CN117541752B - 一种区域网平差模型的dem校正方法、电子设备及存储介质 - Google Patents
一种区域网平差模型的dem校正方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117541752B CN117541752B CN202410034954.8A CN202410034954A CN117541752B CN 117541752 B CN117541752 B CN 117541752B CN 202410034954 A CN202410034954 A CN 202410034954A CN 117541752 B CN117541752 B CN 117541752B
- Authority
- CN
- China
- Prior art keywords
- image
- satellite image
- control point
- elevation
- satellite
- 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 60
- 238000012937 correction Methods 0.000 title claims abstract description 27
- 239000002131 composite material Substances 0.000 claims abstract description 32
- 238000013519 translation Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 17
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 5
- 101100153168 Arabidopsis thaliana TIC21 gene Proteins 0.000 description 4
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 4
- 101100273813 Homo sapiens CDKN1A gene Proteins 0.000 description 4
- 108700038981 SUMO-1 Proteins 0.000 description 4
- 101100083337 Schizosaccharomyces pombe (strain 972 / ATCC 24843) pic1 gene Proteins 0.000 description 4
- 102100026940 Small ubiquitin-related modifier 1 Human genes 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 101100083338 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) PIC2 gene Proteins 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012892 rational function Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Architecture (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种区域网平差模型的DEM校正方法、电子设备及存储介质,其中区域网平差模型的DEM校正方法,包括:把第一预设区域划分为至少一个网格;获取第一预设区域内的至少一个激光测高控制点;生成虚拟控制点;确定临时偏移量,并把合成影像平移临时偏移量得到平移合成影像;根据至少一个激光测高控制点和虚拟控制点中的至少一项和平移合成影像确定平移高程误差;确定平移高程误差最小时的临时偏移量为绝对偏移量,并平移合成影像绝对偏移量,得到平面绝对平差影像;高程平差该平面绝对平差影像,得到区域网平差影像。通过上述方法可以提高DEM影像的平差精度。
Description
技术领域
本发明涉及地球遥感观测技术领域,尤其是涉及一种区域网平差模型的DEM校正方法、电子设备及存储介质。
背景技术
数字高程模型(Digital Elevation Model,DEM)是一种通过有限个坐标与高程值的组合来描述目标区域范围内实际地形地貌的数字化模型。其在测绘、水文、地质以及工程建设等领域都有着广泛应用。DEM数据的制作方法有很多。目前主流的一种方法是通过对用卫星影像经过影像匹配、核线约束、点云生成等一系列操作进行DEM的提取。但是由于卫星影像自身存在着一定的定位误差与高程误差,由卫星影像提取得到的原始DEM需要进行进一步的平差处理。
然而,目前DEM平差手段仅围绕高程误差校正展开研究而忽略了平面定位误差对DEM高程精度的影响。而平面定位误差可能导致DEM与地理坐标系统不一致,进而影响到地图制图、遥感分析和空间数据集成。通过校正平面定位误差,可以保证DEM与其他地理信息数据集的一致性,提高空间参照系统的一致性。忽略平面定位误差可能导致DEM中的地物在地理空间中的位置不准确,这会限制对地表特征的正确理解,影响DEM在空间分析和地理信息集成中的应用。
此外,忽略平面定位误差还可能导致DEM与遥感影像之间的不一致,影响到遥感影像的配准,降低遥感影像的几何质量。
发明内容
为解决上述技术问题,本发明提供一种区域网平差模型的DEM校正方法,包括:把第一预设区域划分为至少一个网格;获取第一预设区域内的至少一个激光测高控制点;生成虚拟控制点;确定临时偏移量,并把合成影像平移临时偏移量得到平移合成影像;根据至少一个激光测高控制点和虚拟控制点中的至少一项和平移合成影像确定平移高程误差;确定平移高程误差最小时的临时偏移量为绝对偏移量,并平移合成影像绝对偏移量,得到平面绝对平差影像;高程平差该平面绝对平差影像,得到区域网平差影像。
