CN116342417B - 一种航空遥感影像的辐射校正方法及系统 - Google Patents
一种航空遥感影像的辐射校正方法及系统 Download PDFInfo
- Publication number
- CN116342417B CN116342417B CN202310291360.0A CN202310291360A CN116342417B CN 116342417 B CN116342417 B CN 116342417B CN 202310291360 A CN202310291360 A CN 202310291360A CN 116342417 B CN116342417 B CN 116342417B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- image
- aerial remote
- corrected
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种航空遥感影像的辐射校正方法及系统,该方法包括:基于预先训练好的亮度不均区域分割模型对待校正航空遥感影像进行区域分割,得到若干亮度不均区域掩模;根据待校正航空遥感影像的地理范围在预设的辐射参考影像数据库中,查询辐射参考遥感影像;基于SIFT算法对辐射参考遥感影像和待校正航空遥感影像进行匹配并将误匹配点与噪声点去除,得到同名像对主集合;根据若干亮度不均区域掩模将同名像对主集合划分为若干区域同名像对子集合;基于不变目标法、最小二乘法和若干区域同名像对子集合,建立待校正航空遥感影像和辐射参考影像的线性关系,以对待校正航空遥感影像进行辐射校正。本发明能够提升航空遥感影像辐射校正的一致性。
Description
技术领域
本发明涉及遥感影像技术领域,尤其涉及一种航空遥感影像的辐射校正方法及系统。
背景技术
目前,在可见光遥感影像产品生产过程中,遥感影像的辐射校正普遍采用匀光技术。但在航空遥感影像数据的获取过程中,由于云层对太阳光线的遮挡,原始航空遥感影像亮度不均的现象时有发生,且,这种匀光技术只是满足了视觉上的色彩一致,其实质上是由人工或匀光算法实现的任意辐射参考下的相对辐射校正,不同时空的遥感影像、辐射校正方法、甚至作业员、作业时间都会影响最终的匀光效果,造成遥感影像辐射校正不一致。
发明内容
本发明提供一种航空遥感影像的辐射校正方法及系统,能够提升航空遥感影像辐射校正的一致性。
本发明实施例提供了一种航空遥感影像的辐射校正方法,包括:
获取待校正航空遥感影像;
基于预先训练好的亮度不均区域分割模型,对所述待校正航空遥感影像进行区域分割,得到若干亮度不均区域掩模;其中,所述亮度不均区域分割模型是基于亮度不均的航空遥感影像、亮度均匀的航空遥感影像、预先构建的阴影模型区域和U-Net深度卷积神经网络训练得到的;
根据所述待校正航空遥感影像的地理范围在预设的辐射参考影像数据库中,查询对应的辐射参考遥感影像;其中,所述辐射参考影像数据库中包括不同地理位置的辐射参考遥感影像;
基于SIFT算法对所述辐射参考遥感影像和所述待校正航空遥感影像进行匹配,得到第一同名像对主集合;其中,所述第一同名像对主集合中包括若干所述辐射参考影像和所述待校正航空遥感影像的一对同名像点;
将所述第一同名像对主集合中的误匹配点与噪声点去除,得到第二同名像对主集合;
根据若干所述亮度不均区域掩模,将所述第二同名像对主集合划分为若干区域同名像对子集合;
基于不变目标法、最小二乘法和若干所述区域同名像对子集合,建立所述待校正航空遥感影像和所述辐射参考影像的线性关系,并通过所述线性关系对所述待校正航空遥感影像进行辐射校正,得到辐射校正后的航空遥感影像。
作为上述方案的改进,所述亮度不均区域分割模型具体通过以下方式训练得到:
获取若干多时相航空遥感影像数据,从若干所述多时相航空遥感影像数据中提取亮度不均的航空遥感影像和亮度均匀的航空遥感影像作为真值,并通过预先构建的阴影模型区域,构建区域分割训练数据集;
将所述区域分割训练数据集输入至预先构建的U-Net深度卷积神经网络中进行模型训练,得到亮度不均区域分割模型。
作为上述方案的改进,所述基于预先训练好的亮度不均区域分割模型,对所述待校正航空遥感影像进行区域分割,得到若干亮度不均区域掩模,包括:
将所述待校正航空遥感影像输入至预先训练好的亮度不均区域分割模型中进行区域分割,得到若干亮度不均初始掩模;
从若干所述亮度不均初始掩模中筛选出像素数大于或等于预设区域像素数阈值的所述亮度不均初始掩模,作为亮度不均区域掩模。
作为上述方案的改进,所述将所述第一同名像对主集合中的误匹配点与噪声点去除,得到第二同名像对主集合,具体为:
通过RANSAC算法和双向匹配算法,将所述第一同名像对主集合中的误匹配点与噪声点去除,得到第二同名像对主集合。
作为上述方案的改进,在所述根据若干所述亮度不均区域掩模,将所述第二同名像对主集合划分为若干区域同名像对子集合的过程中,所述方法还包括:
若任一所述区域同名像对子集合中的同名像对的数量小于预设像对阈值,则确定所述区域同名像对子集合对应的所述待校正航空遥感影像中的区域位置,对所述待校正航空遥感影像中所述区域位置的影像进行直方图规定化,得到所述区域位置的区域遥感影像;
基于SIFT算法对所述辐射参考遥感影像和所述区域遥感影像进行匹配,并将误匹配点与噪声点去除,得到新的区域同名像对子集合。
作为上述方案的改进,所述基于不变目标法、最小二乘法和若干所述区域同名像对子集合,建立所述待校正航空遥感影像和所述辐射参考影像的线性关系,并通过所述线性关系对所述待校正航空遥感影像进行辐射校正,得到辐射校正后的航空遥感影像,具体为:
根据以下公式建立所述待校正航空遥感影像和所述辐射参考影像的线性关系,并通过所述线性关系对所述待校正航空遥感影像进行辐射校正,得到辐射校正后的航空遥感影像:
DN1i=mi×DN2j+ni;
其中,DN1i为待校正航空遥感影像波段i的像点灰度值,DN2j为辐射参考影像波段j的像点灰度值,DN1i和DN2j为所述区域同名像对子集合中的一对同名像点,mi和ni为回归方程系数。
相应地,本发明另一实施例提供一种航空遥感影像的辐射校正系统,包括:
影像数据获取模块,用于获取待校正航空遥感影像;
