CN115205251A - 一种光学遥感影像几何质量可用性评价方法 - Google Patents

一种光学遥感影像几何质量可用性评价方法 Download PDF

Info

Publication number
CN115205251A
CN115205251A CN202210826676.0A CN202210826676A CN115205251A CN 115205251 A CN115205251 A CN 115205251A CN 202210826676 A CN202210826676 A CN 202210826676A CN 115205251 A CN115205251 A CN 115205251A
Authority
CN
China
Prior art keywords
point
geometric
homonymous
point set
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.)
Pending
Application number
CN202210826676.0A
Other languages
English (en)
Inventor
高小花
刘仕琪
段红伟
李洁
邹圣兵
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.)
Beijing Shuhui Spatiotemporal Information Technology Co ltd
Original Assignee
Beijing Shuhui Spatiotemporal Information Technology 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 Beijing Shuhui Spatiotemporal Information Technology Co ltd filed Critical Beijing Shuhui Spatiotemporal Information Technology Co ltd
Priority to CN202210826676.0A priority Critical patent/CN115205251A/zh
Publication of CN115205251A publication Critical patent/CN115205251A/zh
Priority to PCT/CN2023/092679 priority patent/WO2024012024A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种光学遥感影像几何质量可用性评价方法。该方法具体包括：对光学遥感影像数据进行解析，获得原始多光谱影像和原始全色影像，通过特征点提取和特征配准得到基础同名点集；利用优化策略对所述基础同名点集进行优化，得到第一同名点集；对所述第一同名点集基于几何重要性和分布均衡性进行同名点对选择，得到第二同名点集；对所述第二同名点集进行计算，得到几何精度；基于所述几何精度进行可用性判定得到几何质量可用性。本发明能够对卫星遥感影像的几何定位精度和几何一致性进行全面表征，可以快速、自动的进行影像几何质量评价和可用性评价，支持后续影像处理和产品生产。

