CN116170569A - 一种高光谱影像正摄校正方法及装置、存储介质 - Google Patents
一种高光谱影像正摄校正方法及装置、存储介质 Download PDFInfo
- Publication number
- CN116170569A CN116170569A CN202111389002.0A CN202111389002A CN116170569A CN 116170569 A CN116170569 A CN 116170569A CN 202111389002 A CN202111389002 A CN 202111389002A CN 116170569 A CN116170569 A CN 116170569A
- Authority
- CN
- China
- Prior art keywords
- image data
- full
- grid
- color image
- hyperspectral
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N9/00—Details of colour television systems
- H04N9/64—Circuits for processing colour signals
- H04N9/646—Circuits for processing colour signals for image enhancement, e.g. vertical detail restoration, cross-colour elimination, contour correction, chrominance trapping filters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
- G01C11/30—Interpretation of pictures by triangulation
- G01C11/34—Aerial triangulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N9/00—Details of colour television systems
- H04N9/64—Circuits for processing colour signals
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供了一种高光谱影像正摄校正方法及装置、存储介质,包括:获取待校正的高光谱影像数据对应的全色影像数据;通过对全色影像数据依次进行特征提取和特征匹配,得到全色影像数据对应的目标外方位元素;对目标外方位元素进行空间前方交汇计算和格网构建,得到规则格网;根据目标外方位元素和规则格网,对高光谱影像数据进行正射校正,得到高光谱影像对应的正射影像。能够避免观测区域地物类型对正摄校正的影响,提高正摄校正的精确度。
Description
技术领域
本申请涉及遥感影像处理技术领域,尤其涉及一种高光谱影像正摄校正方法及装置、存储介质。
背景技术
目前的可见光遥感影像正摄校正方法,特征点提取与匹配的过程需要结合影像来实现,特征点提取与匹配所得的同名点数量及其图像坐标的精确度会影响后续的正摄校正的精度。现有的记载高光谱遥感影像的正摄校正方法是针对机载高光谱影像进行特征点提取和匹配的。
具体的,可以通过三种方法进行机载高光谱遥感影像的全自动正摄校正方法。
一是直接采用常规可见光遥感影像正摄校正方法,直接对机载高光谱影像进行特征提取、特征匹配、区域网平差、规则网格生成和正摄校正。然而,一方面,在单波段的高光谱影像图像存在弱纹理区域的特点,导致特征点匹配的结果不全面,进而降低了正摄校正的精确度;另一方面,高光谱影像较高的光谱分辨率限制了空间分辨率的提高,且其光谱的多样性也使得了存在同一地物在其不同波段上呈现的影像特征具有较大差异的可能性,导致了正摄校正过程会受观测区域地物类型的影响。
二是将高光谱影像与高于其空间分辨率且预期进行几何配准后的全色影像进行融合预处理,以获得同时具有较高空间分辨率和光谱分辨率的融合影像,再进行后续的常规正摄校正的处理流程。然而新增的数据准备工作及预处理工作,会导致工作量变大,且处理结果实质为融合后影像的正摄影像,在一定程度上改变了原影像的光谱特征,不利于正摄影像后续的定量分析等应用。
三是在常规正摄校正的处理流程中增加基于人工目视判读的高光谱影像特征点提取及检查的辅助作业,来保证同名点的数量及其图像坐标的精度满足作业要求。然而,基于人工目视判读来辅助进行高光谱影像的特征提取与匹配的流程,在常规处理流程的基础上增加了较多的工作量,极大提高了人工成本,并且存在引入人工判读误差的可能性。
发明内容
本申请实施例提供一种高光谱影像正摄校正方法及装置、存储介质,能够避免观测区域地物类型对正摄校正的影响,提高正摄校正的精确度。
本申请的技术方案是这样实现的:
第一方面,本申请实施例提出一种高光谱影像正射校正方法,所述方法包括:
获取待校正的高光谱影像数据对应的全色影像数据;
通过对所述全色影像数据依次进行特征提取和特征匹配,得到所述全色影像数据对应的目标外方位元素;
对所述目标外方位元素进行空间前方交汇计算和格网构建,得到规则格网;
根据所述目标外方位元素和所述规则格网,对所述高光谱影像数据进行正射校正,得到高光谱影像对应的正射影像。
第二方面,本申请实施例提出一种高光谱影像正射校正装置,所述装置包括:
获取单元,用于获取待校正的高光谱影像数据对应的全色影像数据;
特征提取和特征匹配单元,用于通过对所述全色影像数据进行特征提取和特征匹配,得到所述全色影像数据对应的目标外方位元素;
格网生成单元,用于对所述目标外方位元素进行空间前方交汇计算和格网构建,得到规则格网;
正摄校正单元,用于根据所述目标外方位元素和所述规则格网,对所述高光谱影像数据进行正射校正,得到高光谱影像对应的正射影像。
第三方面,本申请实施例提出一种高光谱影像正射校正装置,所述装置包括:处理器、存储器及通信总线;所述处理器执行存储器存储的运行程序时实现如上述的高光谱影像正摄校正方法。
第四方面,本申请实施例提出一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述的高光谱影像正摄校正方法。
本申请实施例提供了一种高光谱影像正摄校正方法及装置、存储介质,该方法包括:获取待校正的高光谱影像数据对应的全色影像数据;通过对全色影像数据依次进行特征提取和特征匹配,得到全色影像数据对应的目标外方位元素;对目标外方位元素进行空间前方交汇计算和格网构建,得到规则格网;根据目标外方位元素和规则格网,对高光谱影像数据进行正射校正,得到高光谱影像对应的正射影像。采用上述实现方案,采用高光谱影像数据对应的全色影像数据进行特征提取和特征匹配,然后将得到的目标外方位元素作为高光谱影像正摄校正的外方位元素,进而进行后续的正摄校正的过程,利用全色影像高分辨率的特性能够匹配到更多的同名点,进而得到更多的目标外方位元素,能够不受观察区域地物类型的影响;后续再利用目标外方位元素对高光谱影像数据进行正摄校正时,同时还保留了高光谱的光谱特征,能够提高正摄校正的精确度。
附图说明
图1为本申请实施例提供的一种高光谱影像正摄校正方法的流程图;
图2为本申请实施例提供的一种示例性的机载高光谱影像正摄校正方法;
图3为本申请实施例提供的一种高光谱影像正摄校正装置的结构示意图一;
图4为本申请实施例提供的一种高光谱影像正摄校正装置的结构示意图二。
具体实施方式
应当理解,此处描述的具体实施例仅仅用以解释本申请。并不用于限定本申请。
本申请实施例提供一种高光谱影像正摄校正方法,如图1所示,该方法可以包括:
S101、获取待校正的高光谱影像数据对应的全色影像数据。
本申请实施例提出的一种高光谱影像正摄校正方法适用于对机载高光谱遥感影像进行全自动正摄校正的场景中。
本申请实施例中,待校正的高光谱影像数据可以存储在机载高光谱影像数据集中,在本申请实施例中,确定机载高光谱影像数据集中是否每一幅高光谱影像数据均存在对应的全色影像数据。
需要说明的是,在本申请实施例中,每一幅待校正的高光谱影像数据均需存在对应的全色影像数据。
本申请实施例中,高光谱影像数据的数量为两幅或者多幅,具体的可以根据实际情况进行选择,本申请实施例不做具体的限定。
S102、通过对全色影像数据依次进行特征提取和特征匹配,得到全色影像数据对应的目标外方位元素。
在本申请实施例中,先对全色影像数据进行特征提取,得到全色影像数据对应的特征数据。
本申请实施例中,可以采用尺度不变特征变换(Scale Invariant FeatureTransform,SIFT)-CPU或SIFT-图形处理单元(Graphics Processing Unit,GPU)算法对每一幅全色影像数据进行特征提取,具体的可以根据实际情况进行选择,本申请实施例不做具体的限定。
需要说明的是,若采用SIFT-CPU算法对每一幅全色影像数据进行特征提取,则特征提取过程包括尺度空间极值检测、关键点定位、主方向确定和关键点特征向量描述着四个步骤;而若采用SIFT-GPU算法对每一幅全色影像数据进行特征提取,则会在SIFT-GPU算法的基础上、采用GPU并行算法对每一幅全色影像数据进行高斯金字塔影像构建、关键点定位和主方向确定的步骤,进而提高特征提取速度。
可以理解的是,本申请实施例对全色影像数据进行特征提取,可以使得获得的特征点数量更大,且分布更加均匀,可以有效克服高光谱影像单波段图像上的辐射亮度值较低的阴影区造成的特征点缺失的不足。
需要说明的是,上述SIFT-CPU算法或SIFT-GPU算法对应的特征提取函数可以存储在如OpenCV(跨平台计算机视觉和机器学习软件)的第三方开源库中,可以通过调用第三方开源库中的特征提取函数来调用上述SIFT-CPU算法或SIFT-GPU算法。
本申请实施例中,在对全色影像数据进行特征提取,得到全色影像数据对应的特征数据之后,基于特征数据对全色影像数据进行特征匹配,得到全色影像数据的同名点在全色影像数据中的匹配关系。
