CN115423848B - 一种识别及去除像素偏移量追踪监测结果异常的方法 - Google Patents

一种识别及去除像素偏移量追踪监测结果异常的方法 Download PDF

Info

Publication number
CN115423848B
CN115423848B CN202211382187.7A CN202211382187A CN115423848B CN 115423848 B CN115423848 B CN 115423848B CN 202211382187 A CN202211382187 A CN 202211382187A CN 115423848 B CN115423848 B CN 115423848B
Authority
CN
China
Prior art keywords
offset
pixel
intensity
value
distance direction
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
CN202211382187.7A
Other languages
English (en)
Other versions
CN115423848A (zh
Inventor
王茂枚
王刘宇
赵钢
徐毅
张明
王远
张玉龙
李士军
鲁伟
刘红剑
蔡军
罗青
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.)
JIANGSU WATER CONSERVANCY SCIENTIFIC RESEARCH INSTITUTE
Original Assignee
JIANGSU WATER CONSERVANCY SCIENTIFIC RESEARCH INSTITUTE
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 JIANGSU WATER CONSERVANCY SCIENTIFIC RESEARCH INSTITUTE filed Critical JIANGSU WATER CONSERVANCY SCIENTIFIC RESEARCH INSTITUTE
Priority to CN202211382187.7A priority Critical patent/CN115423848B/zh
Publication of CN115423848A publication Critical patent/CN115423848A/zh
Application granted granted Critical
Publication of CN115423848B publication Critical patent/CN115423848B/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
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
    • G01B15/06—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring the deformation in a solid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种识别及去除像素偏移量追踪监测结果异常的方法，将研究区域同一SAR卫星拍摄的两幅SAR影像进行配准并生成主影像和辅影像，基于互相关算法计算主、辅影像的距离向偏移量矩阵RA；并利用极限学习机判断主影像和辅影像中用于偏移量追踪的影像块强度是否发生剧烈变化，对于强度发生剧烈变化的影像块，记录其中心像元的位置(i,j)；计算像元(i,j)的距离向偏移量阈值Tr，基于Tr和RA(i,j)的差值判断偏移量异常，并对异常偏移量进行校正。本发明的方法能够大大提高偏移量追踪技术的监测精度，为其更好的应用于大量级形变监测提供技术支撑。

