卫星遥感影像的区域正射纠正

针对大区域卫星影像正射纠正所面临的问题,提出了利用平面平差的方法来求解卫星影像定向参数然后进行区域正射纠正的策略。该方案能够保证大区域卫星影像正射纠正后绝对定位精度以及相邻影像接边处相对定位精度的一致性。通过资源三号测绘卫星正视全色影像的实验表明,仅利用少量平面精度为5m的地面控制点,大区域影像经过平面平差后独立检查点的平面精度优于7m,满足了我国1∶5万地形图的精度要求。此外,利用平面平差后每景影像的定向参数进行区域正射纠正,相邻影像接边处连接点的像方精度优于0.5个像素,达到了几何上无缝镶嵌的程度。     

IKONOS影像正射纠正

论述了IKONOS影像数字正射纠正的理论与方法，并用实际数据验证了其正确性，最后在JX4 DPW及JX Mono软件中实现了该算法。     

Pleiades卫星图像正射纠正方法

Pleiades卫星图像是一种应用时间尚短的新型遥感图像,目前还缺少对其专用的正射纠正处理方法。为此,以湖北省大冶—阳新地区的6景Pleiades图像为例,在Visual Studio 2008环境下,采用C#语言开发了针对Pleiades图像有理多项式系数(rational polynomial coefficients,RPC)文件格式的转换软件包,用于将Pleiades图像的RPC文件格式转换为IKONOS图像的RPC文件格式,并采用ERDAS9.2中的IKONOS图像的正射纠正模型对其进行纠正。该方法解决了对Pleiades图像进行正射纠正所需要解决的相关问题,开发的RPC文件转换程序可以用于批量的Pleiades卫星RPC文件格式转换,提高了转换效率和准确性,为大规模应用Pleiades图像奠定了基础。     

山地地区高分卫星影像正射纠正

随着国内外对地观测卫星技术的不断进步,山地地区高分卫星影像获取能力大幅提升。针对山地区域高分卫星影像云雾多、成像阴影多、纠正位置精度控制难等问题,该文提出山地区域高分卫星正射纠正生产方案。试验证明,经过大气校正、可视化的地形修复等处理后可解决薄雾去除和影像扭曲变形等问题;同时,GPU并行计算可实现影像快速融合、控制点自动选择等操作,提高生产效率,可为山地区域高分卫星影像快速处理提供参照。     

高分遥感影像Geoeye-1正射纠正研究

针对一景Geoeye-1高分辨率卫星影像,采用RPC模型对其进行正射纠正处理.实验表明,在4角点布设控制点方案下,采用独立的检查点进行检查,纠正精度达0.335m,能够满足国家1∶10000比例尺正射影像的更新要求.     

高分辨率遥感影像正射纠正的DEM修复技术

介绍了高分辨率商用卫星遥感影像正射处理的一般原理及方法,对不同的布点方案下的DOM纠正精度进行分析,以提高正射影像生产的精度及生产效率。同时,针对DOM现势性不够以及特殊区域的扭曲变形问题,探索进行DEM技术修复的方法,从而提高DOM产品的成图质量,在DOM生产中具有重要的实际应用价值。     

一种资源一号卫星影像的正射纠正方法

针对传统遥感软件处理影像数据正射纠正时控制点精度不高的问题,提出了一种快速、精确正射纠正的改进方案。该方法首先利用PCI、ArcGIS与ERDAS软件相兼容的特点,通过PCI影像处理软件对实验区阳原县高分辨率遥感卫星影像CBERDS-02C进行正射纠正,得出控制点精度残差结果;然后利用ArcGIS软件对纠正后影像进行精度改进;最后在ERDAS影像处理软件中选取同名点对影像纠正精度改进后效果进行验证。实验结果表明:通过对比分析精度改善前后控制点残差结果,在ArcGIS软件中对精度改进是切实可行的。     

高分辨率TerraSAR-X影像正射纠正方法研究

针对新型高分辨率TerraSAR-X影像产品格式进行深入解析,利用野外实测的高精度控制点数据对定位模型参数进行优化,对TerraSAR-X影像正射纠正过程进行设计与实现。选取江苏省姜堰市高分辨率(1 m)聚束式TerraSAR-X影像,验证了算法的有效性。     

