CN114694040B - 基于动态阈值的光学遥感数据分块配准的数据识别方法 - Google Patents

基于动态阈值的光学遥感数据分块配准的数据识别方法 Download PDF

Info

Publication number
CN114694040B
CN114694040B CN202210602962.9A CN202210602962A CN114694040B CN 114694040 B CN114694040 B CN 114694040B CN 202210602962 A CN202210602962 A CN 202210602962A CN 114694040 B CN114694040 B CN 114694040B
Authority
CN
China
Prior art keywords
point
points
distance
matching
image
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
Application number
CN202210602962.9A
Other languages
English (en)
Other versions
CN114694040A (zh
Inventor
颜军
蒋晓华
邓开元
刘璐铭
冯思伟
李先怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Weifang Huayuan Geographic Information Co ltd
Zhuhai Orbit Satellite Big Data Co ltd
Original Assignee
Zhuhai Orbita Aerospace Technology Co ltd
Weifang Huayuan Geographic Information Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuhai Orbita Aerospace Technology Co ltd, Weifang Huayuan Geographic Information Co ltd filed Critical Zhuhai Orbita Aerospace Technology Co ltd
Priority to CN202210602962.9A priority Critical patent/CN114694040B/zh
Publication of CN114694040A publication Critical patent/CN114694040A/zh
Application granted granted Critical
Publication of CN114694040B publication Critical patent/CN114694040B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了基于动态阈值的光学遥感数据分块配准的数据识别方法，属于数据识别处理技术领域，对影像预处理，根据经纬度寻找分块的相同区域，在影像分块时进行尺度不变特征变换，采用欧氏距离进行最近邻匹配找到粗匹配点对，使用动态自适应距离约束条件对粗匹配点对中的误匹配点进行剔除；根据特征点描述子的方向特征对误匹配点进行剔除；步骤，计算分块的配准点的初始点间距离，对误匹配点进行剔除；完成分块匹配，得到整体配准点信息后，对误匹配点进行剔除，完成遥感影像的分块配准。具有以下优点：解决了基于光学遥感影像工程化快速计算精确配准这一问题，解决了保留更多正确匹配点的同时除去误匹配点的难题。