亮度区域分割模块,用于基于预先训练好的亮度不均区域分割模型,对所述待校正航空遥感影像进行区域分割,得到若干亮度不均区域掩模;其中,所述亮度不均区域分割模型是基于亮度不均的航空遥感影像、亮度均匀的航空遥感影像、预先构建的阴影模型区域和U-Net深度卷积神经网络训练得到的;
参考影像查询模块,用于根据所述待校正航空遥感影像的地理范围在预设的辐射参考影像数据库中,查询对应的辐射参考遥感影像;其中,所述辐射参考影像数据库中包括不同地理位置的辐射参考遥感影像;
遥感影像匹配模块,用于基于SIFT算法对所述辐射参考遥感影像和所述待校正航空遥感影像进行匹配,得到第一同名像对主集合,并将所述第一同名像对主集合中的误匹配点与噪声点去除,得到第二同名像对主集合;其中,所述第一同名像对主集合中包括若干所述辐射参考影像和所述待校正航空遥感影像的一对同名像点;
同名像点划分模块,用于根据若干所述亮度不均区域掩模,将所述第二同名像对主集合划分为若干区域同名像对子集合;
辐射校正模块,用于基于不变目标法、最小二乘法和若干所述区域同名像对子集合,建立所述待校正航空遥感影像和所述辐射参考影像的线性关系,并通过所述线性关系对所述待校正航空遥感影像进行辐射校正,得到辐射校正后的航空遥感影像。
作为上述方案的改进,所述亮度区域分割模块,具体用于:
将所述待校正航空遥感影像输入至预先训练好的亮度不均区域分割模型中进行区域分割,得到若干亮度不均初始掩模;
从若干所述亮度不均初始掩模中筛选出像素数大于或等于预设区域像素数阈值的所述亮度不均初始掩模,作为亮度不均区域掩模。
作为上述方案的改进,所述同名像点过滤模块,具体用于
通过RANSAC算法和双向匹配算法,将所述第一同名像对主集合中的误匹配点与噪声点去除,得到第二同名像对主集合。
作为上述方案的改进,所述系统还包括直方图规定化模块;其中,
所述直方图规定化模块,用于在任一所述区域同名像对子集合中的同名像对的数量小于预设像对阈值时,确定所述区域同名像对子集合对应的所述待校正航空遥感影像中的区域位置,对所述待校正航空遥感影像中所述区域位置的影像进行直方图规定化,得到所述区域位置的区域遥感影像;
则所述遥感影像匹配模块,还用于基于SIFT算法对所述辐射参考遥感影像和所述区域遥感影像进行匹配,并将误匹配点与噪声点去除,得到新的区域同名像对子集合。
与现有技术相比,本发明实施例公开的航空遥感影像的辐射校正方法及系统,首先,基于U-Net深度卷积神经网络训练得到的亮度不均区域分割模型,将待校正航空遥感影像中受云层遮光影响而亮度不均的区域分割出来,以针对亮度不均的区域进行自适应辐射校正;其次,通过预设的辐射参考影像数据库为待校正航空遥感影像的辐射校正提供统一参考,以保证航空遥感影像辐射校正的一致性;然后,利用SIFT算法对于线性亮度差异保持不变,但于非线性的亮度差异会明显降低匹配成功率的特点,对所述待校正航空遥感影像和辐射参考遥感影像进行匹配,以过滤待校正航空遥感影像中辐射变化的像素点,得到第一同名像对主集合,再将误匹配点与噪声点去除,得到第二同名像对主集合;最后,根据若干所述亮度不均区域掩模,将所述第二同名像对主集合划分为若干区域同名像对子集合,基于不变目标法、最小二乘法和若干所述区域同名像对子集合,建立所述待校正航空遥感影像和所述辐射参考影像的线性关系,以对所述待校正航空遥感影像进行辐射校正,得到辐射校正后的航空遥感影像。因此,能够实现待校正航空遥感影像亮度均匀区域和亮度不均区域的自适应辐射校正,有效提升航空遥感影像辐射校正的一致性。
附图说明
图1是本发明实施例提供的一种航空遥感影像的辐射校正方法的流程示意图;
图2是本发明实施例提供的一种SIFT算法的尺度空间局部极值检测的示意图;
图3是本发明实施例提供的一种SIFT算法的由关键点领域梯度信息生成特征向量的示意图;
图4是本发明实施例提供的一种航空遥感影像的辐射校正系统的结构示意图。
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。基于本发明中的实施例,本领域普通技术人员在没有作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。
参见图1,图1是本发明一实施例提供的一种航空遥感影像的辐射校正方法的流程示意图。
本发明实施例提供的航空遥感影像的辐射校正方法,包括步骤:
S11、获取待校正航空遥感影像;
S12、基于预先训练好的亮度不均区域分割模型,对所述待校正航空遥感影像进行区域分割,得到若干亮度不均区域掩模;其中,所述亮度不均区域分割模型是基于亮度不均的航空遥感影像、亮度均匀的航空遥感影像、预先构建的阴影模型区域和U-Net深度卷积神经网络训练得到的;
S13、根据所述待校正航空遥感影像的地理范围在预设的辐射参考影像数据库中,查询对应的辐射参考遥感影像;其中,所述辐射参考影像数据库中包括不同地理位置的辐射参考遥感影像;
S14、基于SIFT算法对所述辐射参考遥感影像和所述待校正航空遥感影像进行匹配,得到第一同名像对主集合;其中,所述第一同名像对主集合中包括若干所述辐射参考影像和所述待校正航空遥感影像的一对同名像点;
S15、将所述第一同名像对主集合中的误匹配点与噪声点去除,得到第二同名像对主集合;
S16、根据若干所述亮度不均区域掩模,将所述第二同名像对主集合划分为若干区域同名像对子集合;
S17、基于不变目标法、最小二乘法和若干所述区域同名像对子集合,建立所述待校正航空遥感影像和所述辐射参考影像的线性关系,并通过所述线性关系对所述待校正航空遥感影像进行辐射校正,得到辐射校正后的航空遥感影像。
值得说明的是,在遥感影像辐射校正研究领域,由于地物反射辐射特性在空间、时间分布上的不确定性,难以严格按照定义基准的要求界定辐射基准的准确概念,但如果从基准思维的角度出发,可以考虑将现有辐射质量好的航空遥感影像数据作为辐射参考数据对辐射校正结果质量进行控制。基于这一观点,本发明设想采样典型的地物在一定条件下的辐射数值,建立辐射参考影像数据库,利用辐射参考影像数据控制的自适应辐射校正方法,对广域、多期航空遥感影像辐射校正的一致性问题进行改善。