具体的,首先获取全色影像数据的初始外方位元素;之后根据初始外方位元素,计算全色影像之间的影像中心距离;再从影像中心距离中筛选出小于影像距离阈值的目标影像中心距离;之后计算目标影像中心距离之间的统计特征数据;并基于统计特征数据,确定同名点在全色影像数据中的匹配关系。
本申请实施例中,统计特征数据可以包括平均值和/或标准差等统计数据,具体的可以根据实际情况进行选择,本申请实施例不做具体的限定。
示例性的,针对影像中心距离与平均值的差值大于3倍标准差的全色影像数据,则认为这几个全色影像数据之间不存在匹配关系。
本申请实施例中,可以采用快速最近邻逼近搜索函数库(Fast ApproximateNearest Neighbor Search Library,FLANN)匹配方法对存在匹配关系的全色影像数据进行特征匹配,得到同名点在全色影像数据中的匹配关系。
需要说明的是,FLANN匹配算法对应的特征匹配函数也可以存储在如OpenCV的第三方开源库中。
进一步地,在确定出同名点在全色影像数据中的匹配关系之后;还可以确定匹配关系对应的基础矩阵;基于基础矩阵,确定匹配关系中的误差匹配关系;从匹配关系中删除误差匹配关系,得到更新后的匹配关系。
在本申请实施例中,可以根据计算机视觉领域的7-点法计算得到匹配关系对应的全色影像数据对的左右影像数据进行变换的基础矩阵;之后,采用随机抽样一致性(RandomSample Consensus,RANSAC)方法确定误差匹配关系。
具体的,在得到基础矩阵后,可以利用公式(1)计算得到左右影像数据的特征点坐标对应的核线方程,进一步计算特征点坐标对应的核线误差,并根据核线误差,并根据核线误差进行误差剔除。
lR:(xLf1+yLf2+f3)x+(xLf4+yLf5+f6)y+(xLf7+yLf8+f9)=0
lL:(xRf1+yRf2+f3)x+(xRf4+yRf5+f6)y+(xRf7+yRf8+f9)=0 (1)
其中,xL,yL,xR,yR分别为匹配对的左影像数据、右影像数据上的特征点坐标,f1,f2,...,f9为变换方程公式(2)中基础矩阵的系数。
本申请实施例中,在得到全色影像数据的同名点在全色影像数据中的匹配关系之后;基于匹配关系、全色影像数据的初始外方位元素和全色影像数据对应的待定地面点坐标的初始值,确定出全色影像数据对应的目标外方位元素。
本申请实施例中,首先确定各个全色影像数据对应的初始外方位元素和全色影像数据的各个特征点对应的待定地面点坐标的初始值,之后,根据预设的共线方程建立误差方程,将匹配关系、全色影像数据的初始外方位元素和全色影像数据对应的待定地面点坐标的初始值输入误差方程中,求解方程,得到全色影像数据对应的目标外方位元素。
本申请实施例中,可以将工程提供的POS辅助数据确定各个全色影像数据对应的初始外方位元素和全色影像数据的各个特征点对应的待定地面点坐标的初始值。
进一步地,还计算目标外方位元素的过程中,还可以通过选权迭代法剔除误匹配的同名点,并剔除不满足区域网平差条件的全色影像数据。对于地面覆盖范围较大的高光谱影像数据集,可以进行基于位置的分块区域网平差。
进一步地,在从匹配关系中删除所述误差匹配关系,得到更新后的匹配关系后,还可以基于更新后的匹配关系、全色影像数据的初始外方位元素和所述全色影像数据对应的待定地面点坐标的初始值,确定出全色影像数据对应的目标外方位元素。需要说明的是,基于更新后的匹配关系、全色影像数据的初始外方位元素和所述全色影像数据对应的待定地面点坐标的初始值,确定出全色影像数据对应的目标外方位元素的过程与基于更新后的匹配关系、全色影像数据的初始外方位元素和所述全色影像数据对应的待定地面点坐标的初始值,确定出全色影像数据对应的目标外方位元素的过程一致,在此不再赘述。
S103、对目标外方位元素进行空间前方交汇计算和格网构建,得到规则格网。
本申请实施例中,首先对目标外方位元素进行空间前方交汇计算,得到待定地面点坐标,并将待定地面点坐标确定为稀疏点云。之后,进行稀疏点云自适应滤波,得到稀疏地面点云,再对稀疏地面点云构建不规则三角网,最后根据不规则三角网内插得到规则格网。
具体的,可以采用多尺度形态学滤波以及渐进三角网加密的方法进行稀疏点云的自适应滤波。
需要说明的是,考虑到稀疏地面点云平面坐标互不重叠,可以对稀疏地面点云进行二维Delaunay(德洛内)三角网构建即可。在进行规则格网内插时使用线性内插,即在三角形三点确定的空间平面上进行插值。
需要说明的是,基于匹配关系、全色影像数据的初始外方位元素和全色影像数据对应的待定地面点坐标的初始值,确定出全色影像数据对应的目标外方位元素的过程和对目标外方位元素进行空间前方交汇计算,得到待定地面点坐标,并将待定地面点坐标确定为稀疏点云的过程共同构成了光束法区域网平差过程。
S104、根据目标外方位元素和规则格网,对高光谱影像数据进行正射校正,得到高光谱影像对应的正射影像。
本申请实施例中,根据预设插值间隔,确定高光谱影像的插值格网;并获取插值格网中每个格网点的第一像点坐标;根据目标外方位元素和规则格网,计算插值格网中每个格网点的第二像点坐标;基于第一像点坐标和第二像点坐标,对高光谱影像数据进行正摄校正,得到正摄影像。
