CN117575970A - 基于分类的卫星影像自动处理方法、装置、设备及介质 - Google Patents
基于分类的卫星影像自动处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117575970A CN117575970A CN202410051274.7A CN202410051274A CN117575970A CN 117575970 A CN117575970 A CN 117575970A CN 202410051274 A CN202410051274 A CN 202410051274A CN 117575970 A CN117575970 A CN 117575970A
- Authority
- CN
- China
- Prior art keywords
- satellite image
- image
- point
- area
- classification result
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 84
- 238000012216 screening Methods 0.000 claims abstract description 40
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 73
- 238000000034 method Methods 0.000 claims description 55
- 238000012892 rational function Methods 0.000 claims description 12
- 238000007499 fusion processing Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 15
- 230000008569 process Effects 0.000 description 18
- 238000000605 extraction Methods 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 10
- 238000012937 correction Methods 0.000 description 10
- 230000009466 transformation Effects 0.000 description 10
- 230000004927 fusion Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 101100328884 Caenorhabditis elegans sqt-3 gene Proteins 0.000 description 3
- 238000005311 autocorrelation function Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 101100328886 Caenorhabditis elegans col-2 gene Proteins 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/10041—Panchromatic image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Astronomy & Astrophysics (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于分类的卫星影像自动处理方法、装置、设备及介质,涉及卫星遥感影像技术领域,包括:获取卫星影像、参考DOM和参考DEM;对卫星影像中多光谱和参考DOM进行分类得到分类结果;根据卫星影像、参考DOM和参考DEM生成连接点和控制点,并利用分类结果进行筛选得到目标连接点和目标控制点,用以生成正射纠正后全色影像;根据卫星影像、正射纠正后全色影像和参考DEM生成配准点,并利用分类结果进行筛选得到目标配准点,用以生成正射纠正后多光谱影像;融合正射纠正后的全色影像和多光谱影像,并基于分类结果对融合后影像进行颜色增强。本发明不仅可以减少匹配误差,提升自动化处理正确率,还可以显著提升真彩色效果。
Description
技术领域
本发明涉及卫星遥感影像技术领域,尤其是涉及一种基于分类的卫星影像自动处理方法、装置、设备及介质。
背景技术
目前,相关技术提供了以下影像处理方法:
(1)一种遥感影像全链条处理***及方法:主要通过打通影像检索、自动下载及影像自动处理工具三个环节,实现遥感影像从下载到计算的全链条自动化处理。其中,影像自动处理环节,都是常规的影像处理,各个影像算法之间无关联关系。
(2)一种影像自动处理及成果自动入库方法:主要解决处理范围内影像的自动推送、自动处理及处理结果的自动入库问题。影像自动处理环节采用常规的有控区域网平差,之后基于平差的结果进行正射、融合等操作。
现有的影像自动处理方案都是把一系列的遥感处理算法串接起来,一步步进行处理。针对高质量的卫星影像,这种自动化处理方案,能取得不错的效果;但是当影像存在大量水体、云等地物时,会干扰匹配和正射的效果,这种方法输出的成果往往存在一定的平面精度误差。
发明内容
有鉴于此,本发明的目的在于提供一种基于分类的卫星影像自动处理方法、装置、设备及介质,不仅可以减少匹配误差,提升自动化处理正确率,还可以显著提升真彩色效果。
第一方面,本发明实施例提供了一种基于分类的卫星影像自动处理方法,包括:
获取待处理的卫星影像数据、参考DOM数据和参考DEM数据;
分别对所述卫星影像数据中多光谱和所述参考DOM数据进行分类处理,得到卫星影像分类结果和参考DOM分类结果;
根据所述卫星影像数据、所述参考DOM数据和所述参考DEM数据生成初始连接点和初始控制点,并利用所述卫星影像分类结果和所述参考DOM分类结果,对所述初始连接点和所述初始控制点进行筛选,得到目标连接点和目标控制点;
基于所述目标连接点和所述目标控制点对所述卫星影像数据进行全色正射处理,得到正射纠正后全色影像;
根据所述卫星影像数据、所述正射纠正后全色影像和所述参考DEM数据生成初始配准点,并利用所述卫星影像分类结果对所述初始配准点进行筛选,得到目标配准点;
基于所述目标配准点对所述卫星影像数据进行多光谱正射处理,得到正射纠正后多光谱影像;
对所述正射纠正后全色影像和所述正射纠正后多光谱影像进行融合处理得到融合后影像,基于所述卫星影像分类结果对所述融合后影像进行颜色增强处理得到目标影像。
在一种实施方式中,分别对所述卫星影像数据中多光谱和所述参考DOM数据进行分类处理,得到卫星影像分类结果和参考DOM分类结果的步骤,包括:
确定所述卫星影像数据中每个像素点对应的第一云指数、第一水体指数和第一植被指数;
将所述第一云指数、所述第一水体指数和所述第一植被指数分别与预设阈值进行比对,以识别所述卫星影像数据中包含的云区域、水体区域和植被区域,得到卫星影像分类结果;
以及,确定所述参考DOM数据中每个像素点对应的第二云指数、第二水体指数和第二植被指数;
将所述第二云指数、所述第二水体指数和所述第二植被指数分别与所述预设阈值进行比对,以识别所述参考DOM数据中包含的云区域、水体区域和植被区域,得到参考DOM分类结果。
在一种实施方式中,利用所述卫星影像分类结果和所述参考DOM分类结果,对所述初始连接点和所述初始控制点进行筛选,得到目标连接点和目标控制点的步骤,包括:
根据所述卫星影像分类结果,确定所述初始连接点在所述卫星影像中所处的第一区域,并基于所述第一区域所述初始连接点进行筛选得到目标连接点;
以及,根据所述卫星影像分类结果和所述参考DOM分类结果,分别确定所述初始控制点在所述卫星影像分类结果中所处的第二区域、在所述参考DOM数据中所处的第三区域,并基于所述第二区域和所述第三区域对所述初始控制点进行筛选得到目标控制点。
在一种实施方式中,基于所述第一区域所述初始连接点进行筛选得到目标连接点的步骤,包括:
如果所述初始连接点在每个所述卫星影像数据中所处的第一区域均为云区域或水体区域,则剔除所述初始连接点;