本发明还提供一种电子设备,包括:处理器;存储器,存储处理器可以执行的程序,当所程序被执行时,处理器执行前述任意一种方法。
本发明还提供一种存储介质,存储处理器可以执行的程序,当所程序被执行时,处理器执行前述任意一种方法。
本申请提供的区域网平差模型的DEM校正方法、电子设备和存储介质,通过在平面相对平差之后增加了平面绝对平差和高程平差环节可以有效地提高平差的效果,降低DEM格式下地理影像与实际地理地形的偏差。
本申请提供的方法,可以通过至少一个卫星影像之间的同名连接点,计算卫星影像之间的相对偏移量。从而可以降低卫星影像之间的相对位置偏差。并可以在此基础上合并融合上述至少一个卫星影像,得到合成影像。
本申请利用卫星测高控制点测算合成影像的绝对位置偏差,可以进一步提高平差效果,提卫星影像的精度。本申请还创造性地生成了虚拟控制点作为激光测高控制点的补充,测算合成影像的绝对位置偏差,可以进一步提高平差效果,提高卫星影像的精度。
在绝对平差之后,本申请提供的方法还提出采用高程平差步骤,进一步提高卫星影像中各个像素的高程的经度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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示出了本申请的一个实施例区域网平差模型的DEM校正方法1000的流程示意图。
图2示出了本申请的另一实施例区域网平差模型的DEM校正方法2000的流程示意图。
图3示出了图2所示方法2000中执行平面相对平差前的卫星影像示意图,其中,大写字母N和E分别表示经纬度中的北纬和东经。
图4示出了图2所示的方法2000中平面相对平差后的卫星影像示意图,其中,大写字母N和E分别表示经纬度中的北纬和东经。
图5示出了图2所示方法2000中的虚拟控制点的分布示意图,其中,大写字母N和E分别表示经纬度中的北纬和东经。
图6示出了根据一示例性实施例的一种电子设备的框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,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。
本领域技术人员应当知晓,下述具体实施例或具体实施方式,是本发明为进一步解释具体的发明内容而列举的一系列优化的设置方式,而该些设置方式之间均是可以相互结合或者相互关联使用的,除非在本发明明确提出了其中某些或某一具体实施例或实施方式无法与其他的实施例或实施方式进行关联设置或共同使用。同时,下述的具体实施例或实施方式仅作为最优化的设置方式,而不作为限定本发明的保护范围的理解。
下面结合具体的实施方式对本发明做进一步的解释说明。
图1示出了本申请的一个实施例区域网平差模型的DEM校正方法1000的流程示意图。
图1所示的方法可以用于至少一个卫星影像的平差。其中,该至少一个卫星影像可以是第一预设区域的影像。如图1所示,方法1000可以包括:S130、S135、S140、S145、S150、S155和S160。
如图1所示,在S130中,可以对第一预设区域做网格划分。可以把第一预设区域划分为至少一个网格。可选地,可以根据经纬度坐标把第一预设区域划分为至少一个网格。可选地,该至少一个网格中的每个网格的大小和形状均相同。可选地,该至少一个网格可以是正方形网格、矩形网格或者其他形式的网格。
如图1所示,在S135中,可以获取第一预设区域的至少一个激光测高控制点。可选地,该激光测高控制点可以是采用激光测距的方式获得的第一预设区域内至少一个地理位置的高程。可选地,激光测高控制点可以利用卫星遥测方式获取。可选地,该至少一个激光测高控制点可以用作前述至少一个卫星影像平差的参考数据。可选地,S135可以包括获取至少一个激光测高控制点的经纬度和高程。
如图1所示,在S140中,可以生成虚拟控制点。可选地,由于卫星一般要沿着既定的相对固定轨道空间飞行。因而,利用卫星遥测生成的激光测高控制点的主要集中在第一预设区域内的部分带状区域。可选地,为了提高平差效果,可以生成虚拟控制点。该虚拟控制点可以作为激光测高控制点的补充,与激光测高控制点共同覆盖第一预设区域。
可选地,可以在第一预设区域的前述至少一个网格中确定无激光测高控制点网格。可选地,可以在无激光测高控制点网格生成虚拟控制点。虚拟控制点的经纬度坐标可以与无激光测高控制点网格的中心的经纬度坐标对齐。可选地,虚拟控制点的高程可以为经纬度在无激光测高控制点网格范围内的合成影像的至少一个像素点的高程的平均值。其中,合成影像可以是前述至少一个卫星影像的合成。合成影像的每一个像素点对应物方三维坐标, 物方三维坐标包括经度、纬度和高程,即物方三维坐标是经纬度坐标与高程的组合。
如图1所示,在S145中,可以在第一预设范围内平移前述合成影像。可选地,可以确定临时偏移量。可选地,临时偏移量可以是在第一预设范围的扫描生成。可以平移该合成影像该临时平移量,得到平移合成影像。
如图1所示,在S150中可以根据至少一个激光测高控制点和虚拟控制点中的至少一项计算平移合成影像的平移高程误差。可选地,可以创建第一预设区域内的高程参考数据集。可以把任意网格内的激光测高控制点或者虚拟控制点的高程和该网格中心经纬度坐标组合作为高程参考数据集的数据元素。可选地,可以创建高程影像数据集。可以把合成影像中经纬度坐标在任意网格内的至少一个像素的高程平均值和该网格的中心经纬度坐标组合作为高程影像数据集的数据元素。可选地,可以把高程影像数据集和高程参考数据中经纬度坐标相同的数据元素的高程做差得到高程误差数据集。可选地,可以根据高程误差数据集,利用第一神经网络模型预测平移合成影像的平移高程误差。可选地,第一神经网络模型可以是自适应提升方法(AdaBoost:Adaptive Boosting,AdaBoost)模型。
如图1所示,可以重复执行S145和S150。使得临时偏移量可以遍历该第一预设范围。并可以根据每一次的临时偏移量取值平移前述合成影像,以及可以计算每一个平移合成影像的平移高程误差。
