CN114913439B - 一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法 - Google Patents

一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法 Download PDF

Info

Publication number
CN114913439B
CN114913439B CN202210567436.3A CN202210567436A CN114913439B CN 114913439 B CN114913439 B CN 114913439B CN 202210567436 A CN202210567436 A CN 202210567436A CN 114913439 B CN114913439 B CN 114913439B
Authority
CN
China
Prior art keywords
blue algae
algae concentration
points
concentration
sampling
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
CN202210567436.3A
Other languages
English (en)
Other versions
CN114913439A (zh
Inventor
魏志杰
王蛟龙
李林勃
陆丽娟
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.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN202210567436.3A priority Critical patent/CN114913439B/zh
Publication of CN114913439A publication Critical patent/CN114913439A/zh
Application granted granted Critical
Publication of CN114913439B publication Critical patent/CN114913439B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法，该补偿方法不单纯依赖遥感影像来检测蓝藻浓度，将沿岸点检测到的真实准确的蓝藻浓度作为基准浓度，推算遥感影像区域的整体蓝藻浓度，一定程度上减少了水体本身对遥感图像的干扰，具有较高的蓝藻浓度准确度。

Description

一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法
技术领域
本发明属于图像处理技术领域，具体为一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法。
背景技术
内陆湖泊富营养化导致蓝藻暴发，为了对蓝藻进行监测，目前常规操作为：通过无人机航拍湖面影像，将航拍到的湖面影像进行拼接，基于拼接后的影像输入至蓝藻监测模型，以此得到蓝藻暴发和空间分布等信息。但该操作存在以下缺陷：需要拼接的影像因无人机航拍范围有限、航拍角度不同、光照角度不同等原因，具有不同的光学特征，因此采用拼接影像对蓝藻浓度进行检测，存在检测精度低的问题。
发明内容
发明目的：为了解决蓝藻浓度检测精度过低的问题，本发明提出了一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法，本发明方法不单纯依赖遥感影像来检测蓝藻浓度，而是将沿岸点检测到的真实准确的蓝藻浓度作为基准浓度，推算遥感影像区域的整体蓝藻浓度。
技术方案：一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法，包括以下步骤：
S100：将无人机遥感拍摄到的多个遥感影像进行预处理，使多个遥感影像的对比度统一，将对比度统一后的多个遥感影像进行拼接，得到拼接后的遥感影像；
S200：将拼接后的遥感影像输入至蓝藻监测模型中，得到蓝藻浓度分布图像；
S300：在沿岸选取蓝藻浓度采样点，在蓝藻浓度采样点处对蓝藻实际浓度进行采样，得到采样结果，记为：C0,C1,...,Cn-1，其中，Cn-1为第n个蓝藻浓度采样点的采样结果，n为蓝藻浓度采样点的总个数；
S400：将n个蓝藻浓度采样点在蓝藻浓度分布图像上对应的点称为标记点，基于蓝藻浓度分布图像，得到每个标记点对应的蓝藻浓度，记为：A0,A1,...,An-1；
