CN114742707B - 多源遥感图像拼接方法、装置、电子设备和可读介质 - Google Patents

多源遥感图像拼接方法、装置、电子设备和可读介质 Download PDF

Info

Publication number
CN114742707B
CN114742707B CN202210403670.2A CN202210403670A CN114742707B CN 114742707 B CN114742707 B CN 114742707B CN 202210403670 A CN202210403670 A CN 202210403670A CN 114742707 B CN114742707 B CN 114742707B
Authority
CN
China
Prior art keywords
remote sensing
image
sequence
target
corrected
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
Application number
CN202210403670.2A
Other languages
English (en)
Other versions
CN114742707A (zh
Inventor
区东
何云
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.)
Zhongke Xingrui Technology Beijing Co ltd
Original Assignee
Zhongke Xingrui Technology Beijing Co ltd
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 Zhongke Xingrui Technology Beijing Co ltd filed Critical Zhongke Xingrui Technology Beijing Co ltd
Priority to CN202210403670.2A priority Critical patent/CN114742707B/zh
Publication of CN114742707A publication Critical patent/CN114742707A/zh
Application granted granted Critical
Publication of CN114742707B publication Critical patent/CN114742707B/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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0021—Image watermarking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Editing Of Facsimile Originals (AREA)

Abstract

本公开的实施例公开了多源遥感图像拼接方法、装置、电子设备和可读介质。该方法的一具体实施方式包括：对遥感图像序列中的遥感图像进行图像矫正，以生成矫正后遥感图像；对矫正后遥感图像序列中的每张矫正后遥感图像进行特征点采集，以生成特征点信息组；根据特征点信息组序列，对矫正后遥感图像序列中的矫正后遥感图像进行图像匹配，以生成图像匹配信息集合；根据图像匹配信息集合和矫正后遥感图像序列中的矫正后遥感图像的图像采集时间，生成目标关系图；根据目标关系图，对矫正后遥感图像序列中的矫正后遥感图像进行图像拼接，以生成候选遥感图像；对候选遥感图像进行水印添加，以生成目标遥感图像。该实施方式提高了图像拼接的成功率。