Description

一种光学遥感影像几何质量可用性评价方法
技术领域
本发明涉及遥感影像质量评价领域，具体涉及一种光学遥感影像几何质量可用性评价方法。
背景技术
由于分辨率高、现势性强的特点，卫星遥感数据已经广泛应用到资源调查、环境监测等领域，并成为不可获取的重要数据源。然而由于复杂的成像环境的影响，初始的卫星遥感数据可能存在不同波谱影像几何错位等几何问题。传统卫星影像处理流程上，通常在影像融合时才会发现不同波谱影像的几何质量问题，使得后续的处理和应用十分被动，因此要在原始影像获取时就要根据几何质量评价来判定影像数据是否可用。
传统的卫星影像几何质量评价通常在影像上人为选取一定数目的均匀分布的检查点，通过计算其在图像上的坐标与其真实地理位置的坐标误差，统计计算平均中误差来表征，这种方法通常可以很好的表征影像的几何定位精度或几何配准精度，但对影像内的几何一致性却无法表征；同时，该方法是人工交互的，自动化程度不高，且没有直观反映影像的可用性。
发明内容
针对当前遥感影像几何质量评价方法中存在几何质量表征不全面、自动化水平不高、影像可用性表达不足等问题，本发明提出一种光学遥感影像几何质量可用性评价方法，对原始影像数据直接进行自动化、全面的几何质量评价，得到影像数据的可用性评价结果。
本发明提供一种光学遥感影像几何质量可用性评价方法，该方法包括：
S1：获取光学遥感影像数据；
S2：对所述光学遥感影像数据进行解析，获得原始多光谱影像I1和原始全色影像I2；
S3：分别获取I1和I2的特征点，并对I1和I2的特征点进行特征配准，形成多个同名点对，所有的所述同名点对组成基础同名点集；
S4：利用优化策略以所述同名点对为单位对所述基础同名点集进行优化，得到第一同名点集；
S5：对所述第一同名点集基于几何重要性和分布均衡性进行同名点对选择，得到第二同名点集；
S6：对所述第二同名点集进行计算，得到几何精度；
S7：基于所述几何精度对所述光学遥感影像数据进行可用性判定，得到所述光学遥感影像数据的几何质量可用性。
于本发明一具体实施例中，步骤S4包括：
S41：从所述基础同名点集中，选取同名点对MP i ，所述MP i 包括I1的特征点f i 和I2的特征点g i ，其中i为大于等于1的整数；
S42：计算I1中的特征点与f i 的欧氏距离，将欧氏距离的结果按从小到大排序，选取前n个特征点，以f i 为固定顶点分别与n个特征点以邻近原则进行三角形构建，形成n-1个三角形，该n-1个三角形组成第一几何约束集
Figure DEST_PATH_IMAGE001
；
S43：计算I2中的特征点与g i 的欧氏距离，将欧氏距离的结果按从小到大排序，选取前n个特征点，以g i 为固定顶点分别与n个特征点以邻近原则进行三角形构建，形成n-1个三角形，该n-1个三角形组成第二几何约束集
Figure 987423DEST_PATH_IMAGE002
；
S44：分别计算
Figure DEST_PATH_IMAGE003
和
Figure 170143DEST_PATH_IMAGE004
中对应三角形的相似性，得到n-1个相似度结果，根据判别条件对相似度结果进行判定，若相似度结果符合判别条件，则将f i 和g i 加入到所述第一同名点集，其中，所述判别条件为n-1个相似度结果中至少有d个相似度结果大于第一阈值；
S45：重复S41至S44步骤，遍历所述基础同名点集中的所有同名点对，得到所述第一同名点集。
于本发明一具体实施例中，步骤S5包括：
S51：基于几何重要性在所述第一同名点集中归属I1的同名点内选取m个同名点，并根据所述m个同名点从所述第一同名点集中得到对应的m个同名点对，将m个同名点对加入所述第二同名点集，其中，所述m个同名点是按照I1的垂直轨道方向、轨道方向以及对角线方向均匀选择而得到；
S52：将所述第一同名点集中去除m个同名点对之后的剩余同名点对作为第一剩余点集，基于分布均衡性从所述第一剩余点集中选择k个同名点对，其中k大于4：
S521：获取I1的四个角点，并在所述第一剩余点集中根据角点就近原则选取四个同名点，将该四个同名点相应的同名点对加入所述第二同名点集；
S522：将所述第一剩余点集中去除四个同名点对之后的剩余同名点对作为第二剩余点集，将第二剩余点集内属于I1的同名点根据聚类算法进行聚类，得到k-4个聚类中心，将k-4个聚类中心对应的同名点对加入所述第二同名点集。
于本发明一具体实施例中，所述几何精度是根据几何配准精度和几何变形精度进行计算得到。
