CN113096047B - 广义云驱动与辐射协同遥感影像几何精校正方法及*** - Google Patents
广义云驱动与辐射协同遥感影像几何精校正方法及*** Download PDFInfo
- Publication number
- CN113096047B CN113096047B CN202110445888.XA CN202110445888A CN113096047B CN 113096047 B CN113096047 B CN 113096047B CN 202110445888 A CN202110445888 A CN 202110445888A CN 113096047 B CN113096047 B CN 113096047B
- Authority
- CN
- China
- Prior art keywords
- image
- generalized
- correction
- cloud
- geometric
- 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 77
- 238000012937 correction Methods 0.000 title claims abstract description 72
- 230000005855 radiation Effects 0.000 title claims abstract description 23
- 239000012530 fluid Substances 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000004800 variational method Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008571 general function Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 101100126955 Arabidopsis thaliana KCS2 gene Proteins 0.000 claims description 2
- 241000132023 Bellis perennis Species 0.000 claims description 2
- 235000005633 Chrysanthemum balsamita Nutrition 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 claims 1
- 238000009499 grossing Methods 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012958 reprocessing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种广义云驱动与辐射协同遥感影像几何精校正方法及***,首先获取待校正影像的“广义云”控制信息;其次获取影像间多元特征几何对应关系,定位定姿,进行空三平差和正射校正,完成全局几何校正;然后划分局部几何校正区域;对于山体局部区域校正,协同地形属性,进行密集匹配和三维点云正射校正;协同辐射属性对于广义流体局部区域校正,基于广义点法进行影像配准,运用流体配准模型再次精校正优化;完成局部几何校正后,最后得到几何精校正结果。本发明在广义云驱动下,协同几何与辐射、属性等控制信息,考虑全局和局部区域,综合历史大数据与衍生数据构成广义云控制,可处理广义流体校正并实现遥感影像几何精校正。
Description
技术领域
本发明属于遥感数据预处理技术领域,涉及一种遥感影像几何精校正方法及***,具体涉及一种广义云驱动与辐射协同下,考虑全局和局部区域,可处理广义流体的遥感影像几何精校正的方法及***。
背景技术
遥感影像几何校正是遥感信息处理的重要内容之一。遥感影像在成像过程中,由于地球曲率和自转、地形起伏、大气折光等原因产生几何畸变,对影像变形需进行几何校正。云控制摄影测量利用已有的空间数据作为控制信息,并将其应用于影像处理过程中。
当前的几何校正方法存在以下问题:
(1)在现有的云控制方法中,几何校正仅从全局考虑了几何控制信息,未协同辐射和地物分类等属性信息对特殊的局部区域(山体和流体)进行几何精校正;
(2)传统的正射校正方法对广义流体区域(水体、投影错位但未发生真实变化的山体等)校正效果不佳。
发明内容
为了解决上述技术问题,本发明提供了一种广义云驱动与辐射协同下,考虑全局和局部区域,可处理广义流体的遥感影像几何精校正的方法及***。
本发明的方法所采用的技术方案是:一种广义云驱动与辐射协同遥感影像几何精校正方法,包括以下步骤:
步骤1:对待校正影像,获取“云”提供的控制信息,包括DOM参考影像数据、参考影像对应的DLG矢量广义云控制线和DEM数据;