Description

多源遥感图像拼接方法、装置、电子设备和可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及多源遥感图像拼接方法、装置、电子设备和可读介质。
背景技术
随着航空遥感技术的不断发展，基于航空遥感的图像采集在生态环境监测、城市规划建设、土地综合利用和地理信息采集等领域广泛应用。受限于图像分辨率和图像采集视角之间的矛盾，往往需要对采集得到的多张遥感图像进行拼接处理。目前，在进行遥感图像拼接时，通常采用的方式为：通过模板匹配的方式对遥感图像进行拼接。
然而，当采用上述方式时，经常会存在如下技术问题：
当图像存在畸变，或图像之间重叠区域较小时，会出现匹配失败的问题，进而导致图像拼接失败。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了多源遥感图像拼接方法、装置、电子设备和可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种多源遥感图像拼接方法，该方法包括：对遥感图像序列中的遥感图像进行图像矫正，以生成矫正后遥感图像，得到矫正后遥感图像序列，其中，上述遥感图像序列中的遥感图像是由多个遥感图像采集设备采集得到的；对上述矫正后遥感图像序列中的每张矫正后遥感图像进行特征点采集，以生成特征点信息组，得到特征点信息组序列；根据上述特征点信息组序列，对上述矫正后遥感图像序列中的矫正后遥感图像进行图像匹配，以生成图像匹配信息集合；根据上述图像匹配信息集合和上述矫正后遥感图像序列中的矫正后遥感图像的图像采集时间，生成目标关系图，其中，上述目标关系图为有向图；根据上述目标关系图，对上述矫正后遥感图像序列中的矫正后遥感图像进行图像拼接，以生成候选遥感图像；对上述候选遥感图像进行水印添加，以生成目标遥感图像。
第二方面，本公开的一些实施例提供了一种多源遥感图像拼接装置，装置包括：图像矫正单元，被配置成对遥感图像序列中的遥感图像进行图像矫正，以生成矫正后遥感图像，得到矫正后遥感图像序列，其中，上述遥感图像序列中的遥感图像是由多个遥感图像采集设备采集得到的；特征点采集单元，被配置成对上述矫正后遥感图像序列中的每张矫正后遥感图像进行特征点采集，以生成特征点信息组，得到特征点信息组序列；图像匹配单元，被配置成根据上述特征点信息组序列，对上述矫正后遥感图像序列中的矫正后遥感图像进行图像匹配，以生成图像匹配信息集合；生成单元，被配置成根据上述图像匹配信息集合和上述矫正后遥感图像序列中的矫正后遥感图像的图像采集时间，生成目标关系图，其中，上述目标关系图为有向图；图像拼接单元，被配置成根据上述目标关系图对上述矫正后遥感图像序列中的矫正后遥感图像进行图像拼接，以生成候选遥感图像；水印添加单元，被配置成对上述候选遥感图像进行水印添加，以生成目标遥感图像。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的多源遥感图像拼接方法，提高了图像拼接成功率。具体来说，造成图像拼接成功率低的原因在于：当图像存在畸变，或图像之间重叠区域较小时，会出现匹配失败的问题，进而导致图像拼接失败。基于此，本公开的一些实施例的多源遥感图像拼接方法，首先，对遥感图像序列中的遥感图像进行图像矫正，以生成矫正后遥感图像，得到矫正后遥感图像序列，其中，上述遥感图像序列中的遥感图像是由多个遥感图像采集设备采集得到的。实际情况中，受摄像头焦距的影响，采集的图像往往会存在畸变，因此通过对遥感图像进行图像矫正，以此消除图像畸变。其次，对上述矫正后遥感图像序列中的每张矫正后遥感图像进行特征点采集，以生成特征点信息组，得到特征点信息组序列。通过特征点采集，以此提取矫正后遥感图像包含的图像特征。接着，根据上述特征点信息组序列，对上述矫正后遥感图像序列中的矫正后遥感图像进行图像匹配，以生成图像匹配信息集合。根据特征点进行匹配，即使图像之间的重叠区域较小，也可进行图像匹配，解决了当重叠区域较小时，模板匹配方式所导致的图像拼接失败的问题。进一步，根据上述图像匹配信息集合和上述矫正后遥感图像序列中的矫正后遥感图像的图像采集时间，生成目标关系图，其中，上述目标关系图为有向图。实际情况中，针对较大一块区域，往往对应多张遥感图像，通过生成目标关系图，可以确定多张拼接图像在拼接完成的遥感图像中的相对位置。接着，根据上述目标关系图，对上述矫正后遥感图像序列中的矫正后遥感图像进行图像拼接，以生成候选遥感图像。最后，对上述候选遥感图像进行水印添加，以生成目标遥感图像。通过添加水印，避免图像被篡改。通过此种方式，大大提高了图像拼接的成功率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的多源遥感图像拼接方法的一个应用场景的示意图；
图2是根据本公开的多源遥感图像拼接方法的一些实施例的流程图；
图3是遥感卫星采集遥感图像的示意图；
图4是根据本公开的多源遥感图像拼接方法的另一些实施例的流程图；
图5是根据本公开的多源遥感图像拼接装置的一些实施例的结构示意图；