或者,如果所述初始连接点在所述卫星影像数据中所处的第一区域为云区域或水体区域,则将所述卫星影像数据作为第一影像数据;如果所述连接点在所述卫星影像数据中所处的第一区域为云区域或水体区域之外的区域,则将所述卫星影像数据作为第二影像数据;
判断所述第二影像数据的数量是否为1;
如果是,则剔除所述第一影像数据和所述第二影像数据中的所述初始连接点;如果否,则剔除所述第一影像数据中的所述初始连接点,并保留所述第二影像数据中的所述初始连接点。
在一种实施方式中,基于所述第二区域和所述第三区域对所述初始控制点进行筛选得到目标控制点的步骤,包括:
如果所述控制点在所述卫星影像数据中所处的第二区域为云区域或水体区域,或所述控制点在所述参考DOM数据中所处的第三区域为云区域或水体区域,则剔除所述初始控制点得到中间控制点;
通过有理函数模型对所述中间控制点进行筛选得到目标控制点。
在一种实施方式中,利用所述卫星影像分类结果对所述初始配准点进行筛选,得到目标配准点的步骤,包括:
根据所述卫星影像分类结果,确定所述初始配准点在所述卫星影像中所处的第四区域;
如果所述配准点在所述卫星影像数据中所处的第四区域为云区域或水体区域,则剔除所述初始配准点得到中间配准点;
通过有理函数模型对所述中间配准点进行筛选得到目标配准点。
在一种实施方式中,基于所述卫星影像分类结果对所述融合后影像进行颜色增强处理得到目标影像的步骤,包括:
根据所述融合后影像中每个像素点对应的红波段值,确定每个像素点对应的真彩色R值;
以及,根据所述融合后影像中每个像素点对应的蓝波段指,确定每个像素点对应的真彩色B值;
以及,根据所述卫星影像分类结果确定每个所述像素点所处的第五区域;如果所述第五区域为植被区域,则根据所述融合后影像中所述像素点对应的绿波段值和近红外波段值,确定所述像素点对应的真彩色G值;或者,如果所述第五区域为植被区域之外的区域,则根据所述融合后影像中所述像素点对应的绿波段值,确定所述像素点对应的真彩色G值;
将所述真彩色R值、所述真彩色B值和所述真彩色G值赋予所述融合后影像,以对所述融合后影像进行颜色增强处理得到目标影像。
第二方面,本发明实施例还提供一种基于分类的卫星影像自动处理装置,包括:
数据获取模块,用于获取待处理的卫星影像数据、参考DOM数据和参考DEM数据;
分类模块,用于分别对所述卫星影像数据中多光谱和所述参考DOM数据进行分类处理,得到卫星影像分类结果和参考DOM分类结果;
连接点及控制点确定模块,用于根据所述卫星影像数据、所述参考DOM数据和所述参考DEM数据生成初始连接点和初始控制点,并利用所述卫星影像分类结果和所述参考DOM分类结果,对所述初始连接点和所述初始控制点进行筛选,得到目标连接点和目标控制点;
全色正射模块,用于基于所述目标连接点和所述目标控制点对所述卫星影像数据进行全色正射处理,得到正射纠正后全色影像;
配准点确定模块,用于根据所述卫星影像数据、所述正射纠正后全色影像和所述参考DEM数据生成初始配准点,并利用所述卫星影像分类结果对所述初始配准点进行筛选,得到目标配准点;
多光谱正射模块,用于基于所述目标配准点对所述卫星影像数据进行多光谱正射处理,得到正射纠正后多光谱影像;
颜色增强模块,用于对所述正射纠正后全色影像和所述正射纠正后多光谱影像进行融合处理得到融合后影像,基于所述卫星影像分类结果对所述融合后影像进行颜色增强处理得到目标影像。
第三方面,本发明实施例还提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
本发明实施例提供的一种基于分类的卫星影像自动处理方法、装置、设备及介质,首先获取待处理的卫星影像数据、参考DOM数据和参考DEM数据,并分别对卫星影像数据中多光谱和参考DOM数据进行分类处理,得到卫星影像分类结果和参考DOM分类结果;然后根据卫星影像数据、参考DOM数据和参考DEM数据生成初始连接点和初始控制点,并利用卫星影像分类结果和参考DOM分类结果,对初始连接点和初始控制点进行筛选,得到目标连接点和目标控制点,进而基于目标连接点和目标控制点对卫星影像数据进行全色正射处理,得到正射纠正后全色影像;再根据卫星影像数据、正射纠正后全色影像和参考DEM数据生成初始配准点,并利用卫星影像分类结果对初始配准点进行筛选,得到目标配准点,进而基于目标配准点对卫星影像数据进行多光谱正射处理,得到正射纠正后多光谱影像;最后对正射纠正后全色影像和正射纠正后多光谱影像进行融合处理得到融合后影像,基于卫星影像分类结果对融合后影像进行颜色增强处理得到目标影像。上述方法在卫星影像处理流程中引入分类机制,基于卫星影像分类结果和参考DOM分类结果对初始连接点、初始控制点和初始配准点进行筛选,对于存在大量水体、云等低质量的影像,可以减少匹配误差,提升自动化处理正确率,另外还利用卫星影像分类结果提升融合后影像的真彩色效果,以得到真彩色效果较佳的目标影像。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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为本发明实施例提供的一种基于分类的卫星影像自动处理方法的流程示意图;
图2为本发明实施例提供的一种影像分类二值图的示意图;
图3为本发明实施例提供的一种Harris角点检测的原理示意图;
图4为本发明实施例提供的一种特征点匹配示意图;
图5为本发明实施例提供的另一种基于分类的卫星影像自动处理方法的流程示意图;
图6为本发明实施例提供的一种测试结果对比示意图;
图7为本发明实施例提供的一种基于分类的卫星影像自动处理装置的结构示意图;
图8为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合实施例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。
目前,当影像存在大量水体、云等地物时,会干扰匹配和正射的效果,相关技术输出的成果往往存在一定的平面精度误差,基于此,本发明实施提供了一种基于分类的卫星影像自动处理方法、装置、设备及介质,不仅可以减少匹配误差,提升自动化处理正确率,还可以显著提升真彩色效果。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种基于分类的卫星影像自动处理方法进行详细介绍,参见图1所示的一种基于分类的卫星影像自动处理方法的流程示意图,该方法主要包括以下步骤S102至步骤S114:
步骤S102,获取待处理的卫星影像数据、参考DOM数据和参考DEM数据。
其中,卫星影像数据可以为L1级卫星影像数据,参考DOM数据也即正射影像(Digital Orthophoto Map),参考DEM数据也即数字高程模型(Digital ElevationModel)。
在一种实施方式中,可以预先创建工程,工程记录的数据包括卫星影像数据、参考DOM数据和参考DEM数据的路径信息,此外工程记录的数据还包括L1级卫星影像数据的分辨率、输出成果的路径信息、坐标系及L1级卫星影像数据是否存在分类结果等信息。
步骤S104,分别对卫星影像数据中多光谱和参考DOM数据进行分类处理,得到卫星影像分类结果和参考DOM分类结果。
其中,卫星影像分类结果和参考DOM分类结果均可采用二值图形式存储,用于体现L1级卫星影像数据对应的研究区域内包含的云区域、水体区域、植被区域及其他区域。在一种实施方式中,对于卫星影像数据或参考DOM数据,可以计算该数据内每个像素点对应的云指数、水体指数和植被指数,将云指数、水体指数和植被指数分别与相应的预设阈值进行比对,即可将该数据划分为云区域、水体区域、植被区域和其他区域,从而得到相应的分类结果。
步骤S106,根据卫星影像数据、参考DOM数据和参考DEM数据生成初始连接点和初始控制点,并利用卫星影像分类结果和参考DOM分类结果,对初始连接点和初始控制点进行筛选,得到目标连接点和目标控制点。
在一种实施方式中,可以针对L1级卫星影像数据进行特征点提取、特征点匹配操作,以确定初始连接点,进而利用卫星影像分类结果确定出初始连接点在L1级卫星影像数据中所处区域,并在此基础上对初始连接点进行筛选得到目标连接点;同理,可以针对L1级卫星影像数据、参考DOM数据、参考DEM数据进行特征点提取、特征点匹配操作,以确定初始控制点,进而利用卫星影像分类结果和参考DOM分类结果确定出初始控制点在L1级卫星影像数据中所处区域以及在参考DOM数据中所处区域,并在此基础上对初始控制点进行筛选得到目标控制点。