具体的,根据目标外方位元素和规则格网,计算插值格网中每个格网点的第二像点坐标的过程具体包括:根据预设正摄影像比例尺参数,计算每个格网点对应待定地面点的X轴坐标和Y轴坐标;根据X轴坐标、Y轴坐标和规则格网,确定每个格网点对应待定地面点的Z轴坐标;根据目标外方位元素和Z轴坐标,计算插值格网中每个格网点的第二像点坐标。
需要说明的是,第一像点坐标为插值格网内的格网点对应的校正后的坐标,第二像点坐标为差值格网内的格网点对应的校正前的坐标。
在本申请实施例中,可以根据公式(3)计算得到第二像点坐标。
其中,λ为可消除变量,f为主距,m1′,m1′,n1′,n′2为内定向变换系数,a1,a2,...,c3为目标外方位元素计算所得到的旋转矩阵,I0,J0为第一像点坐标,XS,YS,ZS为摄影中心三维坐标,I,J为格网点对应的像方坐标,X,Y,Z为格网点对应的三维坐标。I,J,X,Y,Z均可作为第二像点坐标。
本申请实施例中,在得到第一像点坐标和第二像点坐标之后,对第一像点坐标和第二像点坐标进行双线性差值,获取高光谱影像中其他点对应的校正前的像点坐标,再在校正前的像点坐标上进行像点赋值,最终得到高光谱影像对应的正摄影像。
需要说明的是,根据目标外方位元素和规则格网,计算插值格网中每个格网点的第二像点坐标的过程具体可以包括:获取高光谱影像对应的地面范围数据;根据地面范围数据和规则格网,构建内存规则格网;根据目标外方位元素和内存规则格网,计算插值格网中每个格网点的第二像点坐标。即在根据目标外方位元素和Z轴坐标,计算插值格网中每个格网点的第二像点坐标之前,首先根据地面范围与规则格网,构建内存规则格网,以减少内存需求。
进一步地,计算第二像点坐标时,可以采用共享存储并行编程(Open Multi-Processing,OpenMP)进行并行计算,以提高处理效率;且对超大尺度的高光谱影像数据进行正射校正时,可以采用分块校正的策略。
可以理解的是,采用高光谱影像数据对应的全色影像数据进行特征提取和特征匹配,然后将得到的目标外方位元素作为高光谱影像正摄校正的外方位元素,进而进行后续的正摄校正的过程,利用全色影像高分辨率的特性能够匹配到更多的同名点,进而得到更多的目标外方位元素,能够不受观察区域地物类型的影响;后续再利用目标外方位元素对高光谱影像数据进行正摄校正时,同时还保留了高光谱的光谱特征,能够提高正摄校正的精确度。
基于上述实施例,本申请实施例提出一种机载高光谱影像正摄校正方法,如图2所示,该方法可以包括:
1、获取高光谱影像数据对应的全色影像数据和全色影像数据对应的初始外方位元素;
2、根据初始外方位元素,对全色影像进行特征提取,得到全色影像数据对应的特征数据;
3、基于特征数据对全色影像数据进行特征匹配,得到全色影像数据的同名点在全色影像数据中的匹配关系;
需要说明的是,步骤3包括以下3.1-3.5,
3.1、根据初始外方位元素,计算全色影像之间的影像中心距离;
3.2、从影像中心距离中,筛选出小于影像距离阈值的目标影像中心距离;
3.3、计算目标影像中心距离之间的统计特征数据;
3.4、根据统计特征数据确定同名点是否在全色影像数据存在匹配关系;
3.5、若确定出同名点在全色影像数据存在匹配关系,则采用FLANN匹配方法对存在匹配关系的全书色影像数据进行特征匹配,得到同名点在全色影像数据中的匹配关系。
4、获取全色影像数据的各个特征点对应的待定地面点坐标的初始值;
5、根据初始外方位元素和全色影像数据的各个特征点对应的待定地面点坐标的初始值确定全色影像数据对应的目标外方位元素和稀疏点云;
需要说明的是,步骤5包括以下5.1-5.3,
5.1、根据预设共线方程建立误差方程;
5.2、将匹配关系、初始外方位元素、全色影像数据的各个特征点对应的待定地面点坐标的初始值输入误差方程中,求解出目标外方位元素;
5.3、对目标外方位元素进行空间前方交汇计算,得到稀疏点云;
6、根据稀疏点云,生成规则格网;
7、根据目标外方位元素和规则格网,对高光谱影像进行正摄校正,得到高光谱影像对应的正摄影像;
需要说明的是,步骤7包括以下7.1-7.3,
7.1、根据预设插值间隔确定高光谱影像的插值格网;并获取插值格网中每个格网点对应的校正后的像点坐标;
7.2、根据目标外方位元素、规则格网和校正后的像点坐标,确定每个格网点校正前的像点坐标;
7.3、基于第一像点坐标和第二像点坐标,对高光谱影像数据进行正摄校正,得到正摄影像。
基于上述实施例,本申请实施例提供一种高光谱影像正射校正装置。如图3所示,该高光谱影像正射校正装置1包括:
获取单元10,用于获取待校正的高光谱影像数据对应的全色影像数据;
特征提取和特征匹配单元11,用于通过对所述全色影像数据进行特征提取和特征匹配,得到所述全色影像数据对应的目标外方位元素;
格网生成单元12,用于对所述目标外方位元素进行空间前方交汇计算和格网构建,得到规则格网;
正摄校正单元13,用于根据所述目标外方位元素和所述规则格网,对所述高光谱影像数据进行正射校正,得到高光谱影像对应的正射影像。
可选的,所述高光谱影像正射校正装置1还包括:特征提取单元、特征匹配单元和确定单元;
所述特征提取单元,用于对所述全色影像数据进行特征提取,得到所述全色影像数据对应的特征数据;