Description

基于动态阈值的光学遥感数据分块配准的数据识别方法
技术领域
本发明是一种基于动态阈值的光学遥感数据分块配准的数据识别方法，属于数据识别处理技术领域。
背景技术
光学遥感影像配准是将不同时间、不同传感器（成像设备）或不同条件下（天候、照度、摄像位置和角度等）获取的两幅或多幅影像进行匹配、叠加的过程。光学遥感影像配准是将具有相同区域的影像统一到相同坐标***中，使影像同名点在空间位置上达到最佳对齐。受到传感器类型、成像角度、成像时间等因素的影响，仅仅依靠影像地理参考信息无法实现影像高精度配准。首先提出了SIFT描述符，通过将关键点到最邻近和次邻近极值点的欧氏距离之间的比率与预定义的阈值进行比较，以实现不稳定匹配关系的粗略滤除。之后采用SIFT算法对同一光学传感器的遥感影像进行配准，结果表明SIFT算法能获得比较好的匹配结果。在SIFT算法的基础上，提出了加速鲁棒性特征（speeded up robust features，SURF），较之SIFT算子，SURF具有计算量小、匹配速度快的优点，但该算法提取到的匹配特征点分布不均匀，配准误差较大。因此又提出基于多角度归一化互相关法优化SIFT遥感图像的配准方法，该算法利用SIFT算法进行特征提取和特征匹配，并结合随机抽样一致性算法（random sample consensus，RANSAC）剔除错误配准点，提高配准精度，然而当遥感影像为非林地、山地等地貌特征时，该算法的配准精度不理想。影像配准是定量处理与分析地表信息的基础，但目前缺少具有泛适用性的配准算法。因此，研究高精度、高效率、高鲁棒性的自动配准算法具有十分重要的意义。
发明内容
本发明要解决的技术问题是针对以上不足，提供一种基于动态阈值的光学遥感数据分块配准的数据识别方法，动态的计算了自适应距离约束条件、特征点描述子的方向匹配、点间距离，解决了保留更多正确匹配点的同时除去误匹配点的难题，可以有效的区分正确匹配点与误匹配点，计算的特征点比同条件下的特征点质量高，鲁棒性更强，解决了基于光学遥感影像工程化快速计算精确配准这一问题，有效去除误匹配点对遥感影像配准的干扰，简化流程，减少人工工作量，提高提取效率，保证光学影像配准结果的准确性。
为解决以上技术问题，本发明采用以下技术方案：
一种基于动态阈值的光学遥感数据分块配准的数据识别方法，包括以下步骤：
步骤1：对影像预处理，根据经纬度寻找分块的相同区域；
步骤2：在影像分块时进行尺度不变特征变换，采用欧氏距离进行最近邻匹配找到粗匹配点对，使用动态自适应距离约束条件对粗匹配点对中的误匹配点进行剔除；
步骤3：根据特征点描述子的方向特征对误匹配点进行剔除；
步骤4：计算分块的配准点的初始点间距离，对误匹配点进行剔除；
步骤5：完成分块匹配，得到整体配准点信息后，整体配准点使用随机采样一致性约束方法对误匹配点进行剔除，并利用剔除粗差后的影像转换矩阵完成遥感影像的分块配准。
进一步的，所述步骤1中对影像预处理包括检测底图和待配准影像是否具有同空间分辨率、同一坐标系，若否，则进行底图重采样，使底图具备和待配准影像相同的空间分辨率、坐标系，根据待配准影像分块的行列号，算出底图的行列号，完成坐标反算，得到相同的区域。
进一步的，所述步骤2中使用动态自适应欧氏距离约束方法，针对粗匹配对数据进行统计,根据其特点自动的配置相应参数；
首先, 使用FLANN搜索出来的N个包含大量误匹配的匹配对中统计第１匹配点和第２匹配点距离差，根据第１匹配点和次近的第２匹配点的距离差从大到小排序，计算前10%的距离差的均值，该均值可以表示为：
Figure 866837DEST_PATH_IMAGE001
式（1）；
式中，
Figure 929865DEST_PATH_IMAGE002
为第i个匹配点对的第1匹配点距离差，
Figure 215484DEST_PATH_IMAGE003
为第i个匹配点对的第２匹配点距离差；f代表对
Figure 125671DEST_PATH_IMAGE004
进行从大到小的排序；N为总的匹配点对的个数；
