，包括：
数据切分模块：用于将待校正影像、标准参考影像和路网按相同的地理坐标进行跨度切分；
动态叠加模块：用于选取所述待校正影像的子数据和与之对应的所述标准参考影像的子数据、所述路网的子数据进行动态叠加，以匹配控制点；
变换重采样模块：用于基于所述控制点群，对所述待校正影像进行多项式变换并重采样，以得到校准后的新影像。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-7任一所述基于网匹配的遥感影像配准方法的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一所述的基于网匹配的遥感影像配准方法的步骤。
CN202210025114.6A 2022-01-11 2022-01-11 一种基于网匹配的遥感影像配准方法及其系统 Active CN114419116B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210025114.6A CN114419116B (zh) 2022-01-11 2022-01-11 一种基于网匹配的遥感影像配准方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210025114.6A CN114419116B (zh) 2022-01-11 2022-01-11 一种基于网匹配的遥感影像配准方法及其系统

Publications (2)

Publication Number Publication Date
CN114419116A true CN114419116A (zh) 2022-04-29
CN114419116B CN114419116B (zh) 2024-04-09

Family

ID=81270492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210025114.6A Active CN114419116B (zh) 2022-01-11 2022-01-11 一种基于网匹配的遥感影像配准方法及其系统

Country Status (1)

Country Link
CN (1) CN114419116B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120127028A1 (en) * 2008-11-24 2012-05-24 Richard Bamler Method for geo-referencing of optical remote sensing images
CN110929690A (zh) * 2019-12-10 2020-03-27 交通运输部科学研究院 一种基于深度神经网络的遥感影像路网提取方法
CN111126427A (zh) * 2019-10-25 2020-05-08 武汉大学 一种基于遥感影像的OpenStreetMap路网数据质量评价方法
WO2020206903A1 (zh) * 2019-04-08 2020-10-15 平安科技（深圳）有限公司 影像匹配方法、装置及计算机可读存储介质
CN112150522A (zh) * 2020-09-22 2020-12-29 上海商汤智能科技有限公司 遥感图像的配准方法、装置、设备、存储介质及系统
CN112419350A (zh) * 2020-11-20 2021-02-26 武汉大学 基于地物边界信息的遥感影像自动化几何配准方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120127028A1 (en) * 2008-11-24 2012-05-24 Richard Bamler Method for geo-referencing of optical remote sensing images
WO2020206903A1 (zh) * 2019-04-08 2020-10-15 平安科技（深圳）有限公司 影像匹配方法、装置及计算机可读存储介质
CN111126427A (zh) * 2019-10-25 2020-05-08 武汉大学 一种基于遥感影像的OpenStreetMap路网数据质量评价方法
CN110929690A (zh) * 2019-12-10 2020-03-27 交通运输部科学研究院 一种基于深度神经网络的遥感影像路网提取方法
CN112150522A (zh) * 2020-09-22 2020-12-29 上海商汤智能科技有限公司 遥感图像的配准方法、装置、设备、存储介质及系统
CN112419350A (zh) * 2020-11-20 2021-02-26 武汉大学 基于地物边界信息的遥感影像自动化几何配准方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丁龙远;: "面向应用的地理空间数据整合方法研究", 现代测绘, no. 03, 15 May 2009 (2009-05-15) *
臧露;周国清;: "基于轮廓图匹配方法的不同数据源道路网配准", 江西测绘, no. 03, 25 September 2012 (2012-09-25) *

Also Published As

Publication number Publication date
CN114419116B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
Lee et al. Local texture estimator for implicit representation function
CN110135455B (zh) 影像匹配方法、装置及计算机可读存储介质
US8355565B1 (en) Producing high quality depth maps
US7865013B2 (en) System and method for registration of cubic fisheye hemispherical images
CN110322513A (zh) 一种相机外参标定方法、装置及电子设备
CN109711486B (zh) 基于相位相关的高重叠度遥感影像满度连接点匹配方法
Lin et al. Cylindrical panoramic image stitching method based on multi-cameras
CN111091567A (zh) 医学图像配准方法、医疗设备及存储介质
CN112381062A (zh) 一种基于卷积神经网络的目标检测方法及装置
CN111062966A (zh) 基于l-m算法和多项式插值对相机跟踪进行优化的方法
CN114820739B (zh) 一种面向多光谱相机的图像快速配准方法及装置
CN111260694A (zh) 卫星遥感视频目标跟踪方法及装置
CN114926514B (zh) 一种事件图像与rgb图像的配准方法及装置
CN109658366A (zh) 基于改进ransac和动态融合的实时视频拼接方法
Agisoft Metashape python reference
CN115830135A (zh) 一种图像处理方法、装置及电子设备
CN110766731A (zh) 一种全景影像与点云自动配准的方法、装置及存储介质
CN113989336A (zh) 一种可见光图像和红外图像配准方法及装置
CN114419116B (zh) 一种基于网匹配的遥感影像配准方法及其系统
CN112036398B (zh) 一种文本校正方法及其系统
CN115830073A (zh) 地图要素重建方法、装置、计算机设备和存储介质
CN114757834A (zh) 一种全景图像处理方法和全景图像处理装置
CN110222688B (zh) 一种基于多层次相关滤波的仪表定位方法
CN113409375A (zh) 图像处理方法、装置以及非易失性存储介质
Bielski et al. Order independent image compositing

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