步骤S108,基于目标连接点和目标控制点对卫星影像数据进行全色正射处理,得到正射纠正后全色影像。
在一种实施方式中,可以对目标连接点和目标控制点进行区域网平差处理得到仿射变换参数,利用仿射变换参数对L1级卫星影像数据进行全色正射处理,即可得到正射纠正后全色影像。
步骤S110,根据卫星影像数据、正射纠正后全色影像和参考DEM数据生成初始配准点,并利用卫星影像分类结果对初始配准点进行筛选,得到目标配准点。
在一种实施方式中,可以针对卫星影像数据、正射纠正后全色影像和参考DEM数据进行特征点提取、特征点匹配操作以确定初始配准点,进而利用卫星影像分类结果确定出初始配准点在L1级卫星影像数据上所处区域,并在此基础上对初始配准点进行筛选得到目标配准点。
步骤S112,基于目标配准点对卫星影像数据进行多光谱正射处理,得到正射纠正后多光谱影像。
在一种实施方式中,可以对目标配准点进行网平差处理得到仿射变换参数,利用仿射变换参数对L1级卫星影像数据进行多光谱正射处理,即可得到正射纠正后多光谱影像。
步骤S114,对正射纠正后全色影像和正射纠正后多光谱影像进行融合处理得到融合后影像,基于卫星影像分类结果对融合后影像进行颜色增强处理得到目标影像。
在一种实施方式中,可以融合正射纠正后全色影像和正射纠正后多光谱影像,得到融合后影像,并基于卫星影像分类结果确定出融合后影像中的植被区域和植被区域之外的区域,以采用不同的公式确定两类区域对应的真彩色R值、真彩色B值和真彩色G,实现对植被区域的颜色增强,从而得到目标影像。
本发明实施例提供的基于分类的卫星影像自动处理方法,在卫星影像处理流程中引入分类机制,基于卫星影像分类结果和参考DOM分类结果对初始连接点、初始控制点和初始配准点进行筛选,对于存在大量水体、云等低质量的影像,可以减少匹配误差,提升自动化处理正确率,另外还利用卫星影像分类结果提升融合后影像的真彩色效果,以得到真彩色效果较佳的目标影像。
为便于理解,本发明实施例提供了一种基于分类的卫星影像自动处理方法的具体实施方式。
在前述步骤S102之前,需要创建工程:工程是后续处理的基础,主要记录参与处理的L1级卫星影像数据、参考DOM数据、参考DEM数据的路径信息,L1级卫星影像数据的分辨率、输出成果的路径信息、坐标系及L1级卫星影像数据是否存在分类结果等信息。
在此基础上,可以按照工程记录的路径信息,获取L1级卫星影像数据、参考DOM数据、参考DEM数据。
对于前述步骤S104,本发明实施例提供了一种分别对卫星影像数据中多光谱和参考DOM数据进行分类处理,得到卫星影像分类结果和参考DOM分类结果的实施方式,具体的:主要识别出L1级多光谱影像数据和参考DOM数据中的云区域、水体区域、植被区域。影像自动化处理流程中对分类的结果要求不高,识别出大范围的云区域、水体区域、植被区域即可,为此,分类方法采用传统的指数方法。为了便于后续的应用,L1级多光谱影像数据的分类结果(简称卫星影像分类结果)采用像素坐标的二值图存储,参考DOM的分类结果(简称参考DOM分类结果)采用和参考DOM同坐标的二值图存储。示例性的,参见图2所示的一种影像分类二值图的示意图,图中1表示云、2表示水、3表示植被、0表示其他要素。
在一种具体的实施方式中,参见如下步骤A1至步骤A4:
步骤A1,确定卫星影像数据中每个像素点对应的第一云指数、第一水体指数和第一植被指数。具体的,可以确定多光谱中每个像素点对应的第一云指数、第一水体指数和第一植被指数。
在一例中,云区域识别采用如下公式如下:
MeanV=(B1 + B2 +B3)/3;
CI = (B2 - MeanV) /MeanV;
式中,B1、B2、B3分别表示蓝波段、绿波段和红波段,MeanV表示波段平均值,CI表示云指数。
在一例中,水体区域识别采用归一化水体指数(NDWI),其计算公式如下:
NDWI = (B2 -B4) /(B2 + B4);
式中,B2、B4分别表示绿波段和近红外波段,NDWI表示归一化水体指数。
在一例中,植被区域识别采用归一化植被指数(NDVI),其计算公式如下:
NDVI = (B4 -B3) /(B4 + B3);
式中,B3、B4分别表示红波段和近红外波段,NDVI表示归一化植被指数。
步骤A2,将第一云指数、第一水体指数和第一植被指数分别与预设阈值进行比对,以识别卫星影像数据中包含的云区域、水体区域和植被区域,得到卫星影像分类结果。
本发明实施例中,默认CI阈值为[0,0.05]的为云区域。
本发明实施例中,默认NDWI阈值大于0.2的为水体区域。
本发明实施例中,默认NDVI阈值大于0.2的为云区域。
步骤A3,确定参考DOM数据中每个像素点对应的第二云指数、第二水体指数和第二植被指数。具体可参见前述步骤A1,本发明实施例在此不再进行赘述。
步骤A4,将第二云指数、第二水体指数和第二植被指数分别与预设阈值进行比对,以识别参考DOM数据中包含的云区域、水体区域和植被区域,得到参考DOM分类结果。具体可参见前述步骤A2,本发明实施例在此不再进行赘述。
对于前述步骤S106,本发明实施例提供了一种根据卫星影像数据、参考DOM数据和参考DEM数据生成初始连接点和初始控制点,并利用卫星影像分类结果和参考DOM分类结果,对初始连接点和初始控制点进行筛选,得到目标连接点和目标控制点的实施方式,参见如下步骤B1至步骤B4:
步骤B1,针对L1级卫星影像数据进行特征点提取、特征点匹配操作,以确定初始连接点。
在实际应用中,当区域网内影像数量较多时,网内影像之间的拓扑关系错综复杂。为了保证区域网平差解算的稳定性,需要构建区域网内影像之间的连接关系,即在影像间重叠区内匹配同名像点。可见,连接点生成是进行超大规模光学遥感卫星影像区域网平差的前提。
连接点生成包括特征点提取、特征点匹配、特征点剔除三个过程。特征点提取和特征点匹配都分别采用成熟的Harris特征点提取算法和相关系数算法。具体的:
(1)特征点提取:
Harris特征点提取算法是由C.harris和 M.j.stephens在1988年提出的一种混合的角点和边缘检测的方法,也叫Plessey角点检测法。这种算法主要通过计算点的曲率及梯度来检测角点。
参见图3所示的一种Harris角点检测的原理示意图,当窗口在图像上移动,平滑的区域窗口在各个方向上没有变化。在边缘上的方向Y轴方向上的灰度没有变化,特征点处窗口在各个方向上都有变化。Harris特征点检测正式利用了这个直观的物理现象,通过窗口在各个方向上的变化程度去定是否为特征点。
特征点算子计算各像素沿小同方向的平均灰度变化,选取最小值作为对应像素点的特征点响应函数。定义在一定范围内具有最大特征点响应的像素点为特征点。
在Harris特征点提取中,假设把 作为自相关函数的特征值(即为局部在图像中分别在x,y方向中的变化曲率或梯度值时),有三种情况需要考虑:
①假如 均很小,这说明局部自相关函数是平缓的(任何方向都变化很小),窗口图像区域是连续均衡的灰度值。即图3中在平滑区域的灰度变化。
②假如 一个高,而另外一个很低。则说明图像正处于一个边界区域。沿着边界的方向发生很小变化,而在另一个方向发生很大的变化。这就是边界,即图3中在边缘区域的灰度变化。
③假如两个特征值均很高。则代表着这种局部的自相关函数已经达到顶峰,图像在任何方向都发生了巨大的变化;这就是特征点。
(2)特征点匹配
特征点匹配所用到的主要测度是相关系数。以每个特征点为中心,定义一定的模板大小来读取待匹配影像数据块,根据和参考影像的初始位置关系来判断该特征点在参考影像的位置,设定一定的搜索半径来读取参考影像数据块,搜索半径要大于模板大小,以供原始影像块在参考影像块范围内进行窗口滑动并进行相关系数计算。参见图4所示的一种特征点匹配示意图,模板f遍历被搜索的g影像;在遍历过程中计算相关系数,寻找最大相关系数的像元。
在统计学中,相关系数它用来表示两个随机变量间的相关性,延伸到图像匹配中,可以用来表示两块相同大小图像间的相似程度。
;
其中,称为两幅图像的相关系数。其中/>,/>为两幅图像的灰度均值,/>,/>为两幅图像的方差,/>为两幅图像对应点相乘后的均值,它们的定义与一般统计理论中定义相同。