Description

一种识别及去除像素偏移量追踪监测结果异常的方法
技术领域
本发明属于合成孔径雷达（SAR）像素偏移量追踪技术领域，涉及一种识别及去除像素偏移量追踪监测结果异常的方法。
背景技术
合成孔径雷达影像包括相位和强度信息，偏移量追踪技术就是基于SAR影像的强度信息来获取形变。偏移量追踪技术具有不受影像相干性、形变梯度影响及抗噪能力强等优点，能够获取研究区域大量级形变信息，在地震、冰川、采矿等领域应用广泛。偏移量追踪技术的原理是利用两幅SAR影像块的强度信息计算两幅影像的互相关系数矩阵，互相关系数矩阵的峰值位置与影像中心的距离就是两幅影像的偏移量。互相关系数的计算公式如下：
Figure DEST_PATH_IMAGE001
其中ρ是互相关系数，A和B是用于计算互相关系数的主辅影像块的强度信息，m和n是影像块的长度和宽度，也称互相关窗口的大小。从公式中可以看出，互相关系数与影像的强度和互相关窗口大小有关，而互相关系数与该方法的监测精度有直接联系，因此该方法的监测精度受互相关影像块的强度信息和互相关窗口的大小的影响较大。
偏移量追踪技术的理论精度通常在1/10~1/20像元之间，然而由于种种原因，其真实监测精度往往达不到1/10像元，且常常会出现监测结果异常等现象。例如，已知互相关窗口内的区域并未发生较大的形变，但由于季节变化或者其他原因导致该窗口内某一小处地表表面发生了变化（强度信息发生了剧烈变化），然而使用偏移量追踪计算的结果却表明此窗口内的区域发生了大量级形变。究其原因是因为该处地表强度信息的剧烈变化导致该处的强度信息对互相关系数的计算产生了较大影响，导致互相关系数矩阵的峰值位置与影像中心的距离偏大，使监测结果发生异常。
发明内容
本发明的第一目的是针对上述偏移量追踪监测结果异常的问题，提供一种能够识别因地表强度发生剧烈变化导致像素偏移量追踪监测结果异常并去除异常监测结果的方法。
为实现上述技术目的，本发明采用如下方案：
一种识别像元偏移量追踪监测结果异常的方法，包括：
S1将研究区域同一SAR卫星拍摄的两幅SAR影像进行配准并生成主影像和辅影像，基于互相关算法计算主、辅影像的距离向偏移量矩阵
Figure 538265DEST_PATH_IMAGE002
；
S2利用极限学习机判断主影像和辅影像中用于偏移量追踪的影像块强度是否发生剧烈变化，对于强度发生剧烈变化的影像块，记录其中心像元的位置(i,j)；
S3基于下式计算像元(i,j)的距离向偏移量阈值Tr：
Figure 720985DEST_PATH_IMAGE003
如果
Figure 828618DEST_PATH_IMAGE004
≥预设阈值，则像元(i,j)的距离向偏移量异常。
作为一种优选的实施方式，所述步骤S2包括：
利用极限学习机获取所述主影像和辅影像的强度变化矩阵CD；
初始化和强度变化矩阵尺寸一致的空矩阵CD1；
判断CD(i-a:i+a，j-a:j+a)中是否包含表征存在变化的数值，如果存在，则将CD1(i,j)赋值为表征存在变化的数值；CD(i-a:i+a，j-a:j+a)和用于互相关计算的影像块尺寸一致。
作为一种优选的实施方式，对完成赋值的CD1，找出表征存在变化的数值对应的像元坐标并放入像元位置数组，对数组中的数据依次进行距离向偏移量异常识别处理。
作为一种优选的实施方式，所述预设阈值的大小根据偏移量追踪方法的精度确定。
作为一种优选的实施方式，所述预设阈值的大小为偏移量追踪方法的精度的3倍数值。
本发明的另一目的在于提供能够有效去除因地表强度发生剧烈变化导致偏移量追踪结果异常，使偏移量追踪技术能够获取准确的地表形变信息。
利用上述方法识别像素偏移量追踪监测结果异常后，对距离向偏移量异常的像元进行如下处理：
找出偏移量追踪过程中用于计算像元(i,j)距离向偏移量的主影像影像块和辅影像影像块，将各影像块中像元强度最大值使用其他统计值替代后重新计算像元(i,j)距离向偏移量及距离向偏移量阈值，重复直至距离向偏移量阈值和距离向偏移量差值的绝对值小于预设阈值。
作为一种优选的实施方式，利用各影像块中的像元强度均值代替影像块中的像元强度最大值。
作为一种优选的实施方式，所述去除像元偏移量追踪监测结果异常的方法的流程具体如下：
a. 找出所述互相关算法计算的过程中用于计算像元(i,j)距离向偏移量的主影像影像块A1和辅影像影像块B1；
b. 计算A1和B1的均值mean_A和mean_B，找出A1和B1最大值max_A和max_B，令max_A所在的像元的强度值等于mean_A，令max_B所在的像元的强度值等于mean_B，形成新的A1和B1；
c. 计算新的A1和B1的互相关系数矩阵，计算互相关系数矩阵峰值与互相关系数矩阵中心在距离向的距离offset1；
d. 如果
Figure 240139DEST_PATH_IMAGE005
<预设阈值，令
Figure 585670DEST_PATH_IMAGE006
，否则重复步骤b-d。
作为一种优选的实施方式，还包括：当主影像影像块和辅影像影像块的互相关系数矩阵中存在多个峰值时，保留大于互相关系数矩阵均值的峰值用于计算新的距离向偏移量，重复直至新的距离向偏移量与距离向偏移量阈值Tr差值的绝对值小于所述预设阈值。