步骤2:对待校正影像进行全局几何校正;
步骤2.1:获取待校正影像与参考影像间的多元特征几何对应关系;
步骤2.2:待校正影像定位定姿;
步骤2.3:判断待校正影像是否为多视立体影像;若是,则进行空三平差;若否,则直接执行步骤2.4;
步骤2.4:待校正影像进行正射校正;
步骤3:对待校正影像进行局部几何校正;
步骤3.1:划分局部几何校正区域;
步骤3.2:利用广义云控DEM数据与DOM参考影像,协同地形属性驱动山体局部区域校正;
步骤3.3:利用DLG广义云控制线,协同辐射驱动广义流体局部区域校正。
本发明的***采用的技术方案是:一种广义云驱动与辐射协同遥感影像几何精校正***,包括以下模块:
模块1,用于对待校正影像,获取“云”提供的控制信息,包括DOM参考影像数据、参考影像对应的DLG矢量广义云控制线和DEM数据;
模块2,用于对待校正影像进行全局几何校正;
包括以下子模块:
模块2.1,用于获取待校正影像与参考影像间的多元特征几何对应关系;
模块2.2,用于待校正影像定位定姿;
模块2.3:判断待校正影像是否为多视立体影像;若是,则进行空三平差;若否,则直接执行模块2.4;
模块2.4,用于待校正影像进行正射校正;
模块3,用于对待校正影像进行局部几何校正;
包括以下子模块:
模块3.1,用于划分局部几何校正区域;
模块3.2,用于利用广义云控DEM数据与DOM参考影像,协同地形属性驱动山体局部区域校正;
模块3.3,用于利用DLG广义云控制线,协同辐射驱动广义流体局部区域校正。
本发明取得有益效果包括:广义云驱动与辐射协同遥感影像几何精校正方法协同几何控制信息、辐射及属性控制信息,考虑全局及局部区域空间,综合历史数据与衍生数据(目标数据再处理结果),具有信息完整性、空间(尺度)一致性、时间连续性。本发明的广义流体校正可用于处理水体和发生影像变形的山体等广义流体区域。
附图说明
图1是本发明实施例的方法流程图。
图2是本发明实施例的山体校正示意图,(a)为影像为参考影像,(b)为影像为待校正影像,(c)为影像为经过山体校正后的结果影像。
图3是本发明实施例的广义流体校正示意图,(a)为影像为参考影像,(b)为影像为待校正影像,(c)为影像为经过广义流体校正后的结果影像。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,本发明提供的一种广义云驱动与辐射协同遥感影像几何精校正方法,包括以下步骤:
步骤1:对待校正影像,获取“云”提供的DOM参考影像数据、参考影像对应的DLG矢量广义云控制线及DEM数据作为控制信息;
步骤2:对待校正影像进行全局几何校正;
步骤2.1:获取待校正影像与参考影像间的多元特征几何对应关系。提出采用基于点的深度卷积神经网(Point-based Deep Convolutional Network,PBDCNN)同时学习训练Harris、Forstner、ASIFT、ORB、FAST、SURF、BRISK、DAISY等算子的特征点提取与匹配,从而实现待校正影像与参考影像的特征点匹配;对线特征,采用基于线的深度卷积神经网(Line-based Deep Convolutional Network,LBDCNN)学习训练LSD算子的特征线提取和匹配,将广义云控制线套合在参考影像上,采用训练好的LBDCNN匹配待校正影像的特征线与广义云中参考影像的控制线;对于面特征,将控制面转化为广义云控制线并根据上述线特征方法进一步匹配,也可以建立基于面的深度卷积神经网(Object-based DeepConvolutional Network,OBDCNN);上述过程产生的误匹配利用BaySAC(Bayesian sampleconsensus)自动剔除。
步骤2.2:待校正影像定位定姿。
将步骤2.1产生的参考影像的控制点、线、面与DEM(或DSM)数据套合,得到待校正影像的三维控制信息;然后,根据成像原理采用共线方程(CEM,Collinear EquationModel)或有理多项式(RPC,Rational Polynomial Coefficients)几何校正模型,基于广义点摄影测量原理解算对应模型中的几何参数,获得位姿信息。对求解过程中的粗差采用BaySAC进行剔除、偶然误差采用WTLS(weighted total least squares)算法、***误差构建相机畸变模型或者傅里叶多项式进行补偿、模型误差及病态问题通过假设检验剔除过参数化系数进行控制。
步骤2.3:判断待校正影像是否为多视立体影像。
在待校正影像为多视立体影像的情况下,采用基于广义点方程的自检校光束法平差实现多张影像的联合平差优化,其中广义点方程根据特征线的角度的绝对值(大于或小于45°)选择x或者y方向一个方程,线性化展开后采用基于Levenberg-Marquardt(LM)算法的WTLS进行迭代优化;
步骤2.4:待校正影像进行正射校正。
