CN107103610A - 立体测绘卫星影像匹配可疑区域自动检测方法 - Google Patents
立体测绘卫星影像匹配可疑区域自动检测方法 Download PDFInfo
- Publication number
- CN107103610A CN107103610A CN201710277125.2A CN201710277125A CN107103610A CN 107103610 A CN107103610 A CN 107103610A CN 201710277125 A CN201710277125 A CN 201710277125A CN 107103610 A CN107103610 A CN 107103610A
- Authority
- CN
- China
- Prior art keywords
- line image
- core line
- image
- mrow
- msub
- 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.)
- Granted
Links
Classifications
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种立体测绘卫星影像匹配可疑区域自动检测方法，所述方法包括以下步骤：步骤1，生成立体影像的核线立体影像对，所述核线立体影像对包括左核线影像和右核线影像；步骤2，读取所述核线立体影像对，并通过对所述核线立体影像对的左核线影像和右核线影像分别进行小波变换，建立所述左核线影像和右核线影像的各自的影像金字塔；步骤3：对于顶层以下的每一层影像金字塔的左核线影像和右核线影像，逐层确定所述左核线影像和右核线影像中的可疑区域。本发明可以可以实现高效的厚云自动检测和剔除，可以实现高效的遮挡区域检测、大面积水域检测以及无纹理阴影区域检测，具有很好的实际应用价值。
Description
技术领域
本发明涉及图像处理技术领域，更具体的，涉及一种立体测绘卫星影像匹配可疑区域自动检测方法。
背景技术
在卫星、航空立体影像匹配获取数字表面模型(digital surface model,DSM)的过程中，由于大的地形坡度或遮挡，大面积阴影、水域、厚云，曝光过度等因素的存在，导致有些区域匹配错误。在存在冗余观测的条件下，这些错误区域往往是可以修补的。如果能自动检测出这些错误区域，将会显著提高大区域、多影像冗余条件下DSM提取的自动化程度。
左右匹配结果一致性检测是一种传统的可疑区域检测方法，对遮挡区域的检测成功率较高。但也要借助碎片过滤等辅助手段才能使可疑区域去除的更加干净。而对大面积阴影、水域、厚云，曝光过度等因素造成的错误匹配，单靠左右匹配结果一致性检测很难将错误区域去除干净，而且由于左右匹配一致性门限设的过低可能会将一些正确的匹配区域去除。若要提高可疑匹配区域的检测成功率，需要综合多种可疑区域检测方法。
发明内容
本发明提出一种立体测绘卫星影像匹配可疑区域自动检测方法，可充分地消除由于现有技术的限制和缺陷导致的一个或多个问题。
本发明另外的优点、目的和特性，一部分将在下面的说明书中得到阐明，而另一部分对于本领域的普通技术人员通过对下面的说明的考察将是明显的或从本发明的实施中学到。通过在文字的说明书和权利要求书及附图中特别地指出的结构可实现和获得本发明目的和优点。
本发明提供了一种立体测绘卫星影像匹配可疑区域自动检测方法，其特征在于，所述方法包括以下步骤：
步骤1，生成立体影像的核线立体影像对，所述核线立体影像对包括左核线影像和右核线影像；
步骤2，读取所述核线立体影像对，并通过对所述核线立体影像对的左核线影像和右核线影像分别进行小波变换，建立所述左核线影像和右核线影像的各自的影像金字塔；其中，所述影像金字塔包括多层金字塔影像，原始读取的左核线影像和右核线影像为第一层金字塔影像，经小波变换后得到的第二层及第二层以上的金字塔影像均包括一个影像区域和三个纹理区域；
步骤3：对顶层以下的每一层左、右核线影像，逐层确定可疑区域。
优选的，采用投影轨迹法生成立体影像的核线立体影像对。
优选的，步骤2中的小波变换的过程具体包括：将第i层金字塔影像作为原核线影像，对所述第i层金字塔影像进行小波变换，得到第i+1层核线影像，i为大于1的整数，其中，所述第i+1层核线影像包括左上、右上、左下、右下四个区域的影像，其中，左上区域的影像为影像区域，其包含长宽均为原核线影像二分之一的缩小影像，右上、左下和右下这三个区域为纹理区域，其包含了原核线影像的纹理信息。
优选的，根据下式计算小波变换后的影像区域第k行j列的灰度G0(j,k)，右上纹理区域第k行，W/2+j列的灰度G1(W/2+j,k)，左下纹理区域第H/2+k行，j列的灰度G2(j,H/2+k)，右下纹理区域第H/2+k行，W/2+j列的灰度G3(W/2+j,H/2+k)：
其中，Cu、Cv和Du、Dv分别为小波变换所使用的低通滤波器和高通滤波器的系数，H、W分别为小波变换前的原核线立体影像的长和宽。
优选的，步骤3具体包括以下子步骤：
步骤3.1，获取当前层左、右核线影像的视差初值，用于确定当前层左(右)核线影像每个像点视差搜索起点和搜索范围；
步骤3.2，对当前层小波变换后得到的纹理区域进行纹理分析，确定纹理缺失点和非纹理缺失点；
步骤3.3，基于步骤3.2确定的每个像点的视差搜索起点和搜索范围，计算左核线影像-右核线影像匹配代价和右核线影像-左核线影像匹配代价；
步骤3.4，对所述左核线影像-右核线影像匹配代价和右核线影像-左核线影像匹配代价进行全局优化，以基于不同路径组合和对应平滑模型获取多对视差图，
步骤3.5，基于步骤3.4确定的基于不同路径组合和对应平滑模型获取的四对视差图，初步确定影像中的可疑区域；
步骤3.6，进行左右匹配一致性检测，将符合左右一致性检测的点标记为有效点，不符合左右一致性检测的点标记为无效点；
步骤3.7，基于步骤3.2的纹理分析结果，对步骤3.6确定的视差图有效点和无效点进行碎片过滤；
步骤3.8，将经碎片过滤后的所有无效点对应的区域确定为当前层最终的可疑区域。
优选的，步骤3.2具体包括以下子步骤：