所述特征匹配单元,用于基于所述特征数据对所述全色影像数据进行特征匹配,得到所述全色影像数据的同名点在所述全色影像数据中的匹配关系;
所述确定单元,用于基于所述匹配关系、所述全色影像数据的初始外方位元素和所述全色影像数据对应的待定地面点坐标的初始值,确定出所述全色影像数据对应的目标外方位元素。
可选的,所述高光谱影像正射校正装置1还包括:计算单元和筛选单元;
所述获取单元10,还用于获取所述全色影像数据的初始外方位元素;
所述计算单元,用于根据所述初始外方位元素,计算所述全色影像之间的影像中心距离;计算所述目标影像中心距离之间的统计特征数据;
所述筛选单元,用于从所述影像中心距离中筛选出小于影像距离阈值的目标影像中心距离;
所述确定单元,用于基于所述统计特征数据,确定所述同名点在所述全色影像数据中的匹配关系。
可选的,所述确定单元,还用于根据预设插值间隔,确定所述高光谱影像的插值格网;
所述获取单元10,还用于获取所述插值格网中每个格网点的第一像点坐标;
所述计算单元,还用于根据所述目标外方位元素和所述规则格网,计算所述插值格网中每个格网点的第二像点坐标;
所述正摄校正单元13,还用于基于所述第一像点坐标和所述第二像点坐标,对所述高光谱影像数据进行正摄校正,得到所述正摄影像。
可选的,所述计算单元,还用于根据预设正摄影像比例尺参数,计算每个格网点对应待定地面点的X轴坐标和Y轴坐标;根据所述目标外方位元素和所述Z轴坐标,计算所述插值格网中每个格网点的所述第二像点坐标;
所述确定单元,还用于根据所述X轴坐标、所述Y轴坐标和所述规则格网,确定每个格网点对应待定地面点的Z轴坐标。
可选的,所述高光谱影像正射校正装置1还包括:删除单元;
所述确定单元,还用于确定所述匹配关系对应的基础矩阵;基于所述基础矩阵,确定所述匹配关系中的误差匹配关系;基于所述更新后的匹配关系、所述全色影像数据的初始外方位元素和所述全色影像数据对应的待定地面点坐标的初始值,确定出所述全色影像数据对应的目标外方位元素;
所述删除单元,用于从所述匹配关系中删除所述误差匹配关系,得到更新后的匹配关系。
可选的,所述高光谱影像正射校正装置1还包括:构建单元;
所述获取单元10,还用于获取所述高光谱影像对应的地面范围数据;
所述构建单元,用于根据所述地面范围数据和所述规则格网,构建内存规则格网;
所述计算单元,还用于根据所述目标外方位元素和所述内存规则格网,计算所述插值格网中每个格网点的第二像点坐标。
本申请实施例提供的一种高光谱影像正射校正装置,获取待校正的高光谱影像数据对应的全色影像数据;通过对全色影像数据依次进行特征提取和特征匹配,得到全色影像数据对应的目标外方位元素;对目标外方位元素进行空间前方交汇计算和格网构建,得到规则格网;根据目标外方位元素和规则格网,对高光谱影像数据进行正射校正,得到高光谱影像对应的正射影像。由此可见,本实施例提出的高光谱影像正射校正装置,采用高光谱影像数据对应的全色影像数据进行特征提取和特征匹配,然后将得到的目标外方位元素作为高光谱影像正摄校正的外方位元素,进而进行后续的正摄校正的过程,利用全色影像高分辨率的特性能够匹配到更多的同名点,进而得到更多的目标外方位元素,能够不受观察区域地物类型的影响;后续再利用目标外方位元素对高光谱影像数据进行正摄校正时,同时还保留了高光谱的光谱特征,能够提高正摄校正的精确度。
图4为本申请实施例提供的一种高光谱影像正射校正装置1的组成结构示意图二,在实际应用中,基于上述实施例的同一公开构思下,如图4所示,本实施例的高光谱影像正射校正装置1包括:处理器14、存储器15及通信总线16。
在具体的实施例的过程中,上述获取单元10、特征提取和特征匹配单元11、格网生成单元12、正摄校正单元13、特征提取单元、特征匹配单元、确定单元、计算单元、筛选单元、删除单元和构建单元可由位于高光谱影像正射校正装置1上的处理器14实现,上述处理器14可以为特定用途集成电路(ASIC,Application Specific Integrated Circuit)、数字信号处理器(DSP,Digital Signal Processor)、数字信号处理图像处理装置(DSPD,DigitalSignal Processing Device)、可编程逻辑图像处理装置(PLD,Programmable LogicDevice)、现场可编程门阵列(FPGA,Field Programmable Gate Array)、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地,对于不同的设备,用于实现上述处理器功能的电子器件还可以为其它,本实施例不作具体限定。
在本申请实施例中,上述通信总线16用于实现处理器14和存储器15之间的连接通信;上述处理器14执行存储器15中存储的运行程序时实现如下的高光谱影像正射校正方法:
获取待校正的高光谱影像数据对应的全色影像数据;通过对所述全色影像数据依次进行特征提取和特征匹配,得到所述全色影像数据对应的目标外方位元素;对所述目标外方位元素进行空间前方交汇计算和格网构建,得到规则格网;根据所述目标外方位元素和所述规则格网,对所述高光谱影像数据进行正射校正,得到高光谱影像对应的正射影像。