具体地,本发明将经过绝对辐射校正的航空遥感影像作为辐射参考遥感影像,利用影像分辨率、获取时间等信息建立属性字段,以构建辐射参考影像数据库。采用U-Net深度卷积神经网络训练生成亮度不均区域分割模型。通过待校正航空遥感影像的原始POS信息计算出地理范围,通过分辨率和地理范围初步从辐射参考影像数据库中筛选出辐射参考遥感影像,利用SIFT特征提取与匹配建立待校正航空遥感影像与辐射参考遥感影像的第一同名像对主集合,然后利用RANSAC算法和双向匹配算法剔除所述第一同名像对主集合中的误匹配点与噪声点,得到第二同名像对主集合,利用将待校正影像区域的分割结果将同名像对第二同名像对主集合进行分割,得到若干区域同名像对子集合;然后进行最小二乘线性回归校正,得到辐射校正结果。
作为其中一个具体的实施例,所述亮度不均区域分割模型具体通过以下方式训练得到:
获取若干多时相航空遥感影像数据,从若干所述多时相航空遥感影像数据中提取亮度不均的航空遥感影像和亮度均匀的航空遥感影像作为真值,并通过预先构建的阴影模型区域,构建区域分割训练数据集;
将所述区域分割训练数据集输入至预先构建的U-Net深度卷积神经网络中进行模型训练,得到亮度不均区域分割模型。
需要说明的是,所述亮度不均的航空遥感影像即有云层遮挡光线导致亮度不均的航空遥感影像,所述亮度均匀的航空遥感影像为无云的航空遥感影像。
在一些更优的实施例中,所述基于预先训练好的亮度不均区域分割模型,对所述待校正航空遥感影像进行区域分割,得到若干亮度不均区域掩模,包括:
将所述待校正航空遥感影像输入至预先训练好的亮度不均区域分割模型中进行区域分割,得到若干亮度不均初始掩模;
从若干所述亮度不均初始掩模中筛选出像素数大于或等于预设区域像素数阈值的所述亮度不均初始掩模,作为亮度不均区域掩模。
在本实施例中,所述亮度不均初始掩模为亮度不同的区域影像,如云雾遮挡阳光的阴影区域影像和未被遮挡的其他区域影像。此外,考虑到在对所述待校正航空遥感影像进行区域分割的过程中,存在细碎分割区域,因此,还进一步设置了区域像素数阈值,将所述亮度不均初始掩模中像素数小于区域像素数阈值的归为背景区域,即亮度均匀区域,像素数大于或等于所述区域像素数阈值的作为亮度不均区域掩模。需要说明,无亮度不均的影像整体为一个区域。
具体地,所述区域像素数阈值为所述待校正航空遥感影像的像素数的1/10。
值得说明的是,所选择的辐射参考遥感影像应保证所述辐射参考遥感影像与所述待校正航空遥感影像符合SIFT算法匹配程序的要求,保证分辨率以及辐射灰度值的差异较小。具体地,根据所述待校正航空遥感影像的四角点坐标确定辐射参考遥感影像的地理范围,以缩小在辐射参考影像数据库中的搜索范围,然后依据影像的分辨率等条件,分析确定所述地理范围内辐射参考遥感影像的适用性,最终筛选出满足条件的辐射参考遥感影像。
值得说明的是,伪不变特征法假定航空遥感影像中存在部分像元对应地物的反射率相对稳定,不随时间变化,则这类地物之间存在线性关系,称之为不变目标。利用多时相航空遥感影像中不变目标之间的线性关系可以对待校正航空遥感影像进行相对辐射校正,不变目标法操作简单、校正效果较好。本发明基于不变目标法开展辐射校正,因此在校正前需要提取辐射参考影像与待校正航空遥感影像的不变目标同名像点。根据不变目标的定义,提取的同名像点之间应存在线性关系,因此特征提取算子的选择是影响辐射校正质量的关键。而SIFT特征算子具有尺度不变、旋转不变、仿射不变、亮度不变的特点,能够很好的适应航飞影像畸变与亮度差异,提取线性相关的同名像点。因此,本发明采用SIFT算法建立辐射参考影像与待校正航空遥感影像的特征描述子,基于特征描述子进行特征匹配选取第一同名像对主集合。需要说明,在所述辐射参考影像与所述待校正航空遥感影像的同名像点为一对。
需要说明的是,基于SIFT算法对所述辐射参考遥感影像和所述待校正航空遥感影像进行匹配,即:将所述辐射参考遥感影像与其在所述待校正航空遥感影像上对应的点位索引影像进行匹配,计算两张影像的单应矩阵H,以获得控制点在所述待校正航空遥感影像上的像坐标。然后以其作为初值进行最小二乘匹配。其中,基于SIFT算法对所述辐射参考遥感影像和所述待校正航空遥感影像进行匹配的具体步骤如下:
1)SIFT特征点检测及特征向量计算:
分别计算所述辐射参考遥感影像和其在所述待校正航空遥感影像上对应点位索引影像的SIFT特征点和特征描述子向量;其中,SIFT特征的生成步骤可以概括为以下四个步骤:
1、尺度空间极值点检测:首先生成高斯尺度空间:L(x,y,σ)=G(x,y,σ)*I(x,y);其中,σ为尺度坐标,L(x,y,σ)为尺度坐标为σ的尺度图像,G(x,y,σ)为尺度可变高斯核函数,(x,y)为待校正航空遥感影像或辐射参考遥感影像的像点的空间坐标,I(x,y)为待校正航空遥感影像或辐射参考遥感影像中像点(x,y)的像素值,为了有效地在尺度空间检测到稳定的关键点,利用不同尺度的高斯差分核与图像卷积生成高斯差分尺度空间:D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ);其中,k为两相邻尺度空间的倍数,L(x,y,kσ)为k倍的L(x,y,σ)。为了寻找尺度空间的极值点,每一个采样点要和它所有的相邻点比较,看其是否比它的图像域和尺度域的相邻点大或者小。如图2所示,中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较,以确保在尺度空间和二维图像空间都检测到极值点。
2、精确确定极值点位置:由于DoG算子会产生较强的边缘响应,因此,通过拟和三维二次函数以精确确定关键点的位置和尺度,同时去除低对比度的关键点和不稳定的边缘响应点,以增强匹配稳定性、提高抗噪声能力。而一般都不好的高斯差分算子的极值在横跨边缘的地方有较大的主曲率,而在垂直边缘的方向有较小的主曲率。因此可以通过主曲率和垂直方向曲率比值去除不稳定的边缘响应点。
