一种高分辨率光学卫星遥感影像直线匹配算法

高分辨率光学卫星遥感影像直线自动匹配算法的具体流程包括:进行影像尺度调整,对影像进行边缘提取,采用Hough变换提取直线;同时基于直线几何特征和灰度特征提取同名直线,利用Hough变换模型,将线转换为参数空间中的点,并建立转换模型;最后采用RANSAC算法剔除错误同名直线,以获取最终的匹配结果。实验结果表明,本文提出的算法能显著提高影像同名直线提取的数量和精度,特别是对异源影像具有抗噪能力强、鲁棒性好等特点。     

异源高分辨率光学卫星遥感影像联合定位

本文提出一种基于RFM和投影射线法的异源高分辨率光学卫星遥感影像定位算法:首先利用高分辨率遥感影像RFM正解模型迭代计算其反解模型;接着通过RFM正反解模型构建投影射线,最后采用迭代求取射线交点的方法确定地面三维实际坐标。实验对比结果表明,联合具有一定重叠度的异源高分辨率光学卫星遥感影像进行立体定位具有较强的可行性,并可达到一定的精度。     

基于APEX的遥感影像高分辨率重建

近年来对遥感影像的研究大多针对多幅影像进行处理,但由于满足多幅重建的影像获取困难且算法复杂,本文提出了一种基于APEX算法的新的遥感影像高分辨重建方法,这种方法可以利用单幅影像进行重建,减轻了数据的获取和处理难度。采用spot-5影像进行了重建实验,结果表明,该方法能够有效地提高遥感影像的分辨率,从而达到改善影像质量的目的。     

高分辨率遥感影像几何纠正方法

在对某些地区的高分辨率卫星影像进行几何校正时,由于地形等因素影响难以寻找控制点,从而导致控制点较少且分布不均匀,影响了校正精度。针对这些问题,对线阵推扫式的高分辨率遥感影像的特点进行了分析,提出了利用直线这种更高级的几何特征对影像进行几何校正的方法;构建空间直线矢量,提出了基于空间直线矢量的多项式几何校正模型;并利用SPOT5高分辨率卫星影像数据对该校正模型进行精度验证。     

一种新的异源高分辨率光学卫星遥感影像自动匹配算法

提出一种新的异源高分辨率光学卫星遥感影像自动匹配方法.首先利用高分辨率光学遥感影像有理多项式模型(RFM)正解模型,通过迭代计算其反解模型,并将RFM反解模型与投影轨迹法结合提取特征点对应异源影像核线,通过核线检查与对比分析确定同名点搜索范围.然后在搜索范围内利用最小欧式距离准则提取初始同名点,最后采用RANSAC算法和多项式拟合迭代法剔除误匹配点以获取最终的匹配结果.试验结果表明,相对于传统的SIFT算法,本文方法通过对异源影像特征点构建核线几何约束和灰度分析进行匹配,可获取更好的匹配效率和精度.     

高分辨率光学卫星影像线段融合方法

针对高分辨率光学卫星影像线段断裂问题,基于不同方法线段提取结果优势互补的思想,提出一种简单的线段融合方法。首先,从边缘提取、边缘跟踪入手,对不同方法试验结果进行对比分析,以此验证融合不同方法线段提取结果的必要性;其次,选取边缘提取、边缘跟踪差异性较大的两种线段提取方法作为融合基元,并对戴激光等提出的线段提取方法进行了改进;然后,通过相位分组、端点约束、拓扑约束,构建不同方法线段的匹配模型;最后,依据线段长度优先的原则,建立线段融合决策模型。通过多幅不同类型、不同大小、不同覆盖区域的高分辨率光学卫星影像试验结果对比分析,本文方法相对于其他方法,具有线段结果完整度高的优势。     

基于形态重建的高分辨率遥感影像城市道路提取

根据城市道路在高分辨率遥感影像中的形态特性,提出一种基于形态重建的提取方法。试验结果表明,该方法能有效地从高分辨率遥感影像中提取出城市道路网。     

高分光学遥感影像全参照质量评价指标对比研究

影像质量评价对遥感影像处理起着非常重要的作用。本文在论述当前常用全参照遥感影像质量评价指标的基础上,选用IKONOS,TM,SPOT,QuickBird四幅光学影像作为实验原数据,首先对各影像添加不同程度的高斯白噪声和降质重采样处理,然后以原数据作为全参照进行统计对比分析,验证信息熵、清晰度、均方误差、峰值信噪比、结构相似度5个常用影像质量评价指标的可靠性。通过对实验结果的分析与总结,得出了一些有益结论,可为光学遥感影像的选取与处理提供参考。     