作为一种优选的实施方式，如果保留的峰值超过1个，则分别计算各峰值与互相关系数矩阵中心在距离向的距离offsetn，以使|Tr-offsetn|最小的offsetn作为新的距离向偏移量。
偏移量追踪技术往往会因为地表强度发生剧烈变化导致其监测结果异常，本发明提供了一种能够识别及去除因强度发生剧烈变化导致偏移量追踪结果异常的方法，利用极限学习机找出两幅SAR影像强度图发生剧烈变化的像元，再根据这些像元周围像元的偏移量来判断这些像元的偏移量是否异常，如果这些像元的偏移量异常，则对用于计算该像元的两个影像块强度进行优化，利用优化后的影像块再次进行偏移量追踪获取准确的形变信息。由于受天气、季节更替、人类活动等的影响，在两幅SAR影像成像期间，地表强度会不可控的产生变化，这种变化会使偏移量追踪的监测结果产生异常，最终导致偏移量追踪技术的监测精度降低。因此，本发明提供的识别及去除偏移量追踪监测结果异常的方法能够大大提高该技术的监测精度，为其更好的应用于大量级形变监测提供技术支撑。
附图说明
图1是覆盖研究区域的两幅SAR影像强度图。
图2是用于计算像元p(33,33)偏移量的影像块强度。
图3是像元p(33,33)的互相关系数矩阵。
图4是使用两幅强度图进行偏移量追踪获取的距离向形变图。
图5是使用极限学习机获取的两幅影像的变化区域。
图6中（a）是用于计算像元p(33,261)偏移量的主影像强度；（b）是用于计算像元p(33,261)偏移量的辅影像强度；（c）是使用图6（a）和（b）中的影像块强度进行互相关计算获得的互相关系数矩阵。
图7中（a）是修正后用于计算像元p(33,261)偏移量的主影像强度；（b）是修正后用于计算像元p(33,261)偏移量的辅影像强度；（c）是使用图7（a）和（b）中的影像块强度进行互相关计算获得的互相关系数矩阵。
图8是使用本发明的方法去除异常监测结果的距离向形变图。
具体实施方式
下面结合附图对本发明的具体实施方式做出详细的说明。
实施例1
本实施例具体说明识别像元偏移量追踪监测结果异常的方法。
1）实施案例选取陕西省榆林市大柳塔矿区作为实验对象，选取覆盖研究区域的2景TerraSAR-X影像为实验影像，影像获取时间为2013年1月26日、2013年2月6日，matlabR2020b为本发明影像处理软件；对2景TerraSAR-X影像进行裁剪并配准，配准后的两幅影像强度图如图1所示，影像大小为900*600像元，m=900，n=600。从图1中可以看出，方框内的强度发生了剧烈变化。
2）将偏移量追踪技术的互相关窗口大小设置为64像元*64像元，对于像元p(i,j)，A中用于计算像元p(i,j)偏移量的影像块A1=A(i-32:i+32,j-32:j+32)，B中用于计算像元p(i,j)偏移量的影像块B1=B(i-32:i+32,j-32:j+32)，图2为i=33、j=33时，用于计算像元p(33,33)偏移量的影像块强度；将过采样系数设置为8，对A1和B1进行互相关计算获取A1和B1的互相关系数矩阵C（图3），找出矩阵C峰值所在的位置，矩阵C峰值所在的位置与矩阵C中心在距离向的距离即为像元p(i,j)在距离向的偏移量。如果i<=32或i>m-32或j<=32或j>n-32，则直接令像元p(i,j)在距离向的偏移量为零。按照上述方法对A和B的每一个像元进行偏移量追踪处理即可获取强度图A和B的大小为900*600的距离向偏移量矩阵RA（图4）。从图4中可以看出，方框内的偏移量存在异常现象。
3）使用极限学习机获取两幅SAR强度图A和B的变化矩阵CD（大小为m*n，如图5所示），矩阵CD的取值为0和1，0带代表无变化，1代表有变化。创建一个大小为m*n的矩阵CD1，CD1的值全为零。令i=33:m-32，j=33:n-32，如果CD(i-32:i+32,j-32:j+32)中的值不全为零，则令CD1(i,j)=1。
极限学习机（extreme learning machine，ELM）是一种SAR影像变化检测算法，详见文献“Feng Gao; Junyu Dong; Bo Li; Qizhi Xu; Cui Xie. Change detection fromsynthetic aperture radar images based on neighborhood-based ratio and extremelearning machine[J]. Journal of Applied Remote Sensing, 2016, 10(4)”。
4）如果CD1(i,j)=1，说明用于计算像元p(i,j)偏移量的影像块中有某个像元的强度发生了剧烈变化，找出CD1(33:m-32,33:n-32)=1对应的像元位置数组I(1*x)、J(1*x)，本实施例中x=299。
实施例2
本实施例具体说明能够有效去除因地表强度发生剧烈变化导致偏移量追踪结果异常的方法。利用实施例1所述方法识别像元偏移量追踪监测结果后，基于实施例1的结果进行异常去除。为简便计算，本发明只对距离向偏移量进行异常去除。