3、关键点方向分配:利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数,使算子具备旋转不变性。具体地,根据以下公式为每个关键点指定方向参数:θ(x,y)=tan-1((L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x-1,y)));其中,m(x,y)为(x,y)处梯度的模值,θ(x,y)为(x,y)处梯度的方向,L所用的尺度为每个关键点各自所在的尺度。在实际计算时,以关键点为中心的邻域窗口内采样,并用直方图统计邻域像素的梯度方向。梯度直方图的范围是0~360度,其中每10度一个柱,总共36个柱。直方图的峰值则代表了该关键点处邻域梯度的主方向,即作为该关键点的方向。在梯度方向直方图中,当存在另一个相当于主峰值80%能量的峰值时,则将这个方向认为是该关键点的辅方向。一个关键点可能会被指定具有多个方向(一个主方向,一个以上辅方向),这可以增强匹配的鲁棒性。至此,图像的关键点已检测完毕,每个关键点有三个信息:位置、所处尺度、方向,由此可以确定一个SIFT特征区域。
4、特征点描述子生成:首先将坐标轴旋转为关键点的方向,以确保旋转不变性。接下来以关键点为中心取8×8的窗口。图3左部分的中央黑点为当前关键点的位置,每个小格代表关键点邻域所在尺度空间的一个像素,箭头方向代表该像素的梯度方向,箭头长度代表梯度模值,图3中的圈代表高斯加权的范围;其中,越靠近关键点的像素梯度方向信息贡献越大。然后在每4×4的小块上计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,即可形成如图3所示的一个种子点。具体的,在图3中一个关键点由2×2共4个种子点组成,每个种子点有8个方向向量信息。这种邻域方向性信息联合的思想增强了算法抗噪声的能力,同时对于含有定位误差的特征匹配也提供了较好的容错性。实际计算过程中,为了增强匹配的稳健性,对每个关键点使用4×4共16个种子点来描述,这样对于一个关键点就可以产生128个数据,即最终形成128维的SIFT特征向量。此时SIFT特征向量已经去除了尺度变化、旋转等几何变形因素的影响,再继续将特征向量的长度归一化,则可以进一步去除光照变化的影响。
2)SIFT特征的匹配:
在生成特征向量后,可以利用两个特征向量的欧式距离作为待匹配点之间的相似性测度。通过计算目标点与所有候选点特征描述子之间的最近欧式距离和次近欧式距离的比值来判断两点是否为同名像点,如果比值小于预设距离阈值则认为两点是同名像点,否则认为两点不是同名像点。此外,为了减少误匹配点数,可以适当的减小所述预设距离阈值。
在一个具体的实施例中,所述将所述第一同名像对主集合中的误匹配点与噪声点去除,得到第二同名像对主集合,具体为:
通过RANSAC算法和双向匹配算法,将所述第一同名像对主集合中的误匹配点与噪声点去除,得到第二同名像对主集合。
值得说明的是,为了提高匹配点/同名像点的可靠性,在所述待校正航空遥感影像与所述辐射参考遥感影像两两匹配时,采用随机抽样一致性检验(即,RANSAC算法)和双向匹配算法以剔除误匹配点和噪声点。其中,所谓双向匹配是指分别将两张影像作为目标影像,将另外一张影像作为搜索影像进行匹配,然后将两次匹配结果的交集作为匹配的结果从而去除部分误匹配点。RANSAC算法是一种随机参数估计算法,即,从样本中随机抽选出一个样本子集,使用最小方差估计算法对这个子集计算模型参数,然后计算所有样本与该模型的偏差,再使用一个预先设定好的阈值与偏差比较,当偏差小于阈值时,该样本点属于RANSAC算法模型内的样本点,否则为RANSAC算法模型外的样本点,记录下当前内点的个数,然后重复这一过程。每一次重复都记录当前最佳的模型参数,所谓最佳即是内点的个数最多,此时所求的模型参数就是最终的模型参数估计值。
具体地,在影像匹配中,RANSAC算法计算的模型是所述辐射参考影像和所述待校正航空遥感影像两张影像的单应矩阵H,单应矩阵H表示两张影像同名像点之间的转换关系。RANSAC算法剔除误匹配点的原理如下:(1)随机选取40个同名像对,并估计单应矩阵H;(2)确定支持计算出的单应矩阵H的匹配同名像对的对数,并将其作为一致集;(3)如果匹配同名像对的个数大于设定的阈值,则用一致集中所有的匹配的同名像对重新估计单应矩阵H,并剔除不支持单应矩阵H的匹配的同名像对,将剩余的同名像对作为正确匹配的同名像对,否则返回到步骤(1);(4)如果抽样次数达到阈值则放弃对单应矩阵H的估计,并认为两张影像之间没有正确的匹配的同名像对;在得到正确的匹配的同名像对之后,将点位重复的匹配的同名像对删除,并计算删除后的匹配的同名像对数量,若不小于100对,则认为匹配成功,否则匹配失败。
在一个优选的实施方式中,在所述根据若干所述亮度不均区域掩模,将所述第二同名像对主集合划分为若干区域同名像对子集合的过程中,所述方法还包括:
若任一所述区域同名像对子集合中的同名像对的数量小于预设像对阈值,则确定所述区域同名像对子集合对应的所述待校正航空遥感影像中的区域位置,对所述待校正航空遥感影像中所述区域位置的影像进行直方图规定化,得到所述区域位置的区域遥感影像;
基于SIFT算法对所述辐射参考遥感影像和所述区域遥感影像进行匹配,并将误匹配点与噪声点去除,得到新的区域同名像对子集合。
需要说明的是,所述同名像对为所述辐射参考影像和所述待校正航空遥感影像的一对同名像点。
具体地,所述预设像对阈值为10。
值得说明的是,若划分得到的区域同名像对子集合中同名像对的数量少于10对,则需要将该区域位置的所述待校正航空遥感影像进行直方图规定化,使其与辐射参考遥感影像灰度分布相近,增加匹配成功率,然后重新匹配得到满足要求的该区域位置的区域同名像对子集合。可以理解地,由于光照条件、拍摄角度或地物本身发生变化的原因,两张影像的灰度值可能存在较大差异,造成同名像点在一张影像上为特征点而在另一张影像上为非特征点的情况。这种情况会使匹配效果变差甚至匹配失败。为了避免影像灰度值的差异对匹配结果造成影响,需使得两张影像的辐射灰度值分布一致。其中,由于控制点影像是正射影像,经过了几何纠正和辐射纠正,影像灰度值更能反应真实的地物辐射。因此将控制点在所述待校正航空遥感影像上的对应点位索引影像进行直方图规定化,使其与控制点影像灰度分布一致。
进一步地,所述基于不变目标法、最小二乘法和若干所述区域同名像对子集合,建立所述待校正航空遥感影像和所述辐射参考影像的线性关系,并通过所述线性关系对所述待校正航空遥感影像进行辐射校正,得到辐射校正后的航空遥感影像,具体为:
根据以下公式建立所述待校正航空遥感影像和所述辐射参考影像的线性关系,并通过所述线性关系对所述待校正航空遥感影像进行辐射校正,得到辐射校正后的航空遥感影像:
DN1i=mi×DN2j+ni;
其中,DN1i为待校正航空遥感影像波段i的像点灰度值,DN2j为辐射参考影像波段j的像点灰度值,DN1i和DN2j为所述区域同名像对子集合中的一对同名像点,mi和ni为回归方程系数。
值得说明的是,所述待校正航空遥感影像和所述辐射参考影像同源时i=j,异源时i和j为相同或近似波长范围各自对应的波段。mi表征回归方程的回归系数,即斜率,ni表征回归方程的常数项,即截距。
需要说明的是,不变目标法的核心是伪不变目标(英文简称:PIF),指遥感影像上辐射特性相对稳定且具有确切的地理意义的像元,PIF的反射辐射特性在一定时间内变化很小,可以用做多时相遥感影像辐射校正的辐射参考。PIF技术最早被提出的目的是通过实现某种辐射转换来实现场景到场景的归一化,以保持两个场景下的影像的辐射一致性。这项技术基于基本辐射理论,最终可以根据地球表面反射率特性来定义。它假设到达机载或卫星传感器的给定光谱通道的辐射可以表示为反射率的线性函数,基于此假设,可以推导得出多时相影像灰度值之间的关系。因此,将所述辐射参考影像与所述待校正航空遥感影像中的PIF点灰度值代入DN1i=mi×DN2j+ni回归方程解算校正系数,可以进行多时相影像间的相对辐射校正,若所述辐射参考遥感影像反映地表真实辐射信息,则可接近绝对辐射校正的效果。需要额外说明一点,目前绝对辐射校正虽然能够解决遥感影像辐射校正不一致的问题,但校正所需要的参数的精确值获取难度较大,缺乏工程价值意义下的可行性,因此,在本发明中将历史经过绝对辐射校正且辐射质量好的航空遥感影像数据作为辐射参考遥感影像,则能够在提升多时相航空遥感影像的辐射一致性的同时,为后续基于遥感影像的变化检测等应用奠定高质量的数据基础,相比绝对辐射校正而言难度较小,可行性高。基于此,本发明根据不变目标法的原理,利用提取的区域同名像对子集合,通过最小二乘线性回归方程建立所述待校正航空遥感影像和所述辐射参考影像的线性关系,进而实现所述待校正航空遥感影像的区域自适应辐射校正。
参见图4,是本发明实施例提供的一种航空遥感影像的辐射校正系统的结构示意图。
本发明实施例提供的航空遥感影像的辐射校正系统,包括:
影像数据获取模块21,用于获取待校正航空遥感影像;
亮度区域分割模块22,用于基于预先训练好的亮度不均区域分割模型,对所述待校正航空遥感影像进行区域分割,得到若干亮度不均区域掩模;其中,所述亮度不均区域分割模型是基于亮度不均的航空遥感影像、亮度均匀的航空遥感影像、预先构建的阴影模型区域和U-Net深度卷积神经网络训练得到的;
参考影像查询模块23,用于根据所述待校正航空遥感影像的地理范围在预设的辐射参考影像数据库中,查询对应的辐射参考遥感影像;其中,所述辐射参考影像数据库中包括不同地理位置的辐射参考遥感影像;
遥感影像匹配模块24,用于基于SIFT算法对所述辐射参考遥感影像和所述待校正航空遥感影像进行匹配,得到第一同名像对主集合,并将所述第一同名像对主集合中的误匹配点与噪声点去除,得到第二同名像对主集合;其中,所述第一同名像对主集合中包括若干所述辐射参考影像和所述待校正航空遥感影像的一对同名像点;
同名像点划分模块25,用于根据若干所述亮度不均区域掩模,将所述第二同名像对主集合划分为若干区域同名像对子集合;
辐射校正模块26,用于基于不变目标法、最小二乘法和若干所述区域同名像对子集合,建立所述待校正航空遥感影像和所述辐射参考影像的线性关系,并通过所述线性关系对所述待校正航空遥感影像进行辐射校正,得到辐射校正后的航空遥感影像。
具体地,在亮度区域分割模块22中所述亮度不均区域分割模型具体通过以下方式训练得到:
获取若干多时相航空遥感影像数据,从若干所述多时相航空遥感影像数据中提取亮度不均的航空遥感影像和亮度均匀的航空遥感影像作为真值,并通过预先构建的阴影模型区域,构建区域分割训练数据集;
将所述区域分割训练数据集输入至预先构建的U-Net深度卷积神经网络中进行模型训练,得到亮度不均区域分割模型。
作为其中一个具体的实施方式,亮度区域分割模块22,具体用于:
将所述待校正航空遥感影像输入至预先训练好的亮度不均区域分割模型中进行区域分割,得到若干亮度不均初始掩模;
从若干所述亮度不均初始掩模中筛选出像素数大于或等于预设区域像素数阈值的所述亮度不均初始掩模,作为亮度不均区域掩模。
具体地,遥感影像匹配模块24用于将所述第一同名像对主集合中的误匹配点与噪声点去除,得到第二同名像对主集合,具体为:
通过RANSAC算法和双向匹配算法,将所述第一同名像对主集合中的误匹配点与噪声点去除,得到第二同名像对主集合。
优选地,所述系统还包括直方图规定化模块;其中,
所述直方图规定化模块,用于在任一所述区域同名像对子集合中的同名像对的数量小于预设像对阈值时,确定所述区域同名像对子集合对应的所述待校正航空遥感影像中的区域位置,对所述待校正航空遥感影像中所述区域位置的影像进行直方图规定化,得到所述区域位置的区域遥感影像;
则遥感影像匹配模块24,还用于基于SIFT算法对所述辐射参考遥感影像和所述区域遥感影像进行匹配,并将误匹配点与噪声点去除,得到新的区域同名像对子集合。
进一步地,辐射校正模块26,具体用于:
根据以下公式建立所述待校正航空遥感影像和所述辐射参考影像的线性关系,并通过所述线性关系对所述待校正航空遥感影像进行辐射校正,得到辐射校正后的航空遥感影像:
DN1i=mi×DN2j+ni;
其中,DN1i为待校正航空遥感影像波段i的像点灰度值,DN2j为辐射参考影像波段j的像点灰度值,DN1i和DN2j为所述区域同名像对子集合中的一对同名像点,mi和ni为回归方程系数。
需要说明的是,本实施例的航空遥感影像的辐射校正系统的各实施例的相关具体描述和有益效果可以参考上述的航空遥感影像的辐射校正方法的各实施例的相关具体描述和有益效果,在此不再赘述。
需说明的是,以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的系统实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