以线阵影像为例,基于RPC的间接法进行数字微分纠正,即正射校正,校正方程如下:
其中,(x,y)为影像坐标,(P,L,H)为三维坐标,ai,bi,ci,di(i=0,1,2,…,19)为RPC参数的系数。b0=d0=1。事实上,对于地形起伏大的山体或者水体(匹配点稀疏),即使采用正射校正效果也未必好,故需对这些局部区域再进行精细校正。
步骤3:对待校正影像进行局部几何校正;
步骤3.1:划分局部几何校正区域;
(1)利用广义云控数据中已有的LULC和DEM数据,将待校正影像光谱信息,通过机器学习获得待校正影像的图斑属性;然后,协同辐射属性排除前后时期图斑属性不一致的地物真实变化区域,如洪灾、大面积干旱等;
(2)提取地形不变的山体局部区域;
依据地形属性判断:
RDLS=(max(H)-min(H))×(1-P(A)/A)/500
其中,RDLS为地形起伏度,max(H)和min(H)分别为区域内的最高与最低海拔,P(A)为区域内的平地面积,A为区域总面积;
或者R(H)=max(H)-min(H)
其中,R(H)为基本单元区域H的地形起伏度,max(H)和min(H)分别为区域内最高与最低高程值;
(3)提取广义流体局部区域,对参考历史数据并排除真实变化区域后的区域进行地物分类,依据分类图斑属性提取水域等广义流体和未发生真实变化但因投影差导致影像错位的山体区域。
步骤3.2:利用广义云控DEM数据与DOM参考影像,协同地形属性驱动山体局部区域校正;
(1)采用半整体全局法(Semi-Global Matching,SGM),借助影像互信息作为匹配测度进行密集匹配;过程如下:
1、通过空三或广义云控数据获取定向几何参数;建立几何约束,校正立体像对;
2、基于物方面元进行匹配;对多视影像直接生成点云,对单像利用广义云控DOM及DEM影像作为物方控制获得三维信息;基于互信息熵,采用SGM法计算和聚合匹配代价,逐像素得到视差,进行一致性检查并获取影像同名点信息;
3、前方交会优化,生成三维点云,根据变分法再次平滑优化点云;通过滤波剔除异常点云,并沿法向量调整点云三维位置以获得更精细的高精度点云结果,构建变分法构建能量泛函数E1(S)和E2(S);
E1(S)=Evis(S,P,v)+λqualEqual(S);
其中,P表示点云,S为物体表面,v表示向量场;E1(S)用于剔除异常点云,Evis(S)表示能见度,Equal(S)表示简单表面质量,λqual为其系数;E2(S)用于优化点云位置,Eerror(S)为重投影误差能量,Efair(S)为正则化项(曲面光顺能量);表示影像Ij通过s反投影到影像Ii,表示反投影定义的区域,h(I,J)(x)表示像素x在影像I和J的一致性降调函数;κ1和κ2为曲面主曲率,λ为正则化(约束项)项系数。
(3)对生成的三维点云进行高精度正射校正,生成真正射影像图。
步骤3.3:利用DLG广义云控制线,协同辐射驱动广义流体局部区域校正。
(1)根据广义点法配准广义云控制线与待校正影像;经过步骤2全局几何校正后,广义云控制线与待校正影像套合;对待校正影像,采用Harris法提取特征点,采用LSD法提取特征线,并基于广义点法进行配准;
(2)对广义点配准后的残差,运用广义流体配准方法再次配准优化并完成校正;配准方法分为基于空间变换(样条函数法、多项式和基函数法)和基于物理模型(粘性流体模型、弹性模型、光流场模型)的方法,对以上方法采用RMSE均方根误差进行性能评估及优选,最后配准;
其中,k次B样条曲线表达式如下:
上式中,n阶B样条曲线包含变量u的分段多项式函数,定义了n+1个控制点,Pi为构造B样条曲线的n+1个控制点,Ni,k(u)为次数是k的多项式基函数。
请见图2,为本实施例的广义流体校正中山体示意图:矢量线为广义云控制线,(a)影像为参考影像,(b)影像为待校正影像,(c)影像为经过山体校正后的结果影像。请见图2,发生投影错位但未发生真实变化的山体区域经广义流体校正后与广义云控制线更加吻合。
请见图3,为本实施例的广义流体校正中流体示意图:矢量线为广义云控制线,(a)影像为参考影像,(b)影像为待校正影像,(c)影像为经过广义流体校正后的结果影像。请见图3,流体区域经广义流体校正后与广义云控制线更加吻合。
本发明相对于现有技术,具备以下区别:
(1)已有云控制方法未考虑辐射、分类等信息,本发明的广义云控制方法协同几何控制信息、辐射及属性控制信息,考虑全局及局部区域空间,综合历史数据与衍生数据(目标数据再处理结果),提出具有信息完整性、空间(尺度)一致性、时间连续性的广义云控制遥感影像几何精校正方法。
(2)已有几何校正方法(刚性校正等)不适用于水体和发生影像变形的山体等特殊区域,本发明的广义流体校正方法可解决上述问题。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (7)
1.一种广义云驱动与辐射协同遥感影像几何精校正方法,其特征在于,包括以下步骤:
步骤1:对待校正影像,获取“云”提供的控制信息,包括DOM参考影像数据、参考影像对应的DLG矢量广义云控制线和DEM数据;