步骤3.2.1，将小波变换后得到的三个纹理区域叠加后形成一幅二值图，用0代表有纹理，255代表无纹理；
步骤3.2.2，对该二值图作膨胀处理后，确定纹理缺失点和非纹理缺失点。
优选的，步骤3.3具体包括以下子步骤：
步骤3.3.1，对通过步骤1获得的左核线影像和右核线影像进行CENSUS变换，获得左核线影像和右核线影像的每个像点的CENSUS值；
步骤3.3.2，基于步骤3.3.1计算的每个像点的CENSUS值，计算左核线影像-右核线影像匹配代价和右核线影像-左核线影像匹配代价。
优选的，步骤3.3.2中的“计算左核线影像-右核线影像匹配代价”具体包括以下子步骤：
步骤3.3.2.1，选取左核线影像的一个像点P，并确定所述左核线影像的像点P在视差搜索范围内的n个候选视差D1，D2，…Dn(n为大于1的整数)；
步骤3.3.2.2，确定所述像点P的每个候选视差D1，D2，…Dn对应的右核线影像的像点P1’，P2’，…，Pn’；
步骤3.3.2.3，分别计算所述左核线影像的像点p的CENSUS值和所述右核线影像的像点P1’，P2’，…，Pn’中的每个像点的CENSUS值之间的距离值，将计算得到的n个距离值组成的数组记为像点P的匹配代价数组；
步骤3.3.2.4，选取左核线影像的其他像点，重复步骤3.2.1-3.2.3，计算得到左核线影像的所有像点的匹配代价数组，所述左核线影像的所有像点的匹配代价数组为所述左核线影像-右核线影像匹配代价。
本发明还提供了一种计算机程序，当由处理器执行所述计算机程序时，执行上述任一实施例所述的方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当由处理器执行所述计算机程序时，执行上述任一实施例所述的方法。
本发明具有以下优点：
(1)可以实现高效的厚云自动检测和剔除，后续生成数字表面模型(Digitalsurface model,DSM)环节不受厚云干扰，从而可以获取“干净”的DSM。
(2)可以实现高效的遮挡区域检测。
(3)可以实现高效的大面积水域检测。
(4)可以实现高效的无纹理阴影区域检测。
附图说明
图1是根据本发明实施例的、立体测绘卫星影像匹配可疑区域自动检测方法的流程图。
图2A是根据本发明实施例的、原核线影像(即第一层金字塔影像)的示意图。
图2B是根据本发明实施例的、通过小波变换生成的第二层金字塔影像的示意图。
图2C是根据本发明实施例的、通过小波变换生成的第三层金字塔影像的示意图。
图3是16个消息传播路径示意图。
图4是SGM的双参数模型(P1、P2)和Huber模型。
图5是左核线影像与左-右方向匹配获取的视差图。
图6是右核线影像与右-左方向匹配获取的视差图。
图7是未经可疑检测获取的DSM与本方法对厚云区域检测并剔除后获取的DSM对比图。
图8本方法对大面积水域的检测反应在DSM上的效果图。
图9本方法对无纹理阴影区域的检测反应在DSM上的效果图。
具体实施方式
下面对本发明进行更全面的描述，其中说明本发明的示例性实施例。
如图1所示，本发明提出的立体测绘卫星影像匹配可疑区域自动检测方法包括以下步骤：
步骤1，生成立体影像的核线立体影像对，所述核线立体影像对包括左核线影像和右核线影像；
根据本发明的优选实施例，采用投影轨迹法生成立体影像的核线立体影像对。通过投影轨迹法生成立体影像的核线立体影像对是本领域的公知技术，在此不再赘述。
步骤2，读取所述核线立体影像对，并通过对所述核线立体影像对的左核线影像和右核线影像分别进行小波变换，建立所述左核线影像和右核线影像的各自的影像金字塔，其中，所述影像金字塔包括多层金字塔影像，原始读取的左核线影像和右核线影像为第一层金字塔影像，经小波变换后得到的第二层及第二层以上的金字塔影像均包括一个影像区域和三个纹理区域；
影像金字塔指将影像进行降采样处理得到的缩小影像，即，影像金字塔就是长、宽依次递减二分之一的多个小波变换影像(及纹理影像)。
步骤2中的小波变换的过程具体包括：将第i层金字塔影像作为原核线影像，对所述第i层金字塔影像进行小波变换，得到第i+1层核线影像，i为大于1的整数，其中，所述第i+1层核线影像包括左上、右上、左下、右下四个区域的影像，其中，左上区域的影像为影像区域，其包含长宽均为原核线影像二分之一的缩小影像，右上、左下和右下这三个区域为纹理区域，其包含了原核线影像的纹理信息。小波变换后的三个纹理区域和影像区域的长宽相同。
下面根据图2A-2C进行举例说明，建立的影像金字塔如图2A-2C所示，其中，图2A是原核线影像(即第一层金字塔影像)，图2B是对第一层金字塔影像缩小2倍后得到第二层金字塔影像，图2C是将图2B的第二层金字塔影像再缩小2倍得到第三层金字塔影像。原核线影像没有纹理影像，从第二层金字塔影像开始有纹理影像，第三层金字塔影像是将第二层金字塔影像的影像区域作为原影像做小波变换获取的影像区域和纹理区域，依次类推。
如图2A-2C所示，缩小一次，影像的长宽变为上一层的二分之一，其中，将影像的长宽最小的一层称为顶层影像，在图2A-2C中，将图2C所示的图像称为顶层影像。
下面的小波变换过程就是由每一层影像获取下一层影像的计算过程，即，将小波变换后长、宽均为原影像二分之一的影像区域作为“原影像”进行小波变换的过程。以下对小波变化过程进行详细描述：
本方法是对核线立体影像对的左核线影像和右核线影像都进行了小波变换，即，对左核线影像和右核线影像分别进行小波变换，分别生成左核线影像和右核线影像的各自的影像金字塔。设小波变换前的原核线立体影像对的左核线影像和右核线影像长宽相同，分别为H、W，则对其进行小波变换后的核线立体影像对的左核线影像和右核线影像的长宽分别为H1＝H/2，W1＝W/2。
小波变换前的核线立体影像对的左核线影像和右核线影像为原核线影像，其作为第一层金字塔影像，对所述核线立体影像对的左核线影像和右核线影像分别进行小波变换后得到各自的第二层金字塔影像，所述第二层金字塔影像包括左上、右上、左下、右下四个区域的影像，其中，左上区域的影像为影像区域，其包含长宽均为原核线影像二分之一的缩小影像，右上、左下和右下这三个区域为纹理区域，其包含了原核线影像的纹理信息。