综上,本发明实施例所提供的一种航空遥感影像的辐射校正方法及系统,首先,基于U-Net深度卷积神经网络训练得到的亮度不均区域分割模型,将待校正航空遥感影像中受云层遮光影响而亮度不均的区域分割出来,以针对亮度不均的区域进行自适应辐射校正;其次,通过预设的辐射参考影像数据库为待校正航空遥感影像的辐射校正提供统一参考,以保证航空遥感影像辐射校正的一致性;然后,利用SIFT算法对于线性亮度差异保持不变,但于非线性的亮度差异会明显降低匹配成功率的特点,对所述待校正航空遥感影像和辐射参考遥感影像进行匹配,以过滤待校正航空遥感影像中辐射变化的像素点,得到第一同名像对主集合,再将误匹配点与噪声点去除,得到第二同名像对主集合;最后,根据若干所述亮度不均区域掩模,将所述第二同名像对主集合划分为若干区域同名像对子集合,基于不变目标法、最小二乘法和若干所述区域同名像对子集合,建立所述待校正航空遥感影像和所述辐射参考影像的线性关系,以对所述待校正航空遥感影像进行辐射校正,得到辐射校正后的航空遥感影像。因此,能够实现待校正航空遥感影像亮度均匀区域和亮度不均区域的自适应辐射校正,有效提升航空遥感影像辐射校正的一致性。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种航空遥感影像的辐射校正方法,其特征在于,包括:
获取待校正航空遥感影像;
基于预先训练好的亮度不均区域分割模型,对所述待校正航空遥感影像进行区域分割,得到若干亮度不均区域掩模;其中,所述亮度不均区域分割模型是基于亮度不均的航空遥感影像、亮度均匀的航空遥感影像、预先构建的阴影模型区域和U-Net深度卷积神经网络训练得到的;
根据所述待校正航空遥感影像的地理范围在预设的辐射参考影像数据库中,查询对应的辐射参考遥感影像;其中,所述辐射参考影像数据库中包括不同地理位置的辐射参考遥感影像;
基于SIFT算法对所述辐射参考遥感影像和所述待校正航空遥感影像进行匹配,得到第一同名像对主集合;其中,所述第一同名像对主集合中包括若干所述辐射参考影像和所述待校正航空遥感影像的一对同名像点;
将所述第一同名像对主集合中的误匹配点与噪声点去除,得到第二同名像对主集合;
根据若干所述亮度不均区域掩模,将所述第二同名像对主集合划分为若干区域同名像对子集合;
基于不变目标法、最小二乘法和若干所述区域同名像对子集合,建立所述待校正航空遥感影像和所述辐射参考影像的线性关系,并通过所述线性关系对所述待校正航空遥感影像进行辐射校正,得到辐射校正后的航空遥感影像。
2.如权利要求1所述的航空遥感影像的辐射校正方法,其特征在于,所述亮度不均区域分割模型具体通过以下方式训练得到:
获取若干多时相航空遥感影像数据,从若干所述多时相航空遥感影像数据中提取亮度不均的航空遥感影像和亮度均匀的航空遥感影像作为真值,并通过预先构建的阴影模型区域,构建区域分割训练数据集;
将所述区域分割训练数据集输入至预先构建的U-Net深度卷积神经网络中进行模型训练,得到亮度不均区域分割模型。
3.如权利要求1所述的航空遥感影像的辐射校正方法,其特征在于,所述基于预先训练好的亮度不均区域分割模型,对所述待校正航空遥感影像进行区域分割,得到若干亮度不均区域掩模,包括:
将所述待校正航空遥感影像输入至预先训练好的亮度不均区域分割模型中进行区域分割,得到若干亮度不均初始掩模;
从若干所述亮度不均初始掩模中筛选出像素数大于或等于预设区域像素数阈值的所述亮度不均初始掩模,作为亮度不均区域掩模。
4.如权利要求1所述的航空遥感影像的辐射校正方法,其特征在于,所述将所述第一同名像对主集合中的误匹配点与噪声点去除,得到第二同名像对主集合,具体为:
通过RANSAC算法和双向匹配算法,将所述第一同名像对主集合中的误匹配点与噪声点去除,得到第二同名像对主集合。
5.如权利要求1所述的航空遥感影像的辐射校正方法,其特征在于,在所述根据若干所述亮度不均区域掩模,将所述第二同名像对主集合划分为若干区域同名像对子集合的过程中,所述方法还包括:
若任一所述区域同名像对子集合中的同名像对的数量小于预设像对阈值,则确定所述区域同名像对子集合对应的所述待校正航空遥感影像中的区域位置,对所述待校正航空遥感影像中所述区域位置的影像进行直方图规定化,得到所述区域位置的区域遥感影像;
基于SIFT算法对所述辐射参考遥感影像和所述区域遥感影像进行匹配,并将误匹配点与噪声点去除,得到新的区域同名像对子集合。
6.如权利要求1所述的航空遥感影像的辐射校正方法,其特征在于,所述基于不变目标法、最小二乘法和若干所述区域同名像对子集合,建立所述待校正航空遥感影像和所述辐射参考影像的线性关系,并通过所述线性关系对所述待校正航空遥感影像进行辐射校正,得到辐射校正后的航空遥感影像,具体为:
根据以下公式建立所述待校正航空遥感影像和所述辐射参考影像的线性关系,并通过所述线性关系对所述待校正航空遥感影像进行辐射校正,得到辐射校正后的航空遥感影像:
DN1i=mi×DN2j+ni;
其中,DN1i为待校正航空遥感影像波段i的像点灰度值,DN2j为辐射参考影像波段j的像点灰度值,DN1i和DN2j为所述区域同名像对子集合中的一对同名像点,mi和ni为回归方程系数。
7.一种航空遥感影像的辐射校正系统,其特征在于,包括:
影像数据获取模块,用于获取待校正航空遥感影像;
亮度区域分割模块,用于基于预先训练好的亮度不均区域分割模型,对所述待校正航空遥感影像进行区域分割,得到若干亮度不均区域掩模;其中,所述亮度不均区域分割模型是基于亮度不均的航空遥感影像、亮度均匀的航空遥感影像、预先构建的阴影模型区域和U-Net深度卷积神经网络训练得到的;
参考影像查询模块,用于根据所述待校正航空遥感影像的地理范围在预设的辐射参考影像数据库中,查询对应的辐射参考遥感影像;其中,所述辐射参考影像数据库中包括不同地理位置的辐射参考遥感影像;
遥感影像匹配模块,用于基于SIFT算法对所述辐射参考遥感影像和所述待校正航空遥感影像进行匹配,得到第一同名像对主集合,并将所述第一同名像对主集合中的误匹配点与噪声点去除,得到第二同名像对主集合;其中,所述第一同名像对主集合中包括若干所述辐射参考影像和所述待校正航空遥感影像的一对同名像点;
同名像点划分模块,用于根据若干所述亮度不均区域掩模,将所述第二同名像对主集合划分为若干区域同名像对子集合;
辐射校正模块,用于基于不变目标法、最小二乘法和若干所述区域同名像对子集合,建立所述待校正航空遥感影像和所述辐射参考影像的线性关系,并通过所述线性关系对所述待校正航空遥感影像进行辐射校正,得到辐射校正后的航空遥感影像。