Figure 362486DEST_PATH_IMAGE005
为前10%的距离差的均值。
进一步的，所述步骤2中对于每一个待筛选匹配对,剔除的条件为第１距离小于第２距离与前10%的距离差均值avgdis之差, 剔除的条件可以表示为：
Figure 649111DEST_PATH_IMAGE006
式（2）；
算法通过从数据中统计得到的距离差均值,作为判别比较标准,可以很好地适应不同来源的像对之间的差异,能够很好地进行第１轮筛选,保留优质匹配点。
进一步的，所述步骤3中根据特征点描述子的方向特征对误匹配点进行剔除，其中特征点描述子具有128维信息，将其相邻的两维信息求导，若导数大于0，标记为1，若导数小于0，标记为-1，若导数等于0，标记为0，特征点描述子的方向特征可以表示为：
Figure 789236DEST_PATH_IMAGE007
式（3）；
式中，
Figure 247156DEST_PATH_IMAGE008
为第i维特征点描述子信息，
Figure 3890DEST_PATH_IMAGE009
为第1维特征点描述子信息，
Figure 828627DEST_PATH_IMAGE010
为特征点描述子方向特征的集合；
最后得到127维信息，如果待配准影像的特征点描述子的方向特征和底图的特征点描述子的方向特征重叠度大于70%，则优质该匹配点。
进一步的，所述步骤3中特征点描述子的方向特征筛选规则可以表示为：
Figure 321794DEST_PATH_IMAGE011
式（4）；
式中，
Figure 573784DEST_PATH_IMAGE012
为底图第i维特征点描述子信息方向特征，
Figure 552235DEST_PATH_IMAGE013
为待配准影像第i维特征点描述子信息方向特征。
进一步的，所述步骤4中计算分块的配准点的初始点间距离，对误匹配点进行剔除；计算分块的配准点的初始点间距离可以表示为：
Figure 180663DEST_PATH_IMAGE014
式（5）；
式中，
Figure 74143DEST_PATH_IMAGE015
、
Figure 732920DEST_PATH_IMAGE016
是待配准影像的特征点的坐标；
Figure 464247DEST_PATH_IMAGE017
、
Figure 286578DEST_PATH_IMAGE018
是底图的特征点的坐标；block是分块的像素大小。
进一步的，所述步骤4中如果某一分块中有N个匹配点，若存在点间距离彼此小于3，且该类型的数量占比超过总体的60%，则认为该分块的正确平均点间距离可以表示为：
Figure 973911DEST_PATH_IMAGE019
式（6）；
式中，
Figure 567704DEST_PATH_IMAGE020
代表某一分块的某一个点间距离，
Figure 225474DEST_PATH_IMAGE021
代表该分块的正确平均点间距离。
进一步的，所述步骤4中若存在三个分块的正确平均点间距离彼此相差小于10，则得到待配准影像的初始点间距离；若不满足，则继续循环直到满足条件，该距离可以表示为：
Figure 157222DEST_PATH_IMAGE022
式（7）。
进一步的，所述步骤4中遥感影像分块正确匹配点之间的距离，从理论上说是应相等，剔除规则可以表示为：
Figure 230220DEST_PATH_IMAGE023
式（8）；
式中，
Figure 807963DEST_PATH_IMAGE024
为正确点的初始点间距离；
Figure 543576DEST_PATH_IMAGE025
为当前分块的不同匹配点间距离；
Figure 913902DEST_PATH_IMAGE026
为经验常数阈值。
本发明采用以上技术方案，与现有技术相比，具有如下技术效果：