相关系数具有以下性质:
①;
②;
③的充要条件是图像X和Y依1线性相关。
可见,相关系数表示了图像X和Y间线性关系的相似程度,相关系数越接近于1或-1时,图像间的线性相似程度越明显。
特征点匹配后,得到的连接点记录的主要信息如下表1所示:
表1
Point_ID表示该连接点的标识,X\Y\Z是通过RPC计算的该点的经纬度坐标和高程,overlap表示在几张影像上有该连接点,Col1和Row1表示连接点在影像1上的像素坐标,Col2和Row2表示连接点在影像2上的像素坐标,Coln和Rown连接点在影像n上的像素坐标和高程。
步骤B2,根据卫星影像分类结果,确定初始连接点在卫星影像中所处的第一区域,并基于第一区域初始连接点进行筛选得到目标连接点。
在一种实施方式中,结合L1级多光谱影像分类结果,剔除落在云区、水区的特征点。具体是计算每个连接点中每一度点(Col1和Row1点、Col2和Row2点...Coln和Rown点)是否落在云区和水区。剔除时存在以下两种情况:
情况一:如果初始连接点在每个卫星影像数据中所处的第一区域均为云区域或水体区域,则剔除初始连接点,也即初始连接点落在所有影像的云区域或水体区域,删除该初始连接点。
情况二:如果初始连接点在部分卫星影像数据中所处的第一区域为云区域或水体区域,则按照如下步骤1至步骤3对初始连接点进行剔除:
步骤1,如果初始连接点在卫星影像数据中所处的第一区域为云区域或水体区域,则将卫星影像数据作为第一影像数据;如果连接点在卫星影像数据中所处的第一区域为云区域或水体区域之外的区域,则将卫星影像数据作为第二影像数据;
步骤2,判断第二影像数据的数量是否为1;
步骤3,如果是,则剔除第一影像数据和第二影像数据中的初始连接点;如果否,则剔除第一影像数据中的初始连接点,并保留第二影像数据中的初始连接点。
在具体实现时,初始连接点落在其中一景或多景影像的云区域或水体区域,删除初始连接点落在云区域或水体区域的那一景或多景影像。如果删除后,初始连接点只在一景影像上,删除该初始连接点;如果初始连接点依然在两景或两景以上影像上,保留该初始连接点。
步骤B3,针对L1级卫星影像数据、参考DOM数据、参考DEM数据进行特征点提取、特征点匹配操作。
在一种实施方式中,控制点是L1级全色影像与参考DOM影像加参考DEM自动匹配出来的同名像点,用于L1级全色影像的绝对定向。控制点的匹配过程包括特征点提取、特征点匹配、特征点剔除三个过程。特征点提取和特征点匹配过程仅匹配对象和连接点不同,特征点提取和匹配算法完全相同,在此不再赘述。
特征点匹配后,得到的控制点记录的主要信息如下表2所示:
表2
Point_ID表示该控制点的标识,X\Y\Z是通过RPC计算的该点的经纬度坐标和高程,Col和Row表示控制点在该影像上的像素坐标,Refname表示参考DOM的影像名,X1\Y1\Z1是控制点在参考DOM数据的经纬度坐标和高程。
步骤B4,根据卫星影像分类结果和参考DOM分类结果,分别确定初始控制点在卫星影像分类结果中所处的第二区域、在参考DOM数据中所处的第三区域,并基于第二区域和第三区域对初始控制点进行筛选得到目标控制点。
在一种实施方式中,控制点的特征点剔除分为两步:第一步结合分类结果剔点,第二步根据有理函数模型剔点。具体的:
第一步结合分类结果剔点:如果控制点在述卫星影像数据中所处的第二区域为云区域或水体区域,或控制点在参考DOM数据中所处的第三区域为云区域或水体区域,则剔除初始控制点得到中间控制点。
在具体实现时,每个特征点分别和卫星影像分类结果、参考DOM分类结果比对,如果任意一方的点落在云区域或水体区域,都需要剔除该点。其中,特征点和卫星影像分类结果比对时,采用的是Col和Row值;特征点和参考DOM分类结果比对时,采用的是X1\Y1值。
第二步根据有理函数模型剔点:通过有理函数模型对中间控制点进行筛选得到目标控制点。
在具体实现时,采用已匹配的特征点,依据最小二乘原理解算补偿参数;并根据得到的补偿有理函数模型计算同名点的残差,剔除误差超限的特征点;重新解算补偿参数;并对上述过程进行迭代计算,直至所有同名点的残差和均方根误差小于设定的某一阈值。
对于前述步骤S108,本发明实施例提供了一种基于目标连接点和目标控制点对卫星影像数据进行全色正射处理,得到正射纠正后全色影像的实施方式,首先对目标连接点和目标控制点对卫星影像数据进行区域网平差处理,得到仿射变换参数,再利用仿射变换参数对卫星影像数据进行全色正射处理,得到正射纠正后全色影像。具体的:
(1)区域网平差处理:
区域网平差的作用是将大范围的连接点和控制点数据进行统一的平差处理,以消除测量误差和提高数据的精度和一致性。本发明实施例中平差算法模型采用基于像方改正的RFM模型,光学卫星影像成像视场角较小,各像元光线接近于平行成像,单景影像产品中的几何误差在像方主要现为低阶线性误差,因此补偿误差采用一阶仿射变换模型,公式如下:
;
;
式中、/>为像方平移定向参数,/>为二维仿射变换参数,/>为改正后的像方坐标,/>、/>为连接点的物方坐标。上述公式综合RFM模型即可得到区域网平差的基本数学模型,公式如下:
;/>
;
在区域网平差过程中,利用自动匹配得到的连接点和控制点迭代计算每景影像的RPC多项式改正参数和连接点的物方坐标以及像方残差,连接点的地面高程值来自该区域的DEM数据;设置一定的像方残差阈值作为终止平差的迭代条件。
RPC多项式改正参数采用仿射变换模型:
;
;
其中,为像点坐标,/>为仿射变换参数。
(2)全色正射处理:
根据有关的参数和数字高程模型(DEM),利用相应的构像方程式或按一定的数学模型,将原始非正射投影的全色影像变换为正射投影的数字影像过程。本发明采用间接法数字微分校正进行全色影像的正射纠正,具体是根据影像的初始RPC参数、RPC多项式改正参数及参考DEM等信息采用RPC模型实现全色影像的快速正射纠正。
间接法数字微分校正的步骤如下:
(2.1)计算地面点坐标:设正射影像上任意一点(像素中心)P的坐标为,由正射影像左下角图廓点地面坐标/>与正射影像比例尺分母M计算P点所对应的地面坐标,公式如下所示:
;
(2.2)计算像点坐标:应用适当的几何校正模型计算原始影像上相应像点坐标,高程值由DEM内插求得。
(2.3)灰度重采样:由于所求得的像点坐标不一定正好落在像元中心,为此必须进行灰度重采样,取得像点p的灰度值。
(2.4)灰度赋值:最后将像点p的灰度值赋给校正后像元P,即:
;
依次对每个像元进行上述运算,即能获得校正后的数字影像(也即正射纠正后全色影像)。
对于前述步骤S110,本发明实施例提供了一种根据卫星影像数据、正射纠正后全色影像和参考DEM数据生成初始配准点,并利用卫星影像分类结果对初始配准点进行筛选,得到目标配准点的实施方式,参见如下步骤C1至步骤C3:
步骤C1,根据卫星影像数据、正射纠正后全色影像和参考DEM数据生成初始配准点。
在一种实施方式中,配准点是L1级多光谱影像与正射纠正后全色影像加参考DEM数据自动匹配出来的同名像点,用于L1级多光谱影像的绝对定向。
配准点生成包括特征点提取、特征点匹配、特征点剔除三个过程。特征点提取和特征点匹配过程仅匹配对象和控制点不同,特征点提取和匹配算法完全相同,在此不再赘述。
特征点匹配后,得到的配准点记录的主要信息如下表3所示:
表3
Point_ID表示该配准点的标识,X\Y\Z是通过RPC计算的该点的经纬度坐标和高程,Col和Row表示配准点在该影像上的像素坐标,Panname表示全色的影像名,X1\Y1\Z1是控制点在参考DOM的经纬度坐标和高程,Col1和Row1表示配准点在全色影像上的像素坐标。
配准点的特征点剔除分为两步:第一步结合分类结果剔点(也即步骤C2),第二步根据有理函数模型剔点(也即步骤C3)。
步骤C2,根据卫星影像分类结果,确定初始配准点在卫星影像中所处的第四区域,如果配准点在述卫星影像数据中所处的第四区域为云区域或水体区域,则剔除初始配准点得到中间配准点。
在一种实施方式中,每个特征点仅和卫星影像分类结果比对,如果落在云区域或水体区域,需要剔除该点。具体是分别采用Col和Row值、Col1和Row1与卫星影像分类结果比对。
步骤C3,通过有理函数模型对中间配准点进行筛选得到目标配准点,该过程和控制点的剔除过程一样,在此不再赘述。