得到左右核线影像的第二层金字塔影像后，将所述第二层金字塔影像作为新的原始影像，对其进行小波变换后得到如图2C所示的第三层金字塔影像(包括一个影像区域和三个纹理区域)。依次类推，可以到第四、第五层金字塔影像。根据本发明的优选实施例，金字塔影像的层数为5层。
小波变换后的一个影像区域和三个纹理区域的灰度值都是在一个4*4窗口内根据滤波器系数加权累加求和的结果。具体的，根据下式计算小波变换后的影像区域第k行j列的灰度G0(j,k)，右上纹理区域第k行，W/2+j列的灰度G1(W/2+j,k)，左下纹理区域第H/2+k行，j列的灰度G2(j,H/2+k)，右下纹理区域第H/2+k行，W/2+j列的灰度G3(W/2+j,H/2+k)：
其中，Cu、Cv和Du、Dv分别为小波变换所使用的低通滤波器和高通滤波器的系数，H、W分别为小波变换前的原核线立体影像的长和宽。
根据本发明的优选实施例，小波变换低通滤波器系数为：
C0＝0.341706351，C1＝0.591906350，C2＝0.158493649，C3＝-0.091506350。
小波变换高通滤波器系数为：
D0＝0.091506350，D1＝0.158493649，D2＝-0.591906350，D3＝0.341706351。
步骤3，对于顶层以下的每一层影像金字塔的左核线影像和右核线影像，逐层确定所述左核线影像和右核线影像中的可疑区域；
设金字塔层数为n，则顶层为第n-1层，以下依次为n-2层、n-3层、...、0层，0层也成为底层，即初始左、右核线影像层。
将左、右核线影像每个像点的视差搜索范围都设为h，搜索起始视差设为-h/2。通常，通过SGM匹配方法获取金字塔顶层左、右核线影像视差。顶层不进行可疑区域检测。
对第n-2层到第0层逐层确定可疑区域，具体来说，包括以下子步骤：
步骤3.1，获取当前层左、右核线影像的视差初值，所述视差初值用于确定当前层左核线影像和右核线影像中的每个像点视差搜索起点和搜索范围；
设左(右)核线影像某个像点p在图3所示的0-15邻接像点视差最小值和最大值为Ddown和Dup，则像点p的视差搜索范围为Ddown-dD到Dup+dD，dD为搜索范围的余量，即，在Ddown和Dup确定的范围的基础上将搜素范围加大的余量，本发明设为3。
通过上一层匹配获取了上一层左、右核线影像的视差，由于当前层左、右核线影像长宽为上一层的两倍，所以通过将坐标映射到上一层的方法获取当前层左、右核线影像的视差初值。具体为：
设当前层左(右)核线影像任意一像点坐标为(j，k)(第j列，第k行)，则对应上一层左(右)核线影像的坐标为(j/2，k/2)，设上一层左(右)核线影像(j/2，k/2)点的视差为Dlast，若Dlast为有效值，则当前层左(右)核线影像(j，k)点视差为Dlast*2，若Dlast为无效值，则在上一层左(右)核线影像的视差图中以当前点(j/2，k/2)为中心向图3所示的第0到7方向在一定距离范围内(如7个像素)搜索有效点，假设搜索到m(m＝1，2，...，8)个有效点，视差分别为D0，D1，...，Dm-1，对应搜索距离为S0，S1，...，Sm-1，通过距离倒数加权法计算拟合视差Dfit：
其中，Dfit为拟合视差，l为范围在0到m-1的下标变量，Sall为m个方向距离倒数之和，Sl为第l个搜索距离。
则当前层左(右)核线影像(j，k)点视差为Dfit×2。
若没有搜索到有效点(m＝0)，当前层左(右)核线影像(j，k)点视差为Dlast，即也为无效值。
步骤3.2，对当前层小波变换后得到的纹理区域进行纹理分析，确定纹理缺失点和非纹理缺失点；若当前层为第0层，则将当前层左(右)核线影像第0层行、列坐标(j，k)除以2映射到第一层得到对应行列坐标(j/2，k/2)。若第一层左(右)核线影像点(j/2，k/2)为纹理缺失点，则当前层左(右)核线影像点(j，k)为纹理缺失点，否则为非纹理缺失点。若当前层为第1层到第n-2层，则通过下述方法确定纹理缺失点和非纹理缺失点。
如图2A-C所示，当前层左右核线影像小波变换后的影像区域存储在左上四分之一区域，其余三个区域包含了纹理信息。
具体来说，步骤3.2具体包括以下子步骤：
步骤3.2.1，将小波变换后得到的三个纹理区域叠加后形成一幅二值图，用0代表有纹理，255代表无纹理；
步骤3.2.2，对该二值图作膨胀处理后，确定纹理缺失点和非纹理缺失点。
具体来说，对每个0值点，以该点为中心向上下方向和两个斜45度方向在一定阈值范围d内检测值为255的点(阈值d的选择与分辨率有关，设影像分辨率为r，则d＝INT(9/r)，INT表示对浮点数取整)，若检测到一个以上值为255的点，将该0值标记为255。最终所有值为0的点表示纹理缺失点，值为255的点为非纹理缺失点。
步骤3.3，基于步骤3.1确定的每个像点视差搜索起点和搜索范围，计算左核线影像-右核线影像匹配代价和右核线影像-左核线影像匹配代价；
步骤3.3计算匹配代价的过程就是计算“一定视差范围”内的左右核线影像对应像点的CENSUS距离，这里的“一定视差范围”如D0、D1、…Dm-1，就是3.1里利用上一层视差确定的每个像点视差搜索起点和搜索范围，D0就是搜索起点，D0、…Dm-1m为搜索范围。
步骤3.3具体包括以下子步骤：
步骤3.3.1，对通过步骤1获得的左核线影像和右核线影像进行CENSUS变换，获得左核线影像和右核线影像的每个像点的CENSUS值；
对投影轨迹法获取的左核线影像和右核线影像(即，核线立体影像对的两幅图像)作CENSUS变换；CENSUS变换方法为：以左核线影像或右核线影像的某个像点为中心设置m*n窗口，对比m*n窗口内每个点的灰度与窗口中心点的灰度大小，若窗口内某一点的灰度大于中心灰度，则设置标签1，否则设置标签0，这样每个点都表示为m*n个由0和1组成的数字串，即每个像点的CENSUS值为m*n个由0和1组成的数字串。
步骤3.3.2，基于步骤3.3.1计算的每个像点的CENSUS值，计算左核线影像-右核线影像匹配代价和右核线影像-左核线影像匹配代价。
步骤3.3.2中的“计算左核线影像-右核线影像匹配代价”具体包括以下子步骤：