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的多源遥感图像拼接方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以对遥感图像序列102中的遥感图像进行图像矫正，以生成矫正后遥感图像，得到矫正后遥感图像序列103，其中，上述遥感图像序列102中的遥感图像是由多个遥感图像采集设备104采集得到的，在本应用场景中，遥感图像采集设备可以是遥感卫星；其次，计算设备101可以对上述矫正后遥感图像序列103中的每张矫正后遥感图像进行特征点采集，以生成特征点信息组，得到特征点信息组序列105；接着，计算设备101可以根据上述特征点信息组序列105，对上述矫正后遥感图像序列103中的矫正后遥感图像进行图像匹配，以生成图像匹配信息集合106；进一步，计算设备101可以根据上述图像匹配信息集合106和上述矫正后遥感图像序列103中的矫正后遥感图像的图像采集时间，生成目标关系图107，其中，上述目标关系图107为有向图；此外，计算设备101可以根据上述目标关系图107，对上述矫正后遥感图像序列103中的矫正后遥感图像进行图像拼接，以生成候选遥感图像108；最后，计算设备101可以对上述候选遥感图像108进行水印添加，以生成目标遥感图像109。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的多源遥感图像拼接方法的一些实施例的流程200。该多源遥感图像拼接方法，包括以下步骤：
步骤201，对遥感图像序列中的遥感图像进行图像矫正，以生成矫正后遥感图像，得到矫正后遥感图像序列。
在一些实施例中，多源遥感图像拼接方法的执行主体(例如图1所示的计算设备101)可以对遥感图像序列中的遥感图像进行图像矫正，以生成矫正后遥感图像，得到矫正后遥感图像序列。其中，遥感图像序列中的遥感图像是由多个遥感图像采集设备采集得到的。例如，上述遥感图像采集设备可以是遥感卫星。上述执行主体可以通过图像矫正模型，对遥感图像序列中的遥感图像进行图像矫正，以生成矫正后遥感图像。例如，上述图像矫正模型可以包括：图像畸变线检测网络和多尺度感知网络。其中，上述图像畸变线检测网络包括多个串联的金字塔形特征提取网络、2个反卷积层和2个卷积层。其中，金字塔形特征提取网络可以为：ResNet-34网络。上述多尺度感知网络包括：第一多尺度感知网络和第二多尺度感知网络。其中，上述第一多尺度感知网络和上述第二多尺度感知网络并行设置。上述第一多尺度感知网络包括：2个卷积层、1个池化层和2个全连接层。上述第二多尺度感知网络包括：1个池化层和2个全连接层。其中，上述第一多尺度感知网络和上述第二多尺度感知网络的输出通过均方误差损失函数进行回归。
作为示例，如图3所示遥感卫星采集遥感图像的示意图，其中，遥感卫星301和遥感卫星302可以将采集得到的地面图像作为遥感图像集合。
步骤202，对矫正后遥感图像序列中的每张矫正后遥感图像进行特征点采集，以生成特征点信息组，得到特征点信息组序列。
在一些实施例中，上述执行主体可以对矫正后遥感图像序列中的每张矫正后遥感图像进行特征点采集，以生成特征点信息组，得到特征点信息组序列。其中，特征点信息组序列中的特征点信息组表征一张矫正后遥感图像上的各个特征点。特征点信息可以包括：图像编号、特征点坐标和特征点色值。图像编号表征特征点信息对应的特征点所在的矫正后遥感图像。特征点坐标表征特征点信息对应的特征点在矫正后遥感图像中的坐标。特征点色值表征特征点信息对应的特征点的色值。
作为示例，上述执行主体可以通过特征点提取算法，提取上述矫正后遥感图像包含的特征点，以生成上述矫正后遥感图像对应的特征点信息组。例如，上述特征点提取算法可以是Harris特征点检测算法。又如，上述特征点提取算法还可以是SIFT(Scale-invariant feature transform，尺度不变特征转换)特征点检测算法。
步骤203，根据特征点信息组序列，对矫正后遥感图像序列中的矫正后遥感图像进行图像匹配，以生成图像匹配信息集合。
在一些实施例中，上述执行主体可以根据特征点信息组序列，对矫正后遥感图像序列中的矫正后遥感图像进行图像匹配，以生成图像匹配信息集合。其中，图像匹配信息集合中的图像匹配信息表征两种匹配的矫正后遥感图像。例如，图像匹配信息可以包括：2个图像编号和匹配的特征点信息集合。
作为示例，上述执行主体可以通过聚类算法，对上述矫正后遥感图像序列中的矫正后遥感图像进行图像匹配。例如，上述聚类算法可以是KNN(K-Nearest Neighbor，K-紧邻)聚类算法。
步骤204，根据图像匹配信息集合和矫正后遥感图像序列中的矫正后遥感图像的图像采集时间，生成目标关系图。
在一些实施例中，上述执行主体可以根据图像匹配信息集合和矫正后遥感图像序列中的矫正后遥感图像的图像采集时间，生成目标关系图。其中，上述目标关系图为有向图。
作为示例，首先，上述执行主体可以将图像匹配信息集合中的图像匹配信息对应的两张矫正后遥感图像作为目标关系图中的两个图节点，并在两个图节点直接构建关系边。然后，上述执行主体可以根据两个图节点对应的两张矫正后遥感图像的图像采集时间的先后顺序，将关系边转换为有向边，以生成上述目标关系图。例如，图节点A对应的矫正后遥感图像的图像采集时间为“2021-03-02:14:03”。图节点B对应的矫正后遥感图像的图像采集时间为“2021-03-03:14:03”。因此，可以将图节点A和图节点B之间的关系边，转换为图节点A指向图节点B的有向边。
步骤205，根据目标关系图，对矫正后遥感图像序列中的矫正后遥感图像进行图像拼接，以生成候选遥感图像。