对于前述步骤S112,本发明实施例提供了一种基于目标配准点对卫星影像数据进行多光谱正射处理,得到正射纠正后多光谱影像的实施方式,多光谱正射处理的具体过程和前述全色正射处理的具体过程一样,本发明实施例对此不在进行赘述。
对于前述步骤S114,本发明实施例提供了一种对正射纠正后全色影像和正射纠正后多光谱影像进行融合处理得到融合后影像,基于卫星影像分类结果对融合后影像进行颜色增强处理得到目标影像的实施方式,参见如下步骤D1至步骤D2:
步骤D1,对正射纠正后全色影像和正射纠正后多光谱影像进行融合处理得到融合后影像。
在一种实施方式中,实现正射纠正后全色影像和正射纠正后多光谱影像的融合。影像融合的目标在于提高影像空间分辨率、改善影像几何精度、增强特征显示能力、改善分类精度、提供变化检测能力、替代或修补影像数据的缺陷等。本发明实施例采用PanSharp算法。该算法比较简洁,运算时间主要包括两部分时间:参数计算和融合计算,其运算速度和HIS相当,比PCA主成分分析快得多。PanSharp算法在多光谱各波段的基础上,加入高频分量,多光谱各波段图像统计值保持不变,所以多光谱影像的光谱特性得到了很好的保持。
PanSharp算法的前提是认为多光谱成像***和全色波段成像***为线性***。或者说,全色波段灰度值可有相对应波谱范围内相应多光谱影像/>线性叠加表示。即:
;
算法过程包括图像统计和最小二乘估计两个过程。其中:
(1)图像统计:主要是统计全色影像和多光谱影像直方图、灰度均值、灰度方差等统计值。(2)最小二乘估计:采用通过上述公式,利用最小二乘估计,解求全色影像与灰度影像的线性组合关系。
步骤D2,基于卫星影像分类结果对融合后影像进行颜色增强处理得到目标影像。
在实际应用中,实现融合后影像的降位和增强、并修改波段顺序为RGB。其中,降位是把融合数据降到8bit;增强是绿波段中增加近红外信息,从而形成更加接近真实世界地物色彩的影像。本发明实施例中,植被的信息是从分类图层中获取。
具体参见如下步骤D2-1至步骤D2-4:
步骤D2-1,根据融合后影像中每个像素点对应的红波段值,确定每个像素点对应的真彩色R值。
在一例中,R值计算公式如下所示:R=B3/4。
步骤D2-2,根据融合后影像中每个像素点对应的蓝波段指,确定每个像素点对应的真彩色B值。
在一例中,B值计算公式如下所示:B=B1/4。
步骤D2-3,根据卫星影像分类结果确定每个像素点所处的第五区域;如果第五区域为植被区域,则根据融合后影像中像素点对应的绿波段值和近红外波段值,确定像素点对应的真彩色G值;或者,如果第五区域为植被区域之外的区域,则根据融合后影像中像素点对应的绿波段值,确定像素点对应的真彩色G值。
在一例中,对于非植被区域的像素点,其G值计算公式如下所示:G=B2/4。
在一例中,对于植被区域的像素点,其G值计算公式如下所示:G=(0.9 * B2 + 0.1* B4)/ 4。
其中,B1、B2、B3、B4分别表示蓝波段、绿波段、红波段和近红外波段。
步骤D2-4,将真彩色R值、真彩色B值和真彩色G值赋予融合后影像,以对融合后影像进行颜色增强处理得到目标影像。
进一步的,本发明实施例提供了如图5所示的另一种基于分类的卫星影像自动处理方法的流程示意图,该方法主要包括:创建工程、影像分类、连接点生成、控制点生成、区域网平差、全色正射、配准点生成、多光谱正射、影像融合、真彩色等步骤,图5示意出在连接点生成、控制点生成、配准点生成的匹配方法中均增加了分类结果,还示意出在真彩色步骤中根据分类结果对植被区域进行了增强。
本发明实施例提供的基于分类的卫星影像自动处理方法,提出在常规的L1级卫星影像数据自动化生产的基础上,增加了分类信息,以提升了影像的平差精度及匀色效果。为了验证本发明实施例的效果,采用100景对GF2数据,分别使用常规自动化处理和加了分类的自动化处理进行测试,数据信息如下表4所示:
表4
/>
参见图6所示的一种测试结果对比示意图,经过试验验证,本发明实施例提出的基于分类的卫星影像自动处理方法,能提升自动化处理的精度和真彩色效果。
在前述实施例的基础上,本发明实施例提供了一种基于分类的卫星影像自动处理装置,参见图7所示的一种基于分类的卫星影像自动处理装置的结构示意图,该装置主要包括以下部分:
数据获取模块702,用于获取待处理的卫星影像数据、参考DOM数据和参考DEM数据;
分类模块704,用于分别对卫星影像数据中多光谱和参考DOM数据进行分类处理,得到卫星影像分类结果和参考DOM分类结果;
连接点及控制点确定模块706,用于根据卫星影像数据、参考DOM数据和参考DEM数据生成初始连接点和初始控制点,并利用卫星影像分类结果和参考DOM分类结果,对初始连接点和初始控制点进行筛选,得到目标连接点和目标控制点;
全色正射模块708,用于基于目标连接点和目标控制点对卫星影像数据进行全色正射处理,得到正射纠正后全色影像;
配准点确定模块710,用于根据卫星影像数据、正射纠正后全色影像和参考DEM数据生成初始配准点,并利用卫星影像分类结果对初始配准点进行筛选,得到目标配准点;
多光谱正射模块712,用于基于目标配准点对卫星影像数据进行多光谱正射处理,得到正射纠正后多光谱影像;
颜色增强模块714,用于对正射纠正后全色影像和正射纠正后多光谱影像进行融合处理得到融合后影像,基于卫星影像分类结果对融合后影像进行颜色增强处理得到目标影像。
本发明实施例提供的基于分类的卫星影像自动处理装置,在卫星影像处理流程中引入分类机制,基于卫星影像分类结果和参考DOM分类结果对初始连接点、初始控制点和初始配准点进行筛选,对于存在大量水体、云等低质量的影像,可以减少匹配误差,提升自动化处理正确率,另外还利用卫星影像分类结果提升融合后影像的真彩色效果,以得到真彩色效果较佳的目标影像。
在一种实施方式中,分类模块704还用于:
确定卫星影像数据中每个像素点对应的第一云指数、第一水体指数和第一植被指数;
将第一云指数、第一水体指数和第一植被指数分别与预设阈值进行比对,以识别卫星影像数据中包含的云区域、水体区域和植被区域,得到卫星影像分类结果;
以及,确定参考DOM数据中每个像素点对应的第二云指数、第二水体指数和第二植被指数;
将第二云指数、第二水体指数和第二植被指数分别与预设阈值进行比对,以识别参考DOM数据中包含的云区域、水体区域和植被区域,得到参考DOM分类结果。
在一种实施方式中,连接点及控制点确定模块706还用于:
根据卫星影像分类结果,确定初始连接点在卫星影像中所处的第一区域,并基于第一区域初始连接点进行筛选得到目标连接点;
以及,根据卫星影像分类结果和参考DOM分类结果,分别确定初始控制点在卫星影像分类结果中所处的第二区域、在参考DOM数据中所处的第三区域,并基于第二区域和第三区域对初始控制点进行筛选得到目标控制点。
在一种实施方式中,连接点及控制点确定模块706还用于:
如果初始连接点在每个卫星影像数据中所处的第一区域均为云区域或水体区域,则剔除初始连接点;
或者,如果初始连接点在卫星影像数据中所处的第一区域为云区域或水体区域,则将卫星影像数据作为第一影像数据;如果连接点在卫星影像数据中所处的第一区域为云区域或水体区域之外的区域,则将卫星影像数据作为第二影像数据;
判断第二影像数据的数量是否为1;
如果是,则剔除第一影像数据和第二影像数据中的初始连接点;如果否,则剔除第一影像数据中的初始连接点,并保留第二影像数据中的初始连接点。
在一种实施方式中,连接点及控制点确定模块706还用于:
如果控制点在述卫星影像数据中所处的第二区域为云区域或水体区域,或控制点在参考DOM数据中所处的第三区域为云区域或水体区域,则剔除初始控制点得到中间控制点;
通过有理函数模型对中间控制点进行筛选得到目标控制点。
在一种实施方式中,配准点确定模块710还用于:
根据卫星影像分类结果,确定初始配准点在卫星影像中所处的第四区域;
如果配准点在述卫星影像数据中所处的第四区域为云区域或水体区域,则剔除初始配准点得到中间配准点;
通过有理函数模型对中间配准点进行筛选得到目标配准点。
在一种实施方式中,颜色增强模块714还用于:
根据融合后影像中每个像素点对应的红波段值,确定每个像素点对应的真彩色R值;
以及,根据融合后影像中每个像素点对应的蓝波段指,确定每个像素点对应的真彩色B值;