于本发明一具体实施例中，所述几何变形精度的计算方法为：
步骤一、根据所述第二同名点集中归属I1的同名点建立Delaunay三角网De 1；
步骤二、获取De 1中三角形e i 1的同名点e i 1,1，e i 1,2，e i 1,3，利用对应关系找到同名点e i 1,1，e i 1,2，e i 1,3在I2上的同名点e i 2,1，e i 2,2，e i 2,3，利用e i 2,1，e i 2,2，e i 2,3构建三角形e i 2；
步骤三、重复步骤二，遍历De 1中所有的三角形，构建Delaunay三角网De 2；
步骤四、计算De 1和De 2中每两个对应的三角形之间的面积变化值，基于面积变化值计算面积标准方差D area ；
步骤五、计算De 1和De 2中每两个对应的三角形之间的角度变化值，基于角度变化值计算角度标准方差D angle ；
步骤六、对D area 和D angle 基于运算方法进行计算得到几何变形精度。
于本发明一具体实施例中，所述几何配准精度的计算方法为：
利用所述第二同名点集中的同名点构建变换矩阵；
利用所述变换矩阵，将所述第二同名点集中归属I1的同名点变换到I2的空间中，得到变换后同名点；
计算所有所述变换后同名点与对应的所述第二同名点集中归属I2的同名点之间的距离，计算所述距离的平均值，得到所述几何配准精度。
于本发明一具体实施例中，所述运算方法包括加权计算、相乘计算、相加计算。
于本发明一具体实施例中，所述“根据几何配准精度和几何变形精度进行计算”的计算方法包括加权计算、相乘计算、相加计算。
于本发明一具体实施例中，步骤S7包括：
S71：将所述几何精度归一化为取值范围在0到100的数值；
S72：设定可用性阈值，当所述几何精度归一化后的数值大于所述可用性阈值时，所述光学遥感影像的几何质量可用性为100%，反之所述光学遥感影像的几何质量可用性为0%。
于本发明一具体实施例中，步骤S3包括：
S31：基于尺度不变特征转换算法提取I1的特征点，得到第一特征点集；
S32：基于尺度不变特征转换算法提取I2的特征点，得到第二特征点集；
S33：对所述第一特征点集和所述第二特征点集进行特征点匹配，将匹配成功的两个特征点作为一个同名点对，所有的同名点对组成所述基础同名点集。
本发明的有益效果是：本发明公开了一种光学遥感影像几何质量可用性评价方法，通过多三角形几何约束的优化策略中得到第一同名点集合中，不仅顾及了领域点是否为同名点，同时顾及了领域点与特征点的几何一致性，能够快速、准确的剔除错误的同名点，得到优选的同名点；几何重要性和分布均衡性策略从优化的第一同名点集合中进行同名点选择，得到第二同名点集合，可以保证选择的同名点具有几何重点性、特征重要性、分布均衡性，能够更好的评价影像几何质量；通过几何配准精度和几何变形精度进行几何精度计算，并通过构建Delaunay三角网，利用面积变化标准方差和角度变换标准方差来快速评价几何变形精度。本发明可以快速、自动的进行影像几何质量评价和可用性评价，支持后续影像有效处理和产品生产。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明实施例的方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
图1所示为本发明提供的一种光学遥感影像几何质量可用性评价方法的流程图，包括步骤S1-步骤S7。
S1：获取光学遥感影像数据。
光学遥感影像数据一般是经过粗处理后以tar包的形式提供给用户，其内容包括不同波段的影像数据、RPC文件、缩略图等。
S2：对所述光学遥感影像数据进行解析，获得原始多光谱影像I1和原始全色影像I2。
受成像传感器的影响，不同成像传感器下原始的光学遥感影像数据所包括的波段影像数据不同，因此需要对原始遥感影像数据进行解析。
解析后得到原始多光谱影像和原始全色影像，定义原始多光谱影像为I1，原始全色影像为I2。
S3：分别获取I1和I2的特征点，并对I1和I2的特征点进行特征配准，形成多个同名点对，所有的所述同名点对组成基础同名点集。
为了评价I1和I2的几何质量，首先要对两景影像的几何相似性进行特征层面的描述，进而进行几何配准精度和几何变形精度的计算与评判。本实例中通过同名点来对I1和I2的几何相似性进行特征描述。
S31：基于尺度不变特征转换算法提取I1的特征点，得到第一特征点集。
S32：基于尺度不变特征转换算法提取I2的特征点，得到第二特征点集。