在一些实施例中，上述执行主体可以根据目标关系图，对矫正后遥感图像序列中的矫正后遥感图像进行图像拼接，以生成候选遥感图像。其中，上述执行主体可以根据矫正后遥感图像对应的图节点在上述目标关系图中的相对位置，对矫正后遥感图像序列中的矫正后遥感图像进行图像拼接，以生成候选遥感图像。
步骤206，对候选遥感图像进行水印添加，以生成目标遥感图像。
在一些实施例中，上述执行主体可以对候选遥感图像进行水印添加，以生成目标遥感图像。例如，上述执行主体可以在上述候选遥感图像中添加显性水印，以生成上述目标遥感图像。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的多源遥感图像拼接方法，提高了图像拼接成功率。具体来说，造成图像拼接成功率低的原因在于：当图像存在畸变，或图像之间重叠区域较小时，会出现匹配失败的问题，进而导致图像拼接失败。基于此，本公开的一些实施例的多源遥感图像拼接方法，首先，对遥感图像序列中的遥感图像进行图像矫正，以生成矫正后遥感图像，得到矫正后遥感图像序列，其中，上述遥感图像序列中的遥感图像是由多个遥感图像采集设备采集得到的。实际情况中，受摄像头焦距的影响，采集的图像往往会存在畸变，因此通过对遥感图像进行图像矫正，以此消除图像畸变。其次，对上述矫正后遥感图像序列中的每张矫正后遥感图像进行特征点采集，以生成特征点信息组，得到特征点信息组序列。通过特征点采集，以此提取矫正后遥感图像包含的图像特征。接着，根据上述特征点信息组序列，对上述矫正后遥感图像序列中的矫正后遥感图像进行图像匹配，以生成图像匹配信息集合。根据特征点进行匹配，即使图像之间的重叠区域较小，也可进行图像匹配，解决了当重叠区域较小时，模板匹配方式所导致的图像拼接失败的问题。进一步，根据上述图像匹配信息集合和上述矫正后遥感图像序列中的矫正后遥感图像的图像采集时间，生成目标关系图，其中，上述目标关系图为有向图。实际情况中，针对较大一块区域，往往对应多张遥感图像，通过生成目标关系图，可以确定多张拼接图像在拼接完成的遥感图像中的相对位置。接着，根据上述目标关系图，对上述矫正后遥感图像序列中的矫正后遥感图像进行图像拼接，以生成候选遥感图像。最后，对上述候选遥感图像进行水印添加，以生成目标遥感图像。通过添加水印，避免图像被篡改。通过此种方式，大大提高了图像拼接的成功率。
进一步参考图4，其示出了多源遥感图像拼接方法的另一些实施例的流程400。该多源遥感图像拼接方法的流程400，包括以下步骤：
步骤401，对遥感图像序列中的遥感图像进行图像矫正，以生成矫正后遥感图像，得到矫正后遥感图像序列。
在一些实施例中，步骤401的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤201，在此不再赘述。
步骤402，对矫正后遥感图像进行图像预处理，以生成预处理后的遥感图像。
在一些实施例中，多源遥感图像拼接方法的执行主体(例如图1所示的计算设备101)可以对矫正后遥感图像进行图像预处理，以生成预处理后的遥感图像。
作为示例，上述执行主体可以对上述矫正后遥感图像进行二值化处理，以生成上述预处理后的遥感图像。
步骤403，将预处理后的遥感图像输入预先训练的特征点识别模型，以生成矫正后遥感图像对应的特征点信息组。
在一些实施例中，上述执行主体可以将预处理后的遥感图像输入预先训练的特征点识别模型，以生成矫正后遥感图像对应的特征点信息组。其中，上述特征点识别模型可以是ResNet-50网络模型。
步骤404，根据特征点信息组序列，对矫正后遥感图像序列中的矫正后遥感图像进行图像匹配，以生成图像匹配信息集合。
在一些实施例中，上述执行主体根据特征点信息组序列，对矫正后遥感图像序列中的矫正后遥感图像进行图像匹配，以生成图像匹配信息集合，可以包括以下步骤：
第一步，根据上述特征点信息组序列中的每个特征点信息组包括的各个特征点信息，构建多个连通区域，得到连通区域组序列。
其中，连通区域组对应特征点信息组。连通区域组中的各个连通区域是由对应特征点信息组中的各个特征点对应的坐标连接而成的区域。
第二步，将上述连通区域组序列作为初始连通区域组序列，执行以下图像匹配步骤：
第一子步骤，从连通区域组序列中选取一个连通区域组，以生成目标连通区域组和候选连通区域组序列。
其中，候选连通区域组序列是去除目标连通区域组的连通区域组序列。
第二子步骤，确定目标连通区域组中的每个目标连通区域和候选连通区域组序列中的每个候选连通区域的区域相似度。
其中，上述执行主体可以通过确定目标连通区域和候选连通区域的区域重叠度，以生成对应的区域相似度。
第三子步骤，响应于确定目标连通区域组对应的多个区域相似度中存在目标区域相似度，根据目标区域相似度对应的两张矫正后遥感图像，生成图像匹配信息。
其中，目标区域相似度是相似度数值大于目标相似度值的区域相似度。例如，目标相似度值可以是0.9。
第四子步骤，响应于确定候选连通区域组序列中的候选连通区域组的数量小于等于目标值，结束上述图像匹配步骤。
其中，上述目标值可以是1。
第三步，响应于确定候选连通区域组序列中的候选连通区域组的数量大于上述目标值，将候选连通区域组序列确定为初始连通区域组序列，再次执行上述图像匹配步骤。
步骤405，根据图像匹配信息集合和矫正后遥感图像序列中的矫正后遥感图像的图像采集时间，生成目标关系图。