以及,根据卫星影像分类结果确定每个像素点所处的第五区域;如果第五区域为植被区域,则根据融合后影像中像素点对应的绿波段值和近红外波段值,确定像素点对应的真彩色G值;或者,如果第五区域为植被区域之外的区域,则根据融合后影像中像素点对应的绿波段值,确定像素点对应的真彩色G值;
将真彩色R值、真彩色B值和真彩色G值赋予融合后影像,以对融合后影像进行颜色增强处理得到目标影像。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法 。
图8为本发明实施例提供的一种电子设备的结构示意图,该电子设备100包括:处理器80,存储器81,总线82和通信接口83,所述处理器80、通信接口83和存储器81通过总线82连接;处理器80用于执行存储器81中存储的可执行模块,例如计算机程序。
其中,存储器81可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。通过至少一个通信接口83(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线82可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器81用于存储程序,所述处理器80在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器80中,或者由处理器80实现。
处理器80可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器80中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器80可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器81,处理器80读取存储器81中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见前述方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于分类的卫星影像自动处理方法,其特征在于,包括:
获取待处理的卫星影像数据、参考DOM数据和参考DEM数据;
分别对所述卫星影像数据中多光谱和所述参考DOM数据进行分类处理,得到卫星影像分类结果和参考DOM分类结果;
根据所述卫星影像数据、所述参考DOM数据和所述参考DEM数据生成初始连接点和初始控制点,并利用所述卫星影像分类结果和所述参考DOM分类结果,对所述初始连接点和所述初始控制点进行筛选,得到目标连接点和目标控制点;
基于所述目标连接点和所述目标控制点对所述卫星影像数据进行全色正射处理,得到正射纠正后全色影像;
根据所述卫星影像数据、所述正射纠正后全色影像和所述参考DEM数据生成初始配准点,并利用所述卫星影像分类结果对所述初始配准点进行筛选,得到目标配准点;
基于所述目标配准点对所述卫星影像数据进行多光谱正射处理,得到正射纠正后多光谱影像;
对所述正射纠正后全色影像和所述正射纠正后多光谱影像进行融合处理得到融合后影像,基于所述卫星影像分类结果对所述融合后影像进行颜色增强处理得到目标影像。
2.根据权利要求1所述的基于分类的卫星影像自动处理方法,其特征在于,分别对所述卫星影像数据中多光谱和所述参考DOM数据进行分类处理,得到卫星影像分类结果和参考DOM分类结果的步骤,包括:
确定所述卫星影像数据中每个像素点对应的第一云指数、第一水体指数和第一植被指数;
将所述第一云指数、所述第一水体指数和所述第一植被指数分别与预设阈值进行比对,以识别所述卫星影像数据中包含的云区域、水体区域和植被区域,得到卫星影像分类结果;
以及,确定所述参考DOM数据中每个像素点对应的第二云指数、第二水体指数和第二植被指数;
将所述第二云指数、所述第二水体指数和所述第二植被指数分别与所述预设阈值进行比对,以识别所述参考DOM数据中包含的云区域、水体区域和植被区域,得到参考DOM分类结果。
3.根据权利要求1所述的基于分类的卫星影像自动处理方法,其特征在于,利用所述卫星影像分类结果和所述参考DOM分类结果,对所述初始连接点和所述初始控制点进行筛选,得到目标连接点和目标控制点的步骤,包括:
根据所述卫星影像分类结果,确定所述初始连接点在所述卫星影像中所处的第一区域,并基于所述第一区域所述初始连接点进行筛选得到目标连接点;
以及,根据所述卫星影像分类结果和所述参考DOM分类结果,分别确定所述初始控制点在所述卫星影像分类结果中所处的第二区域、在所述参考DOM数据中所处的第三区域,并基于所述第二区域和所述第三区域对所述初始控制点进行筛选得到目标控制点。
4.根据权利要求3所述的基于分类的卫星影像自动处理方法,其特征在于,基于所述第一区域所述初始连接点进行筛选得到目标连接点的步骤,包括:
如果所述初始连接点在每个所述卫星影像数据中所处的第一区域均为云区域或水体区域,则剔除所述初始连接点;
或者,如果所述初始连接点在所述卫星影像数据中所处的第一区域为云区域或水体区域,则将所述卫星影像数据作为第一影像数据;如果所述连接点在所述卫星影像数据中所处的第一区域为云区域或水体区域之外的区域,则将所述卫星影像数据作为第二影像数据;
判断所述第二影像数据的数量是否为1;
如果是,则剔除所述第一影像数据和所述第二影像数据中的所述初始连接点;如果否,则剔除所述第一影像数据中的所述初始连接点,并保留所述第二影像数据中的所述初始连接点。
5.根据权利要求3所述的基于分类的卫星影像自动处理方法,其特征在于,基于所述第二区域和所述第三区域对所述初始控制点进行筛选得到目标控制点的步骤,包括:
如果所述控制点在所述卫星影像数据中所处的第二区域为云区域或水体区域,或所述控制点在所述参考DOM数据中所处的第三区域为云区域或水体区域,则剔除所述初始控制点得到中间控制点;
通过有理函数模型对所述中间控制点进行筛选得到目标控制点。
6.根据权利要求1所述的基于分类的卫星影像自动处理方法,其特征在于,利用所述卫星影像分类结果对所述初始配准点进行筛选,得到目标配准点的步骤,包括:
根据所述卫星影像分类结果,确定所述初始配准点在所述卫星影像中所处的第四区域;
如果所述配准点在所述卫星影像数据中所处的第四区域为云区域或水体区域,则剔除所述初始配准点得到中间配准点;
通过有理函数模型对所述中间配准点进行筛选得到目标配准点。
7.根据权利要求1所述的基于分类的卫星影像自动处理方法,其特征在于,基于所述卫星影像分类结果对所述融合后影像进行颜色增强处理得到目标影像的步骤,包括:
根据所述融合后影像中每个像素点对应的红波段值,确定每个像素点对应的真彩色R值;
以及,根据所述融合后影像中每个像素点对应的蓝波段指,确定每个像素点对应的真彩色B值;
以及,根据所述卫星影像分类结果确定每个所述像素点所处的第五区域;如果所述第五区域为植被区域,则根据所述融合后影像中所述像素点对应的绿波段值和近红外波段值,确定所述像素点对应的真彩色G值;或者,如果所述第五区域为植被区域之外的区域,则根据所述融合后影像中所述像素点对应的绿波段值,确定所述像素点对应的真彩色G值;
将所述真彩色R值、所述真彩色B值和所述真彩色G值赋予所述融合后影像,以对所述融合后影像进行颜色增强处理得到目标影像。
8.一种基于分类的卫星影像自动处理装置,其特征在于,包括:
数据获取模块,用于获取待处理的卫星影像数据、参考DOM数据和参考DEM数据;
分类模块,用于分别对所述卫星影像数据中多光谱和所述参考DOM数据进行分类处理,得到卫星影像分类结果和参考DOM分类结果;
连接点及控制点确定模块,用于根据所述卫星影像数据、所述参考DOM数据和所述参考DEM数据生成初始连接点和初始控制点,并利用所述卫星影像分类结果和所述参考DOM分类结果,对所述初始连接点和所述初始控制点进行筛选,得到目标连接点和目标控制点;
全色正射模块,用于基于所述目标连接点和所述目标控制点对所述卫星影像数据进行全色正射处理,得到正射纠正后全色影像;
配准点确定模块,用于根据所述卫星影像数据、所述正射纠正后全色影像和所述参考DEM数据生成初始配准点,并利用所述卫星影像分类结果对所述初始配准点进行筛选,得到目标配准点;