可以进入S155,确定平移高程误差最小的临时偏移量,作为绝对偏移量。以及可以平移前述合成影像该绝对偏移量,得到平面绝对平差影像,完成平面绝对平差。可选地,在平移前述合成影像该绝对偏移量和得到平面绝对平差影像之间,S155还可以包括插值计算合成影像,提高平面绝对平差影像的分辨率。
如图1所示,在S160中,可以高程平差绝对平差影像,得到区域网平差影像。完成至少一个卫星影像的区域网平差。可选地,S160可以包括S163、S166。
其中,在S163中,可以根据至少一个激光测高控制点计算平面绝对平差影像中的至少一个像素点的像素高程误差。可选地,可以利用第二神经网络模型计算像素高程误差。可选地,第二神经网络模型和第一神经网络模型可以相同,也可以不同。可选地,第二神经网络模型可以是梯度提升决策树算法 (GBDT:Gradient Boosting Decision Tree)模型。
可选地,在S166中,可以根据S163中预测得到的像素高程误差,修正平面绝对平差影像中至少一个像素的平差。从而可以得到区域网平差影像。完成至少一个卫星影像的区域网平差。
可选地,在S130之前,方法1000还可以包括S110和S120。
其中,在S110中可以做输入数据的预处理。可选地,输入数据的预处理可以包括至少一个卫星影像的预处理和至少一个激光测高控制的预处理。
可选地,至少一个卫星影像的预处理可以包括至少一个卫星影像的的格式化转换,把至少一个卫星影像的数据格式转换为DEM标准格式。可选地,至少一个卫星影像可以包括影像内至少一个像素的坐标。该坐标可以包括经纬度坐标和高程。可选地,一个卫星影像的预处理还可以包括至少一个卫星影像的坐标的正则化处理。可选地,至少一个卫星影像的预处理也可以包括至少一个卫星影像的至少一个像素的高程基准统一。
可选地,至少一个激光测高控制的预处理可以包括高程基准的统一和剔除偏差过大的激光测高控制点。可选地,至少一个激光测高控制点可以与至少一个卫星影像的像素的高程基准统一。
其中,在S120中可以平面相对平差前述至少一个卫星影像。可选地,至少一个卫星影像可以包括第一卫星影像和第二卫星影像。S120可以包括获取第一卫星影像和第二卫星影像;确定第二卫星影像相对于第一卫星影像的第二相对偏移量;平移该第二卫星影像该第二相对偏移量,得到平移的第二卫星影像;合成第二卫星影像和第一卫星影像得到合成卫星影像。
可选地,第二卫星影像和第一卫星影像邻接,且相互部分重叠。可选地,确定第二卫星影像相对于第一卫星影像的第二相对偏移量可以包括:确定第二卫星影像与第一卫星影像之间的至少一个第二同名连接点,该第二同名点为共存于第一卫星影像和第二卫星影像映射同一地理位置的点;尝试平移第二卫星影像,寻找使得平移后的第二卫星影像与第一卫星影像之间的同名连接点分别在第一卫星影像和第二卫星影像中的坐标距离最小时第二卫星影像的平移量,并可以把该平移量作为第二相对偏移量。
图2示出了本申请的另一实施例区域网平差模型的DEM校正方法2000的流程示意图。
如图2所示,方法2000可以包括:S210、S220、S230、S240。
如图2所示,在S210中,可以做数据预处理。可选地,方法2000的输入数据可以包括至少一个卫星影像和至少一个激光测高控制点。可选地,S210可以包括:S211和S213。
其中在S211中可以包括至少一个卫星影像的预处理。可选地,至少一个卫星影像可以包括图片信息,也可以包括图片中至少一个像素点的数据信息。可选地,该像素点的数据信息可以包括该像素点映射的地理位置的经纬度坐标和高程。S211可以包括把卫星影像数据转换成DEM格式的数据并做正则化处理。
目前卫星影像数据中的方位坐标格式一般采用RPC(有理数多项式:RationalPolynomial Coefficients)。该格式下的坐标可以定义为:像方行列坐标,其中/>为列,/>为行。而DEM标准下的坐标为包括经度、纬度和高程的物方三维坐标。其方位一般采用物方二维经纬坐标/>,其中/>为经度,/>为纬度。根据已知的物方二维经纬坐标/>与像方行列坐标/>,可按照DEM六参数模型建等式如下所示:
(1)
其中,,/>,/>,/>,/>,/>为表示像方行列坐标/>与物方二维经纬坐标/>之间关系的六个参数。
可选地,可以采用待定系数法,利用三个点的像方行列坐标和物方二维经纬坐标/>生成方程组,求解参数/>,/>,/>,/>,/>,/>,确定由方行列坐标/>生成物方二维经纬坐标/>的式(1)。可选地,可以利用式(1)把RPC格式的卫星影像数据,转换成符合DEM要求的卫星影像数据。
可选地,也可以根据最小二乘原理,通过使用超过三个点的像方行列坐标和物方二维经纬坐标/>生成方程组。并求解,确定式(1)。
由于卫星影像传感器的真实成像参数并不公开,目前大多数高分辨率卫星影像统一使用RPC模型作为成像模型,RPC模型(Rational Polynomial Coefficients)的实质是有理函数纠正模型(Rational Function Model, RFM),可以在满足传感器真实成像参数要求的同时,达到与严格成像模型近似一致的精度,同时具有形式简单,通用性强等优点。
具体来说,RPC模型将像方行列坐标与物方三维坐标以多项式比值的形式关联起来,假设某一点的像方坐标为/>,物方三维坐标为,其中/>为高程。增强参数求解的稳定性,RPC模型首先需要对坐标进行正则化处理,将坐标取值转换到-1与1之间,如下式:
(2)
其中,为正则化的像方坐标,/>为正则化物方三维坐标。为行的正则化平移参数,/>为行的正则化比例参数,为列的正则化平移参数,/>为列的正则化比例参数,为经度的正则化平移参数,/>为经度的正则化比例参数,为高程的正则化平移参数,/>为高程的正则化比例参数。
对于正则化后的像方行列坐标,与物方三维坐标/>,RPC模型通过多项式比值的形式来描述他们之间的转换关系,其形式如下式所示:
(3)
其中,、/>、/>和/>满足:
(4)
其中为RPC有理多项式系数。
可选地,S211还可以包括高程基准统一。高程基准统一可以包括至少一个卫星影像高程的基准统一,也可以包括激光测高控制点的高程的基准统一,以及至少一个卫星影像与激光测高控制点的高程基准统一。目前,卫星影像大多使用的高程基准为WGS84(世界地球大地测量系统1984:World Geodetic System 1984)。有些卫星影像会使用EGM96(地球引力模型1996:Earth Gravitational Model 1996)