S500：将第一标记点作为基准点，蓝藻浓度分布图像上的其余点通过自身蓝藻浓度与第一标记点的蓝藻浓度A0的差值来更新自身蓝藻浓度，得到蓝藻浓度差值分布图，记为P0；将第二标记点作为基准点，蓝藻浓度分布图像上的其余点通过自身蓝藻浓度与第二标记点的蓝藻浓度A1的差值来更新自身蓝藻浓度，得到蓝藻浓度差值分布图，记为P1；以此类推，得到蓝藻浓度差值分布图P0,P1,...,Pn-1；
S600：对于蓝藻浓度差值分布图P0上的每个点而言，通过自身数值加上第一蓝藻浓度采样点的采样结果C0来更新自身数值，得到蓝藻浓度梯度图M0；对于蓝藻浓度差值分布图P1上的每个点而言，通过自身数值加上第二蓝藻浓度采样点的采样结果C1来更新自身数值，得到蓝藻浓度梯度图M1；以此类推，得到蓝藻浓度梯度图M0,M1,...,Mn-1；
S700：对于蓝藻浓度梯度图M0，将作为非基准点的n-1个标记点在蓝藻浓度梯度图M0中的数值与各自对应的蓝藻浓度采样点的采样结果进行比较，得到比较结果，记为：其中，/>为第二标记点在蓝藻浓度梯度图M0中的数值与第二蓝藻浓度采样点的采样结果C1之间的差值，/>为第n标记点在蓝藻浓度梯度图M0中的数值与第n蓝藻浓度采样点的采样结果Cn-1之间的差值；取/>的平均值作为蓝藻浓度梯度图M0的偏差值；
对于蓝藻浓度梯度图Mi,i＝1,2,...,n-1，将作为非基准点的n-1个标记点在蓝藻浓度梯度图Mi中的数值与各自对应的蓝藻浓度采样点的采样结果进行比较，得到比较结果，记为：其中，/>为第i标记点在蓝藻浓度梯度图Mi中的数值与第i蓝藻浓度采样点的采样结果C1之间的差值，/>为第n标记点在蓝藻浓度梯度图Mi中的数值与第n蓝藻浓度采样点的采样结果Cn-1之间的差值；
取的平均值作为蓝藻浓度梯度图Mi的偏差值；
以此类推，计算得到蓝藻浓度梯度图M0,M1,...,Mn-1的偏差值，取偏差值最小的蓝藻浓度梯度图作为此次蓝藻浓度检测结果。
进一步的，所述的预处理包括以下步骤：
在任意一遥感影像上，获取任意一点的蓝藻浓度，同时获取无光学特征影响下的该蓝藻浓度对应的像素颜色，通过对于遥感影像上该点的颜色和无光学特征影响下的像素颜色，得到百分比差值；
基于得到的百分比差值，对其余遥感影像进行影像处理，得到对比度统一的多个遥感影像。
进一步的，S300中，在沿岸选取蓝藻浓度采样点的标准为：
在拼接后的遥感影像中，在沿岸取n个蓝藻像素颜色深度一致的像素点，且各像素点之间的水平距离大于预设距离；
该n个像素点对应的实际地点作为蓝藻浓度采样点。
进一步的，S500中，所述的蓝藻浓度分布图像上的其余点包括作为非基准点的剩余n-1个标记点以及蓝藻浓度分布图像上其他非标记点。
有益效果：本发明通过将遥感图像进行对比度统一，以及通过沿岸较理想采样点进行实地测量，减少水体光学特性对于蓝藻监测模型的影响，在一定程度上避免水体光学特征对于水体色素含量反演的影响。
附图说明：
图1为实施例的无人机遥感影像示意图；
图2为实施例中蓝藻浓度分布图；
图3为实施例中蓝藻浓度差值分布图；
图4为实施例中补偿后的蓝藻浓度分布图。
具体实施方式
本发明的一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法，通过将遥感图像和实地测量结合，一定程度上减少了水体本身对遥感图像的干扰，具有较高的蓝藻浓度准确度。具体包括以下步骤：
步骤1：将无人机遥感拍摄的多个对比度不同的遥感影像进行预处理，将多个遥感影像的对比度进行统一，本步骤的预处理包括构建归一化指数；将预处理后的遥感影像进行拼接，得到拼接后的遥感影像；遥感影像拼接后有时会出现几何畸变，此时需要几何校正来矫正畸变，矫正后的遥感影像输入至蓝藻监测模型中，得到蓝藻浓度分布图像，即根据矫正后的遥感影像的光学信息将遥感影像转化为蓝藻浓度分布图像。
本步骤提及的构建归一化指数，主要实现步骤包括：
在任意一遥感影像上，获取任意一点的蓝藻浓度，同时获取无光学特征影响下的该蓝藻浓度对应的像素颜色，通过对于遥感影像上该点的颜色和无光学特征影响下的像素颜色，得到百分比差值；
基于得到的百分比差值，同百分比对其余遥感影像进行影像处理，得到对比度统一的多个遥感影像，即得到像素颜色深度为排除光学特征影响后估算所得的图像颜色。
本步骤提及的蓝藻监测模型，其内部工作原理为：通过图片像素颜色深度与已知浓度的蓝藻图像中的像素颜色深度做比较，可以将蓝藻浓度确定在一个区间内，得到一个大致的蓝藻浓度值，对此区间中的蓝藻浓度均取为区间最高值与最低值的平均值。