具体地，本实例中采用sift特征提取方法提取I1和I2的特征点，sift特征提取方法不但对于旋转、亮度变化保持不变性，对尺度缩放也可以保持不变性，因此可以针对不同尺度下的I1和I2进行特征点提取，并通过特征点描述符来对不同尺度下的特征点进行特征配准。
S33：对所述第一特征点集和所述第二特征点集进行特征点匹配，将匹配成功的两个特征点作为一个同名点对，所有的同名点对组成所述基础同名点集。
以下面的一个具体实施例来对步骤S33进行说明：
S331：对于所述第一特征点集的任意特征点f 1，从所述第二特征点集中找到与f 1的欧氏距离最近的特征点g 1以及第二近的特征点g 2，如果g 1和f 1的距离与g 2和f 1的距离之商小于阈值α 1，则f 1和g 1为匹配成功的一个同名点对。
具体的，本实例中α 1为0.4。
S332：对所述第一特征点集的所有特征点执行S331步骤，得到基础同名点集。
S4：利用优化策略以所述同名点对为单位对所述基础同名点集进行优化，得到第一同名点集。
具体地，步骤S4包括：
S41：从所述基础同名点集中，选取同名点对MP i ，所述MP i 包括I1的特征点f i 和I2的特征点g i ，其中i为大于等于1的整数。
S42：计算I1中的特征点与f i 的欧氏距离，将欧氏距离的结果按从小到大排序，选取前n个特征点，以f i 为固定顶点分别与n个特征点以邻近原则进行三角形构建，形成n-1个三角形，该n-1个三角形组成第一几何约束集
Figure DEST_PATH_IMAGE005
。
本实例中，以f i 为固定顶点，以f i 的水平向右为0度方向得到0度起点线f i -0，按照0度起点线f i -0的逆时针方向将n个特征点进行排序，并按照邻近原则进行三角形构建，形成n-1个三角形：
（1）将第j个特征点同f i 连线得到连线j-f i ，其中1≤j≤n。
（2）根据f i -0和j-f i 得到夹角△j-f i -0。
（3）重复步骤（1）和（2），按照逆时针计算所有n个特征点同f i -0的夹角，并按照从小到大的顺序进行排序。
（4）以f i 为固定顶点，按照排序顺序，以邻近原则进行三角形构建，形成n-1个三角形，该n-1个三角形组成第一几何约束集
Figure 779241DEST_PATH_IMAGE006
。
S43：计算I2中的特征点与g i 的欧氏距离，将欧氏距离的结果按从小到大排序，选取前n个特征点，以g i 为固定顶点分别与n个特征点以邻近原则进行三角形构建，形成n-1个三角形，该n-1个三角形组成第二几何约束集
Figure DEST_PATH_IMAGE007
。
本实例中，以g i 为固定顶点，以g i 的水平向右为0度方向得到0度起点线g i -0，按照0度起点线g i -0的逆时针方向将n个特征点进行排序，并按照邻近原则进行三角形构建，形成n-1个三角形：
（1）将第j个特征点同g i 连线得到连线j-g i ，其中1≤j≤n。
（2）根据g i -0和j-g i 得到夹角△j-g i -0。
（3）重复步骤（1）和（2），按照逆时针计算所有n个特征点同g i -0的夹角，并按照从小到大的顺序进行排序。
（3）以g i 为固定顶点，按照排序顺序，以邻近原则进行三角形构建，形成n-1个三角形，该n-1个三角形组成第二几何约束集
Figure 236767DEST_PATH_IMAGE007
。
需要说明的是，所述邻近原则指的是排序顺序中最相邻的两个特征点依次与固定顶点进行三角形构建，即形成的n-1个三角形中，每个三角形的面积互不重复。
S44：分别计算
Figure 785560DEST_PATH_IMAGE001
和
Figure 139181DEST_PATH_IMAGE002
中对应三角形的相似性，得到n-1个相似度结果，根据判别条件对相似度结果进行判定，若相似度结果符合判别条件，则将f i 和g i 加入到所述第一同名点集，其中，所述判别条件为n-1个相似度结果中至少有d个相似度结果大于第一阈值。
S45：重复S41至S44步骤，遍历所述基础同名点集中的所有同名点对，得到所述第一同名点集。
具体的，本实例中n为5，d为3，第一阈值为0.9。
本发明通过构建三角形几何约束，不仅能够通过特征点配对率来进行错误同名点对筛除，同时能够根据角度、尺度等几何相似度对错误同名点对筛除，更加高效的剔除错误同名点，得到优选后的同名点集。
S5：对所述第一同名点集基于几何重要性和分布均衡性进行同名点对选择，得到第二同名点集。
S5具体实现步骤包括：