本发明技术方案动态的计算了自适应距离约束条件、特征点描述子的方向匹配、点间距离，解决了保留更多正确匹配点的同时除去误匹配点的难题，可以有效的区分正确匹配点与误匹配点，计算的特征点比同条件下的特征点质量高，鲁棒性更强，解决了基于光学遥感影像工程化快速计算精确配准这一问题，有效去除误匹配点对遥感影像配准的干扰，简化流程，减少人工工作量，提高提取效率，保证光学影像配准结果的准确性。
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。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1是本发明实施例提供的一种基于动态阈值的光学遥感数据分块配准方法流程图；
图2是本发明实施例提供的正确匹配点的描述子信息图；
图3是本发明实施例提供的正确匹配点的描述子方向信息图；
图4是本发明实施例提供的某一影像分块剔除误匹配点后对比图；
图5是本发明实施例提供的最终正确匹配点分布结果图；
图6是本发明实施例提供的两景影像套合的结果图。
具体实施方式
实施例1，如图1所示，一种基于动态阈值的光学遥感数据分块配准的数据识别方法，包括以下步骤：
步骤1：对卫星OVS影像、GOOGLE历史影像做影像预处理，根据经纬度寻找分块的相同区域；
对影像预处理包括检测底图和待配准影像是否具有同空间分辨率、同一坐标系，若否，则进行底图重采样，使底图具备和待配准影像相同的空间分辨率、坐标系，根据待配准影像分块的行列号，算出底图的行列号，完成坐标反算，得到相同的区域。
步骤2：在影像分块时进行尺度不变特征变换，采用欧氏距离进行最近邻匹配找到粗匹配点对，使用动态自适应距离约束条件对粗匹配点对中的误匹配点进行剔除。
使用动态自适应欧氏距离约束方法，针对粗匹配对数据进行统计,根据其特点自动的配置相应参数。首先, 使用FLANN搜索出来的N个包含大量误匹配的匹配对中统计第１匹配点和第２匹配点距离差，根据第１匹配点和次近的第２匹配点的距离差从大到小排序，计算前10%的距离差的均值，该均值可以表示为：
Figure 982352DEST_PATH_IMAGE001
式（1）；
式中，
Figure 370477DEST_PATH_IMAGE027
Figure 65157DEST_PATH_IMAGE028
为第i个匹配点对的第1匹配点距离差，
Figure 721397DEST_PATH_IMAGE029
Figure 549413DEST_PATH_IMAGE030
为第i个匹配点对的第２匹配点距离差；f代表对
Figure 468959DEST_PATH_IMAGE031
Figure 336421DEST_PATH_IMAGE032
进行从大到小的排序；N为总的匹配点对的个数；
Figure 184902DEST_PATH_IMAGE033
Figure 821420DEST_PATH_IMAGE034
为前10%的距离差的均值。
对于每一个待筛选匹配对,剔除的条件为第１距离小于第２距离与前10%的距离差均值avgdis之差, 剔除的条件可以表示为：
Figure 911867DEST_PATH_IMAGE006
式（2）；
算法通过从数据中统计得到的距离差均值,作为判别比较标准,可以很好地适应不同来源的像对之间的差异,能够很好地进行第１轮筛选,保留优质匹配点。
步骤3：根据特征点描述子的方向特征对误匹配点进行剔除，正确匹配点的描述子信息如图2所示，正确匹配点的描述子方向特征如图3所示。
根据特征点描述子的方向特征对误匹配点进行剔除，其中特征点描述子具有128维信息，将其相邻的两维信息求导，若导数大于0，标记为1，若导数小于0，标记为-1，若导数等于0，标记为0，特征点描述子的方向特征可以表示为：
Figure 1045DEST_PATH_IMAGE007
式（3）；
式中，
Figure 904148DEST_PATH_IMAGE035
Figure 926331DEST_PATH_IMAGE036
为第i维特征点描述子信息，
Figure 125362DEST_PATH_IMAGE037
Figure 967416DEST_PATH_IMAGE038
为第1维特征点描述子信息，