1）对于第一个（k=1）强度发生剧烈变化的像元p(I(k),J(k))，I(k)=33，J(k)=33，RA(33,33)=0.0938，RA(32,32)=0，RA(32,33)=0，RA(32,34)=0，RA(33,32)=0，按如下公式计算该像元的距离向偏移量阈值Tr：
Figure 736029DEST_PATH_IMAGE007
|Tr-RA(I(k),J(k))|<0.3，说明像元p(I(k),J(k))的距离向偏移量不存在异常现象。
2）接下来对第二个(k=2)、第三个(k=3)、……、第229个强度发生剧烈变化的像元计算Tr，当k=229时，I(k)=33，J(k)=261，RA(33,261)=-0.6875，RA(32,260)=0，RA(32,261)=0，RA(32,262)=0，RA(33,260)=0.0313，按如下公式计算该像元的距离向偏移量阈值Tr:
Figure 19373DEST_PATH_IMAGE008
|Tr-RA(I(k),J(k))|>=0.3，说明像元p(I(k),J(k))的距离向偏移量异常，则执行如下步骤：
①提取A中像元p(I(k),J(k))用于偏移量追踪的影像块A1=A(I(k)-32:I(k)+32,J(k)-32:J(k)+32)，提取B中像元p(I(k),J(k))用于偏移量追踪的影像块B1=B(I(k)-32:I(k)+32,J(k)-32:J(k)+32)，如图6中（a）和（b）所示，（c）是使用A1和B1进行互相关计算得到的互相关系数矩阵C，矩阵C的峰值与其中心在距离向的距离offset=-0.6875；
②计算A1和B1的均值mean_A和mean_B，找出A1和B1最大值max_A和max_B，令max_A所在像元的强度值等于mean_A，令max_B所在像元的强度值等于mean_B，形成新的A1和B1，如图7中（a）和（b）所示；
③计算新的A1和B1的互相关系数矩阵C（如图7中（c）所示），计算出矩阵C峰值与矩阵C中心在距离向的距离offset1=0.1875；
④此时|Tr-offset1|<0.3，令RA(I(k),J(k))=offset1；如果|Tr-offset1|>=0.3，执行步骤②-④。
至此，k=229时，像元p(I(k),J(k))偏移量异常现象已经去除，并获取了像元p(I(k),J(k))准确的偏移量。
3）接下来对第230个(k=230)、第231个(k=231)、……、第x个(k=x)强度发生剧烈变化的像元执行步骤1）-2），至此可去除使用偏移量追踪技术获取的强度图A和B的监测结果的异常值。去除异常监测结果的形变图如图8所示，从图8中可以看出，方框内的异常监测结果已经完全去除。
实施例3
本实施例中提供了另一种异常去除的方法，可解决特殊情况下互相关系数矩阵存在多个峰值，使得导致互相关系数矩阵的最大峰值位置与影像中心的距离偏大，使监测结果发生异常的问题。
1）对于距离向偏移量存在异常现象的像元p(I(k),J(k))：
①提取A中像元p(I(k),J(k))用于偏移量追踪的影像块A1=A(I(k)-32:I(k)+32,J(k)-32:J(k)+32)，提取B中像元p(I(k),J(k))用于偏移量追踪的影像块B1=B(I(k)-32:I(k)+32,J(k)-32:J(k)+32)；
②计算A1和B1的互相关系数矩阵C，计算C的均值mean_c；
③令temp=0，使用imregionalmax函数找出C所有的峰值及所有峰值的位置，并去除峰值小于或等于mean_c的峰值，只保留峰值大于mean_c的峰值P及其位置，计算保留下来的峰值的位置与C矩阵中心的在距离向的距离offset1，如果保留下来的峰值只有一个，则执行步骤④-⑤；如果保留下来的峰值不只一个，则执行步骤⑥；
④如果|Tr-offset1|<0.3，令RA(I(k),J(k))=offset1，执行步骤2）；如果|Tr-offset1|>=0.3，执行步骤⑤；
⑤如果temp>5，令RA(I(k),J(k))=0，执行步骤2）；如果temp<=5，令temp=temp+1，计算A1和B1的均值mean_A和mean_B，找出A1和B1最大值max_A和max_B，令max_A所在的像元的强度值等于mean_A，令max_B所在的像元的强度值等于mean_B，形成新的A1和B1；计算新的A1和B1的互相关系数矩阵C，计算出矩阵C峰值与矩阵C中心在距离向的距离offset1，执行步骤④；
⑥计算offset1中的各偏移量与Tr的差值Diff，Diff=|Tr-offset1|，找出Diff的最小值Rmin及Rmin对应的偏移量offset2，如果Rmin<0.3，令RA(I(k),J(k))=offset2，执行步骤2）；如果Rmin≥0.3，则执行步骤④-⑤。
2）接下来对像元p(I(k+1),J(k+1))执行步骤1），直至完成所有距离向偏移量存在异常现象的像元的偏移量异常校正，至此可去除使用偏移量追踪技术获取的强度图A和B的监测结果因互相关系数矩阵存在多个峰值及因地表强度发生剧烈变化导致偏移量追踪结果的异常。