步骤2:对待校正影像进行全局几何校正;
步骤2.1:获取待校正影像与参考影像间的多元特征几何对应关系;
步骤2.2:待校正影像定位定姿;
步骤2.3:判断待校正影像是否为多视立体影像;若是,则进行空三平差;若否,则直接执行步骤2.4;
步骤2.4:待校正影像进行正射校正;
步骤3:对待校正影像进行局部几何校正;
步骤3.1:划分局部几何校正区域;
步骤3.2:利用广义云控DEM数据与DOM参考影像,协同地形属性驱动山体局部区域校正;
步骤3.2的具体实现包括以下子步骤:
步骤3.2.1:采用半整体全局法,借助影像互信息作为匹配测度进行密集匹配;过程如下:
(1)通过空三或广义云控数据获取定向几何参数;建立几何约束,校正立体像对;
(2)基于物方面元进行匹配;对多视影像直接生成点云,对单像利用广义云控DOM及DEM影像作为物方控制获得三维信息;基于互信息熵,采用SGM法计算和聚合匹配代价,逐像素得到视差,进行一致性检查并获取影像同名点信息;
(3)前方交会优化,生成三维点云,根据变分法再次平滑优化点云;通过滤波剔除异常点云,并沿法向量调整点云三维位置以获得更精细的高精度点云结果,构建变分法构建能量泛函数E1(S)和E2(S);
E1(S)=Evis(S,P,v)+λqualEqual(S);
其中,P表示点云,S为物体表面,v表示向量场;E1(S)用于剔除异常点云,Evis(S)表示能见度,Equal(S)表示简单表面质量,λqual为其系数;E2(S)用于优化点云位置,Eerror(S)为重投影误差能量,Efair(S)为正则化项;表示影像Ij通过S反投影到影像Ii,表示反投影定义的区域,h(I,J)(x)表示像素x在影像I和J的一致性降调函数;κ1和κ2为曲面主曲率,λ为正则化项系数;
步骤3.2.2:对生成的三维点云进行高精度正射校正,生成真正射影像图;
步骤3.3:利用DLG广义云控制线,协同辐射驱动广义流体局部区域校正;
步骤3.3的具体实现包括以下子步骤:
步骤3.3.1:根据广义点法配准广义云控制线与待校正影像;经过步骤2全局几何校正后,广义云控制线与待校正影像套合;对待校正影像,采用Harris法提取特征点,采用LSD法提取特征线,并基于广义点法进行配准;
步骤3.3.2:对广义点配准后的残差,运用广义流体配准方法再次配准优化并完成校正;配准方法分为基于空间变换和基于物理模型的方法,对以上方法采用RMSE均方根误差进行性能评估及优选,最后配准;
其中,k次B样条曲线表达式如下:
上式中,n阶B样条曲线包含变量u的分段多项式函数,定义了n+1个控制点,Pi为构造B样条曲线的n+1个控制点,Ni,k(u)为次数是k的多项式基函数。
2.根据权利要求1所述的广义云驱动与辐射协同遥感影像几何精校正方法,其特征在于:步骤2.1中,采用基于点的深度卷积神经网PBDCNN同时学习训练Harris、Forstner、ASIFT、ORB、FAST、SURF、BRISK和DAISY算子的特征点提取与匹配,从而实现待校正影像与参考影像的特征点匹配;对线特征,采用基于线的深度卷积神经网LBDCNN学习训练LSD算子的特征线提取和匹配,将广义云控制线套合在参考影像上,采用训练好的LBDCNN匹配待校正影像的特征线与广义云中参考影像的控制线;对于面特征,将控制面转化为广义云控制线并根据上述线特征方法进一步匹配,或建立基于面的深度卷积神经网OBDCNN;上述过程产生的误匹配利用BaySAC自动剔除。
3.根据权利要求1所述的广义云驱动与辐射协同遥感影像几何精校正方法,其特征在于:步骤2.2中,将步骤2.1产生的参考影像的控制点、线、面与DEM数据或DSM数据套合,得到待校正影像的三维控制信息;然后,根据成像原理采用共线方程或有理多项式几何校正模型,基于广义点摄影测量原理解算对应模型中的几何参数,获得位姿信息;对求解过程中的粗差采用BaySAC进行剔除、偶然误差采用WTLS算法、***误差构建相机畸变模型或者傅里叶多项式进行补偿、模型误差及病态问题通过假设检验剔除过参数化系数进行控制。
4.根据权利要求1所述的广义云驱动与辐射协同遥感影像几何精校正方法,其特征在于:步骤2.3中,采用基于广义点方程的自检校光束法平差实现多张影像的联合平差优化,其中广义点方程根据特征线的角度的绝对值选择x或者y方向一个方程,线性化展开后采用基于Levenberg-Marquardt算法的WTLS进行迭代优化。
6.根据权利要求1所述的广义云驱动与辐射协同遥感影像几何精校正方法,其特征在于,步骤3.1的具体实现包括以下子步骤:
步骤3.1.1:利用广义云控数据中已有的LULC和DEM数据,将待校正影像光谱信息,通过机器学习获得待校正影像的图斑属性;然后协同辐射属性排除前后时期图斑属性不一致的地物真实变化区域;
步骤3.1.2:提取地形不变的山体局部区域;
依据地形属性判断:
RDLS=(max(H)-min(H))×(1-P(A)/A)/500