8.如权利要求7所述的航空遥感影像的辐射校正系统,其特征在于,所述亮度区域分割模块,具体用于:
将所述待校正航空遥感影像输入至预先训练好的亮度不均区域分割模型中进行区域分割,得到若干亮度不均初始掩模;
从若干所述亮度不均初始掩模中筛选出像素数大于或等于预设区域像素数阈值的所述亮度不均初始掩模,作为亮度不均区域掩模。
9.如权利要求7所述的航空遥感影像的辐射校正系统,其特征在于,所述遥感影像匹配模块用于将所述第一同名像对主集合中的误匹配点与噪声点去除,得到第二同名像对主集合,具体为:
通过RANSAC算法和双向匹配算法,将所述第一同名像对主集合中的误匹配点与噪声点去除,得到第二同名像对主集合。
10.如权利要求7所述的航空遥感影像的辐射校正系统,其特征在于,所述系统还包括直方图规定化模块;其中,
所述直方图规定化模块,用于在任一所述区域同名像对子集合中的同名像对的数量小于预设像对阈值时,确定所述区域同名像对子集合对应的所述待校正航空遥感影像中的区域位置,对所述待校正航空遥感影像中所述区域位置的影像进行直方图规定化,得到所述区域位置的区域遥感影像;
则所述遥感影像匹配模块,还用于基于SIFT算法对所述辐射参考遥感影像和所述区域遥感影像进行匹配,并将误匹配点与噪声点去除,得到新的区域同名像对子集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310291360.0A CN116342417B (zh) | 2023-03-22 | 2023-03-22 | 一种航空遥感影像的辐射校正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310291360.0A CN116342417B (zh) | 2023-03-22 | 2023-03-22 | 一种航空遥感影像的辐射校正方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116342417A CN116342417A (zh) | 2023-06-27 |
CN116342417B true CN116342417B (zh) | 2023-10-03 |
Family
ID=86875750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310291360.0A Active CN116342417B (zh) | 2023-03-22 | 2023-03-22 | 一种航空遥感影像的辐射校正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342417B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106887016A (zh) * | 2017-03-09 | 2017-06-23 | 中国科学院遥感与数字地球研究所 | 一种gf‑4卫星序列图像自动相对配准方法 |
WO2018055546A1 (en) * | 2016-09-23 | 2018-03-29 | Stellenbosch University | Generating radiometrically corrected surface images |
CN109241846A (zh) * | 2018-08-06 | 2019-01-18 | 广州市城市规划勘测设计研究院 | 遥感影像的时空变化估测方法、装置与存储介质 |
CN112257766A (zh) * | 2020-10-16 | 2021-01-22 | 中国科学院信息工程研究所 | 一种基于频域滤波处理的自然场景下阴影识别检测方法 |
CN114005042A (zh) * | 2021-10-20 | 2022-02-01 | 青岛浩海网络科技股份有限公司 | 基于阴影补偿和U-net的遥感影像城市建筑提取方法 |
CN114187189A (zh) * | 2021-11-10 | 2022-03-15 | 河海大学 | 一种飞行器多光谱影像辐射一致性校正方法 |
CN114544006A (zh) * | 2022-01-07 | 2022-05-27 | 上海同繁勘测工程科技有限公司 | 一种基于环境光照条件的低空遥感影像校正系统及方法 |
CN114792327A (zh) * | 2022-06-23 | 2022-07-26 | 中国科学院空天信息创新研究院 | 图像处理方法及系统 |
CN114998412A (zh) * | 2022-08-01 | 2022-09-02 | 北京中科慧眼科技有限公司 | 基于深度网络和双目视觉的阴影区域视差计算方法和系统 |
CN115082716A (zh) * | 2022-05-10 | 2022-09-20 | 中国人民解放军战略支援部队航天工程大学 | 一种面向道路精细重建的多源点云粗匹配算法 |
-
2023
- 2023-03-22 CN CN202310291360.0A patent/CN116342417B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018055546A1 (en) * | 2016-09-23 | 2018-03-29 | Stellenbosch University | Generating radiometrically corrected surface images |
CN106887016A (zh) * | 2017-03-09 | 2017-06-23 | 中国科学院遥感与数字地球研究所 | 一种gf‑4卫星序列图像自动相对配准方法 |
CN109241846A (zh) * | 2018-08-06 | 2019-01-18 | 广州市城市规划勘测设计研究院 | 遥感影像的时空变化估测方法、装置与存储介质 |
CN112257766A (zh) * | 2020-10-16 | 2021-01-22 | 中国科学院信息工程研究所 | 一种基于频域滤波处理的自然场景下阴影识别检测方法 |
