CN115082359B - 基于海岸线数据的同步轨道光学卫星几何精校正方法 - Google Patents
基于海岸线数据的同步轨道光学卫星几何精校正方法 Download PDFInfo
- Publication number
- CN115082359B CN115082359B CN202210888169.XA CN202210888169A CN115082359B CN 115082359 B CN115082359 B CN 115082359B CN 202210888169 A CN202210888169 A CN 202210888169A CN 115082359 B CN115082359 B CN 115082359B
- Authority
- CN
- China
- Prior art keywords
- curvature
- cloud
- coastline
- image
- feature
- 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 37
- 238000012937 correction Methods 0.000 title claims abstract description 25
- 230000003287 optical effect Effects 0.000 title claims abstract description 20
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000003068 static effect Effects 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 8
- 230000002902 bimodal effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 2
- 239000011800 void material Substances 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 3
- 150000001875 compounds Chemical class 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06T2207/30184—Infrastructure
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于海岸线数据的同步轨道光学卫星几何精校正方法,涉及静止轨道光学遥感影像几何处理技术领域。该方法通过对待处理影像进行云检测,利用无云干扰区域的海岸线曲线特征进行快速匹配,能够有效解决云雾干扰下的静止卫星影像的几何校正问题。并且,通过对海岸线曲线特征使用曲线顶点特征描述和空间关系多相似性度量方式的组合优化算法,能在保证匹配精度的同时大大提高对异常、噪声点的鲁棒处理。本发明提供的方法,既能够完成云干扰条件下的静止卫星影像几何校正,又能够使用公开的海岸线数据集,不依赖于高精度的基准影像。
Description
技术领域
本发明涉及静止轨道光学遥感影像几何处理技术领域,尤其涉及一种基于海岸线数据的同步轨道光学卫星几何精校正方法。
背景技术
静止轨道高分辨率光学成像卫星运行在地球静止轨道上,可长期驻留观测某特定区域,同时具备高空间分辨率和高时间分辨率的特点,在监测海洋活动和保护海洋资源等应用具有重要意义。
高精度的定位信息是静止轨道光学影像应用的前提条件,而目前其定位精度仍受到轨道姿态测量误差、相机安装误差等误差的影响,因此仍需要对影像进行几何精校正处理,提升其定位精度。
几何精校正处理需要控制点来提供基准信息,但是由于静止卫星影像常观测海洋区域,而海洋区域岛屿稀疏、易受云雾干扰,很难通过自动匹配获取稳定可靠的控制点,需要人工参与来选择控制点。同时,高精度的基准影像获取也比较困难。
发明内容
有鉴于此,本发明提供了一种基于海岸线数据的同步轨道光学卫星几何精校正方法,解决静止轨道卫星影像受到云干扰时,无法获取到稳定的匹配控制点进行几何校正的技术问题。
为达到上述目的,本发明提供的基于海岸线数据的同步轨道光学卫星几何精校正方法,包括:获取待处理影像和公开的矢量海岸线数据集,其中,待处理影像为云干扰条件下的静止卫星影像;使用自适应直方图拟合计算待处理影像的云检测阈值,得到云覆盖模板;将云覆盖模板应用于待处理影像,得到无云干扰的区域影像,提取区域影像中的相位一致性特征,结合特征归一化和非极大值阈值处理,得到无云干扰区域的海岸线曲线特征;分别对矢量海岸线数据集和海岸线曲线特征进行曲率极值检测,得到两个曲率顶点集;对两个曲率顶点集进行特征描述,使用组合优化算法建立两个曲率顶点集之间的对应关系;以及根据对应关系,从两个曲率顶点集内选取相互对应的一组顶点作为控制点,对待处理影像进行几何精校正。