对于使用不同高程基准的数据,在计算其高程差之前应先统一高程基准,WGS84大地高、EGM96正高/>与大地水准面高/>之间的转换关系可以由下式表示
(5)
可选地,在S213中,可以对至少一个激光测高控制点的预处理。可选地,激光测高控制点的高程信息可以是利用卫星,通过激光测高方式获取的。S213可以包括:激光测高控制点的异常值剔除。
卫星激光测高技术通过使用搭载于卫星上的激光测高系统,可以实时地测量出卫星的运行轨迹与星下点的椭球高度等数据,并根据严密几何定位模型计算出光斑位置与高程信息。随着激光传感器的发展与数据处理算法的改进,卫星激光测高数据的定位精度与高程精度得到了进一步提高,因此在DEM校正中一般作为参考数据来进行校正和评估指标。
由于激光测高信号会受到不同厚度的云层遮挡等原因,在部分位置上与参考DEM的高程有较大误差。部分异常点的误差高达1000m以上。因此在对激光测高点进行筛选时,需要对这部分粗差点进行剔除。
可以获取第一预设区域内的至少一个原始激光测高控制点。可选地,对于任意一个原始激光测高控制点均可以从均可以从前述至少一个卫星影像中确定一个像素点,使得该像素点的经纬度坐标与该原始激光测高控制点的经纬度坐标相同。可以把该原始激光测高控制点的高程与该像素点的高程做差,得到该原始激光测高控制点的高程差。
可选地,当某一原始激光测高控制点的高程差的绝对值大于第一阈值时,可以判断该原始激光测高控制点点作为异常点,并可以予以剔除。其中第一阈值可以是一个预设的数值,在图2所示的示例实施例中第一阈值可以是10。据研究该高程差呈正态分布。因而根据准则,高程误差分布应满足下式:
(6)
其中,为分布概率,/>为高程差,/>为至少一个剩余激光测高控制点的高程差的均值,/>为至少一个剩余激光测高控制点的高程差标准差。
因此可以将高程差不在范围内的剩余激光测高控制点剔除,得到激光测高控制点。
可选地,可以对前述至少一个卫星影像做DEM平面平差。该至少一个卫星影像可以是覆盖第一预设区域的至少一个卫星影像。可选地,该至少一个卫星影像可以包括照片,亦可以包括根据照片产生的一系列数据信息。可选地,该至少一个卫星影像可以是DEM格式的数据集。可选地至少一个卫星影像可以包括第一卫星影像和第二卫星影像。DEM平面平差是指对至少一个卫星影像的DEM数据中存在的平面方向定位误差进行调整和校正的过程。
至少一个卫星影像信息的DEM数据的平面误差一般源自卫星影像的地理坐标系统的不一致、影像配准的问题、传感器几何校正的偏差等。
可选地,对前述至少一个卫星影像做DEM平面平差可以包括:S220,平面相对平差;和S230平面绝对平差。
可选地,前述至少一个卫星影像可以包括第一卫星影像和第二卫星影像。可选地,第二卫星影像与第一卫星影像所映射的地理区域邻接,且部分重叠。可选地,第二卫星影像与第一卫星之间可以包括第二同名连接点。第二同名连接点可以是第二卫星影像与第一卫星影像之间重叠部分的点。第二同名连接点可以是指向同一地理位置并同时存在于第一卫星影像和第二卫星影像的点。
如图2所示,在S220中可以确定第二卫星影像和第一卫星影像中的n个第二同名连接点,其中n为正整数。可选地,可以匹配第二卫星影像和第一卫星影像,并提取第二同名连接点。可选地,可以通过对第二卫星影像和第一卫星影像做图像识别,从中确定第二卫星影像与第一卫星影像之间的重叠部分,并可以从重叠部分中提取第二同名连接点。可选地,在提取第二同名连接点时,可以参考第二卫星影像中至少一个像素点的经纬度坐标和第一卫星影像中至少一个像素点的经纬度坐标。
对于任意一个第二同名连接点在第一卫星影像中存在像素点,在第二卫星影像中也同时存在像素点。该第二同名点在第一卫星影像中的像素点的经纬度坐标和在第二卫星影像中的像素点的经纬度坐标可能相同,也可以能存在差异。第二同名连接点在第一卫星影像中的像素点的经纬度坐标与该第二同名连接点在第二卫星影像中的像素点的经纬度坐标的差异是由于第二卫星影像相对于第一卫星影像的平面相对位置误差造成的。
可选地,S220可以包括确定第二卫星影像相对于第一卫星影像的第二相对偏移量,使得当第二卫星影像相对于第一卫星影像平移第二相对偏移量时,前述n个第二同名连接点在第一卫星影像中的像素点的经纬度坐标和在第二卫星影像中像素点的经纬度的坐标距离的平均值最小。可选地,S220还可以包括把第二影像中的各个像素点整体平移第二相对偏移量/>。
可选地,第二同名连接点在第一卫星影像中的像素点的经纬度坐标和在第二卫星影像中的经纬度坐标的坐标距离可以表现为第二同名连接点在第二卫星影像中的像素点的经纬度和在第一卫星影像中的像素点的经纬度坐标之间的差值。
不妨设n个第二同名连接点中的第个在第一卫星影像中的经纬度坐标为,在第二卫星影像中的经纬度坐标为/>,其中,/>。则该第二同名连接点在第一卫星影像中的像素点和在第二卫星影像中的像素点的经纬度坐标差值可以是:
(7)
其中,为第一卫星影像和第二卫星影像之间的第/>个第二同名连接点在第二卫星影像中的像素点和在第一卫星影像中的像素低的经度坐标差,/>为第一卫星影像和第二卫星影像之间的第/>个第二同名连接点在第二卫星影像中的像素点和在第一卫星影像中的像素点的纬度坐标差。
可选地,第一卫星影像和第二卫星影像之间的第个同名连接点在第一卫星影像和第二卫星影像中的相对距离可以是/>,也可以是/>,或者也可以是其他形式。
可选地,n个第二同名连接点在第一卫星影像和在第二卫星影像中的距离的平均值,可以是平均值,可以是算数平均值、几何平均值、均方根或者其他形式的平均值。求解第二相对偏移量的关系式可以如下所示:
(8)
可选地,可以利用最小一乘法或者最小二乘法求解式(8),以确定第二相对偏移量。再对第二卫星影像内各个像素点均平移第二相对偏移量/>后,则完成了第二卫星影像与第一卫星影像的对齐。即完成了第二卫星影像与第一卫星影像的平面相对位置误差校正。