其中,RDLS为地形起伏度,max(H)和min(H)分别为区域内的最高与最低海拔,P(A)为区域内的平地面积,A为区域总面积;
或者R(H)=max(H)-min(H)
其中,R(H)为基本单元区域H的地形起伏度,max(H)和min(H)分别为区域内最高与最低高程值;
步骤3.1.3:提取广义流体局部区域,对参考历史数据并排除真实变化区域后的区域进行地物分类,依据分类图斑属性提取广义流体和未发生真实变化但因投影差导致影像错位的山体区域。
7.一种广义云驱动与辐射协同遥感影像几何精校正***,其特征在于,包括以下模块:
模块1,用于对待校正影像,获取“云”提供的控制信息,包括DOM参考影像数据、参考影像对应的DLG矢量广义云控制线和DEM数据;
模块2,用于对待校正影像进行全局几何校正;
包括以下子模块:
模块2.1,用于获取待校正影像与参考影像间的多元特征几何对应关系;
模块2.2,用于待校正影像定位定姿;
模块2.3,判断待校正影像是否为多视立体影像;若是,则进行空三平差;若否,则直接执行模块2.4;
模块2.4,用于待校正影像进行正射校正;
模块3,用于对待校正影像进行局部几何校正;
包括以下子模块:
模块3.1,用于划分局部几何校正区域;
模块3.2,用于利用广义云控DEM数据与DOM参考影像,协同地形属性驱动山体局部区域校正;
包括以下子模块:
子模块3.2.1,用于采用半整体全局法,借助影像互信息作为匹配测度进行密集匹配;过程如下:
(1)通过空三或广义云控数据获取定向几何参数;建立几何约束,校正立体像对;
(2)基于物方面元进行匹配;对多视影像直接生成点云,对单像利用广义云控DOM及DEM影像作为物方控制获得三维信息;基于互信息熵,采用SGM法计算和聚合匹配代价,逐像素得到视差,进行一致性检查并获取影像同名点信息;
(3)前方交会优化,生成三维点云,根据变分法再次平滑优化点云;通过滤波剔除异常点云,并沿法向量调整点云三维位置以获得更精细的高精度点云结果,构建变分法构建能量泛函数E1(S)和E2(S);
E1(S)=Evis(S,P,v)+λqualEqual(S);
其中,P表示点云,S为物体表面,v表示向量场;E1(S)用于剔除异常点云,Evis(S)表示能见度,Equal(S)表示简单表面质量,λqual为其系数;E2(S)用于优化点云位置,Eerror(S)为重投影误差能量,Efair(S)为正则化项;表示影像Ij通过S反投影到影像Ii,表示反投影定义的区域,h(I,J)(x)表示像素x在影像I和J的一致性降调函数;κ1和κ2为曲面主曲率,λ为正则化项系数;
子模块3.2.2,用于对生成的三维点云进行高精度正射校正,生成真正射影像图;
模块3.3,用于利用DLG广义云控制线,协同辐射驱动广义流体局部区域校正;
包括以下子模块:
子模块3.3.1,用于根据广义点法配准广义云控制线与待校正影像;经过模块2全局几何校正后,广义云控制线与待校正影像套合;对待校正影像,采用Harris法提取特征点,采用LSD法提取特征线,并基于广义点法进行配准;
子模块3.3.2,用于对广义点配准后的残差,运用广义流体配准方法再次配准优化并完成校正;配准方法分为基于空间变换和基于物理模型的方法,对以上方法采用RMSE均方根误差进行性能评估及优选,最后配准;
其中,k次B样条曲线表达式如下:
上式中,n阶B样条曲线包含变量u的分段多项式函数,定义了n+1个控制点,Pi为构造B样条曲线的n+1个控制点,Ni,k(u)为次数是k的多项式基函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110445888.XA CN113096047B (zh) | 2021-04-25 | 2021-04-25 | 广义云驱动与辐射协同遥感影像几何精校正方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110445888.XA CN113096047B (zh) | 2021-04-25 | 2021-04-25 | 广义云驱动与辐射协同遥感影像几何精校正方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113096047A CN113096047A (zh) | 2021-07-09 |
CN113096047B true CN113096047B (zh) | 2022-04-29 |
Family
ID=76680039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110445888.XA Active CN113096047B (zh) | 2021-04-25 | 2021-04-25 | 广义云驱动与辐射协同遥感影像几何精校正方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096047B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115344813B (zh) * | 2022-08-25 | 2023-07-11 | 珠江水利委员会珠江水利科学研究院 | 一种基于阴影的山体高度反演方法 |