进一步地,使用自适应直方图拟合计算待处理影像的云检测阈值,得到云覆盖模板,包括:将待处理影像的灰度级数范围等分为预设的多个区间,对待处理影像进行快速直方图统计,得到多个级数的直方图分布特性;对直方图分布特性进行双峰高斯拟合,取较大峰值的高斯分布的置信度空间下限作为云检测阈值;使用云检测阈值对待处理影像进行分割,将大于云检测阈值的待处理影像的像素值确定为初始云掩膜,对初始云掩膜进行后处理,得到云覆盖模板。
进一步地,对初始云掩膜进行后处理,包括:对初始云掩膜进行形态学处理;使用腐蚀运算去除零碎的误检测区域;使用膨胀填补过度腐蚀留下的空洞区域。
进一步地,提取区域影像中的相位一致性特征,结合特征归一化和非极大值阈值处理,得到无云干扰区域的海岸线曲线特征,包括:按照相位一致性模型,从区域影像提取多尺度多方向的相位一致性特征,其中,相位一致性特征包括最大矩特征、最小矩特征和能量方向特征;将能量方向特征作为非极大值判决的局部方向,根据预设的局部窗口尺寸,将局部窗口尺寸中最显著的最大矩特征作为候选点;选取最大矩特征中的前预设百分比的量级作为归一化极值,对候选点进行二值化处理,得到海岸线曲线特征。
进一步地,预设的局部窗口尺寸为5×5,预设百分比为95%。
进一步地,两个曲率顶点集包括矢量海岸线数据集的第一曲率顶点集和海岸线曲线特征的第二曲率顶点集,其中,对海岸线曲线特征进行曲率极值检测,得到第二曲率顶点集,包括:对海岸线曲线特征进行基于局部迭代变换的滤波处理,得到变换后的曲线特征;对变换后的曲线特征进行曲率计算,得到多个局部极值点,构成第二曲率顶点集。
进一步地,特征描述包括针对两个曲率顶点集内的任意一个曲率顶点,执行以下操作:将该曲率顶点的位置信息按照不同方向划分为多个方向窗口;针对每个方向窗口,计算该方向窗口内的相位一致性最小矩特征,根据最小矩特征与预设的最小矩特征阈值的比值,将最小矩特征二值化表示为一个特征向量;累积不同方向窗口的多个特征向量,形成多个方向窗口的最小矩比值特性,作为该曲率顶点的特征描述。
进一步地,预设的最小矩特征阈值为1。
进一步地,使用组合优化算法建立两个曲率顶点集之间的对应关系,包括:利用经过特征描述的最小欧式距离和空间一致性约束关系,获得两个曲率顶点集之间的初始对应关系和初始变换模型;将初始对应关系和初始变换模型作为迭代最临近关系的起始条件,多次迭代优化初始变换模型;将每次迭代优化后的初始变换模型作用于两个曲率顶点集,直至两个曲率顶点集之间的差异最小,则停止迭代优化,得到两个曲率顶点集之间的目标对应关系和目标变换模型。
与现有技术相比,本发明提供的基于海岸线数据的同步轨道光学卫星几何精校正方法,至少具有以下有益效果:
(1)采用海岸线公开数据集作为基准,能够克服高精度基准影像难以获取的问题;
(2)通过对待处理影像进行云检测,利用无云区域的海岸线特征进行快速匹配,能够有效解决云雾干扰下的静止卫星影像的几何校正问题;
(3)通过对海岸线曲线特征使用曲线顶点特征描述和空间关系多相似性度量方式的组合优化算法,能在保证匹配精度的同时大大提高对异常、噪声点的鲁棒处理,有利于工程化应用。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本发明实施例的基于海岸线数据的同步轨道光学卫星几何精校正方法的流程图;
图2示意性示出了根据本发明实施例的云覆盖模板获取过程的流程图;
图3示意性示出了根据本发明实施例的海岸线曲线特征获取过程的流程图;
图4示意性示出了根据本发明实施例的第二曲率顶点集获取过程的流程图;
图5示意性示出了根据本发明实施例的对曲率顶点进行特征描述的流程图;
图6示意性示出了根据本发明实施例的曲率顶点集之间的对应关系获取过程的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
本发明提供了一种基于海岸线数据的同步轨道光学卫星几何精校正方法,通过全自动且低成本的控制点快速匹配,来处理云雾干扰条件下的静止卫星影像几何精校正的问题。
图1示意性示出了根据本发明实施例的基于海岸线数据的同步轨道光学卫星几何精校正方法的流程图。
如图1所示,根据该实施例的基于海岸线数据的同步轨道光学卫星几何精校正方法,可以包括操作S110~操作S160。
在操作S110,获取待处理影像和公开的矢量海岸线数据集,其中,待处理影像为云干扰条件下的静止卫星影像。
矢量海岸线数据集可以首先通过获取公开的世界矢量海岸线(World VectorShorelines,WVS)数据集,然后根据地理坐标提取卫星影像覆盖区域的矢量海岸线信息得到。待处理影像即为后续待校正的遥感影像。
在操作S120,使用自适应直方图拟合计算待处理影像的云检测阈值,得到云覆盖模板。