经过上述步骤即可以完成第二卫星影像与第一卫星影像的相对位置的确定。从而可以实现第二卫星影像和第一卫星影像的拼接。可选地,S220还可以包括:第二卫星影像和第一卫星影像的拼接和融合,得到合成影像。在后续步骤中如果涉及第二卫星影像与第一卫星影像的移动,可以把第二卫星影像和第一卫星影像看做是一个整体,保持相对位置不变的情况下同步移动。
可选地,假定第一卫星影像的左下角像素点的经纬度坐标为,和第二卫星影像的左下角像素点的经纬度坐标为/>。由S220中计算出第二卫星影像相对于第一卫星影像的第二相对偏移量/>。则第二卫星影像与第一卫星影像对齐之后,二者新的左下角像素点的经纬度坐标/>和/>满足:
可选地,S220还可以包括第N卫星影像相对于第N卫星影像与第一卫星影像、第二卫星影像、……、第N-1卫星影像的平面相对误差校正。可选地,第N卫星影像可以与第一卫星影像、第二卫星影像、……、第N-1卫星影像中的至少一项邻接。并可以与第一卫星影像、第二卫星影像、……、第N-1卫星影像中的至少一项部分重叠。
可选地,S220还可以包括确定第N卫星影像与第一卫星影像、第二卫星影像、……、第N-1卫星影像之间的至少一个第N同名连接点,其中N为不小于2的整数。第N同名连接点为指向同一地理位置,且既存在于第N卫星影像,又同时存在于第一卫星影像、第二卫星影像、……、第N-1卫星影像中至少一项的点。第N同名连接点可以是第N卫星影像与第一卫星影像、第二卫星影像、……、第N-1卫星影像中至少一项的重叠部分中的点。
可选地,S220还可以包括确定第N相对偏移量,使得当第N卫星影像平移第N相对偏移量/>时,前述至少一个第N同名连接点在第N卫星影像中的像素点的经纬度坐标和在第一卫星影像、平移后的第二卫星影像、……、平移后的第N-1卫星影像中至少一项中的像素点的经纬度坐标的坐标距离的平均值最小。可选地,S220还可以包括把第N卫星影像中的各个像素点整体平移第N相对偏移量/>。可选地,S220也可以包括把平移后的第N卫星影像与第一卫星影像、平移后的第二卫星影像、……、平移后的第N-1卫星影像中至少一项拼接融合,得到合成影像。
图3示出了图2所示方法2000中执行平面相对平差前的卫星影像示意图。
如图3所示,PIC1为第一卫星影像,PIC2为第二卫星影像,NODE121为第一卫星影像PIC1与第二卫星影像PIC2之间的一个第二同名连接点。图3所示的示例实施例中,同名连接点121由实行圆点、箭头和直线段组成。其中实心圆点为第二同名连接点NODE121在第一卫星影像PIC1中的元素点,箭头为第二同名连接点NODE121在第二卫星影像PIC2中的像素点,直线段为第二同名连接点NODE121在第一卫星影像PIC1中的元素点与在第二卫星影像PIC2中的像素点之间的坐标距离。
图4示出了图2所示的方法2000中平面相对平差后的卫星影像示意图。
如图4所示,PIC’1为平面相对平差之后的第一卫星影像,PIC’2为平面相对平差之后的第二卫星影像,NODE’121为平面相对平差后的第二同名连接点。显然经过平面相对平差之后,平面相对平差之后的第一卫星影像与平面相对平差之后的第二卫星影像之间的第二同名连接点的坐标距离大大缩短。
如图2所示,在S230中可以平面绝对误差校正前述合成影像。可选地,合成影像可以是第一卫星影像,也可以是第一卫星影像、平移后的第二卫星影像、……、平移后的第N卫星影像中至少两项的拼接融合。
可选地,可以根据至少一个激光测高控制点和虚拟控制点中的至少一项确定合成影像的绝对偏移量。在合成影像平移该绝对偏移量后,合成影像的至少一个像素点的高程相对于激光测高控制点和虚拟控制点中至少一项的高程的偏差最小。
可选地,S230可以包括:S232、S234、S236和S238。
在S232中,可以生成虚拟控制点。一般采用卫星获取激光测高控制点的高程。而卫星一般需要沿着预定轨道空间飞行。因而,通过卫星获取到的激光测高控制点往往呈现出沿某些路径,呈带状分布的情况。激光测高控制点的不均匀分布会影像平差效果。为了达到更好地平差效果,可以引入虚拟控制点,作为激光测高控制点的补充。使得激光测高控制点和/或虚拟控制点可以相对均匀地分布在第一预设区域内。
图5示出了图2所示方法2000中的虚拟控制点的分布示意图。
如图5所示,空心圆圈为虚拟控制点。
可选地,S232可以包括:对第一预设区域进行均匀的网格划分;确定至少一个网格内激光测高控制点的数量上限,并删除多余的激光测高控制点使得至少一个网格内的激光测高控制点的数量不超过该上限。S232还可以包括:在第一预设区域内确定无激光测高控制点网格;在无激光测高控制点网格内生成虚拟控制点。可以把无激光测高控制点网格中心位置作为虚拟控制点的方位坐标;把经纬度坐标在无激光测高控制点网格范围内的合并影像的至少一个像素点的高程的平均值作为虚拟控制点的高程。
可选地,在S234中可以在第一预设范围内确定临时偏移量,并可以平移前述合成影像该临时偏移量。在图2所示的示例实施例中,第一预设范围的经度范围为:,纬度范围为/>,其中/>可以是第二相对偏移量、……、第N相对偏移量/>的均值。
可选地,可以在前述第一预设范围内确定临时偏移量。其中,可以是经度方向临时偏移量,/>可以是纬度方向临时偏移量。可选地,可以依照预设次序在第一预设范围内确定临时偏移量/>。
可选地,S234的每一次执行都可以生成一次临时偏移量的一个新值。可选地,临时偏移量/>值可以在第一预设范围内扫描生成。在图2所示的示例实施例中,临时偏移量/>可以在对角线为-/>的矩形范围内扫描生成,其中经度方向临时偏移量/>的最小变动量可以为/>,纬度方向临时偏移量/>的最小变动量为。可选地,在S234中还可以平移前述合成影像临时偏移量/>,得到平移合成影像。/>
可选地,在S236中可以根据激光测高控制点和虚拟控制点中的至少一项计算平移合成影像的平移高程误差。
可选地,可以确定第一预设区域内的高程影像数据集。前述至少一个网格中的任意一个网格的中心点经纬度坐标和在该网格范围内前述平移合成影像中至少一个像素点的高程的平均值的组合可以作为高程影像数据集的数据元素。