在一些实施例中，上述执行主体根据图像匹配信息集合和矫正后遥感图像序列中的矫正后遥感图像的图像采集时间，生成目标关系图，可以包括以下步骤：
第一步，对于上述图像匹配信息集合中的每个图像匹配信息，将上述图像匹配信息对应的两张矫正后遥感图像分别确定为图节点，得到图节点组，以及在上述图节点组中的图节点之间创建无向关系边。
其中，无向关系边是指两个图节点之间的无方向的边。
第二步，根据得到的多个图节点组和多个图节点组中的每个图节点组对应的无向关系边，生成初始图像关系图。
其中，上述初始图像关系图为无向图。
第三步，对于上述多个图节点组中每个图节点组，根据上述图节点组中的图节点对应的图像采集时间的先后顺序，将上述图节点组对应的无向关系边转换为有向关系边。
第四步，根据得到的多个有向关系边和上述初始图像关系图，生成上述目标关系图。
其中，上述执行主体可以将初始图像关系图中的无向关系边替换为对应的有向关系边，以生成上述目标关系图。
步骤406，根据目标关系图，对矫正后遥感图像序列中的矫正后遥感图像进行图像拼接，以生成候选遥感图像。
在一些实施例中，上述执行主体可以根据目标关系图，对矫正后遥感图像序列中的矫正后遥感图像进行图像拼接，以生成候选遥感图像。
作为示例，上述执行主体可以对于上述矫正后遥感图像序列中的每张矫正后遥感图像，将目标有向关系边组对应的多张矫正后遥感图像与上述矫正后遥感图像进行图像拼接。其中，目标有向关系边组是上述目标关系图中与上述矫正后遥感图像对应的图节点相连的多条有向关系边。例如，上述执行主体可以根据目标有向关系边组对应的多张矫正后遥感图像在上述目标关系图中的相对位置，将上述目标有向关系边组对应的多张矫正后遥感图像，与上述矫正后遥感图像进行拼接。
步骤407，对候选遥感图像进行水印添加，以生成目标遥感图像。
在一些实施例中，上述执行主体对候选遥感图像进行水印添加，以生成目标遥感图像，可以包括以下步骤：
第一步，生成上述目标关系图对应的邻接矩阵。
其中，上述邻接矩阵的长度值和宽度值一致。上述邻接矩阵的长度值与上述目标关系图中的图节点的数量一致。
第二步，将上述邻接矩阵转换为一维矩阵。
其中，上述一维矩阵的长度与上述邻接矩阵中的元素数目一致。
第三步，对上述一维矩阵进行散列处理，以生成散列字符串。
其中，上述执行主体可以通过散列算法对一维矩阵进行散列处理，以生成散列字符串。例如，上述散列算法可以是MD5(Message-Digest5，信息摘要5)算法。
第四步，对上述候选遥感图像包括的每张矫正后遥感图像对应的图像采集时间进行散列处理，以生成时间戳散列字符串，得到时间戳散列字符串序列。
其中，上述执行主体可以通过上述散列算法，对矫正后遥感图像对应的图像采集时间进行散列处理，以生成时间戳散列字符串。
第五步，将上述散列字符串与上述时间戳散列字符串序列中的每个时间戳散列字符串进行拼接，以生成拼接字符串，得到拼接字符串序列。
第六步，对于上述拼接字符串序列中的每个拼接字符串，将上述拼接字符串作为隐性水印，添加至上述目标遥感图像中与上述拼接字符串对应的矫正后遥感图像上。
可选地，上述执行主体还可以执行以下处理步骤：
第一步，对上述目标遥感图像进行对象检测，以生成候选对象信息，得到候选对象信息集合。
其中，候选对象信息集合中的候选对象信息包括：对象类别和对象置信度。对象类别可以表征目标遥感图像包含的对象的类别。对象置信度表征对象检测到的对象的类别为对象类别时的置信度。
作为示例，上述执行主体可以通过目标检测算法，对上述目标遥感图像进行对象检测，以生成候选对象信息，得到候选对象信息集合。其中，例如，目标检测算法可以是YOLOV5(You Only Look Once Version5)算法。
第二步，从上述候选对象信息集合中筛选出包括的对象类别与目标类别一致、且包括的对象置信度大于目标置信度的候选对象信息，作为目标对象信息，得到目标对象信息集合。
其中，目标类别为“油罐”类别。目标置信度为0.9。
第三步，对于上述目标对象信息集合中的每个目标对象信息，执行以下处理步骤：
第一子步骤，确定上述目标对象信息对应的目标对象在上述目标遥感图像中的区域，以生成区域信息。
作为示例，上述执行主体可以将目标检测算法生成的检测框框定的区域，确定为目标对象在上述目标遥感图像中的区域，以生成区域信息。
第二子步骤，对上述区域信息对应的区域进行阴影识别，以生成阴影区域信息。
其中，上述执行主体可以通过阴影识别模型，对上述区域信息对应的区域进行阴影识别，以生成阴影区域信息。阴影区域信息表征区域信息对应的区域包含的阴影。例如，上述阴影识别模型可以是Cascade RCNN(Region Convolutional Neural Network，基于区域的卷积神经网络)模型。
第三子步骤，根据上述区域信息和阴影区域信息，生成上述目标对象信息对应的目标对象的尺寸位置信息。
其中，首先，上述执行主体可以根据阴影区域信息对应的阴影的面积和区域信息对应的区域的面积，进行三维重建，以确定目标对象的尺寸，以及对区域信息对应的区域的中心点进行坐标转换，以确定目标对象的位置，进而生成上述尺寸位置信息。
第四子步骤，在上述目标遥感图像上标注得到的多个尺寸位置信息。