在操作S130,将云覆盖模板应用于待处理影像,得到无云干扰的区域影像,提取区域影像中的相位一致性特征,结合特征归一化和非极大值阈值处理,得到无云干扰区域的海岸线曲线特征。
在操作S140,分别对矢量海岸线数据集和海岸线曲线特征进行曲率极值检测,得到两个曲率顶点集。
为了便于区分,该两个曲率顶点集包括矢量海岸线数据集的第一曲率顶点集和海岸线曲线特征的第二曲率顶点集。
在操作S150,对两个曲率顶点集进行特征描述,使用组合优化算法建立两个曲率顶点集之间的对应关系。
在操作S160,根据对应关系,从两个曲率顶点集内选取相互对应的一组顶点作为控制点,对待处理影像进行几何精校正。
通过本发明的实施例,通过全自动且低成本的控制点快速匹配,来处理云雾干扰条件下的静止卫星影像几何精校正的问题。该方法既能够完成云干扰条件下的静止卫星影像几何校正,又能够使用公开的海岸线数据集,不依赖于高精度的基准影像。
以下将结合图2~图6,对图1公开的方法进行详细描述。
图2示意性示出了根据本发明实施例的云覆盖模板获取过程的流程图。
如图2所示,本实施例中,上述操作S120中的使用自适应直方图拟合计算待处理影像的云检测阈值,得到云覆盖模板,具体可以包括操作S1201~操作S1203。
在操作S1201,将待处理影像的灰度级数范围等分为预设的多个区间,对待处理影像进行快速直方图统计,得到多个级数的直方图分布特性。
假设待处理影像尺寸为W×H,通常地,遥感影像均为16位无符号整型数据,影像幅度值范围为[0,65535]。如果对65535个灰度级数都进行统计的话,运算效率较低。为了提高影像处理效率,预设的多个区间例如可以为1024个。此时,将待处理影像的灰度级数范围等分为1024个区间,在这些区间内对待处理影像进行快速直方图统计,得到1024级数的直方图分布特性,参照以下公式:
式中,I W×H 为待处理影像的像素值;i为区间序号,共计1024个区间;Count为计数函数;Num(i)为第i个区间内的待处理影像的灰度级数总个数。
在操作S1202,对直方图分布特性进行双峰高斯拟合,取较大峰值的高斯分布的置信度空间下限作为云检测阈值。
参照Matlab程序中常用的双峰高斯函数,双峰高斯拟合参照以下公式:
式中,A 1 、A 2 分别为双峰的峰值;m 1 、m 2 分别为双峰各自的均值;σ 1 、σ 2 分别为双峰各自的标准差;k为基线;y为某一区间x的双峰高斯拟合数据;p=polyfit(x,y,3)为Matlab程序中常用的以最小二乘法计算3阶拟合的多项式系数,p为返回的多项式向量,从最高次幂到最低次幂的系数。
通过对上述1024级数的直方图分布特性进行双峰高斯拟合,可以得到双峰的峰值、标准差和均值。取较大峰值的高斯分布的置信度空间下限作为云检测阈值t,具体可以参照以下公式来确定:
式中,m 2 为较大峰值的均值;σ 2 为较大峰值的标准差。
在操作S1203,使用云检测阈值对待处理影像进行分割,将大于云检测阈值的待处理影像的像素值确定为初始云掩膜,对初始云掩膜进行后处理,得到云覆盖模板。
具体地,对初始云掩膜进行后处理,可以包括:对初始云掩膜进行形态学处理,使用腐蚀运算去除零碎的误检测区域,使用膨胀填补过度腐蚀留下的空洞区域。
由此,操作S1203可以参照以下公式来进行:
式中,I W×H 为待处理影像的像素值;Mask为初始云掩膜;Mask final 为云覆盖模板;erode为腐蚀运算;dilate为膨胀填补运算。
接着,将云覆盖模板Mask final 应用于待处理影像I,得到无云干扰的区域影像I final ,参照以下公式:
图3示意性示出了根据本发明实施例的海岸线曲线特征获取过程的流程图。
如图3所示,本实施例中,上述操作S130中的提取区域影像中的相位一致性特征,结合特征归一化和非极大值阈值处理,得到无云干扰区域的海岸线曲线特征,具体可以包括操作S1301~操作S1303。
在操作S1301,按照相位一致性模型,从区域影像提取多尺度多方向的相位一致性特征,其中,该相位一致性特征包括最大矩特征、最小矩特征和能量方向特征。
按照相位一致性模型提取该区域影像的相位一致性特征响应,如下公式:
式中,为当前方向o的相位一致性特征响应;为当前方向的
加权权重;为当前方向多个尺度的能量累积;为当前方向的能量相
位;T 0 为当前方向的噪声阈值;max为取较大值;n为多尺度的层数,可以设置为4;ε为防止分
母为0的预设值,可以设置为0.00001。
式中,n和o分别为相位一致性模型中的多尺度层数和多方向计数,分别设置为4和6。
在操作S1302,将能量方向特征作为非极大值判决的局部方向,根据预设的局部窗口尺寸,将局部窗口尺寸中最显著的最大矩特征作为候选点。
该预设的局部窗口尺寸例如可以为5×5。此时,将相位一致性能量方向特征作为非极大值判决的局部方向,以5×5作为非极大值判决的局部窗口,将该局部窗口中最显著的最大矩响应作为候选点。