步骤3.3.2.1，选取左核线影像的一个像点P，并确定所述左核线影像的像点P在视差搜索范围内的n个候选视差D1，D2，…Dn(n为大于1的整数)；
步骤3.3.2.2，确定所述像点P的每个候选视差D1，D2，…Dn对应的右核线影像的像点P1’，P2’，…，Pn’；
其中，左核线影像的像点p的一个候选视差对应右核线影像的一个像点，即，像点P的每个候选视差D1，D2，…Dn与右核线影像的像点P1’，P2’，…，Pn’是一一对应的。
步骤3.3.2.3，分别计算所述左核线影像的像点p的CENSUS值和所述右核线影像的像点P1’，P2’，…，Pn’中的每个像点的CENSUS值之间的距离值，将计算得到的n个距离值组成的数组记为像点P的匹配代价数组；
例如，在步骤4.1已经获得左核线影像和右核线影像的每个像点的CENSUS值，假设像点P的候选视差D1对应右核线影像的像点P1’，则像点P的CENSUS值和像点P1’的CENSUS值的距离值即为像点P的视差D的匹配代价。像点P的CENSUS值和像点P1’的CENSUS值的距离值的计算方法为：依次对比像点P和P1’的CENSUS变换值的0、1数字串对应位置数字不同的个数n’，n’即为p与p’间的CENSUS距离。依次计算像点P在所有视差的匹配代价，即得到像点P的匹配代价数组，数组的长度等于候选视差的个数。
步骤3.3.2.4，选取左核线影像的其他像点，重复步骤4.2.1-4.2.3，计算得到左核线影像的所有像点的匹配代价数组，所述左核线影像的所有像点的匹配代价数组为所述左核线影像-右核线影像匹配代价。
计算右核线影像-左核线影像匹配代价的方式与上面描述的计算左核线影像-右核线影像匹配代价的方式类似，在此不再赘述。
左核线影像获取的影像金字塔顶层(分辨率最低层)的匹配代价存储为一个以区域最低高程和最高高程对应视差范围内的匹配代价立方体的形式，立方体的长、宽分别对应影像区域的长、宽，立方体的高等于视差范围，设立方体中某一元素三维坐标为(x，y，z)，则对应匹配代价为左核线影像x行、y列像素的CENSUS变换数字串与视差z对应的右核线影像像素的CENSUS变换数字串间的CENSUS距离。顶层以后的每一层每个像素仅计算以上一层金字塔计算的视差为中心的一定视差范围内的视差对应的CENSUS距离，因此需要存储最小视差、视差范围及每个视差对应的CENSUS距离。
步骤3.4，对所述左核线影像-右核线影像匹配代价和右核线影像-左核线影像匹配代价进行全局优化，以基于不同路径组合和对应平滑模型获取多对视差图；
每个像点P对应搜索范围内的多个候选视差中只有一个视差是正确的，这需要通过步骤3.4的全局优化来确定每个像点的视差。
计算完所述左-右匹配代价和右-左匹配代价后，可以通过两种方法(局部算法和全局优化算法)获取像点的视差，全局优化算法较局部算法鲁棒性更强，有云区域和无云区域在匹配稳定性上对比更加明显，所以对所述左核线影像-右核线影像匹配代价和右核线影像-左核线影像匹配代价进行全局优化。
根据本发明的优选实施例，采用基于消息传播的优化策略，对所述左核线影像-右核线影像匹配代价和右核线影像-左核线影像匹配代价进行全局优化。消息传播的16个方向如图3所示，中心点表示接收消息的像素，周围16个像素表示16个传播来向上最近的像素。对每个像对匹配方向(左核线影像-右核线影像方向和右核线影像-左核线影像方向这两个方向)采用四种消息传播路径组合，分别是：
路径组合1：0、12、1、13；
路径组合2：4、14、5、15；
路径组合3：2、9、3、8；
路径组合4：6、11、7、10。
全局优化匹配方法以全局能量最小化为目标，通常采用如下形式的能量方程：
其中，E(D)表示全局能量大小，D表示整幅影像的“视差图”，q为像素p的相邻像素，Np表示像素p相邻像素的合集。Dp和Dq表示像素p和像素q的视差。C表示像素p在视差为Dp时的左、右核线影像的像素的相似程度，S为平滑项，表示Dp和Dq不同时施加的惩罚。
平滑项模型采用两种(如图4所示)，一种是半全局匹配采用的双参数模型，所谓双参数模型指消息传播来向的像素的某一视差D0与目标像素的某一视差D1差异等于1时在D0对应匹配代价L的基础上施加惩罚参数P1，视差差异大于1时施加惩罚P2，要求P1<P2；另一种是Huber模型，Huber模型是一个渐变模型，假设消息传播来向的像素的某一视差D0与目标像素的某一视差D1差异等于Dx，则施加惩罚PH计算方法为：
其中，a为设置参数，a的大小决定了惩罚参数随视差诧异Dx变化的程度。
对路径组合1和2采用双参数模型，但参数P1、P2的大小不一致，对路径组合3和4采用Huber模型，但具体参数a大小也不一致。
全局优化之后将得到每个像点优化之后的匹配代价L，L的形式与全局数据项C类似，为一个长度等于像点搜索范围Dmax的数组。数组中最小值的序号Dmin(数组下标0，1，…，Dmax-1)加上该像点的最小视差Ds即该像点的视差Dend。该像点列坐标col和视差Dend相加得到右核线影像对应像点列坐标col’，左右准核线影像两个像点行坐标row相同。由左、右准核线影像像点坐标和左、右准核线影像各自RPC进行前方交会可以得到对应的地面坐标(经度L、纬度B和高程H)。前方交会及后续的数据处理不属于本发明内容，本发明只需获取左、右准核线影像每个像点的视差，由于视差有正负，为了便于展示，将视差转换为高程用图5、图6的形式表示。
根据本发明的优选实施例，在步骤3.4中最终获得四对视差图，分别对应前述4种路径组合及其平滑模型对应的视差图，即：
路径组合1及其平滑模型对应得左-右匹配方向视差图和路径组合1及其平滑模型对应得右-左匹配方向视差图；
路径组合2及其平滑模型对应得左-右匹配方向视差图和路径组合2及其平滑模型对应得右-左匹配方向视差图；
路径组合3及其平滑模型对应得左-右匹配方向视差图和路径组合3及其平滑模型对应得右-左匹配方向视差图；
路径组合4及其平滑模型对应得左-右匹配方向视差图和路径组合4及其平滑模型对应得右-左匹配方向视差图。
步骤3.5，基于步骤3.4确定的基于不同路径组合和对应平滑模型获取的多对视差图，初步确定影像中的可疑区域；
步骤3.4获得了不同路径组合(和对应平滑模型)获取的四种结果，就是四对视差图，还没有确定可疑区域，步骤3.5对四种结果进行对比分析并进行处理形成初步的可疑区域。