进一步地,上述处理器14,还用于对所述全色影像数据进行特征提取,得到所述全色影像数据对应的特征数据;基于所述特征数据对所述全色影像数据进行特征匹配,得到所述全色影像数据的同名点在所述全色影像数据中的匹配关系;基于所述匹配关系、所述全色影像数据的初始外方位元素和所述全色影像数据对应的待定地面点坐标的初始值,确定出所述全色影像数据对应的目标外方位元素。
进一步地,上述处理器14,还用于获取所述全色影像数据的初始外方位元素;根据所述初始外方位元素,计算所述全色影像之间的影像中心距离;从所述影像中心距离中筛选出小于影像距离阈值的目标影像中心距离;计算所述目标影像中心距离之间的统计特征数据;基于所述统计特征数据,确定所述同名点在所述全色影像数据中的匹配关系。
进一步地,上述处理器14,还用于根据预设插值间隔,确定所述高光谱影像的插值格网;并获取所述插值格网中每个格网点的第一像点坐标;根据所述目标外方位元素和所述规则格网,计算所述插值格网中每个格网点的第二像点坐标;基于所述第一像点坐标和所述第二像点坐标,对所述高光谱影像数据进行正摄校正,得到所述正摄影像。
进一步地,上述处理器14,还用于根据预设正摄影像比例尺参数,计算每个格网点对应待定地面点的X轴坐标和Y轴坐标;根据所述X轴坐标、所述Y轴坐标和所述规则格网,确定每个格网点对应待定地面点的Z轴坐标;根据所述目标外方位元素和所述Z轴坐标,计算所述插值格网中每个格网点的所述第二像点坐标。
进一步地,上述处理器14,还用于确定所述匹配关系对应的基础矩阵;基于所述基础矩阵,确定所述匹配关系中的误差匹配关系;从所述匹配关系中删除所述误差匹配关系,得到更新后的匹配关系;基于所述更新后的匹配关系、所述全色影像数据的初始外方位元素和所述全色影像数据对应的待定地面点坐标的初始值,确定出所述全色影像数据对应的目标外方位元素。
进一步地,上述处理器14,还用于获取所述高光谱影像对应的地面范围数据;根据所述地面范围数据和所述规则格网,构建内存规则格网;根据所述目标外方位元素和所述内存规则格网,计算所述插值格网中每个格网点的第二像点坐标。
本申请实施例提供一种存储介质,其上存储有计算机程序,上述计算机可读存储介质存储有一个或者多个程序,上述一个或者多个程序可被一个或者多个处理器执行,应用于高光谱影像正射校正装置中,该计算机程序实现如上述的高光谱影像正射校正方法。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本公开的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台图像显示设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本公开各个实施例所述的方法。
以上所述,仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。
Claims (10)
1.一种高光谱影像正射校正方法,其特征在于,所述方法包括:
获取待校正的高光谱影像数据对应的全色影像数据;
通过对所述全色影像数据依次进行特征提取和特征匹配,得到所述全色影像数据对应的目标外方位元素;
对所述目标外方位元素进行空间前方交汇计算和格网构建,得到规则格网;
根据所述目标外方位元素和所述规则格网,对所述高光谱影像数据进行正射校正,得到高光谱影像对应的正射影像。
2.根据权利要求1所述的方法,其特征在于,所述通过对所述全色影像数据依次进行特征提取和特征匹配,得到所述全色影像数据对应的目标外方位元素,包括:
对所述全色影像数据进行特征提取,得到所述全色影像数据对应的特征数据;
基于所述特征数据对所述全色影像数据进行特征匹配,得到所述全色影像数据的同名点在所述全色影像数据中的匹配关系;
基于所述匹配关系、所述全色影像数据的初始外方位元素和所述全色影像数据对应的待定地面点坐标的初始值,确定出所述全色影像数据对应的目标外方位元素。
3.根据权利要求2所述的方法,其特征在于,所述基于所述特征数据对所述全色影像数据进行特征匹配,得到所述全色影像数据的同名点在所述全色影像数据中的匹配关系,包括:
获取所述全色影像数据的初始外方位元素;
根据所述初始外方位元素,计算所述全色影像之间的影像中心距离;
从所述影像中心距离中筛选出小于影像距离阈值的目标影像中心距离;
计算所述目标影像中心距离之间的统计特征数据;
基于所述统计特征数据,确定所述同名点在所述全色影像数据中的匹配关系。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标外方位元素和所述规则格网,对所述高光谱影像数据进行正射校正,得到高光谱影像对应的正射影像,包括:
根据预设插值间隔,确定所述高光谱影像的插值格网;并获取所述插值格网中每个格网点的第一像点坐标;
根据所述目标外方位元素和所述规则格网,计算所述插值格网中每个格网点的第二像点坐标;
基于所述第一像点坐标和所述第二像点坐标,对所述高光谱影像数据进行正摄校正,得到所述正摄影像。