多光谱正射模块,用于基于所述目标配准点对所述卫星影像数据进行多光谱正射处理,得到正射纠正后多光谱影像;
颜色增强模块,用于对所述正射纠正后全色影像和所述正射纠正后多光谱影像进行融合处理得到融合后影像,基于所述卫星影像分类结果对所述融合后影像进行颜色增强处理得到目标影像。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410051274.7A CN117575970B (zh) | 2024-01-15 | 2024-01-15 | 基于分类的卫星影像自动处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410051274.7A CN117575970B (zh) | 2024-01-15 | 2024-01-15 | 基于分类的卫星影像自动处理方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117575970A true CN117575970A (zh) | 2024-02-20 |
CN117575970B CN117575970B (zh) | 2024-04-16 |
Family
ID=89862604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410051274.7A Active CN117575970B (zh) | 2024-01-15 | 2024-01-15 | 基于分类的卫星影像自动处理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575970B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855628A (zh) * | 2012-08-20 | 2013-01-02 | 武汉大学 | 多源多时相高分辨率卫星遥感影像自动匹配方法 |
CN103148870A (zh) * | 2013-03-01 | 2013-06-12 | 国家测绘地理信息局卫星测绘应用中心 | 基于高精度配准控制点的卫星ccd阵列影像几何检校方法 |
CN107144293A (zh) * | 2017-04-07 | 2017-09-08 | 武汉大学 | 一种视频卫星面阵相机的几何定标方法 |
CN107688818A (zh) * | 2016-08-05 | 2018-02-13 | 中国电力科学研究院 | 一种基于卫星遥感影像特征分析的路径智能选择方法及*** |
KR101928391B1 (ko) * | 2017-07-17 | 2018-12-12 | 서울시립대학교 산학협력단 | 다중분광 영상과 레이더 영상의 융합방법 및 장치 |
CN109492606A (zh) * | 2018-11-26 | 2019-03-19 | 上海同繁勘测工程科技有限公司 | 多光谱矢量图获取方法及***、三维单体化方法及*** |
CN111044076A (zh) * | 2019-12-11 | 2020-04-21 | 中国资源卫星应用中心 | 基于参考底图的高分一号b卫星几何检校方法 |
CN111986074A (zh) * | 2020-07-20 | 2020-11-24 | 深圳市中正测绘科技有限公司 | 一种真正射影像制作方法、装置、设备及存储介质 |
CN112393714A (zh) * | 2020-11-25 | 2021-02-23 | 国网安徽省电力有限公司电力科学研究院 | 一种基于无人机航拍与卫星遥感融合的影像校正方法 |
CN112700545A (zh) * | 2020-12-31 | 2021-04-23 | 中科星通(廊坊)信息技术有限公司 | 一种遥感数据的模拟展示***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*** |
CN113408506A (zh) * | 2021-08-20 | 2021-09-17 | 航天宏图信息技术股份有限公司 | 一种静止卫星全天时云检测方法及装置 |
CN113706387A (zh) * | 2021-09-23 | 2021-11-26 | 重庆市农业科学院 | 一种适合低山丘陵地区农作物提取遥感底图的获取方法 |
CN113781342A (zh) * | 2021-07-06 | 2021-12-10 | 自然资源部国土卫星遥感应用中心 | 一种海量多源光学遥感影像快速正射纠正管理方法 |
US20220215620A1 (en) * | 2021-01-06 | 2022-07-07 | Eagle Technology, Llc | Geospatial modeling system providing 3d geospatial model update based upon predictively registered image and related methods |
CN115311556A (zh) * | 2022-07-20 | 2022-11-08 | 昆明理工大学 | 一种用于自然资源管理的遥感影像处理方法及*** |
CN115761303A (zh) * | 2022-10-19 | 2023-03-07 | 国网电力空间技术有限公司 | 基于机载激光雷达点云和遥感影像数据的地物分类方法 |
US20230094679A1 (en) * | 2019-09-09 | 2023-03-30 | Aerospace Information Research Institute, Chinese Academy Of Sciences | Satellite Image Sequence Cloud Region Repairing Method and Apparatus |
US20230102712A1 (en) * | 2021-09-27 | 2023-03-30 | Wuhan University | Method of fully autonomous geometric calibration for linear-array remote sensing satellites |
WO2023088487A1 (zh) * | 2021-11-22 | 2023-05-25 | 中移(成都)信息通信科技有限公司 | 一种高光谱影像正摄校正方法及装置、存储介质 |
KR102540762B1 (ko) * | 2022-10-14 | 2023-06-14 | 대한민국 | 위성영상을 이용한 저수지 모니터링 방법 |
-
2024
- 2024-01-15 CN CN202410051274.7A patent/CN117575970B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855628A (zh) * | 2012-08-20 | 2013-01-02 | 武汉大学 | 多源多时相高分辨率卫星遥感影像自动匹配方法 |
CN103148870A (zh) * | 2013-03-01 | 2013-06-12 | 国家测绘地理信息局卫星测绘应用中心 | 基于高精度配准控制点的卫星ccd阵列影像几何检校方法 |
CN107688818A (zh) * | 2016-08-05 | 2018-02-13 | 中国电力科学研究院 | 一种基于卫星遥感影像特征分析的路径智能选择方法及*** |
CN107144293A (zh) * | 2017-04-07 | 2017-09-08 | 武汉大学 | 一种视频卫星面阵相机的几何定标方法 |
KR101928391B1 (ko) * | 2017-07-17 | 2018-12-12 | 서울시립대학교 산학협력단 | 다중분광 영상과 레이더 영상의 융합방법 및 장치 |
CN109492606A (zh) * | 2018-11-26 | 2019-03-19 | 上海同繁勘测工程科技有限公司 | 多光谱矢量图获取方法及***、三维单体化方法及*** |