具体包括：
(1)确定可疑点。左核线影像和右核线影像独立进行四种全局优化，获取各自的四幅视差图，也就是左、右核线影像的每个像点都得到了四个视差值，每个像点四个视差值中的任何两个差异超过0.5个像素，则将该点标记为可疑，用255标记，否则用0标记。最终得到长宽与左、右核线影像相同，用0和255区分的“可疑点影像”。
(2)形成可疑区域。将“可疑点影像”进行膨胀、腐蚀处理，形成可疑区域，可疑区域内的点标记为无效点。
(3)非可疑区域点的匹配结果为四种优化策略得到的四个视差的平均值。
步骤3.6，进行左右匹配一致性检测，将符合左右一致性检测的点标记为有效点，不符合左右一致性检测的点标记为无效点；
步骤3.6进一步确定前面的方法没有识别出的可疑区域，步骤3.6的处理基于步骤3.5的结果进行，步骤3.5进行可疑区域检测后，得到左核线影像和右核线影像各自的视差图(注意左右方向都是一副视差图)。
左核线影像-右核线影像方向及右核线影像-左核线影像方向的匹配完成后，得到初步确定左、右核线影像可疑区域的视差图(视差图与影像是一一对应的，视差图某点可疑，则对应像点可疑)，进行左右匹配结果的一致性检测。
步骤3.6具体包括：
(1)在金字塔的顶层(分辨率最低的层)，左右匹配一致性检测阈值设为固定值(例如，该阈值为1像素)。
(2)顶层以后每一层的左右匹配一致性检测阈值根据上一层匹配结果计算的局部坡度动态设置。坡度计算方法为当前像素视差与上下左右方向间隔2个像素的视差之差绝对值之和。坡度越大，阈值越大，坡度越小，阈值越小，但大小不能超过阈值的上限(如2像素)和下限(如0.5像素)。
(3)将左核线影像像点(xl，yl)根据其视差投射到右核线影像得到右核线影像像点坐标(xr，yr)，其中yr＝yl，将(xr，yr)根据右核线影像该点视差反投射到左核线影像得到坐标(xl’，yl’)，其中yl’＝yl，则评价标准为xl与xl’的差值绝对值是否大于设定的阈值，大于该阈值表明左片像点视差(xl，yl)无效。将不符合左右一致性检测的点标记为无效点。
步骤3.7，基于步骤3.2的纹理分析结果，对步骤3.6确定的视差图有效点和无效点进行碎片过滤；
左右一致性检测完成后，对所有保留的有效点进行坡度计算，坡度计算方法为计算当前有效点视差与上下左右四邻域有效点视差之差，取四个差值绝对值的最大值作为坡度值。坡度大于一定阈值的点设为无效点。所有被无效点包围的点均为碎片。从这个意义上讲，这时所有的有效点都可能是被剔除的碎片点。但随后的剔除过程会综合考虑纹理分析结果和碎片周围的无效区域特点。通过上下、左右及两个斜45度对角方向探测到到无效点的距离之和估计碎片的面积，即每个有效点根据4对探测方向探测到无效点的距离大小确定该碎片的大小。对应某一阈值D，若两个以上对角距离小于D或最小对角距离小于0.2D，则认为该点属于需要剔除的“碎片点”。基于三点考虑进行碎片过滤：
(1)有效点面积测度小于一个较小阈值的“尖刺”将作为小碎片过滤掉；
(2)检测可疑区域类别，确定“较大面积可疑区域”，以某无效点为中心，若在一定区域范围内探测不到有效点，则该点为“较大面积可疑区域”；
(3)确定过滤大碎片的阈值。过滤大碎片时，“大碎片面积阈值”根据是否被“较大面积可疑区域”包裹和是否为纹理缺失区域确定。若被“较大面积可疑区域”包裹且为纹理缺失区域，则“大碎片面积阈值”设为较大值，若被“较大面积可疑区域”包裹且为非纹理缺失区域，则“大碎片面积阈值”设为较小值，若不被“较大面积可疑区域”包裹，则“大碎片面积阈值”设为最小值。
根据本发明的一个优选实施例，碎片过滤的具体方法可以为：以所有有效点为中心向8邻域方向探测无效点，探测最大距离为前面所述的方法确定的阈值，若8个方向均可以检测到“较大面积可疑区域”点，则该有效点是需要剔除的碎片点。
步骤3.8，将经碎片过滤后的所有无效点对应的区域确定为当前层最终的可疑区域。
通过本发明提出的上述方法，本发明具有以下优点：
(1)可以实现高效的厚云自动检测和剔除，后续生成数字表面模型(Digitalsurface model,DSM)环节不受厚云干扰，从而可以获取如图7所示的“干净”的DSM。
(2)可以实现高效的遮挡区域检测，如图6所示的门的边缘部分存在视差跳变，即存在遮挡，视差图中门边缘的黑色部分即检测出的遮挡区域，可以看出遮挡区域内部没有发现没去干净的碎片，遮挡区域的边缘与图中实物的边缘吻合很好。
(3)可以实现高效的大面积水域检测，如图8所示，左边两图分别是包含大面积河流、湖泊的影像，右图是对应DSM，白色区域是检测的可疑区域(无效值)。
(4)可以实现高效的无纹理阴影区域检测，如图9所示，左图影像包含大量的山体阴影，右图是对应DSM，白色区域是检测的可疑区域(无效值)。
以上内容仅为本发明的较佳实施例，对于本领域的普通技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种立体测绘卫星影像匹配可疑区域自动检测方法，其特征在于，所述方法包括以下步骤：
步骤1，生成立体影像的核线立体影像对，所述核线立体影像对包括左核线影像和右核线影像；
步骤2，读取所述核线立体影像对，并通过对所述核线立体影像对的左核线影像和右核线影像分别进行小波变换，建立所述左核线影像和右核线影像的各自的影像金字塔；其中，所述影像金字塔包括多层金字塔影像，原始读取的左核线影像和右核线影像为第一层金字塔影像，经小波变换后得到的第二层及第二层以上的金字塔影像均包括一个影像区域和三个纹理区域；
步骤3：对于顶层以下的每一层影像金字塔的左核线影像和右核线影像，逐层确定所述左核线影像和右核线影像中的可疑区域。
2.根据权利要求1所述的方法，其特征在于，采用投影轨迹法生成立体影像的核线立体影像对。
3.根据权利要求1所述的方法，其特征在于，步骤2中的小波变换的过程具体包括：将第i层金字塔影像作为原核线影像，对所述第i层金字塔影像进行小波变换，得到第i+1层核线影像，i为大于1的整数，其中，所述第i+1层核线影像包括左上、右上、左下、右下四个区域的影像，其中，左上区域的影像为影像区域，其包含长宽均为原核线影像二分之一的缩小影像，右上、左下和右下这三个区域为纹理区域，其包含了原核线影像的纹理信息。