Figure 159363DEST_PATH_IMAGE039
Figure 757091DEST_PATH_IMAGE040
为特征点描述子方向特征的集合。
最后得到127维信息，如果待配准影像的特征点描述子的方向特征和底图的特征点描述子的方向特征重叠度大于70%，则优质该匹配点。
特征点描述子的方向特征筛选规则可以表示为：
Figure 641870DEST_PATH_IMAGE011
式（4）；
式中，
Figure 440062DEST_PATH_IMAGE041
Figure 546952DEST_PATH_IMAGE042
为底图第i维特征点描述子信息方向特征，
Figure 825617DEST_PATH_IMAGE043
Figure 881298DEST_PATH_IMAGE044
为待配准影像第i维特征点描述子信息方向特征。
步骤4：计算分块的配准点的初始点间距离，对误匹配点进行剔除，某一影像分块剔除误匹配点后对比如图4所示。
计算分块的配准点的初始点间距离，对误匹配点进行剔除；计算分块的配准点的初始点间距离可以表示为：
Figure 478370DEST_PATH_IMAGE014
式（5）；
式中，
Figure 12120DEST_PATH_IMAGE045
Figure 348555DEST_PATH_IMAGE046
、
Figure 575137DEST_PATH_IMAGE047
Figure 82341DEST_PATH_IMAGE048
是待配准影像的特征点的坐标；
Figure 203137DEST_PATH_IMAGE049
Figure 377767DEST_PATH_IMAGE050
、
Figure 260403DEST_PATH_IMAGE051
Figure 786063DEST_PATH_IMAGE052
是底图的特征点的坐标；block是分块的像素大小。
如果某一分块中有N个匹配点，若存在点间距离彼此小于3，且该类型的数量占比超过总体的60%，则认为该分块的正确平均点间距离可以表示为：
Figure 661615DEST_PATH_IMAGE019
式（6）；
式中，
Figure 940018DEST_PATH_IMAGE053
Figure 242823DEST_PATH_IMAGE054
代表某一分块的某一个点间距离，
Figure 537670DEST_PATH_IMAGE055
Figure 216913DEST_PATH_IMAGE056
代表该分块的正确平均点间距离。
若存在三个分块的正确平均点间距离彼此相差小于10，则得到待配准影像的初始点间距离；若不满足，则继续循环直到满足条件，该距离可以表示为：
Figure 366134DEST_PATH_IMAGE022
式（7）。
遥感影像分块正确匹配点之间的距离，从理论上说是应相等，剔除规则可以表示为：
Figure 345899DEST_PATH_IMAGE023
式（8）；
式中，
Figure DEST_PATH_IMAGE057
Figure 924779DEST_PATH_IMAGE058
为正确点的初始点间距离；
Figure 142133DEST_PATH_IMAGE059
Figure 926288DEST_PATH_IMAGE060
为当前分块的不同匹配点间距离；
Figure 383945DEST_PATH_IMAGE061
Figure 105913DEST_PATH_IMAGE062
为经验常数阈值。
步骤5：完成分块匹配，得到整体配准点信息后，整体配准点使用随机采样一致性约束方法对误匹配点进行剔除，并利用剔除粗差后的影像转换矩阵完成遥感影像的分块配准。正确匹配点分布如图5所示，完成影像配准后，两景影像套合的结果如图6所示。
本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好的说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (9)