从图4可以看出，与图2对应的一些实施例的描述相比，本公开首先，细化了图像匹配信息的生成步骤，实际情况中，仅进行特征点匹配的方式，图像匹配准确率较低，因此本公开通过生成连通区域，并确定连通区域之间相似度的方式，大大提高了图像匹配的准确率。此外，通过生成目标遥感图像中每张矫正后遥感图像对应的隐性水印，一是隐性水印不会对图像造成遮挡，二是每张矫正后遥感图像均有一个对应的隐性水印，使得可以根据对应的隐性水印确定矫正后遥感图像是否被篡改。大大提高了遥感图像的抗篡改性。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种多源遥感图像拼接装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，一些实施例的多源遥感图像拼接装置500包括：图像矫正单元501、特征点采集单元502、图像匹配单元503、生成单元504、图像拼接单元505和水印添加单元506。其中，图像矫正单元501，被配置成对遥感图像序列中的遥感图像进行图像矫正，以生成矫正后遥感图像，得到矫正后遥感图像序列，其中，上述遥感图像序列中的遥感图像是由多个遥感图像采集设备采集得到的；特征点采集单元502，被配置成对上述矫正后遥感图像序列中的每张矫正后遥感图像进行特征点采集，以生成特征点信息组，得到特征点信息组序列；图像匹配单元503，被配置成根据上述特征点信息组序列，对上述矫正后遥感图像序列中的矫正后遥感图像进行图像匹配，以生成图像匹配信息集合；生成单元504，被配置成根据上述图像匹配信息集合和上述矫正后遥感图像序列中的矫正后遥感图像的图像采集时间，生成目标关系图，其中，上述目标关系图为有向图；图像拼接单元505，被配置成根据上述目标关系图对上述矫正后遥感图像序列中的矫正后遥感图像进行图像拼接，以生成候选遥感图像；水印添加单元506，被配置成对上述候选遥感图像进行水印添加，以生成目标遥感图像。
可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。
下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对遥感图像序列中的遥感图像进行图像矫正，以生成矫正后遥感图像，得到矫正后遥感图像序列，其中，上述遥感图像序列中的遥感图像是由多个遥感图像采集设备采集得到的；对上述矫正后遥感图像序列中的每张矫正后遥感图像进行特征点采集，以生成特征点信息组，得到特征点信息组序列；根据上述特征点信息组序列，对上述矫正后遥感图像序列中的矫正后遥感图像进行图像匹配，以生成图像匹配信息集合；根据上述图像匹配信息集合和上述矫正后遥感图像序列中的矫正后遥感图像的图像采集时间，生成目标关系图，其中，上述目标关系图为有向图；根据上述目标关系图，对上述矫正后遥感图像序列中的矫正后遥感图像进行图像拼接，以生成候选遥感图像；对上述候选遥感图像进行水印添加，以生成目标遥感图像。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，该模块、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，两个接连地表示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操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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括图像矫正单元、特征点采集单元、图像匹配单元、生成单元、图像拼接单元和水印添加单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，特征点采集单元还可以被描述为“对上述矫正后遥感图像序列中的每张矫正后遥感图像进行特征点采集，以生成特征点信息组，得到特征点信息组序列的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种多源遥感图像拼接方法，包括：
对遥感图像序列中的遥感图像进行图像矫正，以生成矫正后遥感图像，得到矫正后遥感图像序列，其中，所述遥感图像序列中的遥感图像是由多个遥感图像采集设备采集得到的；
对所述矫正后遥感图像序列中的每张矫正后遥感图像进行特征点采集，以生成特征点信息组，得到特征点信息组序列；
根据所述特征点信息组序列，对所述矫正后遥感图像序列中的矫正后遥感图像进行图像匹配，以生成图像匹配信息集合；
根据所述图像匹配信息集合和所述矫正后遥感图像序列中的矫正后遥感图像的图像采集时间，生成目标关系图，其中，所述目标关系图为有向图；
根据所述目标关系图，对所述矫正后遥感图像序列中的矫正后遥感图像进行图像拼接，以生成候选遥感图像；
对所述候选遥感图像进行水印添加，以生成目标遥感图像。
2.根据权利要求1所述的方法，其中，所述方法还包括：
对所述目标遥感图像进行对象检测，以生成候选对象信息，得到候选对象信息集合，其中，所述候选对象信息集合中的候选对象信息包括：对象类别和对象置信度；
从所述候选对象信息集合中筛选出包括的对象类别与目标类别一致、且包括的对象置信度大于目标置信度的候选对象信息，作为目标对象信息，得到目标对象信息集合；
对于所述目标对象信息集合中的每个目标对象信息，执行以下处理步骤：
确定所述目标对象信息对应的目标对象在所述目标遥感图像中的区域，以生成区域信息；
对所述区域信息对应的区域进行阴影识别，以生成阴影区域信息；
根据所述区域信息和阴影区域信息，生成所述目标对象信息对应的目标对象的尺寸位置信息；