4.根据权利要求3所述的方法，其特征在于，根据下式计算小波变换后的影像区域第k行j列的灰度G0(j,k)，右上纹理区域第k行，W/2+j列的灰度G1(W/2+j,k)，左下纹理区域第H/2+k行，j列的灰度G2(j,H/2+k)，右下纹理区域第H/2+k行，W/2+j列的灰度G3(W/2+j,H/2+k)：
<mrow>
<msub>
<mi>G</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>3</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>C</mi>
<mi>u</mi>
</msub>
<msub>
<mi>C</mi>
<mi>v</mi>
</msub>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>+</mo>
<mn>2</mn>
<mi>j</mi>
<mo>,</mo>
<mi>H</mi>
<mo>-</mo>
<mi>u</mi>
<mo>-</mo>
<mn>2</mn>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>G</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>/</mo>
<mn>2</mn>
<mo>+</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>3</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>C</mi>
<mi>u</mi>
</msub>
<msub>
<mi>D</mi>
<mi>v</mi>
</msub>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>+</mo>
<mn>2</mn>
<mi>j</mi>
<mo>,</mo>
<mi>H</mi>
<mo>-</mo>
<mi>u</mi>
<mo>-</mo>
<mn>2</mn>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>G</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<mi>H</mi>
<mo>/</mo>
<mn>2</mn>
<mo>+</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>3</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>D</mi>
<mi>u</mi>
</msub>
<msub>
<mi>C</mi>
<mi>v</mi>
</msub>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>+</mo>
<mn>2</mn>
<mi>j</mi>
<mo>,</mo>
<mi>H</mi>
<mo>-</mo>
<mi>u</mi>
<mo>-</mo>
<mn>2</mn>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>G</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>/</mo>
<mn>2</mn>
<mo>+</mo>
<mi>j</mi>
<mo>,</mo>
<mi>H</mi>
<mo>/</mo>
<mn>2</mn>
<mo>+</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>3</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>D</mi>
<mi>u</mi>
</msub>
<msub>
<mi>D</mi>
<mi>v</mi>
</msub>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>+</mo>
<mn>2</mn>
<mi>j</mi>
<mo>,</mo>
<mi>H</mi>
<mo>-</mo>
<mi>u</mi>
<mo>-</mo>
<mn>2</mn>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Cu、Cv和Du、Dv分别为小波变换所使用的低通滤波器和高通滤波器的系数，H、W分别为小波变换前的原核线立体影像的长和宽。
5.根据权利要求1所述的方法，其特征在于，步骤3具体包括以下子步骤：
步骤3.1，获取当前层左、右核线影像的视差初值，所述视差初值用于确定当前层左核线影像和右核线影像中的每个像点的视差搜索起点和搜索范围；
步骤3.2，对当前层小波变换后得到的纹理区域进行纹理分析，确定纹理缺失点和非纹理缺失点；
步骤3.3，基于步骤3.2确定的每个像点的视差搜索起点和搜索范围，计算左核线影像-右核线影像匹配代价和右核线影像-左核线影像匹配代价；
步骤3.4，对所述左核线影像-右核线影像匹配代价和右核线影像-左核线影像匹配代价进行全局优化，以基于不同路径组合和对应平滑模型获取多对视差图，
步骤3.5，基于步骤3.4确定的基于不同路径组合和对应平滑模型获取的四对视差图，初步确定影像中的可疑区域；
步骤3.6，进行左右匹配一致性检测，将符合左右一致性检测的点标记为有效点，不符合左右一致性检测的点标记为无效点；
步骤3.7，基于步骤3.2的纹理分析结果，对步骤3.6确定的视差图有效点和无效点进行碎片过滤；
步骤3.8，将经碎片过滤后的所有无效点对应的区域确定为当前层最终的可疑区域。
6.根据权利要求5所述的方法，其特征在于，步骤3.2具体包括以下子步骤：