国产高分辨率遥感影像农村公路核查方法及其应用

传统的农村公路核查需要人工实地抽查或通过GNSS设备进行信息采集验核,存在成本高、效率低等问题。遥感影像具有成像范围广、时效性高、成本低、能客观反映现实情况等优点。相比于传统方法,将遥感影像引入农村公路核查,能客观、准确、高效地对农村公路相关信息进行核查。本文基于国产高分辨率遥感影像,结合农村公路遥感核查业务,采用遥感影像道路提取算法,设计并实现了一种农村公路核查方法。将本方法应用于某中部省份农村公路遥感核查业务,实际应用表明该方法能有效提高现有农村公路遥感核查的工作效率。     

高分光学遥感影像在铁路勘察中的应用及展望

为促进我国铁路勘察设计领域高分光学遥感影像的应用,结合当前铁路勘察设计工作的特点,系统总结了高分光学影像的发展及其在地理信息产品生产、地质勘察和环境影响评价分析等方面的应用现状,指出面向铁路勘察设计的高分影像应用存在的问题,提出未来的研究重点是建立适应于铁路勘察设计特点的遥感影像高精度的处理和智能信息提取与解译、业务应用等方面,以期形成高效的光学遥感卫星铁路勘察设计应用体系。     

面向对象的高分辨率遥感影像阴影提取方法

针对高分辨率遥感影像阴影提取的问题,通过分析影像主成分变换和HIS变换的特征,提出了一种面向对象的高分辨率遥感影像阴影提取方法:首先,使用mean shift分割方法进行影像去噪和平滑;然后,结合主成分变换和HIS变换形成了一种阴影检测指数(SDI);最后,通过阈值分割提取阴影信息。选取两景影像进行了阴影提取实验。实验结果表明,SDI能有效地区分阴影与建筑物、水体、蓝色地物、植被等非阴影地物;另外,mean shift分割能有效地去除结果中斑点噪声的影响,提高阴影检测精度。     

高分辨率遥感影像建筑物分级提取

高分辨率遥感影像建筑物信息自动提取是遥感应用研究中的一个热点问题,但由于受到成像条件不同、背景地物复杂、建筑物类型多样等多个因素的影响使得建筑物的自动提取仍然十分困难。为此,在综合考虑影像光谱、几何与上下文特征的基础上,提出了一种基于面向对象与形态学相结合的高分辨率遥感影像建筑物信息分级提取方法。该方法首先利用影像的多尺度及多方向Gabor小波变换结果提取建筑物特征点;然后采用面向对象的思想构建空间投票矩阵来度量每一个像素点属于建筑物区域的概率,从而提取出建筑物区域边界;最后在提取的建筑物区域内应用形态学建筑物指数实现建筑物信息的自动提取。实验结果表明,本文方法能够高效、高精度地完成复杂场景下的建筑物信息提取,且提取结果的正确性和完整性都优于效果较好的PanTex算法。     

面向对象的高分辨率遥感影像地理要素提取

应用面向对象影像分类方法进行空间目标特征提取和分析,实现利用遥感影像建立与更新地理空间数据库,对于正在进行的数字城市建设和国情监测具有重要的意义和作用。本文阐述了高空间分辨率影像特征提取的关键技术,采用面向对象的特征提取技术和影像分类方法,开展了基于ADS40航空影像的地理要素提取实验,获得了比较满意的专题信息。     

高分辨率光学遥感卫星反射点源像点提取方法

像点提取精度是高分辨光学遥感卫星几何定标精度的关键因素之一。本文提出一种基于轻小型、自动化反射点源的像点提取方法,以参数化高斯模型拟合获取点源影像的像点坐标。在轨试验结果初步表明,反射点源法所提取的像点坐标的共线误差小于0.001像素,比例常量的相对标准偏差优于5‰,与质心法等常用方法提取的点源像点坐标相比较,精度优于0.05像素。反射点源不仅能够实现高精度的像点提取,而且还能够实现高分辨率光学遥感卫星的高精度几何定标与像质评价,对提高我国航天遥感立体测绘精度具有重要意义。     

多特征约束的高分辨率光学遥感影像道路提取

针对复杂场景中的遥感影像道路提取问题,论文提出了一种多特征约束的影像道路提取方法,并开展了论文方法可行性论证。该方法首先,根据道路宽度的先验知识以及道路的几何特征,提出一种改进的线段二次提取模型,利用线段长度和道路宽度确定候选道路种子点集;其次,输入道路结构信息,基于道路辐射特征对候选道路种子点进行整体匹配评价;再次,当候选道路种子无法符合辐射特征要求时,提出一种浅色机动车检测模型,以此将浅色机动车结果作为道路上下文特征,利用道路上下文特征对候选道路种子点进行分析;然后,构建道路拓扑分析模型,依据道路拓扑特征对候选道路种子点进行最终验证;最后,对提取道路种子点进行优化处理,并提出道路跟踪及拟合方法。通过不同复杂场景、不同分辨率高分辨率遥感影像下开展的不同方法实验结果对比分析表明,相对于其他商用软件ECognition和Erdas的方法,本方法自动化程度更高,运行效率高,适用于解决道路类型多样化、几何光谱噪声大的复杂场景道路提取问题。     