Claims (9)

1.一种识别像元偏移量追踪监测结果异常的方法，其特征在于，包括如下步骤：
S1将研究区域同一SAR卫星拍摄的两幅SAR影像进行配准并生成主影像和辅影像，基于互相关算法计算主、辅影像的距离向偏移量矩阵
Figure DEST_PATH_IMAGE002
；
S2利用极限学习机判断主影像和辅影像中用于偏移量追踪的影像块强度是否发生剧烈变化，对于强度发生剧烈变化的影像块，记录其中心像元的位置(i,j)，如下：
利用极限学习机获取所述主影像和辅影像的强度变化矩阵CD；
初始化和强度变化矩阵尺寸一致的空矩阵CD1；
判断CD(i-a:i+a，j-a:j+a)中是否包含表征存在变化的数值，如果存在，则将CD1(i,j)赋值为表征存在变化的数值；CD(i-a:i+a，j-a:j+a)和用于互相关计算的影像块尺寸一致；
S3基于下式计算像元(i,j)的距离向偏移量阈值Tr：
Figure DEST_PATH_IMAGE004
如果
Figure DEST_PATH_IMAGE006
≥预设阈值，则像元(i,j)距离向偏移量异常。
2.根据权利要求1所述的方法，其特征在于，对完成赋值的CD1，找出表征存在变化的数值对应的像元坐标并放入像元位置数组，对数组中的数据依次进行距离向偏移量异常识别处理。
3.根据权利要求1所述的方法，其特征在于，所述预设阈值的大小根据偏移量追踪方法的精度确定。
4.根据权利要求1所述的方法，其特征在于，所述预设阈值的大小为偏移量追踪方法的精度的3倍数值。
5.一种去除像元偏移量追踪监测结果异常的方法，其特征在于，包括：
利用权利要求1~4任一项所述方法识别出距离向偏移量异常的像元，对距离向偏移量异常的像元进行如下处理：
找出偏移量追踪过程中用于计算像元(i,j)距离向偏移量的主影像影像块和辅影像影像块，将各影像块中像元强度最大值使用其他统计值替代后重新计算像元(i,j)距离向偏移量，重复直至距离向偏移量阈值和距离向偏移量差值的绝对值小于预设阈值。
6.根据权利要求5所述的方法，其特征在于，利用各影像块中的像元强度均值代替影像块中的像元强度最大值。
7.根据权利要求5所述的方法，其特征在于，包括如下步骤：
a. 找出所述互相关算法计算的过程中用于计算像元(i,j)距离向偏移量的主影像影像块A1和辅影像影像块B1；
b. 计算A1和B1的均值mean_A和mean_B，找出A1和B1最大值max_A和max_B，令max_A所在的像元的强度值等于mean_A，令max_B所在的像元的强度值等于mean_B，形成新的A1和B1；
c. 计算新的A1和B1的互相关系数矩阵，计算互相关系数矩阵峰值与互相关系数矩阵中心在距离向的距离offset1；
d. 如果
Figure DEST_PATH_IMAGE008
<预设阈值，令
Figure DEST_PATH_IMAGE010
，否则重复步骤b-d。
8.根据权利要求5所述的方法，其特征在于，还包括：当主影像影像块和辅影像影像块的互相关系数矩阵中存在多个峰值时，保留大于互相关系数矩阵均值的峰值用于计算新的距离向偏移量，重复直至新的距离向偏移量与距离向偏移量阈值Tr差值的绝对值小于所述预设阈值。
9.根据权利要求8所述的方法，其特征在于，如果保留的峰值超过1个，则分别计算各峰值与互相关系数矩阵中心在距离向的距离offsetn，以使|Tr-offsetn|最小的offsetn作为新的距离向偏移量。
CN202211382187.7A 2022-11-07 2022-11-07 一种识别及去除像素偏移量追踪监测结果异常的方法 Active CN115423848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211382187.7A CN115423848B (zh) 2022-11-07 2022-11-07 一种识别及去除像素偏移量追踪监测结果异常的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211382187.7A CN115423848B (zh) 2022-11-07 2022-11-07 一种识别及去除像素偏移量追踪监测结果异常的方法