可选地,可以确定第一预设区域的高程参考数据集。该高程参考数据集的数据元素可以是激光测高控制点的高程与该激光测高控制点所在的网格的中心点的经纬度坐标的组合。可选地,该高程参考数据集的数据元素也可以是虚拟控制点的高程与该虚拟控制点所在的网格的中心点的经纬度坐标的组合。
可选地,可以确定高程影像数据集相对于高程参考数据集的平移高程误差。可选地,可以利用第一神经网络模型测算高程影像数据集与高程参考数据集的误差。可选地,第一神经网络模型可以是AdaBoost(自适应提升方法:Adaptive Boosting,AdaBoost)模型。
可选地,可以反复执行S234至S236的步骤。并可以在临时偏移量遍历第一预设范围,并测算每一次平移后的平移合成影像的平移高程误差后进入S238。在S238中可以确定平移高程误差最小时,临时偏移量/>的数值,并可以把该数值作为合影像的绝对偏移量。可选地,可以平移前述合成影像该绝对偏移量,得到平面绝对平差影像。可选地,在可以平移前述合成影像该绝对偏移量和得到平面绝对平差影像之间,S238还可以包括插值计算合成影像,提高平面绝对平差影像的分辨率。
如图2所示,在S240中可以对平面绝对平差影像做高程平差。根据平面绝对平差影像中,与每一个激光测高控制点经纬度匹配的像素点的高程与所匹配的激光测高控制点的高程的差异创建高程平差误差数据集。
可以利用该误差数据集利用第二神经网络模型预测平面绝对平差影像中,至少一个像素点的高程误差。以及可以修正该像素点的高程信息,得到区域网平差影像。可选地,第二神经网络模型可以与第一神经网络模型相同,也可以与第一神经网络模型不同。可选地,第二神经网络模型可以是GBDT(梯度提升决策树算法:Gradient Boosting DecisionTree)模型。
采用两组卫星影像进行实验。可以分别采用AdaBoost模型和GBDT模型做平面绝对平差和/或高程平差后的实验结果如下:
/>
其中高程绝对均误差可以依照下式计算:
其中,为高程绝对均误差,/>为激光测高控制点,/>第/>个激光测高控制点的高程,/>为与第/>个激光测高控制点的经纬度坐标相同的至少一个卫星影像中的像素点的高程。
由上表可知:若是在平面相对误差校正后,直接进行高程误差校正,会导致高程绝对均误差增大。而在平面相对误差校正和程误差校正之间增加平面绝对误差校正步骤后,高程绝对均误差/>最小。说明本发明中所提出的平面绝对误差校正这一步骤,可以很好地降低高程绝对均误差/>。
此外,采用AdaBoost模型和GBDT模型分别进行校正实验均实现了不同程度的精度提升。其中在平面绝对误差校正中采用AdaBoost模型后高程绝对均误差降低最多(从60.478降低至54.780),精度提升幅度最大。说明AdaBoost方法更适用于平面绝对误差校正;而在高程误差校正步骤中采用GBDT模型时高程绝对均误差/>降低最多(从90.369降低到37.329),精度提升幅度最大,说明GBDT模型更适用于高程平差。
本申请还提供一个实施例一种电子设备,包括:处理器;存储器,存储处理器可以执行的程序,当该程序被执行时,该处理器执行前述任意一种方法。
本申请还提供一个实施例一种存储介质,存储处理器可以执行的程序,当该程序被执行时,该处理器执行前述任意一种方法。
图6示出了根据一示例性实施例的一种电子设备的框图。
下面参照图6来描述根据本发明的这种实施方式的电子设备200。图6显示的电子设备200仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元210执行,使得所述处理单元210执行本说明书描述的根据本发明各种示例性实施方式的方法。例如,所述处理单元210可以执行如图1所示的方法1000,或者可以执行如图2至图5所示的方法2000。
所述存储单元220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备200’(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且,电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
本申请提供的区域网平差模型的DEM校正方法、电子设备和存储介质,通过在平面相对平差之后增加了平面绝对平差和高程平差环节可以有效地提高平差的效果,降低DEM格式下地理影像与实际地理地形的偏差。
本申请提供的方法,可以通过至少一个卫星影像之间的同名连接点,计算卫星影像之间的相对偏移量。从而可以降低卫星影像之间的相对位置偏差。并可以在此基础上合并融合上述至少一个卫星影像,得到合成影像。
本申请利用卫星测高控制点测算合成影像的绝对位置偏差,可以进一步提高平差效果,提卫星影像的精度。本申请还创造性地生成了虚拟控制点作为激光测高控制点的补充,测算合成影像的绝对位置偏差,可以进一步提高平差效果,提高卫星影像的精度。
在绝对平差之后,本申请提供的方法还提出采用高程平差步骤,进一步提高卫星影像中各个像素的高程的经度。
本领域技术人员可以理解,本发明的技术方案可实施为系统、方法或计算机程序产品。因此,本发明可表现为完全硬件的实施例、完全软件的实施例(包括固件、常驻软件、微码等)或将软件和硬件相结合的实施例的形式,它们一般可被称为“电路”、“模块”或“系统”。此外,本发明可表现为计算机程序产品的形式,所述计算机程序产品嵌入到任何有形的表达介质中,所述有形的表达介质具有嵌入到所述介质中的计算机可用程序代码。
参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图来描述本发明。可以理解的是,可由计算机程序指令执行流程图和/或框图中的每个框、以及流程图和/或框图中的多个框的组合。这些计算机程序指令可提供给通用目的计算机、专用目的计算机或其它可编程数据处理装置的处理器,以使通过计算机或其它可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图的一个框或多个框中指明的功能/动作的装置。
这些计算机程序指令还可存储于能够指导计算机或其它可编程数据处理装置以特定的方式实现功能的计算机可读介质中,以使存储于计算机可读介质中的指令产生包括实现流程图和/或框图中的一个框或多个框中指明的功能/动作的指令装置。