步骤3.2.1，将小波变换后得到的三个纹理区域叠加后形成一幅二值图，用0代表有纹理，255代表无纹理；
步骤3.2.2，对该二值图作膨胀处理后，确定纹理缺失点和非纹理缺失点。
7.根据权利要求5所述的方法，其特征在于，步骤3.3具体包括以下子步骤：
步骤3.3.1，对通过步骤1获得的左核线影像和右核线影像进行CENSUS变换，获得左核线影像和右核线影像的每个像点的CENSUS值；
步骤3.3.2，基于步骤3.3.1计算的每个像点的CENSUS值，计算左核线影像-右核线影像匹配代价和右核线影像-左核线影像匹配代价。
8.根据权利要求7所述的方法，其特征在于，步骤3.3.2中的“计算左核线影像-右核线影像匹配代价”具体包括以下子步骤：
步骤3.3.2.1，选取左核线影像的一个像点P，并确定所述左核线影像的像点P在视差搜索范围内的n个候选视差D1，D2，…Dn(n为大于1的整数)；
步骤3.3.2.2，确定所述像点P的每个候选视差D1，D2，…Dn对应的右核线影像的像点P1’，P2’，…，Pn’；
步骤3.3.2.3，分别计算所述左核线影像的像点p的CENSUS值和所述右核线影像的像点P1’，P2’，…，Pn’中的每个像点的CENSUS值之间的距离值，将计算得到的n个距离值组成的数组记为像点P的匹配代价数组；
步骤3.3.2.4，选取左核线影像的其他像点，重复步骤3.2.1-3.2.3，计算得到左核线影像的所有像点的匹配代价数组，所述左核线影像的所有像点的匹配代价数组为所述左核线影像-右核线影像匹配代价。
9.一种计算机程序，当由处理器执行所述计算机程序时，执行上述任一权利要求所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当由处理器执行所述计算机程序时，执行上述任一权利要求所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710277125.2A CN107103610B (zh) | 2017-04-25 | 2017-04-25 | 立体测绘卫星影像匹配可疑区域自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710277125.2A CN107103610B (zh) | 2017-04-25 | 2017-04-25 | 立体测绘卫星影像匹配可疑区域自动检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107103610A true CN107103610A (zh) | 2017-08-29 |
| CN107103610B CN107103610B (zh) | 2019-12-17 |
Family
ID=59657150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710277125.2A Active CN107103610B (zh) | 2017-04-25 | 2017-04-25 | 立体测绘卫星影像匹配可疑区域自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107103610B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108592884A (zh) * | 2018-04-24 | 2018-09-28 | 武汉大学 | 一种通用线阵卫星核线影像生成方法 |
| CN108846436A (zh) * | 2018-06-13 | 2018-11-20 | 武汉朗视软件有限公司 | 一种多影像立体匹配方法 |
| CN110910438A (zh) * | 2018-09-17 | 2020-03-24 | 中国科学院沈阳自动化研究所 | 一种超高分辨率双目图像的高速立体匹配算法 |
| CN112559534A (zh) * | 2020-12-24 | 2021-03-26 | 山东省国土测绘院 | 一种遥感影像数据归档管理***及方法 |
| CN112765095A (zh) * | 2020-12-24 | 2021-05-07 | 山东省国土测绘院 | 一种立体测绘卫星影像数据归档方法和*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104680151A (zh) * | 2015-03-12 | 2015-06-03 | 武汉大学 | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 |
| CN105303535A (zh) * | 2015-11-15 | 2016-02-03 | 中国人民解放军空军航空大学 | 基于小波变换的全球剖分金字塔模型 |
| CN105956058A (zh) * | 2016-04-27 | 2016-09-21 | 东南大学 | 一种采用无人机遥感影像的变化用地快速发现方法 |
| CN106023147A (zh) * | 2016-05-06 | 2016-10-12 | 西安航天天绘数据技术有限公司 | 一种基于gpu的线阵遥感影像dsm快速提取方法 |
-
2017
- 2017-04-25 CN CN201710277125.2A patent/CN107103610B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104680151A (zh) * | 2015-03-12 | 2015-06-03 | 武汉大学 | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 |
| CN105303535A (zh) * | 2015-11-15 | 2016-02-03 | 中国人民解放军空军航空大学 | 基于小波变换的全球剖分金字塔模型 |