CN114005042A (zh) * | 2021-10-20 | 2022-02-01 | 青岛浩海网络科技股份有限公司 | 基于阴影补偿和U-net的遥感影像城市建筑提取方法 |
CN114187189A (zh) * | 2021-11-10 | 2022-03-15 | 河海大学 | 一种飞行器多光谱影像辐射一致性校正方法 |
CN114544006A (zh) * | 2022-01-07 | 2022-05-27 | 上海同繁勘测工程科技有限公司 | 一种基于环境光照条件的低空遥感影像校正系统及方法 |
CN115082716A (zh) * | 2022-05-10 | 2022-09-20 | 中国人民解放军战略支援部队航天工程大学 | 一种面向道路精细重建的多源点云粗匹配算法 |
CN114792327A (zh) * | 2022-06-23 | 2022-07-26 | 中国科学院空天信息创新研究院 | 图像处理方法及系统 |
CN114998412A (zh) * | 2022-08-01 | 2022-09-02 | 北京中科慧眼科技有限公司 | 基于深度网络和双目视觉的阴影区域视差计算方法和系统 |
Non-Patent Citations (3)
Title |
---|
A simple and effective radiometric correction method to improve landscape change detection across sensors and across time;Xuexia Chen et al.;《Remote Sensing of Environment》;全文 * |
Radiometric Correction of Close-Range Spectral Image Blocks Captured Using an Unmanned Aerial Vehicle with a Radiometric Block Adjustment;Eija Honkavaara et al.;《remote sensing》;全文 * |
遥感影像相对辐射校正算法设计与实现;孙长麟 等;《信息与电脑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116342417A (zh) | 2023-06-27 |
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 | |
CN111079556A (zh) | 一种多时相无人机视频图像变化区域检测及分类方法 | |
CN113160192A (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN108428220B (zh) | 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 | |
CN111369605B (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和系统 | |
CN110569861B (zh) | 一种基于点特征和轮廓特征融合的图像匹配定位方法 | |
CN107240130B (zh) | 遥感影像配准方法、装置及系统 | |
CN109978848A (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
Pan et al. | No-reference assessment on haze for remote-sensing images | |
Zhang et al. | Superpixel generation for SAR imagery based on fast DBSCAN clustering with edge penalty | |
CN110826509A (zh) | 一种基于高分遥感影像的草原围栏信息提取系统及方法 | |
CN108802729B (zh) | 时间序列InSAR最佳干涉像对选择的方法及装置 | |
CN110929598B (zh) | 基于轮廓特征的无人机载sar图像匹配方法 | |
CN106960443B (zh) | 基于全极化时序sar图像的非监督变化检测的方法及装置 | |
CN116129191B (zh) | 基于遥感ai的多目标智能识别与精细分类方法 | |
CN116342417B (zh) | 一种航空遥感影像的辐射校正方法及系统 | |
Sustika et al. | Generative adversarial network with residual dense generator for remote sensing image super resolution | |
CN114240940B (zh) | 一种基于遥感影像的云及云阴影检测方法和装置 | |
CN113822361B (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 | |
CN110322454B (zh) | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 | |
CN114742849A (zh) | 一种基于图像增强的水准仪距离测量方法 | |
Ren et al. | SAR image matching method based on improved SIFT for navigation system | |
CN113379714A (zh) | 基于深度卷积神经网络的光学遥感图像目标检测系统 | |
CN114255398A (zh) | 一种卫星视频图像的特征提取与匹配的方法及装置 | |
CN109685837B (zh) | 一种基于地物结构相似度的异源遥感影像配准方法 |
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 |