在操作S1303,选取最大矩特征中的前预设百分比的量级作为归一化极值,对候选点进行二值化处理,得到海岸线曲线特征。
该预设百分比例如可以为95%。此时,选取最大矩特征中前95%的量级作为归一化极值,对操作S1302得到的候选点进行二值化处理,得到海岸线曲线特征,如下公式:
式中,nonmaxsup为非极大值阈值;0.95V为前95%量级对应的响应值;M为最大矩特征;ori为能量方向特征;M max 为候选点;M final 为得到的海岸线曲线特征。
接着,对矢量海岸线数据集和非云干扰区域的海岸线曲线特征,分别检测曲率最为显著的点并作为曲率顶点,得到两个曲率顶点集,也即矢量海岸线数据集的第一曲率顶点集和海岸线曲线特征的第二曲率顶点集。
特别地,对海岸线曲线特征,检测其曲率最为显著的点的过程中,还需进行以下处理。
图4示意性示出了根据本发明实施例的第二曲率顶点集获取过程的流程图。
如图4所示,本实施例中,上述操作S140中的对海岸线曲线特征进行曲率极值检测,得到第二曲率顶点集,具体可以包括操作S1401~操作S1402。
在操作S1401,对海岸线曲线特征进行基于局部迭代变换的滤波处理,得到变换后的曲线特征。
首先对海岸线曲线特征进行滤波处理。考虑到噪声的存在,上述得到的海岸线曲线特征会包含一定的异常值,不利于后续的曲线顶点检测,因此需要对海岸线曲线特征进行基于局部迭代变换的滤波处理,如下公式所示:
式中,M(x,y)为海岸线曲线特征位于二维坐标(x,y)处的值;d M 为迭代更新量,通
过计算所在位置8个方向的局部窗口均值差|d i |的最小值来得到;为变换后的曲线特
征;d i 为第i个方向的局部窗口均值;μ 1 ,μ 2 为第i个方向的局部窗口特征值与卷积滤波器的卷积和,其中卷积滤波器如下所
示:
其中,θ为第i个方向的旋转角度。
迭代的截止条件有两种,一是到达了指定迭代次数,二是d M 小于指定迭代阈值。
在操作S1402,对变换后的曲线特征进行曲率计算,得到多个局部极值点,构成第二曲率顶点集。
对于变换后的曲线特征,计算其曲线参数方程曲率,可以利用待处理曲线特征图的四个主要方向特征差值:
式中,w为计算窗口大小,设置为1;φ为曲率特征值;i, j, u, v分别为-w,w中的逐像素值,该四个主要方向具体可以为[1,0]、[-1,0]、[0,1]、[0,-1]。
根据上述计算得到的曲率检测局部极值点,即构成第二曲率顶点集Node 2 ,公式表示为:
式中,G为曲率顶点数量;T×T为局部窗口尺寸,尺寸设置为3;k(x m ,y m )表示局部窗口内的任一坐标点(x m ,y m )的曲率;(x j ,y j )表示检测局部窗口中的极大曲率特征值,即为曲率顶点。
图5示意性示出了根据本发明实施例的对曲率顶点进行特征描述的流程图。
如图5所示,本实施例中,上述操作S150中的特征描述包括针对两个曲率顶点集内的任意一个曲率顶点,执行以下操作S1501~操作S1503。
在操作S1501,将该曲率顶点的位置信息按照不同方向划分为多个方向窗口。
具体地,以该曲率顶点为中心,先构建一个窗口,然后这个窗口可以按照不同方向划分为多个方向窗口。
在操作S1502,针对每个方向窗口,计算该方向窗口内的相位一致性最小矩特征,根据最小矩特征与预设的最小矩特征阈值的比值,将最小矩特征二值化表示为一个特征向量。
该预设的最小矩特征阈值例如可以为1,经过二值化表示的特征向量,例如可以取值为0或1。此时,比较每个方向窗口内的相位一致性最小矩特征,如果该最小矩特征大于1,则将该方向窗口内的最小矩特征表示为取值为1的特征向量;否则,将该方向窗口内的最小矩特征表示为取值为0的特征向量。
在操作S1503,累积不同方向窗口的多个特征向量,形成多个方向窗口的最小矩比值特性,作为该曲率顶点的特征描述。
由此,基于多个方向窗口最小矩比值特性,对两个曲率顶点集进行特征描述,该顶点的特征描述如以下公式所示:
式中,W、H为当前曲率顶点的邻域大小;SM为对应像素的最小矩特征;feature(Node j )为当前曲率顶点的特征描述,j=1和2,具体表示为特征描述矩阵;B r,c 为特征描述矩阵中的每一项元素;SM r,c 为当前方向窗口对应像素的最小矩特征;SM W-r,H-c 为当前方向窗口以外区域的对应像素的最小矩特征。
图6示意性示出了根据本发明实施例的曲率顶点集之间的对应关系获取过程的流程图。
如图6所示,本实施例中,上述操作S150中的使用组合优化算法建立两个曲率顶点集之间的对应关系,具体可以包括操作S1504~操作S1506。
在操作S1504,利用经过特征描述的最小欧式距离和空间一致性约束关系,获得两个曲率顶点集之间的初始对应关系和初始变换模型。
具体公式如下:
在操作S1505,将初始对应关系和初始变换模型作为迭代最临近关系的起始条件,多次迭代优化初始变换模型。