1.一种基于动态阈值的光学遥感数据分块配准的数据识别方法，其特征在于：包括以下步骤：
步骤1：对影像预处理，根据经纬度寻找分块的相同区域；
步骤2：在影像分块时进行尺度不变特征变换，采用欧氏距离进行最近邻匹配找到粗匹配点对，使用动态自适应距离约束条件对粗匹配点对中的误匹配点进行剔除；
步骤3：根据特征点描述子的方向特征对误匹配点进行剔除；
步骤4：计算分块的配准点的初始点间距离，对误匹配点进行剔除；
步骤5：完成分块匹配，得到整体配准点信息后，整体配准点使用随机采样一致性约束方法对误匹配点进行剔除，并利用剔除粗差后的影像转换矩阵完成遥感影像的分块配准；
所述步骤3中根据特征点描述子的方向特征对误匹配点进行剔除，其中特征点描述子具有128维信息，将其相邻的两维信息求导，若导数大于0，标记为1，若导数小于0，标记为-1，若导数等于0，标记为0，特征点描述子的方向特征可以表示为：
Figure DEST_PATH_IMAGE001
式（3）；
式中，
Figure DEST_PATH_IMAGE002
为第i维特征点描述子信息，
Figure DEST_PATH_IMAGE003
为第1维特征点描述子信息，
Figure DEST_PATH_IMAGE004
为特征点描述子方向特征的集合；
最后得到127维信息，如果待配准影像的特征点描述子的方向特征和底图的特征点描述子的方向特征重叠度大于70%，则优质该匹配点。
2.如权利要求1所述的一种基于动态阈值的光学遥感数据分块配准的数据识别方法，其特征在于：所述步骤1中对影像预处理包括检测底图和待配准影像是否具有同空间分辨率、同一坐标系，若否，则进行底图重采样，使底图具备和待配准影像相同的空间分辨率、坐标系，根据待配准影像分块的行列号，算出底图的行列号，完成坐标反算，得到相同的区域。
3.如权利要求1所述的一种基于动态阈值的光学遥感数据分块配准的数据识别方法，其特征在于：所述步骤2中使用动态自适应欧氏距离约束方法，针对粗匹配对数据进行统计,根据其特点自动的配置相应参数；
首先, 使用FLANN搜索出来的N个包含大量误匹配的匹配对中统计第1匹配点和第２匹配点距离差，根据第1匹配点和次近的第２匹配点的距离差从大到小排序，计算前10%的距离差的均值，该均值可以表示为：
Figure DEST_PATH_IMAGE005
式（1）；
式中，
Figure DEST_PATH_IMAGE006
为第i个匹配点对的第1匹配点距离差，
Figure DEST_PATH_IMAGE007
为第i个匹配点对的第２匹配点距离差；f代表对
Figure DEST_PATH_IMAGE008
进行从大到小的排序；N为总的匹配点对的个数；
Figure DEST_PATH_IMAGE009
为前10%的距离差的均值。
4. 如权利要求1所述的一种基于动态阈值的光学遥感数据分块配准的数据识别方法，其特征在于：所述步骤2中对于每一个待筛选匹配对,剔除的条件为第1距离小于第２距离与前10%的距离差均值avgdis之差, 剔除的条件可以表示为：
Figure DEST_PATH_IMAGE010
式（2）；
算法通过从数据中统计得到的距离差均值,作为判别比较标准,可以很好地适应不同来源的像对之间的差异,能够很好地进行第1轮筛选,保留优质匹配点。
5.如权利要求1所述的一种基于动态阈值的光学遥感数据分块配准的数据识别方法，其特征在于：所述步骤3中特征点描述子的方向特征筛选规则可以表示为：
Figure DEST_PATH_IMAGE011
式（4）；
式中，
Figure DEST_PATH_IMAGE012
为底图第i维特征点描述子信息方向特征，
Figure DEST_PATH_IMAGE013
为待配准影像第i维特征点描述子信息方向特征。
6.如权利要求1所述的一种基于动态阈值的光学遥感数据分块配准的数据识别方法，其特征在于：所述步骤4中计算分块的配准点的初始点间距离，对误匹配点进行剔除；计算分块的配准点的初始点间距离可以表示为：
Figure DEST_PATH_IMAGE014
式（5）；
式中，
Figure DEST_PATH_IMAGE015
、
Figure DEST_PATH_IMAGE016
是待配准影像的特征点的坐标；
Figure DEST_PATH_IMAGE017
、
Figure DEST_PATH_IMAGE018
是底图的特征点的坐标；block是分块的像素大小。
7.如权利要求6所述的一种基于动态阈值的光学遥感数据分块配准的数据识别方法，其特征在于：所述步骤4中如果某一分块中有N个匹配点，若存在点间距离彼此小于3，且该类型的数量占比超过总体的60%，则认为该分块的正确平均点间距离可以表示为：
Figure DEST_PATH_IMAGE019
式（6）；
式中，
Figure DEST_PATH_IMAGE020
代表某一分块的某一个点间距离，
Figure DEST_PATH_IMAGE021
代表该分块的正确平均点间距离。
8.如权利要求6所述的一种基于动态阈值的光学遥感数据分块配准的数据识别方法，其特征在于：所述步骤4中若存在三个分块的正确平均点间距离彼此相差小于10，则得到待配准影像的初始点间距离；若不满足，则继续循环直到满足条件，该距离可以表示为：
Figure DEST_PATH_IMAGE022
式（7）。
9.如权利要求6所述的一种基于动态阈值的光学遥感数据分块配准的数据识别方法，其特征在于：所述步骤4中遥感影像分块正确匹配点之间的距离，从理论上说是应相等，剔除规则可以表示为：
Figure DEST_PATH_IMAGE023
式（8）；
式中，
Figure DEST_PATH_IMAGE024
为正确点的初始点间距离；
Figure DEST_PATH_IMAGE025
为当前分块的不同匹配点间距离；
Figure DEST_PATH_IMAGE026
为经验常数阈值。
CN202210602962.9A 2022-05-31 2022-05-31 基于动态阈值的光学遥感数据分块配准的数据识别方法 Active CN114694040B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210602962.9A CN114694040B (zh) 2022-05-31 2022-05-31 基于动态阈值的光学遥感数据分块配准的数据识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210602962.9A CN114694040B (zh) 2022-05-31 2022-05-31 基于动态阈值的光学遥感数据分块配准的数据识别方法