5.根据权利要求4所述的方法,其特征在于,所述根据所述目标外方位元素和所述规则格网,计算所述插值格网中每个格网点的第二像点坐标,包括:
根据预设正摄影像比例尺参数,计算每个格网点对应待定地面点的X轴坐标和Y轴坐标;
根据所述X轴坐标、所述Y轴坐标和所述规则格网,确定每个格网点对应待定地面点的Z轴坐标;
根据所述目标外方位元素和所述Z轴坐标,计算所述插值格网中每个格网点的所述第二像点坐标。
6.根据权利要求2所述的方法,其特征在于,所述基于所述特征数据对所述全色影像数据进行特征匹配,得到所述全色影像数据的同名点在所述全色影像数据中的匹配关系之后,所述基于所述匹配关系、所述全色影像数据的初始外方位元素和所述全色影像数据对应的待定地面点坐标的初始值,确定出所述全色影像数据对应的目标外方位元素之前,所述方法还包括:
确定所述匹配关系对应的基础矩阵;
基于所述基础矩阵,确定所述匹配关系中的误差匹配关系;
从所述匹配关系中删除所述误差匹配关系,得到更新后的匹配关系;
相应的,所述基于所述匹配关系、所述全色影像数据的初始外方位元素和所述全色影像数据对应的待定地面点坐标的初始值,确定出所述全色影像数据对应的目标外方位元素,包括:
基于所述更新后的匹配关系、所述全色影像数据的初始外方位元素和所述全色影像数据对应的待定地面点坐标的初始值,确定出所述全色影像数据对应的目标外方位元素。
7.根据权利要求5所述的方法,其特征在于,所述根据所述目标外方位元素和所述规则格网,计算所述插值格网中每个格网点的第二像点坐标,包括:
获取所述高光谱影像对应的地面范围数据;
根据所述地面范围数据和所述规则格网,构建内存规则格网;
根据所述目标外方位元素和所述内存规则格网,计算所述插值格网中每个格网点的第二像点坐标。
8.一种高光谱影像正射校正装置,其特征在于,所述装置包括:
获取单元,用于获取待校正的高光谱影像数据对应的全色影像数据;
特征提取和特征匹配单元,用于通过对所述全色影像数据进行特征提取和特征匹配,得到所述全色影像数据对应的目标外方位元素;
格网生成单元,用于对所述目标外方位元素进行空间前方交汇计算和格网构建,得到规则格网;
正摄校正单元,用于根据所述目标外方位元素和所述规则格网,对所述高光谱影像数据进行正射校正,得到高光谱影像对应的正射影像。
9.一种高光谱影像正射校正装置,其特征在于,所述装置包括:处理器、存储器及通信总线;所述处理器执行存储器存储的运行程序时实现如权利要求1-7任一项所述的方法。
10.一种存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389002.0A CN116170569A (zh) | 2021-11-22 | 2021-11-22 | 一种高光谱影像正摄校正方法及装置、存储介质 |
PCT/CN2022/133512 WO2023088487A1 (zh) | 2021-11-22 | 2022-11-22 | 一种高光谱影像正摄校正方法及装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389002.0A CN116170569A (zh) | 2021-11-22 | 2021-11-22 | 一种高光谱影像正摄校正方法及装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116170569A true CN116170569A (zh) | 2023-05-26 |
Family
ID=86396305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111389002.0A Pending CN116170569A (zh) | 2021-11-22 | 2021-11-22 | 一种高光谱影像正摄校正方法及装置、存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116170569A (zh) |
WO (1) | WO2023088487A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575970B (zh) * | 2024-01-15 | 2024-04-16 | 航天宏图信息技术股份有限公司 | 基于分类的卫星影像自动处理方法、装置、设备及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6757445B1 (en) * | 2000-10-04 | 2004-06-29 | Pixxures, Inc. | Method and apparatus for producing digital orthophotos using sparse stereo configurations and external models |
CN103823981B (zh) * | 2014-02-28 | 2016-08-17 | 武汉大学 | 一种数字高程模型辅助的卫星影像区域网平差方法 |