在所述目标遥感图像上标注得到的多个尺寸位置信息。
3.根据权利要求2所述的方法，其中，所述对所述矫正后遥感图像序列中的每张矫正后遥感图像进行特征点采集，以生成特征点信息组，包括：
对所述矫正后遥感图像进行图像预处理，以生成预处理后的遥感图像；
将所述预处理后的遥感图像输入预先训练的特征点识别模型，以生成所述矫正后遥感图像对应的特征点信息组。
4.根据权利要求3所述的方法，其中，所述根据所述特征点信息组序列，对所述矫正后遥感图像序列中的矫正后遥感图像进行图像匹配，以生成图像匹配信息集合，包括：
根据所述特征点信息组序列中的每个特征点信息组包括的各个特征点信息，构建多个连通区域，得到连通区域组序列；
将所述连通区域组序列作为初始连通区域组序列，执行以下图像匹配步骤：
从连通区域组序列中选取一个连通区域组，以生成目标连通区域组和候选连通区域组序列，其中，候选连通区域组序列是去除目标连通区域组的连通区域组序列；
确定目标连通区域组中的每个目标连通区域和候选连通区域组序列中的每个候选连通区域的区域相似度；
响应于确定目标连通区域组对应的多个区域相似度中存在目标区域相似度，根据目标区域相似度对应的两张矫正后遥感图像，生成图像匹配信息；
响应于确定候选连通区域组序列中的候选连通区域组的数量小于等于目标值，结束所述图像匹配步骤；
响应于确定候选连通区域组序列中的候选连通区域组的数量大于所述目标值，将候选连通区域组序列确定为初始连通区域组序列，再次执行所述图像匹配步骤。
5.根据权利要求4所述的方法，其中，所述根据所述图像匹配信息集合和所述矫正后遥感图像序列中的矫正后遥感图像的图像采集时间，生成目标关系图，包括：
对于所述图像匹配信息集合中的每个图像匹配信息，将所述图像匹配信息对应的两张矫正后遥感图像分别确定为图节点，得到图节点组，以及在所述图节点组中的图节点之间创建无向关系边；
根据得到的多个图节点组和多个图节点组中的每个图节点组对应的无向关系边，生成初始图像关系图，其中，所述初始图像关系图为无向图；
对于所述多个图节点组中每个图节点组，根据所述图节点组中的图节点对应的图像采集时间的先后顺序，将所述图节点组对应的无向关系边转换为有向关系边；
根据得到的多个有向关系边和所述初始图像关系图，生成所述目标关系图。
6.根据权利要求5所述的方法，其中，所述根据所述目标关系图，对所述矫正后遥感图像序列中的矫正后遥感图像进行图像拼接，以生成候选遥感图像，包括：
对于所述矫正后遥感图像序列中的每张矫正后遥感图像，将目标有向关系边组对应的多张矫正后遥感图像与所述矫正后遥感图像进行图像拼接，其中，所述目标有向关系边组是所述目标关系图中与所述矫正后遥感图像对应的图节点相连的多条有向关系边。
7.根据权利要求6所述的方法，其中，所述对所述候选遥感图像进行水印添加，以生成目标遥感图像，包括：
生成所述目标关系图对应的邻接矩阵；
将所述邻接矩阵转换为一维矩阵，其中，所述一维矩阵的长度与所述邻接矩阵中的元素数目一致；
对所述一维矩阵进行散列处理，以生成散列字符串；
对所述候选遥感图像包括的每张矫正后遥感图像对应的图像采集时间进行散列处理，以生成时间戳散列字符串，得到时间戳散列字符串序列；
将所述散列字符串与所述时间戳散列字符串序列中的每个时间戳散列字符串进行拼接，以生成拼接字符串，得到拼接字符串序列；
对于所述拼接字符串序列中的每个拼接字符串，将所述拼接字符串作为隐性水印，添加至所述目标遥感图像中与所述拼接字符串对应的矫正后遥感图像上。
8.一种多源遥感图像拼接装置，包括：
图像矫正单元，被配置成对遥感图像序列中的遥感图像进行图像矫正，以生成矫正后遥感图像，得到矫正后遥感图像序列，其中，所述遥感图像序列中的遥感图像是由多个遥感图像采集设备采集得到的；
特征点采集单元，被配置成对所述矫正后遥感图像序列中的每张矫正后遥感图像进行特征点采集，以生成特征点信息组，得到特征点信息组序列；
图像匹配单元，被配置成根据所述特征点信息组序列，对所述矫正后遥感图像序列中的矫正后遥感图像进行图像匹配，以生成图像匹配信息集合；
生成单元，被配置成根据所述图像匹配信息集合和所述矫正后遥感图像序列中的矫正后遥感图像的图像采集时间，生成目标关系图，其中，所述目标关系图为有向图；
图像拼接单元，被配置成根据所述目标关系图对所述矫正后遥感图像序列中的矫正后遥感图像进行图像拼接，以生成候选遥感图像；
水印添加单元，被配置成对所述候选遥感图像进行水印添加，以生成目标遥感图像。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至7中任一所述的方法。
CN202210403670.2A 2022-04-18 2022-04-18 多源遥感图像拼接方法、装置、电子设备和可读介质 Active CN114742707B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210403670.2A CN114742707B (zh) 2022-04-18 2022-04-18 多源遥感图像拼接方法、装置、电子设备和可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210403670.2A CN114742707B (zh) 2022-04-18 2022-04-18 多源遥感图像拼接方法、装置、电子设备和可读介质