S51：基于几何重要性在所述第一同名点集中归属I1的同名点内选取m个同名点，并根据所述m个同名点从所述第一同名点集中得到对应的m个同名点对，将m个同名点对加入所述第二同名点集，其中，所述m个同名点是按照I1的垂直轨道方向、轨道方向以及对角线方向均匀选择而得到的。
具体地，在本发明一具体实施例中：
（1）在按照I1的垂直轨道方向、轨道方向、对角线方向均匀选择m个点时，首先可以根据对角线的交点来确定I1影像的中心点，之后按照距离最近原则获取与该中心点距离最近的中心同名点，该中心同名点属于所述m个同名点。
（2）以该中心同名点为基础，在垂直轨道方向、轨道方向、对角线方向上均匀选择m-1个同名点。
（3）根据所述m个同名点从所述第一同名点集合中得到对应的m个同名点对，将所述m个同名点对加入到所述第二同名点集。
S52：将所述第一同名点集中去除m个同名点对之后的剩余同名点对作为第一剩余点集，基于分布均衡性从所述第一剩余点集中选择k个同名点对，其中k大于4：
S521：获取I1的四个角点，并在所述第一剩余点集中根据角点就近原则选取四个同名点，将该四个同名点相应的同名点对加入所述第二同名点集。
需要说明的是，所述角点就近原则指的是从所述第一剩余点集中，找到分别与四个角点距离最近的四个同名点。
S522：将所述第一剩余点集中去除四个同名点对之后的剩余同名点对作为第二剩余点集，将第二剩余点集内属于I1的同名点根据聚类算法进行聚类，得到k-4个聚类中心，将k-4个聚类中心对应的同名点对加入所述第二同名点集。
具体的，本实例中k为15，可以通过K均值聚类方法得到11个聚类中心的同名点。
S6：对所述第二同名点集进行计算，得到几何精度。
具体地，所述几何精度是根据几何配准精度和几何变形精度进行计算得到。
几何配准精度表征了几何质量中的位置精度，几何变形精度表征了几何质量中的几何一致性精度。
本实施例中，所述几何变形精度的计算方法为：
步骤一、根据所述第二同名点集中归属I1的同名点建立Delaunay三角网De 1。
步骤二、获取De 1中三角形e i 1的同名点e i 1,1，e i 1,2，e i 1,3，利用对应关系找到同名点e i 1,1，e i 1,2，e i 1,3在I2上的同名点e i 2,1，e i 2,2，e i 2,3，利用e i 2,1，e i 2,2，e i 2,3构建三角形e i 2。
步骤三、重复步骤二，遍历De 1中所有的三角形，构建Delaunay三角网De 2。
步骤四、计算De 1和De 2中每两个对应的三角形之间的面积变化值，基于面积变化值计算面积标准方差D area 。
（1）按照顺序依次获取De 1的三角形e i 1，以及对应De 2的三角形e i 2，其中1≤i≤(k+m-1)，m为根据几何重要性策略提取的同名点数量，k为根据分布均衡性策略提取的同名点数量。
（2）计算三角形e i 1的面积d i 1和三角形e i 2的面积d i 2，求解面积变化d i 1,2：
Figure DEST_PATH_IMAGE009
。
（3）求解面积变化的表征方差D area ：
Figure DEST_PATH_IMAGE011
。
步骤五、计算De 1和De 2中每两个对应的三角形之间的角度变化值，基于角度变化值计算角度标准方差D angle 。
（1）按照顺序依次获取De 1的三角形e i 1，以及对应De 2的三角形e i 2，其中1≤i≤(k+m-1)，m为根据几何重要性策略提取的同名点数量，k为根据分布均衡性策略提取的同名点数量；
（2）计算三角形e i 1的三个角度和三角形e i 2的三个角度的差值的平均值：
Figure DEST_PATH_IMAGE013
其中，a i 1,1，a i 1,2，a i 1,3为e i 1的三个角，a i 2,1，a i 2,2，a i 2,3为e i 2的三个角。
（3）求解角度变化标准方差D angle ：
Figure DEST_PATH_IMAGE015
。
步骤六、对D area 和D angle 基于运算方法进行计算得到几何变形精度。
所述运算方法可以是加权计算、相乘计算、相加计算或其它运算方法。
具体地，本实例中采用加权计算方法，即：
D f =a×D area +(1-a)D angle
其中，D f 为几何变形精度，a为权重系数，0<a<1。
所述几何配准精度的计算方法为：
首先，利用所述第二同名点集合中的同名点构建变换矩阵。
本实例中，根据仿射变换方程求解变换矩阵：
(1)获取I2影像上同名点坐标(x i ，y j )，I1同名点坐标(X i ，Y j )；