Publications (2)

Publication Number Publication Date
CN115423848A CN115423848A (zh) 2022-12-02
CN115423848B true CN115423848B (zh) 2023-02-10

Family

ID=84207589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211382187.7A Active CN115423848B (zh) 2022-11-07 2022-11-07 一种识别及去除像素偏移量追踪监测结果异常的方法

Country Status (1)

Country Link
CN (1) CN115423848B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103149562A (zh) * 2013-01-23 2013-06-12 武汉大学 基于极化合成孔径雷达的植被下地形方位角估计方法
CN112068136A (zh) * 2020-09-14 2020-12-11 广东省核工业地质局测绘院 一种基于幅度偏移量的方位向形变监测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7620269B1 (en) * 2004-07-01 2009-11-17 Sandia Corporation Edge-based correlation image registration for multispectral imaging
US7450054B2 (en) * 2007-03-22 2008-11-11 Harris Corporation Method and apparatus for processing complex interferometric SAR data
CN104978743B (zh) * 2015-06-12 2017-10-03 中国电子科技集团公司第三十八研究所 一种多核并行sar图像变化信息实时提取方法
CN104933673B (zh) * 2015-06-26 2018-04-06 西安电子科技大学 基于解析搜索亚像素偏移量的干涉sar图像精配准方法
CN111896955B (zh) * 2020-08-06 2021-12-28 武汉大学 一种船载sar交轨干涉处理方法
CN114063075A (zh) * 2021-11-23 2022-02-18 苏州深蓝空间遥感技术有限公司 海上孤立风电塔群的形变异常判断与形变值估算方法
CN115143877B (zh) * 2022-05-30 2023-04-25 中南大学 基于强散射幅度抑制和异常值识别的sar偏移量跟踪方法、装置、设备和介质
CN115113203A (zh) * 2022-07-20 2022-09-27 江苏省水利科学研究院 一种去除InSAR大气相位的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103149562A (zh) * 2013-01-23 2013-06-12 武汉大学 基于极化合成孔径雷达的植被下地形方位角估计方法
CN112068136A (zh) * 2020-09-14 2020-12-11 广东省核工业地质局测绘院 一种基于幅度偏移量的方位向形变监测方法

Also Published As

Publication number Publication date
CN115423848A (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
CN109409292B (zh) 基于精细化特征优化提取的异源图像匹配方法
CN109523585B (zh) 一种基于方向相位一致性的多源遥感影像特征匹配方法
AU2017305624B2 (en) Method and apparatus for generating an enhanced digital image of a physical object or environment
CN108564532B (zh) 大尺度地距星载sar图像镶嵌方法
CN105139375A (zh) 一种结合全球dem与立体视觉的卫星影像云检测方法
CN116188496A (zh) 基于土地利用类型的遥感影像自适应分割方法
CN103400343A (zh) 一种补偿夜间红外下视图像亮度不均匀的方法
CN114187189A (zh) 一种飞行器多光谱影像辐射一致性校正方法
CN115423848B (zh) 一种识别及去除像素偏移量追踪监测结果异常的方法
CN117218148B (zh) 基于卫星图像的航道边界确定方法和系统、可读存储介质
CN113450402A (zh) 用于蔬菜大棚巡检机器人的导航中心线提取方法
Hussnain et al. Automatic feature detection, description and matching from mobile laser scanning data and aerial imagery
CN114004770A (zh) 一种卫星时空图的精校正方法、装置及存储介质
CN112799062A (zh) 一种基于先验信息的高分辨宽测绘带sar运动补偿方法
CN113409197A (zh) 智能测绘数据信息处理方法
CN115712118A (zh) 一种像素偏移量追踪监测及校正方法
CN114429588B (zh) 应用于矿山环境恢复治理的数据处理方法及系统
CN116503492B (zh) 自动驾驶系统中双目相机模组标定方法及标定装置
CN112634295B (zh) 一种基于双重梯度阈值的星敏感器星点分割方法
CN117592002B (zh) 一种初生对流的判识方法及装置
CN113077513B (zh) 视觉定位方法、装置和计算机设备
CN117788281B (zh) 低pos精度的机载线阵高光谱影像区域影像拼接方法及系统
CN114677315B (zh) 基于图像与激光点云的图像融合方法、装置、设备和介质
CN115690604A (zh) 基于均值补偿的条带噪声去除方法
Zhang et al. Medium and low altitude CCD image Stitching based on SUFT algorithm

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