基于高分辨率遥感影像的车道线提取

车道线是自动驾驶高精度地图的组成部分,利用车载摄像头和激光雷达提取车道线的研究已经比较深入。本文探讨了利用高分辨率遥感影像提取车道线的方法。首先依据直方图原则选取合适的阈值进行二值化分割,其次利用道路中线形成的缓冲区去除道路范围外的要素,然后利用形态学算子去除噪声,最后利用方向和面积因子提取不同的车道线。该方法可以降低数据采集的成本,提高采集效率。     

多源高分辨率遥感影像自动匹配算法

提出一种基于同名直线约束的多源高分辨率遥感影像自动匹配方法。对影像建立高斯滤波模型去噪,然后进行边缘检测,在边缘影像上进行Hough变换,通过端点检测的方法来获取直线;通过粗匹配参数进行同名直线粗匹配,应用梯度模型对同名直线进行精匹配;对影像提取特征点,特征点经过同名直线约束后,在对应影像上利用同名直线约束建立匹配范围。采用最小欧式距离准则在给定范围内提取初始同名点;利用RANSAC算法剔除错误同名点对,以获取最终的匹配结果。实验结果表明,与传统的SIFT匹配算法比较,方法具有可靠性好、提取同名点数量多的优点。     

异源高分辨率遥感影像的三维重建

针对在实际应用中难以获得同源高分辨率遥感影像,利用同源高分辨率影像实现高精度、自动化的三维重建仍存在一定困难的现状,该文提出一种利用异源高分辨率遥感影像进行三维重建的方法。采用尺度不变特征变换算法对影像进行匹配以获取同名点,并使用随机抽样一致性算法剔除低精度匹配点;然后利用获取的同名点构建Delaunay三角网;接着根据有理函数反解模型和投影射线联合定位算法解算各个同名点的三维坐标;最后基于Delaunay三角网内插技术求取地物点的高程值,并基于OpenGL技术实现三维显示。试验结果表明,利用该方法可以实现异源高分辨率遥感影像的三维重建,精度上能够满足生产需求。     

卷积神经网络在高分遥感影像分类中的应用

针对目前应用于高分辨率遥感影像分类的常用算法,其精度已无法满足大数据环境下的分类要求的问题,该文提出了卷积神经网络分类算法。卷积神经网络模型降低了因图像平移、比例缩放、倾斜或者共他形式的变形而引起的误差。在大数据环境下,采用卷积神经网络算法对高分辨率遥感影像进行分类,避免了特征提取和分类过程中数据重建的复杂度,提高了分类精度。通过实验比对分析,证明了卷积神经网络在高分辨率遥感影像分类中的可行性及精度优势,对遥感图像处理领域等相关工作提供了参考价值。     

Accuracy assessment of high resolution satellite imagery orientation by leave-one-out method

Interest in high-resolution satellite imagery (HRSI) is spreading in several application fields, at both scientific and commercial levels. Fundamental and critical goals for the geometric use of this kind of imagery are their orientation and orthorectification, processes able to georeference the imagery and correct the geometric deformations they undergo during acquisition. In order to exploit the actual potentialities of orthorectified imagery in Geomatics applications, the definition of a methodology to assess the spatial accuracy achievable from oriented imagery is a crucial topic.In this paper we want to propose a new method for accuracy assessment based on the Leave-One-Out Cross-Validation (LOOCV), a model validation method already applied in different fields such as machine learning, bioinformatics and generally in any other field requiring an evaluation of the performance of a learning algorithm (e.g. in geostatistics), but never applied to HRSI orientation accuracy assessment.The proposed method exhibits interesting features which are able to overcome the most remarkable drawbacks involved by the commonly used method (Hold-Out Validation — HOV), based on the partitioning of the known ground points in two sets: the first is used in the orientation–orthorectification model (GCPs — Ground Control Points) and the second is used to validate the model itself (CPs — Check Points). In fact the HOV is generally not reliable and it is not applicable when a low number of ground points is available.To test the proposed method we implemented a new routine that performs the LOOCV in the software SISAR, developed by the Geodesy and Geomatics Team at the Sapienza University of Rome to perform the rigorous orientation of HRSI; this routine was tested on some EROS-A and QuickBird images. Moreover, these images were also oriented using the world recognized commercial software OrthoEngine v. 10 (included in the Geomatica suite by PCI), manually performing the LOOCV since only the HOV is implemented.The software comparison guaranteed about the overall correctness and good performances of the SISAR model, whereas the results showed the good features of the LOOCV method.