步骤2：在蓝藻浓度采样点进行实际蓝藻浓度采样，采样结果分别记为：C0,C1,C2,C3,C4；蓝藻浓度采样点的选取标准为：在拼接后的遥感影像中，取沿岸分散的五个蓝藻分布较为均匀的像素点，此处的分散指的是：水平距离超过1公里的像素点。此处的分布较为均匀指的是：图像上显示无明显颜色差异。五个像素点对应的实际地点作为蓝藻浓度的采样点，记为第一采样点、第二采样点、第三采样点、第四采样点和第五采样点。
步骤3：将该五个像素点在拼接后的遥感影像上进行标记，得到标记点，分别记为：第一标记点、第二标记点、第三标记点、第四标记点和第五标记点；基于步骤1得到的蓝藻浓度分布图像，获取各标记点处对应的蓝藻浓度，分别记为：A0,A1,A2,A3,A4。
取步骤1得到的蓝藻分布浓度图像，将第一标记点作为基准点，蓝藻分布图像上的其余点取自身蓝藻浓度与A0的差值，来更新自身的数值，得到基于A0的蓝藻浓度差值分布图，记为P0；此处的蓝藻分布图像上的其余点指的是作为非基准点的剩余四个标记点以及图上其他非标记点。将第二标记点作为基准点，蓝藻分布浓度图像上的其余点取自身蓝藻浓度与A1的差值，来更新自身的数值，得到基于A1的蓝藻浓度差值分布图，记为P1。依次类推，得到蓝藻浓度差值分布图P0,P1,P2,P3,P4。
步骤4：取基于A0的蓝藻浓度差值分布图P0，采用步骤2中的采样结果C0对基于A0的蓝藻浓度差值分布图P0上所有点的数值进行更新，得到基于C0的蓝藻浓度梯度图M0。本步骤的更新指的是：对基于A0的蓝藻浓度差值分布图P0上的所有点的数值(即自身蓝藻浓度与A0的差值)加上采样结果C0，来更新当前的数值。
取基于A1的蓝藻浓度差值分布图P1，采用步骤2中的采样结果C1对基于A1的蓝藻浓度差值分布图P1上所有点的标记数值进行更新，即对基于A1的蓝藻浓度差值分布图P1上的所有点的数值(即自身蓝藻浓度与A1的差值)加上采样结果C1，来更新当前的数值；得到基于C1的蓝藻浓度梯度图M1。以此类推，得到蓝藻浓度梯度图M0,M1,M2,M3,M4。
由此可知，图M0上：第一标记点数值＝A0-A0+C0；第二标记点数值＝A1-A0+C0；第三标记点数值＝A2-A0+C0；第四标记点数值＝A3-A0+C0；第五标记点数值＝A4-A0+C0。
图M1上：第一标记点数值＝A0-A1+C1；第二标记点数值＝A1-A1+C1；第三标记点数值＝A2-A1+C1；第四标记点数值＝A3-A1+C1；第五标记点数值＝A4-A1+C1。
步骤5：取基于C0的蓝藻浓度梯度图M0，将图M0中作为非基准点的四个标记点的数值与其对应的采样点的采样结果进行比较，得到比较结果，记为：其中，/>表示为M0中第二标记点对应的数值与第二采样结果C1之间的差值，表示为：(A1-A0+C0)-C1；/>表示为M0中第三标记点对应的数值与第三采样结果C2之间的差值，表示为：(A2-A0+C0)-C2；/>表示为M0中第四标记点对应的数值与第四采样结果C3之间的差值，表示为：(A3-A0+C0)-C3；/>表示为M0中第五标记点对应的数值与第五采样结果C4之间的差值，表示为：(A4-A0+C0)-C4；将比较结果/> 取平均值，得到图M0的偏差值。
取基于C1的蓝藻浓度梯度图M1，将图中非基准点的数值与其对应的采样结果进行比较，得到比较结果，记为：其中，/>表示为M1中第一标记点对应的数值与第一采样结果C0之间的差值，表示为：(A0-A1+C1)-C0；/>表示为M1中第三标记点对应的数值与第三采样结果C2之间的差值，表示为：(A2-A1+C1)-C2；/>表示为M1中第四标记点对应的数值与第四采样结果C3之间的差值，表示为：(A3-A1+C1)-C3；/>表示为M1中第五标记点对应的数值与第五采样结果C4之间的差值，表示为：(A4-A1+C1)-C4；将比较结果/>取平均值，得到图M1的偏差值。
以此类推，分别计算得到图M0,M1,M2,M3,M4的偏差值，将偏差值最小的蓝藻浓度梯度图作为此次蓝藻浓度检测结果。
实施例：
图1为无人机航拍得到的图片，将拍摄到的图片输入至蓝藻监测模型中，图1中A、B、C三点对应的蓝藻浓度依次为：1.9*10^6、2*10^6和2*10^6。
将图1输入至蓝藻监测模型中，得到蓝藻浓度分布图像(参见图2)，按照本发明的步骤2和步骤3，得到蓝藻浓度差值分布图(参见图3)，按照本发明的步骤4即可得到补偿后的蓝藻浓度分布图(参见图4)。
图4中A、B、C三点对应的蓝藻浓度依次为：1.76*10^6、1.96*10^6和1.96*10^6。图1中A、B、C三点实际采样得到的蓝藻浓度依次为：1.76*10^6、1.82*10^6和1.81*10^6。由此可知，通过本发明公开的补偿方法，能大大提高蓝藻浓度检测精度。