(2)将(x i ，y j )和(X i ，Y j )代入仿射变换方程求解仿射变换参数A、B、C、D、E、F：
X=Ax+By+C
Y=Dx+Ey+F
通过求解A、B、C、D、E、F，得到仿射变换模型。
之后，将所述第二同名点集中归属I1的同名点变换到I2的空间中，得到变换后同名点。
本实例中，对于I2影像上同名点坐标(x i ，y j )，输入仿射变换模型进行仿射变换，得到仿射点坐标(x i ′，y j ′)；
x′=Ax+By+C
y′=Dx+Ey+F
最后，计算所有所述变换后同名点与对应的所述第二同名点集中归属I2的同名点之间的距离，计算所述距离的平均值，得到所述几何配准精度。
本实例中，计算仿射点坐标(x i ′，y j ′)和和(X i ，Y j )之间欧式距离得到同名点距离：
Figure DEST_PATH_IMAGE017
其中d(i,j)为仿射点坐标(x i ′，y j ′)和(X i ，Y j )之间的欧式距离。
在得到了几何配准精度和几何变形精度之后，对几何配准精度和几何变形精度进行计算，得到所述几何精度。
其中，得到所述几何精度的计算方法可以是加权计算、相乘计算、相加计算或其它计算方法。
本实例中采用相乘计算方法，即：
D geo =D f ×D regis
其中，D geo 为几何精度，D f 为几何变形精度，D regis 为几何配准精度。
S7：基于所述几何精度对所述光学遥感影像数据进行可用性判定，得到所述光学遥感影像数据的几何质量可用性。
S71：将所述几何精度归一化为取值范围在0到100的数值；
S72：设定可用性阈值，当所述几何精度归一化后的数值大于所述可用性阈值时，所述光学遥感影像的几何质量可用性为100%，反之所述光学遥感影像的几何质量可用性为0%。
在本实施例中，所述可用性阈值设为75。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种光学遥感影像几何质量可用性评价方法，其特征在于，所述方法包括：
S1：获取光学遥感影像数据；
S2：对所述光学遥感影像数据进行解析，获得原始多光谱影像I1和原始全色影像I2；
S3：分别获取I1和I2的特征点，并对I1和I2的特征点进行特征配准，形成多个同名点对，所有的所述同名点对组成基础同名点集；
S4：利用优化策略以所述同名点对为单位对所述基础同名点集进行优化，得到第一同名点集；
S5：对所述第一同名点集基于几何重要性和分布均衡性进行同名点对选择，得到第二同名点集；
S6：对所述第二同名点集进行计算，得到几何精度；
S7：基于所述几何精度对所述光学遥感影像数据进行可用性判定，得到所述光学遥感影像数据的几何质量可用性。
2.根据权利要求1所述的一种光学遥感影像几何质量可用性评价方法，其特征在于，步骤S4包括：
S41：从所述基础同名点集中，选取同名点对MP i ，所述MP i 包括I1的特征点f i 和I2的特征点g i ，其中i为大于等于1的整数；
S42：计算I1中的特征点与f i 的欧氏距离，将欧氏距离的结果按从小到大排序，选取前n个特征点，以f i 为固定顶点分别与n个特征点以邻近原则进行三角形构建，形成n-1个三角形，该n-1个三角形组成第一几何约束集
Figure 899760DEST_PATH_IMAGE001
；
S43：计算I2中的特征点与g i 的欧氏距离，将欧氏距离的结果按从小到大排序，选取前n个特征点，以g i 为固定顶点分别与n个特征点以邻近原则进行三角形构建，形成n-1个三角形，该n-1个三角形组成第二几何约束集
Figure 629818DEST_PATH_IMAGE002
；
S44：分别计算
Figure 829856DEST_PATH_IMAGE001
和
Figure 354378DEST_PATH_IMAGE002
中对应三角形的相似性，得到n-1个相似度结果，根据判别条件对相似度结果进行判定，若相似度结果符合判别条件，则将f i 和g i 加入到所述第一同名点集，其中，所述判别条件为n-1个相似度结果中至少有d个相似度结果大于第一阈值；
S45：重复S41至S44步骤，遍历所述基础同名点集中的所有同名点对，得到所述第一同名点集。
3.根据权利要求1所述的一种光学遥感影像几何质量可用性评价方法，其特征在于，步骤S5包括：