Publications (2)

Publication Number Publication Date
CN114694040A CN114694040A (zh) 2022-07-01
CN114694040B true CN114694040B (zh) 2022-08-23

Family

ID=82131106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210602962.9A Active CN114694040B (zh) 2022-05-31 2022-05-31 基于动态阈值的光学遥感数据分块配准的数据识别方法

Country Status (1)

Country Link
CN (1) CN114694040B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9245201B1 (en) * 2013-03-15 2016-01-26 Excelis Inc. Method and system for automatic registration of images
CN105631860B (zh) * 2015-12-21 2018-07-03 中国资源卫星应用中心 基于局部排序方向直方图描述子的图像同名点提取方法
CN107170001A (zh) * 2017-04-25 2017-09-15 北京海致网聚信息技术有限公司 用于对图像进行配准的方法和装置
CN111242139B (zh) * 2020-01-14 2023-04-18 南京航空航天大学 一种基于点线特征的最大直方图异源图像匹配方法
CN111476251A (zh) * 2020-03-26 2020-07-31 中国人民解放军战略支援部队信息工程大学 一种遥感影像匹配方法及装置
CN112396643A (zh) * 2020-12-08 2021-02-23 兰州交通大学 一种尺度不变特征与几何特征融合的多模态高分影像配准方法

Also Published As

Publication number Publication date
CN114694040A (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN111028277B (zh) 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法
CN107463918B (zh) 基于激光点云与影像数据融合的车道线提取方法
Ma et al. Remote sensing image registration with modified SIFT and enhanced feature matching
CN108918526B (zh) 一种柔性ic封装基板线路的缺口缺陷检测方法
CN104574347B (zh) 基于多源遥感数据的在轨卫星图像几何定位精度评价方法
CN106530347B (zh) 一种稳定的高性能圆特征检测方法
Zhu et al. SAR image registration based on multifeature detection and arborescence network matching
CN107862319B (zh) 一种基于邻域投票的异源高分光学影像匹配误差剔除方法
CN111160337A (zh) 一种指针式仪表读数的自动识别方法、***、介质及设备
CN107610166B (zh) 一种基于线性特征区域分割的平面地图图像配准方法
CN106650580B (zh) 基于图像处理的货架快速清点方法
CN110363798B (zh) 一种遥感影像解译样本集的生成方法
CN111369495A (zh) 一种基于视频的全景图像的变化检测方法
CN103606170B (zh) 基于彩色尺度不变的街景影像特征检测与匹配方法
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN107240130B (zh) 遥感影像配准方法、装置及***
CN112396612B (zh) 一种矢量信息辅助的遥感影像道路信息自动提取方法
CN112164117A (zh) 一种基于Kinect相机的V-SLAM位姿估算方法
CN103353941B (zh) 基于视角分类的自然标志物注册方法
CN108205645B (zh) 一种异源图像匹配***的基准图质量评价方法
US20220414376A1 (en) Automated computer system and method of road network extraction from remote sensing images using vehicle motion detection to seed spectral classification
CN108182705A (zh) 一种基于机器视觉的三维坐标定位方法
CN110309831B (zh) 基于机器视觉的非智能水表识读方法
CN114694040B (zh) 基于动态阈值的光学遥感数据分块配准的数据识别方法
CN117496401A (zh) 一种用于视频测量影像序列椭圆形目标点全自动识别与跟踪方法

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
TR01 Transfer of patent right

Effective date of registration: 20221208

Address after: 261061 Room 302, office building north of Yuqing East Street and west of Jinma Road, Yuqing community, Xincheng street, high tech Zone, Weifang City, Shandong Province

Patentee after: Weifang Huayuan Geographic Information Co.,Ltd.

Patentee after: Zhuhai Orbit Satellite Big Data Co.,Ltd.

Address before: 261061 north of Yuqing East Street and west of Jinma Road, high tech Zone, Weifang City, Shandong Province

Patentee before: Weifang Huayuan Geographic Information Co.,Ltd.

Patentee before: ZHUHAI ORBITA AEROSPACE TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right