Claims (4)

1.一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法，其特征在于：包括以下步骤：
S100：将无人机遥感拍摄到的多个遥感影像进行预处理，使多个遥感影像的对比度统一，将对比度统一后的多个遥感影像进行拼接，得到拼接后的遥感影像；
S200：将拼接后的遥感影像输入至蓝藻监测模型中，得到蓝藻浓度分布图像；
S300：在沿岸选取蓝藻浓度采样点，在蓝藻浓度采样点处对蓝藻实际浓度进行采样，得到采样结果，记为：C0,C1,...,Cn-1，其中，Cn-1为第n个蓝藻浓度采样点的采样结果，n为蓝藻浓度采样点的总个数；
S400：将n个蓝藻浓度采样点在蓝藻浓度分布图像上对应的点称为标记点，基于蓝藻浓度分布图像，得到每个标记点对应的蓝藻浓度，记为：A0,A1,...,An-1；
S500：将第一标记点作为基准点，蓝藻浓度分布图像上的其余点通过自身蓝藻浓度与第一标记点的蓝藻浓度A0的差值来更新自身蓝藻浓度，得到蓝藻浓度差值分布图，记为P0；将第二标记点作为基准点，蓝藻浓度分布图像上的其余点通过自身蓝藻浓度与第二标记点的蓝藻浓度A1的差值来更新自身蓝藻浓度，得到蓝藻浓度差值分布图，记为P1；以此类推，得到蓝藻浓度差值分布图P0,P1,...,Pn-1；
S600：对于蓝藻浓度差值分布图P0上的每个点而言，通过自身数值加上第一蓝藻浓度采样点的采样结果C0来更新自身数值，得到蓝藻浓度梯度图M0；对于蓝藻浓度差值分布图P1上的每个点而言，通过自身数值加上第二蓝藻浓度采样点的采样结果C1来更新自身数值，得到蓝藻浓度梯度图M1；以此类推，得到蓝藻浓度梯度图M0,M1,...,Mn-1；
S700：对于蓝藻浓度梯度图M0，将作为非基准点的n-1个标记点在蓝藻浓度梯度图M0中的数值与各自对应的蓝藻浓度采样点的采样结果进行比较，得到比较结果，记为：其中，/>为第二标记点在蓝藻浓度梯度图M0中的数值与第二蓝藻浓度采样点的采样结果C1之间的差值，/>为第n标记点在蓝藻浓度梯度图M0中的数值与第n蓝藻浓度采样点的采样结果Cn-1之间的差值；取/>的平均值作为蓝藻浓度梯度图M0的偏差值；
对于蓝藻浓度梯度图Mi,i＝1,2,...,n-1，将作为非基准点的n-1个标记点在蓝藻浓度梯度图Mi中的数值与各自对应的蓝藻浓度采样点的采样结果进行比较，得到比较结果，记为：其中，/>为第i标记点在蓝藻浓度梯度图Mi中的数值与第i蓝藻浓度采样点的采样结果C1之间的差值，/>为第n标记点在蓝藻浓度梯度图Mi中的数值与第n蓝藻浓度采样点的采样结果Cn-1之间的差值；
取的平均值作为蓝藻浓度梯度图Mi的偏差值；
以此类推，计算得到蓝藻浓度梯度图M0,M1,...,Mn-1的偏差值，取偏差值最小的蓝藻浓度梯度图作为此次蓝藻浓度检测结果。
2.根据权利要求1所述的一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法，其特征在于：所述的预处理包括以下步骤：
在任意一遥感影像上，获取任意一点的蓝藻浓度，同时获取无光学特征影响下的该蓝藻浓度对应的像素颜色，通过对于遥感影像上该点的颜色和无光学特征影响下的像素颜色，得到百分比差值；
基于得到的百分比差值，对其余遥感影像进行影像处理，得到对比度统一的多个遥感影像。
3.根据权利要求1所述的一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法，其特征在于：S300中，在沿岸选取蓝藻浓度采样点的标准为：
在拼接后的遥感影像中，在沿岸取n个蓝藻像素颜色深度一致的像素点，且各像素点之间的水平距离大于预设距离；
该n个像素点对应的实际地点作为蓝藻浓度采样点。
4.根据权利要求1所述的一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法，其特征在于：S500中，所述的蓝藻浓度分布图像上的其余点包括作为非基准点的剩余n-1个标记点以及蓝藻浓度分布图像上其他非标记点。
CN202210567436.3A 2022-05-24 2022-05-24 一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法 Active CN114913439B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210567436.3A CN114913439B (zh) 2022-05-24 2022-05-24 一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210567436.3A CN114913439B (zh) 2022-05-24 2022-05-24 一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法