S51：基于几何重要性在所述第一同名点集中归属I1的同名点内选取m个同名点，并根据所述m个同名点从所述第一同名点集中得到对应的m个同名点对，将m个同名点对加入所述第二同名点集，其中，所述m个同名点是按照I1的垂直轨道方向、轨道方向以及对角线方向均匀选择而得到；
S52：将所述第一同名点集中去除m个同名点对之后的剩余同名点对作为第一剩余点集，基于分布均衡性从所述第一剩余点集中选择k个同名点对，其中k大于4：
S521：获取I1的四个角点，并在所述第一剩余点集中根据角点就近原则选取四个同名点，将该四个同名点相应的同名点对加入所述第二同名点集；
S522：将所述第一剩余点集中去除四个同名点对之后的剩余同名点对作为第二剩余点集，将第二剩余点集内属于I1的同名点根据聚类算法进行聚类，得到k-4个聚类中心，将k-4个聚类中心对应的同名点对加入所述第二同名点集。
4.根据权利要求1所述的一种光学遥感影像几何质量可用性评价方法，其特征在于，所述几何精度是根据几何配准精度和几何变形精度进行计算得到。
5.根据权利要求4所述的一种光学遥感影像几何质量可用性评价方法，其特征在于，所述几何变形精度的计算方法为：
步骤一、根据所述第二同名点集中归属I1的同名点建立Delaunay三角网De 1；
步骤二、获取De 1中三角形e i 1的同名点e i 1,1，e i 1,2，e i 1,3，利用对应关系找到同名点e i 1,1，e i 1,2，e i 1,3在I2上的同名点e i 2,1，e i 2,2，e i 2,3，利用e i 2,1，e i 2,2，e i 2,3构建三角形ei 2；
步骤三、重复步骤二，遍历De 1中所有的三角形，构建Delaunay三角网De 2；
步骤四、计算De 1和De 2中每两个对应的三角形之间的面积变化值，基于面积变化值计算面积标准方差D area ；
步骤五、计算De 1和De 2中每两个对应的三角形之间的角度变化值，基于角度变化值计算角度标准方差D angle ；
步骤六、对D area 和D angle 基于运算方法进行计算得到几何变形精度。
6.根据权利要求4所述的一种光学遥感影像几何质量可用性评价方法，其特征在于，所述几何配准精度的计算方法为：
利用所述第二同名点集中的同名点构建变换矩阵；
利用所述变换矩阵，将所述第二同名点集中归属I1的同名点变换到I2的空间中，得到变换后同名点；
计算所有所述变换后同名点与对应的所述第二同名点集中归属I2的同名点之间的距离，计算所述距离的平均值，得到所述几何配准精度。
7.根据权利要求5所述的一种光学遥感影像几何质量可用性评价方法，其特征在于，所述运算方法包括加权计算、相乘计算、相加计算。
8.根据权利要求4所述的一种光学遥感影像几何质量可用性评价方法，其特征在于，所述“根据几何配准精度和几何变形精度进行计算”的计算方法包括加权计算、相乘计算、相加计算。
9.根据权利要求1所述的一种光学遥感影像几何质量可用性评价方法，其特征在于，步骤S7包括：
S71：将所述几何精度归一化为取值范围在0到100的数值；
S72：设定可用性阈值，当所述几何精度归一化后的数值大于所述可用性阈值时，所述光学遥感影像的几何质量可用性为100%，反之所述光学遥感影像的几何质量可用性为0%。
10.根据权利要求1所述的一种光学遥感影像几何质量可用性评价方法，其特征在于，步骤S3包括：
S31：基于尺度不变特征转换算法提取I1的特征点，得到第一特征点集；
S32：基于尺度不变特征转换算法提取I2的特征点，得到第二特征点集；
S33：对所述第一特征点集和所述第二特征点集进行特征点匹配，将匹配成功的两个特征点作为一个同名点对，所有的同名点对组成所述基础同名点集。
CN202210826676.0A 2022-07-14 2022-07-14 一种光学遥感影像几何质量可用性评价方法 Pending CN115205251A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210826676.0A CN115205251A (zh) 2022-07-14 2022-07-14 一种光学遥感影像几何质量可用性评价方法
PCT/CN2023/092679 WO2024012024A1 (zh) 2022-07-14 2023-05-08 一种光学遥感影像几何质量可用性评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210826676.0A CN115205251A (zh) 2022-07-14 2022-07-14 一种光学遥感影像几何质量可用性评价方法