CN111003214B (zh) * | 2019-11-22 | 2021-05-18 | 武汉大学 | 基于云控制的国产陆地观测卫星姿轨精化方法 |
CN112393714B (zh) * | 2020-11-25 | 2022-09-27 | 国网安徽省电力有限公司电力科学研究院 | 一种基于无人机航拍与卫星遥感融合的影像校正方法 |
CN113627357B (zh) * | 2021-08-13 | 2022-07-08 | 哈尔滨工业大学 | 一种高空间-高光谱分辨率遥感图像本征分解方法及系统 |
-
2021
- 2021-11-22 CN CN202111389002.0A patent/CN116170569A/zh active Pending
-
2022
- 2022-11-22 WO PCT/CN2022/133512 patent/WO2023088487A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023088487A1 (zh) | 2023-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ishikawa et al. | Lidar and camera calibration using motions estimated by sensor fusion odometry | |
CN112258579B (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
CN110703230B (zh) | 激光雷达与摄像头之间的位置标定方法 | |
US10553020B1 (en) | Shadow mask generation using elevation data | |
CN112686950B (zh) | 位姿估计方法、装置、终端设备及计算机可读存储介质 | |
López et al. | An optimized approach for generating dense thermal point clouds from UAV-imagery | |
JP2024507089A (ja) | 画像のコレスポンデンス分析装置およびその分析方法 | |
CN113269689B (zh) | 一种基于法向量和高斯权重约束的深度图像补全方法及系统 | |
CN116129037B (zh) | 视触觉传感器及其三维重建方法、系统、设备及存储介质 | |
CN111768337A (zh) | 一种图像处理方法、装置和电子设备 | |
CN114792327B (zh) | 图像处理方法及系统 | |
CN113610741A (zh) | 基于激光线扫的点云处理方法及装置 | |
CN112200848A (zh) | 低光照弱对比复杂环境下的深度相机视觉增强方法及系统 | |
CN116170569A (zh) | 一种高光谱影像正摄校正方法及装置、存储介质 | |
CN110969650B (zh) | 一种基于中心投影的强度图像与纹理序列间的配准方法 | |
CN117333367A (zh) | 基于图像局部特征的图像拼接方法、系统、介质及装置 | |
CN116977671A (zh) | 基于图像空间定位的目标跟踪方法、装置、设备及存储介质 | |
US9378555B2 (en) | Enhanced outlier removal for 8 point algorithm used in camera motion estimation | |
Malekabadi et al. | Comparison of block-based stereo and semi-global algorithm and effects of pre-processing and imaging parameters on tree disparity map | |
Wan et al. | A performance comparison of feature detectors for planetary rover mapping and localization | |
CN112669388B (zh) | 激光雷达与摄像装置的标定方法及装置、可读存储介质 | |
CN112927276A (zh) | 图像配准方法、装置、电子设备及存储介质 | |
CN113589263A (zh) | 一种多个同源传感器联合标定方法及系统 | |
CN112017108A (zh) | 基于独立模型法区域网平差的卫星正射影像颜色相对校正方法 | |
Otoya et al. | Real-time non-invasive leaf area measurement method using depth 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 |