| CN105956058A (zh) * | 2016-04-27 | 2016-09-21 | 东南大学 | 一种采用无人机遥感影像的变化用地快速发现方法 |
| CN106023147A (zh) * | 2016-05-06 | 2016-10-12 | 西安航天天绘数据技术有限公司 | 一种基于gpu的线阵遥感影像dsm快速提取方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108592884A (zh) * | 2018-04-24 | 2018-09-28 | 武汉大学 | 一种通用线阵卫星核线影像生成方法 |
| CN108846436A (zh) * | 2018-06-13 | 2018-11-20 | 武汉朗视软件有限公司 | 一种多影像立体匹配方法 |
| CN110910438A (zh) * | 2018-09-17 | 2020-03-24 | 中国科学院沈阳自动化研究所 | 一种超高分辨率双目图像的高速立体匹配算法 |
| CN110910438B (zh) * | 2018-09-17 | 2022-03-22 | 中国科学院沈阳自动化研究所 | 一种超高分辨率双目图像的高速立体匹配算法 |
| CN112559534A (zh) * | 2020-12-24 | 2021-03-26 | 山东省国土测绘院 | 一种遥感影像数据归档管理***及方法 |
| CN112765095A (zh) * | 2020-12-24 | 2021-05-07 | 山东省国土测绘院 | 一种立体测绘卫星影像数据归档方法和*** |
| CN112559534B (zh) * | 2020-12-24 | 2021-11-26 | 山东省国土测绘院 | 一种遥感影像数据归档管理***及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107103610B (zh) | 2019-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107103610A (zh) | 立体测绘卫星影像匹配可疑区域自动检测方法 | |
| CN111860336A (zh) | 基于位置感知的高分辨遥感图像倾斜船舶目标检测方法 | |
| CN111797836B (zh) | 一种基于深度学习的地外天体巡视器障碍物分割方法 | |
| CN108171249B (zh) | 一种基于rgbd数据的局部描述子学习方法 | |
| CN105335952B (zh) | 匹配代价计算方法和装置、以及视差值计算方法和设备 | |
| CN109470149A (zh) | 一种管路位姿的测量方法及装置 | |
| CN102903111B (zh) | 基于图像分割的大面积低纹理区立体匹配算法 | |
| CN112163588A (zh) | 基于智能进化的异源图像目标检测方法、存储介质及设备 | |
| CN110322403A (zh) | 一种基于生成对抗网络的多监督图像超分辨重建方法 | |
| CN107203759A (zh) | 一种基于两视图几何的分行递归式道路重构算法 | |
| CN110458812A (zh) | 一种基于颜色描述及稀疏表达的类圆形水果缺陷检测方法 | |
| CN112630469A (zh) | 一种基于结构光和多光场相机的三维检测方法 | |
| CN114067075A (zh) | 基于生成对抗网络的点云补全方法及装置 | |
| CN116279592A (zh) | 一种用于无人物流车的可行驶区域划分方法 | |
| CN114820541A (zh) | 基于重构网络的缺陷检测方法 | |
| CN110956601A (zh) | 一种基于多传感器样态系数的红外图像融合方法和装置以及计算机可读存储介质 | |
| CN114119437A (zh) | 一种基于gms的用于改善运动物体畸变的图像拼接方法 | |
| CN110717910B (zh) | 基于卷积神经网络的ct图像目标检测方法及ct扫描仪 | |
| CN117351078A (zh) | 基于形状先验的目标尺寸与6d姿态估计方法 | |
| CN117132651A (zh) | 一种融合彩色图像和深度图像的三维人体姿态估计方法 | |
| CN116091762A (zh) | 一种基于rgbd数据和视锥体的三维目标检测方法 | |
| CN115496998A (zh) | 一种遥感影像码头目标检测方法 | |
| CN110717471B (zh) | 基于支持向量机模型b超图像目标检测方法及b超扫描仪 | |
| CN107194334A (zh) | 基于光流模型的视频卫星影像密集匹配方法及*** | |
| Onmek et al. | Evaluation of underwater 3D reconstruction methods for Archaeological Objects: Case study of Anchor at Mediterranean Sea |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100048 No. 28 Lianhuachi West Road, Haidian District, Beijing Applicant after: Ministry of Natural Resources Land Satellite Remote Sensing Application Center Address before: 100048 No. 28 Lianhuachi West Road, Haidian District, Beijing Applicant before: Satellite Surveying and Mapping Application Center, NASG |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |