CCD 几何偏差模型的多波段遥感影像配准

多波段光学遥感影像配准是遥感卫星地面预处理中的关键环节,其精度决定了遥感数据产品的质量.一般使用波段间图像灰度相关匹配来实现多波段影像的配准.然而,该类方法的配准精度受地物特征影响较大,海面、港口、沙漠等地物特征不明显存在影像无法配准的现象.本文以北京一号(BJ-1) 小卫星多光谱影像的波段配准为研究对象,建立多波段线阵CCD 各探元在CCD 扫描方向和卫星飞行方向的几何偏差模型,来计算多波段影像间同名像元在图像行和列方向上的位置偏差,进而拟合出一个固定的波段配准模型来实现多波段影像的亚像元配准.该方法已应用于BJ-1 和DMC_UK2 小卫星多光谱影像的地面预处理波段配准中,配准误差小于0.5 像元,具有良好的应用效果.     

遥感影像深度学习配准方法综述

遥感影像配准是指通过几何变换使两景或多景影像空间位置对齐的过程，是影像融合、变化检测、农业监测等应用的重要预处理步骤。近年来，深度学习引起了人们的广泛关注，并在遥感影像配准中成功应用。本文在简要介绍传统遥感影像配准方法的基础上，重点分析了深度学习在基于区域的配准方法、基于特征的配准方法两方面取得的重要进展，分享了用于遥感影像配准的公开数据集，并总结了深度学习在遥感影像配准中的机遇与挑战。     

森林资源监测中GF-2卫星影像波段配准误差分析

通过对GF-2卫星影像正射校正及波段模拟配准误差试验,分析GF-2卫星正射校正方法的选择以及不同配准误差下对GF-2卫星影像自动分类结果的影响;最后介绍GF-2遥感影像在森林资源监测应用中的初步测试。研究结果表明:正射校正时,当校正精度要求控制在RMS2时,控制点数量选择范围在85~95间较为合理,且控制点数在90个时,RMS值最小;经有理函数模型与卫片模型比较后,卫片模型校正精度较高;以目视判读为主时,实践中建议使用三次卷积重采样法输出结果最好;波段模拟配准误差试验中,配准误差与各地类面积变化间存在显著的线性关系;对于森林面积监测时,配准误差应小于0.3个像元。此研究可为新型国产卫星数据在森林资源监测中的应用提供参考。     

一种考虑云层影响的遥感影像波段配准方案

对高光谱遥感影像中运动云层对波段配准的影响进行了分析,结合灰度拉伸和形态学空间运算提出了一种新的在影像有云条件下高光谱影像多波段配准算法。结合算法设计了较为稳定的多波段配准方案;利用Python编程开发实现了原型系统,并将原型系统在珠海一号高光谱卫星数据上进行了实验。结果表明,系统具有良好的效果。     

遥感影像的高精度自动配准

在影像数据融合、动态变化监测等遥感影像集成分析和应用中,将来自不同传感器、不同时相获取的影像高精度快速配准是其中的关键技术之一。本文提出了一种不同传感器、不同空间分辨率影像配准的全自动方法,并实际用于ＳＰＯＴ（全色）和ＴＭ（多波段）影像的配准,其精度、可靠性和效率等均明显优于传统的人工方法。     

利用多光谱影像检测资源三号卫星平台震颤

卫星平台震颤是影响高分辨率卫星成像质量的因素之一,会引起影像模糊和内部畸变。本文从资源三号卫星多光谱相机的成像特点和多光谱影像配准误差影响因素入手,理论推导和仿真分析了卫星平台震颤对配准误差的影响规律,在此基础上提出了基于多光谱影像高精度密集匹配的平台震颤检测方法和流程,最后利用不同波段、不同时间的成像数据进行试验。试验结果表明资源三号卫星在试验数据成像阶段存在约0.6Hz的平台震颤,且垂轨方向震颤幅值大于沿轨方向,同时引起波段间相同频率周期性配准误差。检测结果为进一步提高资源三号处理精度提供了可能,也为卫星平台震颤源的分析和优化卫星平台设计提供了重要参考依据。     

宽河道线性基元无人机遥感影像镶嵌配准方法

无人机遥感影像由于数量多、单张覆盖空间范围小、几何变形大以及河道内缺少配准控制点等特点,传统的基于特征点的影像镶嵌配准方法在宽河道无人机遥感影像镶嵌配准应用中受到限制.论文根据河道内线性地物丰富的特点,提出基于线性特征的无人机遥感影像镶嵌配准方法.该方法以线性地物边缘直线段为配准基元,通过MIHT算法估算待配准影像与基准影像的变换模型参数.试验结果表明,该方法很好地满足了宽河道无人机遥感影像镶嵌配准的要求,为沿河地质灾害调查提供了影像质量保证.     

环境一号A星CCD影像2级产品几何质量分析

几何质量是遥感影像产品在行业应用中的基础和关键。以Google Earth为参考,对环境一号A星CCD影像2级产品进行几何质量对比分析研究,提出几何定位精度、地面采样距离、波段配准精度3个几何质量评估指标,并对长时间、多纬度序列数据进行几何质量统计分析。结果表明,同景产品4个波段各几何质量评估指标基本一致;长时间、多纬度序列数据几何定位精度随时间、纬度变化而随机变化,地面采样距离随时间、纬度变化围绕真实分辨率微小变动,波段配准精度随时间、纬度变化总体趋于稳定。     

一种基于改进SIFT算法的遥感影像配准方法

本文首先分析了传统SIFT算法在遥感影像配准应用中存在的不足,从特征点匹配精度上进行了改进。通过分析SIFT特征点匹配的主要误差来源,逐步消除可能误差,提取尽可能多且精准的匹配点对。接下来利用该匹配点对作为配准用控制点对,分别对不同时相、不同分辨率遥感影像进行仿射变换和小面元微分纠正配准。最后与传统SIFT算法进行比较,试验结果表明本文算法具有更高的匹配精度。     

基于土地覆盖图斑的多时相遥感影像自动配准方法

针对点、面方法仅利用了遥感影像几何特征和部分波段的灰度特征进行多时相遥感影像配准的不足,本文提出了一种利用稳定土地覆盖图斑的多时相遥感影像自动配准新方法,充分利用遥感影像多光谱信息和大量存在的稳定土地覆盖图斑信息进行图像配准,并且选取了土地覆盖年际变化最为强烈的农业种植区作为实验区,分别利用了同一传感器和不同传感器不同时相的遥感数据开展了实验研究。两次试验中,配准精度分别达到了0.57个像元、0.65个像元。实验结果表明,本文提出的方法能够有效地筛选出满足图像配准的同名图斑,具有较高的配准精度和适用性,提高了遥感影像的配准效率。     

高分二号卫星遥感影像制图适用性分析

遥感影像制图是高分辨率卫星数据应用的主要方面之一。针对高分二号卫星影像制图流程,本文讨论了影响制图效果的几个关键因素,包括自然真彩色波段合成方式、人眼分辨率与打印分辨率（DPI）的关系、卫星影像空间分辨率与制图比例尺的关系。实践证明,这些处理方法在高分辨率遥感影像制图工作应用中取得了良好的效果。     

基于SIFT特征的遥感影像自动配准

遥感影像的自动配准是长期以来一直未能很好解决的一个重要问题。本文将视频图像匹配中获得巨大成功的SIFT（Scale Invariant Feature Transform）特征应用于遥感影像的自动配准问题中，并且针对遥感影像的成像特点，给出了一种具体的特征匹配方法。对航空和航天遥感影像在不同的变形、不同的光照变化和不同的分辨率下进行的大量实验表明，该方法具有稳定、可靠、快速等特点。     

高分辨率遥感影像滤波算法综述

高分辨率卫星影像空间分辨率高,地物结构纹理信息突出,常用于土地利用监测、自然灾害预报等领域,但其所含的背景噪声影响了影像识别和分析的有效性和可靠性,因此,选取合适的滤波方法消除各种噪声成为遥感影像处理的首要任务。在遥感技术发展的几十年中,研究者们针对各种噪声类型已发展了多种滤波方法。本文分析了高分辨率遥感影像噪声的特点,介绍了一些传统的滤波算法和近年来广泛应用的新型滤波方法,并深入探讨各种滤波器的性能及其优缺点,为今后选择合适的算法消除高分辨率遥感影像噪声提供参考,最后对遥感影像滤波方法的发展前景进行了展望。     

多传感器影像配准中基于虚拟匹配窗口的SIFT算法

提出了一种基于虚拟匹配窗口的SIFT算法,通过构建虚拟匹配窗口,增大SIFT特征点之间的尺度相似性,提高了匹配的几率;并通过与最小二乘法和双线性内插法的结合完成自动配准。文中选取角度和尺度偏差较大的SPOT-5(P)与TM影像进行实验,结果表明,配准精度小于一个像素。     

高分辨率卫星遥感影像姿态角系统误差检校

简要介绍高分辨率卫星遥感影像的严格几何处理模型,提出较为严密的影像姿态角系统误差检校模型。通过对SPOT-5、CBERS-02B两种卫星遥感影像的试验证实模型的正确性和方法的有效性。对影像姿态角系统误差进行补偿后,可明显提高卫星遥感影像对地目标定位的精度,且优于影像姿态角常差检校的效果,目标点平面定位精度达到了±(2～3)像素的水平。     

结合nDSM的高分辨率遥感影像深度学习分类方法

针对高分辨率遥感影像因其地物类内差异大、光谱信息相对欠缺导致现有影像分类方法存在错分现象较多、地物边界残缺不完整等问题，本文提出了一种归一化数字表面模型（nDSM）约束的高分辨率遥感影像深度学习分类方法。首先，将nDSM数据作为附加波段叠加在遥感影像上并获取训练样本；然后，利用优化的U-Net网络进行模型训练得到最优模型；最后，利用最优模型对附加了nDSM波段的遥感影像进行地物分类。试验结果表明，本文方法引入nDSM数据用于U-Net模型训练和分类，可有效提高影像分类精度，得到更加真实可靠的分类结果。     

面向对象与卷积神经网络模型的GF-6 WFV影像作物分类

GF-6 WFV影像是中国首颗带有红边波段的中高分辨率8波段多光谱卫星的遥感影像,对于其影像及红边波段对作物分类影响的研究利用亟待展开。本文结合面向对象和深度学习提出一种适用于GF-6 WFV红边波段的卷积神经网络(RE-CNN)遥感影像作物分类方法。首先采用多尺度分割和ESP工具选择最佳分割参数完成影像分割,通过面向对象的CART决策树消除椒盐现象的同时提取植被区域,并转化为卷积神经网络的输入数据,最后基于Python和Numpy库构建的卷积神经网络模型(RE-CNN)用于影像作物分类及精度验证。有无红边波段的两组分类实验结果表明:在红边波段组,卷积神经网络(RE-CNN)作物分类识别取得了较好的效果,总体精度高达94.38%,相比无红边波段组分类精度提高了2.83%,验证了GF-6 WFV红边波段对作物分类的有效性。为GF-6 WFV红边波段影像用于作物的分类研究提供技术参考和借鉴价值。