计算机程序指令还可加载到计算机或其它可编程数据处理装置上,以引起在计算机上或其它可编程装置上执行一连串的操作步骤,以产生计算机实现的过程,从而使在计算机或其它可编程装置上执行的指令提供用于实现流程图和/或框图中的一个框或多个框中指明的功能/动作的过程。
附图中的流程图和框图示出根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系结构、功能和操作。在这点上,流程图或框图中的每个框可表示一个模块、区段或代码的一部分,其包括一个或多个用于实现特定逻辑功能的可执行指令。还应注意,在一些可替代性实施中,框中标注的功能可以不按照附图中标注的顺序发生。例如,根据所涉及的功能性,连续示出的两个框实际上可大致同时地执行,或者这些框有时以相反的顺序执行。还可注意到,可由执行特定功能或动作的专用目的的基于硬件的系统、或专用目的硬件与计算机指令的组合来实现框图和/或流程图示图中的每个框、以及框图和/或流程图示图中的多个框的组合。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。上述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种区域网平差模型的DEM校正方法,其特征在于,包括:
把第一预设区域划分为至少一个网格;
获取所述第一预设区域内的至少一个激光测高控制点;
生成虚拟控制点;
确定临时偏移量,并把合成影像平移所述临时偏移量得到平移合成影像;
根据所述至少一个激光测高控制点和所述虚拟控制点中的至少一项和所述平移合成影像确定平移高程误差;
确定平移高程误差最小时的所述临时偏移量为绝对偏移量,并平移所述合成影像所述绝对偏移量,得到平面绝对平差影像;
高程平差所述平面绝对平差影像,得到区域网平差影像;获取第一卫星影像、第二卫星影像;
平面相对误差校正所述第二卫星影像,确定所述第二卫星影像相对于所述第一卫星影像的第二相对偏移量,包括:
确定所述第二卫星影像与所述第一卫星影像之间的至少一个第二同名连接点,所述第二同名连接点为共存于所述第一卫星影像和所述第二卫星影像的同一地理位置;
确定所述至少一个第二同名连接点分别在所述第一卫星影像和所述第二卫星影像中坐标距离平均值最小时的所述第二卫星影像的平移量为所述第二相对偏移量;
平移所述第二卫星影像所述第二相对偏移量,得到平移第二卫星影像;
合成所述第一卫星影像和所述平移第二卫星影像得到所述合成影像。
2.根据权利要求1所述的方法,其特征在于,所述生成虚拟控制点,包括:
在所述至少一个网格中确定无激光测高控制点网格;
所述虚拟控制点的经纬度为所述无激光测高控制点网格的中心经纬度;
所述虚拟控制点的高程为所述合成影像中,经纬度在所述无激光测高控制点网格范围内的像素点的高程的平均值。
3.根据权利要求1所述的方法,其特征在于,所述根据所述至少一个激光测高控制点和所述虚拟控制点中的至少一项和所述平移合成影像确定平移高程误差,包括:
利用第一神经网络模型预测所述平移高程误差;
所述第一神经网络模型为AdaBoost模型。
4.根据权利要求1所述的方法,其特征在于,所述高程平差所述平面绝对平差影像,得到区域网平差影像,包括:
根据所述至少一个激光测高控制点确定所述平面绝对平差影像中至少一个像素的像素高程误差;
根据所述像素高程误差修正所述至少一个像素的高程。
5.根据权利要求4所述的方法,其特征在于,所述根据所述至少一个激光测高控制点确定所述平面绝对平差影像中至少一个像素的像素高程误差,包括:
利用第二神经网络模型预测所述像素高程误差;
所述第二神经网络模型为GBDT模型。
6.根据权利要求1所述的方法,其特征在于,所述平移所述合成影像所述绝对偏移量,得到平面绝对平差影像,包括:
插值计算所述合成影像。
7.一种电子设备,其特征在于,包括:
处理器;
存储器,存储所述处理器执行的程序,当所述程序被执行时,所述处理器执行权利要求1-6中任意一项所述的方法。
8.一种存储介质,其特征在于,存储处理器执行的程序,当所述程序被执行时,所述处理器执行权利要求1-6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410034954.8A CN117541752B (zh) | 2024-01-10 | 2024-01-10 | 一种区域网平差模型的dem校正方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410034954.8A CN117541752B (zh) | 2024-01-10 | 2024-01-10 | 一种区域网平差模型的dem校正方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117541752A CN117541752A (zh) | 2024-02-09 |
CN117541752B true CN117541752B (zh) | 2024-04-26 |
Family
ID=89796264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410034954.8A Active CN117541752B (zh) | 2024-01-10 | 2024-01-10 | 一种区域网平差模型的dem校正方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541752B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007248216A (ja) * | 2006-03-15 | 2007-09-27 | Mitsubishi Electric Corp | 合成開口レーダ画像のオルソ補正装置及びオルソ補正方法 |
CN103557841A (zh) * | 2013-08-28 | 2014-02-05 | 陈天恩 | 一种提高多相机合成影像摄影测量精度的方法 |