Publications (2)

Publication Number Publication Date
CN114742707A CN114742707A (zh) 2022-07-12
CN114742707B true CN114742707B (zh) 2022-09-27

Family

ID=82281398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210403670.2A Active CN114742707B (zh) 2022-04-18 2022-04-18 多源遥感图像拼接方法、装置、电子设备和可读介质

Country Status (1)

Country Link
CN (1) CN114742707B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013146566A1 (ja) * 2012-03-30 2013-10-03 ソニー株式会社 画像処理装置および方法、並びにプログラム
JP2016005263A (ja) * 2014-06-19 2016-01-12 Kddi株式会社 複数の撮影画像からパノラマ画像を生成する画像生成システム、端末、プログラム及び方法
CN108416732A (zh) * 2018-02-02 2018-08-17 重庆邮电大学 一种基于图像配准与多分辨率融合的全景图像拼接方法
CN109087245A (zh) * 2018-08-13 2018-12-25 长治学院 基于相邻关系模型的无人机遥感图像拼接系统
CN112750075A (zh) * 2019-10-31 2021-05-04 中国科学院长春光学精密机械与物理研究所 一种低空遥感影像拼接方法以及装置
CN113793266A (zh) * 2021-09-16 2021-12-14 深圳市高川自动化技术有限公司 一种多目机器视觉图像拼接方法、系统及存储介质
CN114036971A (zh) * 2021-11-18 2022-02-11 中科星睿科技(北京)有限公司 油罐信息生成方法、装置、电子设备和计算机可读介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2423873B1 (en) * 2010-08-25 2013-12-11 Lakeside Labs GmbH Apparatus and Method for Generating an Overview Image of a Plurality of Images Using a Reference Plane
JP6450589B2 (ja) * 2014-12-26 2019-01-09 株式会社モルフォ 画像生成装置、電子機器、画像生成方法及びプログラム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013146566A1 (ja) * 2012-03-30 2013-10-03 ソニー株式会社 画像処理装置および方法、並びにプログラム
JP2016005263A (ja) * 2014-06-19 2016-01-12 Kddi株式会社 複数の撮影画像からパノラマ画像を生成する画像生成システム、端末、プログラム及び方法
CN108416732A (zh) * 2018-02-02 2018-08-17 重庆邮电大学 一种基于图像配准与多分辨率融合的全景图像拼接方法
CN109087245A (zh) * 2018-08-13 2018-12-25 长治学院 基于相邻关系模型的无人机遥感图像拼接系统
CN112750075A (zh) * 2019-10-31 2021-05-04 中国科学院长春光学精密机械与物理研究所 一种低空遥感影像拼接方法以及装置
CN113793266A (zh) * 2021-09-16 2021-12-14 深圳市高川自动化技术有限公司 一种多目机器视觉图像拼接方法、系统及存储介质
CN114036971A (zh) * 2021-11-18 2022-02-11 中科星睿科技(北京)有限公司 油罐信息生成方法、装置、电子设备和计算机可读介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Large parallax image matching based on Graph Matching;Sun G , Weng Y , Shi C .;《Journal of Physics: Conference Series》;20211231;1-6 *
基于Harris与SIFT算法的自动图像拼接;李欢欢等;《计算机工程与科学》;20121115;第34卷(第11期);104-108 *
基于POS系统的无人机遥感图像融合方法的研究与实现;韩文超等;《遥感信息》;20130615;第28卷(第03期);80-84、90 *
基于最佳缝合线的序列遥感图像拼接融合方法;秦绪佳等;《计算机科学》;20151015;第42卷(第10期);306-310 *
遥感图像拼接中改进的图像预处理算法研究;么鸿原等;《计算机与数字工程》;20200220;第364卷(第02期);428-432 *

Also Published As

Publication number Publication date
CN114742707A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN112598762B (zh) 三维车道线信息生成方法、装置、电子设备和介质
CN112668588B (zh) 车位信息生成方法、装置、设备和计算机可读介质
CN110781756A (zh) 基于遥感图像的城市道路提取方法及装置
CN111915480B (zh) 生成特征提取网络的方法、装置、设备和计算机可读介质
CN115457531A (zh) 用于识别文本的方法和装置
CN112435193B (zh) 一种点云数据去噪的方法、装置、存储介质和电子设备
CN111967467A (zh) 图像目标检测方法、装置、电子设备和计算机可读介质
WO2023179310A1 (zh) 图像修复方法、装置、设备、介质及产品
CN112598673A (zh) 全景分割方法、装置、电子设备和计算机可读介质
CN114993328B (zh) 车辆定位评估方法、装置、设备和计算机可读介质
CN113537153A (zh) 仪表图像识别方法、装置、电子设备和计算机可读介质
CN112418249A (zh) 掩膜图像生成方法、装置、电子设备和计算机可读介质
CN113610034B (zh) 识别视频中人物实体的方法、装置、存储介质及电子设备
CN116186354B (zh) 区域画像显示方法、装置、电子设备和计算机可读介质
US20230053952A1 (en) Method and apparatus for evaluating motion state of traffic tool, device, and medium
CN114742707B (zh) 多源遥感图像拼接方法、装置、电子设备和可读介质
WO2023138558A1 (zh) 一种图像场景分割方法、装置、设备及存储介质
CN113688928B (zh) 图像匹配方法、装置、电子设备和计算机可读介质
CN115100536B (zh) 建筑物识别方法、装置、电子设备和计算机可读介质
CN113808134B (zh) 油罐布局信息生成方法、装置、电子设备、介质
CN115393826A (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN112487943B (zh) 关键帧去重的方法、装置和电子设备
CN113780148A (zh) 交通标志图像识别模型训练方法和交通标志图像识别方法
CN115345931B (zh) 物体姿态关键点信息生成方法、装置、电子设备和介质
CN112766068A (zh) 一种基于网格化标注的车辆检测方法及系统

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