US20230094679A1 (en) * | 2019-09-09 | 2023-03-30 | Aerospace Information Research Institute, Chinese Academy Of Sciences | Satellite Image Sequence Cloud Region Repairing Method and Apparatus |
CN111044076A (zh) * | 2019-12-11 | 2020-04-21 | 中国资源卫星应用中心 | 基于参考底图的高分一号b卫星几何检校方法 |
CN111986074A (zh) * | 2020-07-20 | 2020-11-24 | 深圳市中正测绘科技有限公司 | 一种真正射影像制作方法、装置、设备及存储介质 |
CN112393714A (zh) * | 2020-11-25 | 2021-02-23 | 国网安徽省电力有限公司电力科学研究院 | 一种基于无人机航拍与卫星遥感融合的影像校正方法 |
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*** |
CN112700545A (zh) * | 2020-12-31 | 2021-04-23 | 中科星通(廊坊)信息技术有限公司 | 一种遥感数据的模拟展示***及方法 |
US20220215620A1 (en) * | 2021-01-06 | 2022-07-07 | Eagle Technology, Llc | Geospatial modeling system providing 3d geospatial model update based upon predictively registered image and related methods |
CN113781342A (zh) * | 2021-07-06 | 2021-12-10 | 自然资源部国土卫星遥感应用中心 | 一种海量多源光学遥感影像快速正射纠正管理方法 |
CN113408506A (zh) * | 2021-08-20 | 2021-09-17 | 航天宏图信息技术股份有限公司 | 一种静止卫星全天时云检测方法及装置 |
CN113706387A (zh) * | 2021-09-23 | 2021-11-26 | 重庆市农业科学院 | 一种适合低山丘陵地区农作物提取遥感底图的获取方法 |
US20230102712A1 (en) * | 2021-09-27 | 2023-03-30 | Wuhan University | Method of fully autonomous geometric calibration for linear-array remote sensing satellites |
WO2023088487A1 (zh) * | 2021-11-22 | 2023-05-25 | 中移(成都)信息通信科技有限公司 | 一种高光谱影像正摄校正方法及装置、存储介质 |
CN115311556A (zh) * | 2022-07-20 | 2022-11-08 | 昆明理工大学 | 一种用于自然资源管理的遥感影像处理方法及*** |
KR102540762B1 (ko) * | 2022-10-14 | 2023-06-14 | 대한민국 | 위성영상을 이용한 저수지 모니터링 방법 |
CN115761303A (zh) * | 2022-10-19 | 2023-03-07 | 国网电力空间技术有限公司 | 基于机载激光雷达点云和遥感影像数据的地物分类方法 |
Non-Patent Citations (6)
Title |
---|
DADIYORTO WENDI,ET AL: "An innovative approach to improve SRTM DEM using multispectral imagery and artificial neural network", JOURNAL OF ADVANCES IN MODELING EARTH SYSTEMS, vol. 8, no. 2, 13 April 2016 (2016-04-13), pages 691 - 702 * |
岳淑英等: "基于已有DOM/DEM的卫星影像快速处理与应用", 科技资讯, no. 11, 13 April 2016 (2016-04-13), pages 4 - 5 * |
张力等: "多源光学卫星影像匹配及精准几何信息提取", 测绘科学, no. 06, 12 April 2019 (2019-04-12), pages 96 - 104 * |
樊文锋等: "高分二号卫星影像正射纠正精度分析", 测绘通报, no. 09, 25 September 2016 (2016-09-25), pages 63 - 66 * |
郑云云等: "实践9号卫星影像的正射纠正方法改进", 测绘与空间地理信息, no. 09, 25 September 2018 (2018-09-25), pages 89 - 92 * |
韩秀珍等: "风云三号D星真彩色影像合成方法研究及应用", 海洋气象学报, no. 02, 15 May 2019 (2019-05-15), pages 13 - 23 * |
Also Published As
Publication number | Publication date |
---|---|
CN117575970B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105976330B (zh) | 一种嵌入式雾天实时视频稳像方法 | |
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 | |
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*** | |
CN106096563A (zh) | 植物自动识别***和方法 | |
CN112001374B (zh) | 一种高光谱影像的云检测方法和装置 | |
CN111797744B (zh) | 一种基于共现滤波算法的多模态遥感图像匹配方法 | |
CN110207592A (zh) | 建筑裂缝测量方法、装置、计算机设备和存储介质 | |
CN107240130B (zh) | 遥感影像配准方法、装置及*** | |
CN114972191A (zh) | 一种耕地变化检测方法和装置 | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
CN112179294A (zh) | 一种土地校对方法、装置以及*** | |
JP4003465B2 (ja) | 特定パターン認識方法、特定パターン認識プログラム、特定パターン認識プログラム記録媒体および特定パターン認識装置 | |
CN116758223A (zh) | 基于双角度多光谱图像的三维多光谱点云重建方法、***及设备 | |
CN111985314A (zh) | 一种基于ViBe与改进LBP的烟雾检测方法 | |
CN112288726B (zh) | 一种井下带式输送机带面异物检测方法 | |
CN117575970B (zh) | 基于分类的卫星影像自动处理方法、装置、设备及介质 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN116129280B (zh) | 一种遥感影像雪检测的方法 | |
CN110298347B (zh) | 一种基于GrayWorld与PCA-CNN的汽车尾气分析仪屏幕的识别方法 | |
CN111178200A (zh) | 一种仪表盘指示灯的识别方法及计算设备 | |
CN115511928A (zh) | 多光谱图像的匹配方法 | |
CN113516059B (zh) | 固体废弃物的识别方法、装置、电子设备及存储介质 |
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 |