CN117152361B (zh) * | 2023-10-26 | 2024-01-30 | 天津市滨海新区气象局(天津市滨海新区气象预警中心) | 一种基于注意力机制的遥感影像能见度估计方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101404640B1 (ko) * | 2012-12-11 | 2014-06-20 | 한국항공우주연구원 | 영상 매칭 방법 및 이를 수행하는 시스템 |
CN104050643B (zh) * | 2014-06-18 | 2016-09-28 | 华中师范大学 | 遥感影像几何与辐射一体化相对校正方法及*** |
CN105242247B (zh) * | 2015-09-08 | 2018-02-13 | 首都师范大学 | 一种改进的地形辐射校正方法 |
CN109903352B (zh) * | 2018-12-24 | 2021-03-30 | 中国科学院遥感与数字地球研究所 | 一种卫星遥感影像大区域无缝正射影像制作方法 |
CN112164004B (zh) * | 2020-09-14 | 2022-09-13 | 武汉大学 | 一种联合优化全局和局部颜色一致性的色彩校正方法 |
-
2021
- 2021-04-25 CN CN202110445888.XA patent/CN113096047B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113096047A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104484648B (zh) | 基于轮廓识别的机器人可变视角障碍物检测方法 | |
CN104156536B (zh) | 一种盾构机刀具磨损的可视化定量标定及分析方法 | |
CN103822616B (zh) | 一种图分割与地形起伏约束相结合的遥感影像匹配方法 | |
CN102506824B (zh) | 一种城市低空无人机***生成数字正射影像图的方法 | |
Niederheiser et al. | Deriving 3D point clouds from terrestrial photographs comparison of different sensors and software | |
CN113096047B (zh) | 广义云驱动与辐射协同遥感影像几何精校正方法及*** | |
CN107767440A (zh) | 基于三角网内插及约束的文物序列影像精细三维重建方法 | |
CN104537707A (zh) | 像方型立体视觉在线移动实时测量*** | |
CN113358091B (zh) | 一种利用三线阵立体卫星影像生产数字高程模型dem的方法 | |
CN111486864B (zh) | 基于立体正八边结构的多源传感器联合标定方法 | |
CN116740288B (zh) | 一种融合激光雷达、倾斜摄影的三维重建方法 | |
CN109272574A (zh) | 基于投影变换的线阵旋转扫描相机成像模型构建方法和标定方法 | |
CN107067394A (zh) | 一种倾斜摄影获取点云坐标的方法及装置 | |
CN113393577B (zh) | 一种倾斜摄影地形重建方法 | |
CN112270698A (zh) | 基于最邻近曲面的非刚性几何配准方法 | |
CN103218789A (zh) | 一种基于几何形变分步解算的自动化正射纠正方法 | |
CN113327296A (zh) | 基于深度加权的激光雷达与相机在线联合标定方法 | |
CN113514829A (zh) | 面向InSAR的初始DSM的区域网平差方法 | |
CN116625258A (zh) | 链条间距测量***及链条间距测量方法 | |
CN115147709A (zh) | 一种基于深度学习的水下目标三维重建方法 | |
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 | |
CN116824079A (zh) | 基于全信息摄影测量的三维实体模型构建方法和装置 | |
CN113720351B (zh) | 星载激光测高数据与遥感立体影像的联合区域网平差方法 | |
CN105093222A (zh) | 一种sar影像区域网平差连接点自动提取方法 |
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 |