在操作S1506,将每次迭代优化后的初始变换模型作用于两个曲率顶点集,直至两个曲率顶点集之间的差异最小,则停止迭代优化,得到两个曲率顶点集之间的目标对应关系和目标变换模型。
该迭代优化条件的公式如下:
式中,T为初始变换模型;min为最小化操作。
由此,本实施例使用组合优化算法,同时度量点集特征相似性和空间关系相似性,获得曲率顶点集对应关系。通过组合优化两个相似性度量,对噪声和异常值有较强的处理抗性。
最后,根据得到的对应关系,将两个曲率顶点集中的相互对应的一组曲率顶点作为控制点,对云干扰条件下的静止影像卫星定位参数进行修正,完成几何精校正处理。
综上所述,本发明实施例提供了一种基于海岸线数据的同步轨道光学卫星几何精校正方法,既能够完成云干扰条件下的静止卫星影像几何校正,又能够使用公开的海岸线数据集,不依赖于高精度的基准影像,而且匹配算法同时利用了特征描述和空间关系,对异常、噪声的情况比较鲁棒,适用于工程项目。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。因此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个、三个等,除非另有明确具体的限定。此外,位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于海岸线数据的同步轨道光学卫星几何精校正方法,其特征在于,包括:
获取待处理影像和公开的矢量海岸线数据集,其中,所述待处理影像为云干扰条件下的静止卫星影像;
使用自适应直方图拟合计算所述待处理影像的云检测阈值,得到云覆盖模板;
将所述云覆盖模板应用于所述待处理影像,得到无云干扰的区域影像,提取所述区域影像中的相位一致性特征,结合特征归一化和非极大值阈值处理,得到无云干扰区域的海岸线曲线特征;
分别对所述矢量海岸线数据集和所述海岸线曲线特征进行曲率极值检测,得到两个曲率顶点集;
对所述两个曲率顶点集进行特征描述,使用组合优化算法建立所述两个曲率顶点集之间的对应关系;以及
根据所述对应关系,从所述两个曲率顶点集内选取相互对应的一组顶点作为控制点,对所述待处理影像进行几何精校正。
2.根据权利要求1所述的基于海岸线数据的同步轨道光学卫星几何精校正方法,其特征在于,所述使用自适应直方图拟合计算所述待处理影像的云检测阈值,得到云覆盖模板,包括:
将所述待处理影像的灰度级数范围等分为预设的多个区间,对所述待处理影像进行快速直方图统计,得到多个级数的直方图分布特性;
对所述直方图分布特性进行双峰高斯拟合,取较大峰值的高斯分布的置信度空间下限作为所述云检测阈值;
使用所述云检测阈值对所述待处理影像进行分割,将大于所述云检测阈值的待处理影像的像素值确定为初始云掩膜,对所述初始云掩膜进行后处理,得到所述云覆盖模板。
3.根据权利要求2所述的基于海岸线数据的同步轨道光学卫星几何精校正方法,其特征在于,对所述初始云掩膜进行后处理,包括:
对所述初始云掩膜进行形态学处理;
使用腐蚀运算去除零碎的误检测区域;
使用膨胀填补过度腐蚀留下的空洞区域。
4.根据权利要求1所述的基于海岸线数据的同步轨道光学卫星几何精校正方法,其特征在于,所述提取所述区域影像中的相位一致性特征,结合特征归一化和非极大值阈值处理,得到无云干扰区域的海岸线曲线特征,包括:
按照相位一致性模型,从所述区域影像提取多尺度多方向的相位一致性特征,其中,所述相位一致性特征包括最大矩特征、最小矩特征和能量方向特征;
将所述能量方向特征作为非极大值判决的局部方向,根据预设的局部窗口尺寸,将所述局部窗口尺寸中最显著的最大矩特征作为候选点;
选取所述最大矩特征中的前预设百分比的量级作为归一化极值,对所述候选点进行二值化处理,得到所述海岸线曲线特征。
5.根据权利要求4所述的基于海岸线数据的同步轨道光学卫星几何精校正方法,其特征在于,所述预设的局部窗口尺寸为5×5,所述预设百分比为95%。
6.根据权利要求1所述的基于海岸线数据的同步轨道光学卫星几何精校正方法,其特征在于,所述两个曲率顶点集包括所述矢量海岸线数据集的第一曲率顶点集和所述海岸线曲线特征的第二曲率顶点集,其中,对所述海岸线曲线特征进行曲率极值检测,得到所述第二曲率顶点集,包括:
对所述海岸线曲线特征进行基于局部迭代变换的滤波处理,得到变换后的曲线特征;
对所述变换后的曲线特征进行曲率计算,得到多个局部极值点,构成所述第二曲率顶点集。
7.根据权利要求1所述的基于海岸线数据的同步轨道光学卫星几何精校正方法,其特征在于,所述特征描述包括针对所述两个曲率顶点集内的任意一个曲率顶点,执行以下操作:
将该曲率顶点的位置信息按照不同方向划分为多个方向窗口;
针对每个所述方向窗口,计算该方向窗口内的相位一致性最小矩特征,根据所述最小矩特征与预设的最小矩特征阈值的比值,将所述最小矩特征二值化表示为一个特征向量;
累积不同方向窗口的多个特征向量,形成所述多个方向窗口的最小矩比值特性,作为该曲率顶点的特征描述。
8.根据权利要求7所述的基于海岸线数据的同步轨道光学卫星几何精校正方法,其特征在于,所述预设的最小矩特征阈值为1。
9.根据权利要求1所述的基于海岸线数据的同步轨道光学卫星几何精校正方法,其特征在于,所述使用组合优化算法建立所述两个曲率顶点集之间的对应关系,包括:
利用经过所述特征描述的最小欧式距离和空间一致性约束关系,获得两个曲率顶点集之间的初始对应关系和初始变换模型;
将所述初始对应关系和初始变换模型作为迭代最临近关系的起始条件,多次迭代优化所述初始变换模型;
将每次迭代优化后的初始变换模型作用于所述两个曲率顶点集,直至所述两个曲率顶点集之间的差异最小,则停止所述迭代优化,得到两个曲率顶点集之间的目标对应关系和目标变换模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210888169.XA CN115082359B (zh) | 2022-07-27 | 2022-07-27 | 基于海岸线数据的同步轨道光学卫星几何精校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210888169.XA CN115082359B (zh) | 2022-07-27 | 2022-07-27 | 基于海岸线数据的同步轨道光学卫星几何精校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082359A CN115082359A (zh) | 2022-09-20 |
CN115082359B true CN115082359B (zh) | 2022-11-22 |
Family
ID=83242665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210888169.XA Active CN115082359B (zh) | 2022-07-27 | 2022-07-27 | 基于海岸线数据的同步轨道光学卫星几何精校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082359B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071539B (zh) * | 2023-03-28 | 2023-07-11 | 中国科学院空天信息创新研究院 | 微纳卫星影像在轨几何精校正方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413272A (zh) * | 2013-07-22 | 2013-11-27 | 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 |
CN105303526A (zh) * | 2015-09-17 | 2016-02-03 | 哈尔滨工业大学 | 一种基于海岸线数据及频谱分析的舰船目标检测方法 |
CN108428220A (zh) * | 2018-03-05 | 2018-08-21 | 武汉大学 | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 |
KR20220082602A (ko) * | 2020-12-10 | 2022-06-17 | 인하대학교 산학협력단 | 위성영상 스트립 기하보정 방법과 장치 |
-
2022
- 2022-07-27 CN CN202210888169.XA patent/CN115082359B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413272A (zh) * | 2013-07-22 | 2013-11-27 | 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 |
CN105303526A (zh) * | 2015-09-17 | 2016-02-03 | 哈尔滨工业大学 | 一种基于海岸线数据及频谱分析的舰船目标检测方法 |
CN108428220A (zh) * | 2018-03-05 | 2018-08-21 | 武汉大学 | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 |
KR20220082602A (ko) * | 2020-12-10 | 2022-06-17 | 인하대학교 산학협력단 | 위성영상 스트립 기하보정 방법과 장치 |
Non-Patent Citations (1)
Title |
---|
《基于岸线配准的海岛礁遥感影像几何纠正方法》;张靓 孟婵媛 李军 辛宪会 叶秋果 李海滨 滕惠忠;《海洋测绘》;20111125;第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115082359A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104574347B (zh) | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 | |
US9396583B2 (en) | Method of modelling buildings on the basis of a georeferenced image | |
US10521694B2 (en) | 3D building extraction apparatus, method and system | |
Shen et al. | A hierarchical horizon detection algorithm | |
Han et al. | Automatic registration of high-resolution images using local properties of features | |
Lu et al. | A new region growing-based method for road network extraction and its application on different resolution SAR images | |
Hong et al. | A robust technique for precise registration of radar and optical satellite images | |
CN115082359B (zh) | 基于海岸线数据的同步轨道光学卫星几何精校正方法 | |
d'Angelo et al. | Dense multi-view stereo from satellite imagery | |
CN101976436A (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
CN112183434B (zh) | 建筑物变化检测方法和装置 | |
CN112907601B (zh) | 一种基于特征变换的隧道拱架点云自动提取方法及装置 | |
CN108876861B (zh) | 一种地外天体巡视器的立体匹配方法 | |
CN107220996A (zh) | 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 | |
Ye et al. | Improved geometric modeling of 1960s KH-5 ARGON satellite images for regional Antarctica applications | |
Parmehr et al. | Automatic registration of multi-source data using mutual information | |
CN107765257A (zh) | 一种基于反射强度辅助外部校准的激光探测与测量方法 | |
Özcan et al. | Building detection using local features and DSM data | |
CN109697474B (zh) | 基于迭代贝叶斯的合成孔径雷达影像变化检测方法 | |
CN115965712A (zh) | 一种建筑物二维矢量图构建方法、系统、设备及存储介质 | |
KR102381013B1 (ko) | 다중 정합 기반 실시간 영상항법 수행 방법, 장치 및 컴퓨터 프로그램 | |
CN107808160B (zh) | 三维建筑物提取方法和装置 | |
Noh et al. | Highly Dense 3D Surface Generation Using Multi‐image Matching | |
Ye et al. | Gaussian mixture model of ground filtering based on hierarchical curvature constraints for airborne lidar point clouds | |
Simonetto et al. | Extraction of industrial buildings from stereoscopic airborne radar images |
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 |