Publications (2)

Publication Number Publication Date
CN114913439A CN114913439A (zh) 2022-08-16
CN114913439B true CN114913439B (zh) 2024-04-19

Family

ID=82768853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210567436.3A Active CN114913439B (zh) 2022-05-24 2022-05-24 一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法

Country Status (1)

Country Link
CN (1) CN114913439B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116343129B (zh) * 2023-04-04 2023-10-31 四川省生态环境科学研究院 基于遥感影像和神经网络的水体富营养监测及修复方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103760112A (zh) * 2014-01-23 2014-04-30 中国科学院南京地理与湖泊研究所 基于遥感的湖泊水体蓝藻丰度的估算方法
WO2018098736A1 (zh) * 2016-11-30 2018-06-07 深圳益强信息科技有限公司 一种基于遥感成像的蓝藻监测方法及装置
KR102073394B1 (ko) * 2018-11-16 2020-02-04 대한민국 초분광 자료를 이용한 내수 유해 남조류 정량 탐지 방법
CN112051222A (zh) * 2020-08-30 2020-12-08 山东锋士信息技术有限公司 一种基于高分卫星影像的河湖水质监测方法
CN112816423A (zh) * 2021-02-06 2021-05-18 岳阳市洞庭水环境研究所 一种蓝藻爆发分析方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103760112A (zh) * 2014-01-23 2014-04-30 中国科学院南京地理与湖泊研究所 基于遥感的湖泊水体蓝藻丰度的估算方法
WO2018098736A1 (zh) * 2016-11-30 2018-06-07 深圳益强信息科技有限公司 一种基于遥感成像的蓝藻监测方法及装置
KR102073394B1 (ko) * 2018-11-16 2020-02-04 대한민국 초분광 자료를 이용한 내수 유해 남조류 정량 탐지 방법
CN112051222A (zh) * 2020-08-30 2020-12-08 山东锋士信息技术有限公司 一种基于高分卫星影像的河湖水质监测方法
CN112816423A (zh) * 2021-02-06 2021-05-18 岳阳市洞庭水环境研究所 一种蓝藻爆发分析方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于MODIS数据的鄱阳湖总悬浮物浓度监测分析;江辉;刘瑶;;人民长江;20110914(17);全文 *

Also Published As

Publication number Publication date
CN114913439A (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
US12033345B2 (en) Positioning method and device, and storage medium
CN108181319B (zh) 一种基于立体视觉的积尘检测装置及方法
CN102622739B (zh) 一种Bayer滤波阵列彩色相机图像非均匀性校正方法
CN114913439B (zh) 一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法
CN107218904A (zh) 一种基于锯齿靶标的线结构光视觉传感器标定方法
CN113569647B (zh) 一种基于ais的船舶高精度坐标映射方法
CN113313047B (zh) 一种基于车道结构先验的车道线检测方法及系统
CN117434568A (zh) 一种基于遥感卫星的智能定位系统
CN112284509A (zh) 一种基于手机视频的桥梁结构振型测量方法
CN117406234A (zh) 基于单线激光雷达与视觉融合的目标测距和追踪的方法
CN116597370A (zh) 一种基于模式匹配的船舶监控入侵检测方法
CN115205317B (zh) 一种桥梁监测光电标靶图像光斑中心点提取方法
CN113554714B (zh) 车载双目立体相机自校正方法及其系统、fpga芯片
CN114638766B (zh) 夜光遥感影像校正方法
CN113379854B (zh) 相机图像融合方法及相机图像融合系统
CN113390394A (zh) 一种带有摄影比例尺的光束法平差算法
CN113920065A (zh) 用于工业现场的视觉检测系统成像质量评价方法
CN114136274A (zh) 基于计算机视觉的站台限界测量方法
CN107424164B (zh) 一种图像边缘检测精度评价方法
CN117152361B (zh) 一种基于注意力机制的遥感影像能见度估计方法
CN114565680B (zh) 一种基于空间位置评价和贪心策略的多视图靶点标定方法
CN118314220B (zh) 一种基于视觉修正的激光相机温度补偿方法及系统
CN117853429B (zh) 一种标定图像质量评价方法
CN118115764B (zh) 一种无人机多层特征尺度稳定器的单目视觉里程计方法
CN113870120B (zh) 一种基于pq-mean分布的加工表面纹理倾斜校正方法

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