Publications (1)

Publication Number Publication Date
CN115205251A true CN115205251A (zh) 2022-10-18

Family

ID=83579157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210826676.0A Pending CN115205251A (zh) 2022-07-14 2022-07-14 一种光学遥感影像几何质量可用性评价方法

Country Status (2)

Country Link
CN (1) CN115205251A (zh)
WO (1) WO2024012024A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024012024A1 (zh) * 2022-07-14 2024-01-18 北京数慧时空信息技术有限公司 一种光学遥感影像几何质量可用性评价方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574347B (zh) * 2013-10-24 2019-01-11 南京理工大学 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
CN104021556A (zh) * 2014-06-13 2014-09-03 西南交通大学 一种基于几何结构相似性的异源遥感影像配准方法
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
CN115205251A (zh) * 2022-07-14 2022-10-18 北京数慧时空信息技术有限公司 一种光学遥感影像几何质量可用性评价方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024012024A1 (zh) * 2022-07-14 2024-01-18 北京数慧时空信息技术有限公司 一种光学遥感影像几何质量可用性评价方法

Also Published As

Publication number Publication date
WO2024012024A1 (zh) 2024-01-18

Similar Documents

Publication Publication Date Title
CN110148162B (zh) 一种基于复合算子的异源图像匹配方法
CN111199214B (zh) 一种残差网络多光谱图像地物分类方法
CN108550166B (zh) 一种空间目标图像匹配方法
CN103337052B (zh) 面向宽幅遥感影像的自动几何纠正方法
CN113095333B (zh) 无监督特征点检测方法及装置
CN113836373B (zh) 一种基于密度聚类的投标信息处理方法、设备及存储介质
CN116229189B (zh) 基于荧光内窥镜的图像处理方法、装置、设备及存储介质
CN108763575B (zh) 基于像控点数据库的像控点自动选取方法
CN112288758B (zh) 一种电力设备红外与可见光图像配准方法
JP3776591B2 (ja) 地図情報更新方法および装置
CN115937552A (zh) 一种基于融合手工特征与深度特征的图像匹配方法
CN115205251A (zh) 一种光学遥感影像几何质量可用性评价方法
CN110490061B (zh) 一种遥感影像特征的不确定性建模与度量方法
CN117152163B (zh) 一种桥梁施工质量视觉检测方法
CN117274702B (zh) 一种基于机器视觉的手机钢化玻璃膜裂纹自动分类方法和系统
CN117036756B (zh) 基于变分自动编码器的遥感图像匹配方法及系统
CN111815620B (zh) 一种基于卷积特征和低秩表示的织物疵点检测方法
CN116703744B (zh) 一种基于卷积神经网络的遥感影像匀光匀色方法和装置
CN105809657A (zh) 一种角点检测方法和装置
CN109063537B (zh) 针对异常小目标解混的高光谱图像预处理方法
JP3251840B2 (ja) 画像認識装置
CN113469003B (zh) 一种遥感图像的匹配方法
CN115564915A (zh) 变电站环境数字化区域的地图构建方法及装置
CN112052727B (zh) 一种基于大数据的人像识别分析系统及方法
US20240104890A1 (en) Image processing device, recording medium, and image processing method

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