CN113899387A (zh) * | 2021-09-27 | 2022-01-07 | 武汉大学 | 一种基于验后补偿的光学卫星遥感影像区域网平差方法及系统 |
CN117288169A (zh) * | 2023-08-31 | 2023-12-26 | 自然资源部国土卫星遥感应用中心 | 一种稳健的卫星影像无控区域网平差方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107167786B (zh) * | 2017-06-05 | 2021-01-01 | 中国测绘科学研究院 | 卫星激光测高数据辅助提取高程控制点方法 |
US11676256B2 (en) * | 2021-06-18 | 2023-06-13 | Maxar Intelligence Inc. | Absolute geospatial accuracy model for remote sensing without surveyed control points |
-
2024
- 2024-01-10 CN CN202410034954.8A patent/CN117541752B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007248216A (ja) * | 2006-03-15 | 2007-09-27 | Mitsubishi Electric Corp | 合成開口レーダ画像のオルソ補正装置及びオルソ補正方法 |
CN103557841A (zh) * | 2013-08-28 | 2014-02-05 | 陈天恩 | 一种提高多相机合成影像摄影测量精度的方法 |
CN113899387A (zh) * | 2021-09-27 | 2022-01-07 | 武汉大学 | 一种基于验后补偿的光学卫星遥感影像区域网平差方法及系统 |
CN117288169A (zh) * | 2023-08-31 | 2023-12-26 | 自然资源部国土卫星遥感应用中心 | 一种稳健的卫星影像无控区域网平差方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117541752A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341778B (zh) | 基于卫星控制点库和dem的sar影像正射纠正方法 | |
US9378585B2 (en) | System and method for automatic geometric correction using RPC | |
KR101165523B1 (ko) | 다중 소스의 지리 정보를 이용한 지리공간 모델링 시스템 및 관련 방법 | |
KR20190026452A (ko) | 위성영상과 제공 rpc로부터 제작된 수치표고모델의 자동 오차보정 방법 | |
CN113902645B (zh) | 一种基于逆rd定位模型的星载sar图像rpc校正参数获取方法 | |
CN109709551B (zh) | 一种星载合成孔径雷达影像的区域网平面平差方法 | |
CN111044037B (zh) | 一种光学卫星影像的几何定位方法及装置 | |
CN111724465B (zh) | 基于平面约束优选虚拟控制点的卫星影像平差方法及装置 | |
CN107014399A (zh) | 一种星载光学相机‑激光测距仪组合系统联合检校方法 | |
WO2021163157A1 (en) | Collaborative 3d mapping and surface registration | |
CN109597074B (zh) | 一种sar影像几何定位参数校正方法及系统 | |
KR20040055510A (ko) | 소수의 지상 기준점을 이용한 이코노스 알피씨 데이터갱신방법 | |
Zhang et al. | Block adjustment for satellite imagery based on the strip constraint | |
CN113514829A (zh) | 面向InSAR的初始DSM的区域网平差方法 | |
CN109029379B (zh) | 一种高精度小基高比立体测绘方法 | |
CN111611525B (zh) | 基于物方匹配高程偏差迭代修正的遥感数据高程解算方法 | |
CN105571598A (zh) | 一种卫星激光高度计足印相机姿态的测定方法 | |
CN117541752B (zh) | 一种区域网平差模型的dem校正方法、电子设备及存储介质 | |
Ma | Rational function model in processing historical aerial photographs | |
CN115457022A (zh) | 基于实景三维模型正视影像的三维形变检测方法 | |
KR101663642B1 (ko) | Ap와 직접변환 센서 모델 기법을 이용한 휘스크 브룸 센서 모델 방법 및 장치 | |
Liu et al. | Adaptive re-weighted block adjustment for multi-coverage satellite stereo images without ground control points | |
CN114964169B (zh) | 像方物方协同改正的遥感影像平差方法 | |
Ma et al. | Orthorectify historical aerial photographs using DLT | |
Ye et al. | Photogrammetric Accuracy and Modeling of Rolling Shutter Cameras |
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 |