遥感影像正射纠正的GPU-CPU协同处理研究

提出了一种基于CUDA的遥感影像正射纠正GPU-CPU协同处理方法,以实现重采样操作的GPU细粒度并行化。根据GPU的并行结构和硬件特点,采用执行配置优化技术提高warp占有率,利用共享存储器优化减少对效率低下的全局存储器中坐标变换系数的重复访问,通过纹理存储器代替全局存储器优化对原始影像数据的访问。实验结果表明,并行算法能够充分发挥GPU的并行处理能力,利用GeForce 9500 GT显卡,对大小为6 000像素×6 000像素的全色影像进行多项式纠正对比实验,最邻近灰度内插重采样和双线性灰度内插重采样的最终加速比分别能够达到8倍和10倍以上。     

以SRTM-DEM为控制的光学卫星遥感立体影像正射纠正

针对全球测图缺少统一的控制基准的问题,提出了利用SRTM-DEM作为控制基准,对光学卫星遥感影像进行正射纠正的方法。首先,对光学卫星影像构建的立体影像对进行自由网平差并制作DEM;然后,以SRTM-DEM作为控制,将DEM作为单元模型,进行独立模型法DEM区域网平差,获得单元模型的定向参数;最后,改正立体影像的成像几何模型参数,进行正射纠正。选取湖北咸宁和江西某地两个测区的资源三号数据进行试验,试验结果表明,资源三号正视全色影像的平面定向精度由12.93像素提高到6.85像素。     

利用流水线技术的遥感影像并行处理

针对现有的OpenMP和直接的线程并行法难以对遥感影像处理链进行加速的问题,引入流水线概念对复杂的功能链进行并行加速,提出了基于流水线技术的遥感影像并行处理方法。影像处理实验验证了流水线在遥感影像多级连续处理方面的优势。     

联合概率密度空间的遥感自适应变化检测方法

多种因素引起的辐射特征变化,将造成阈值法变化检测的误检。对此,本文提出了一种联合概率密度空间的多阈值自适应变化检测方法。首先,将影像从像素空间转化到联合概率密度空间,将变化地物定义为联合概率密度空间的离群点,并采用迭代方法将其提取,然后映射回原始影像后确定变化区域。选取两种典型应用进行试验,结果表明,本文方法在正确率、误检率和漏检率方面优于传统方法,具有较好的稳健性。     

多核处理器的机载激光雷达点云并行三角网渐进加密滤波方法

滤波是机载LiDAR点云数据处理的关键步骤之一,点云数据的海量化特性使得一般的串行化滤波处理方法无法满足快速成图的应用需求。提出一种基于多核计算技术的并行三角网渐进加密滤波方法,将串行方法中最耗时的三角网构建与脚点判别过程进行了并行化改造。三角网构建算法的并行化基于分治法实现,脚点判别算法的并行化采用一种随机分配策略将三角网划分为多个离散分布的三角形子集合来实现负载均衡。并行滤波方法在8核环境下多次渐进加密的实际加速比达到3.1左右。试验证明,该方法可以充分发挥多核计算优势,并且对不同分布形态点云数据具有良好的适应性。     

基于像素工厂的海量遥感卫星影像处理方法

像素工厂是当今世界一流的遥感影像自动化处理系统,具有超强的影像处理能力,可以自动处理多种传感器的海量数据,生产各种基础地理信息成果。高分一号卫星是中国高分辨率对地观测系统的第一颗卫星,为经济社会发展建设提供丰富的影像资源。本文以国产高分一号卫星影像数据为基础数据源,结合实际生产,探索了一套基于像素工厂系统的高效处理高分一号卫星影像的关键技术及工艺流程。     

多边形间空间关系查询的异构多核架构并行算法

目前在空间关系查询中常用的Plane Sweep算法是一种串行算法,在处理海量空间数据时效率较低,而已有的并行计算方法对于普通的计算机并不适用。本文针对这个问题,提出了一种多边形间空间关系查询的异构多核架构并行算法,该算法先利用STR树索引过滤掉不相交的多边形,然后将过滤后的多边形数据集合分解为点集合和边集合,并对其构建四叉树索引;在保证数据浮点运算精度符合要求的情况下,利用GPU强大的批量运算能力快速处理边与边的相交情况并据此逐步计算得到环间的拓扑关系,再根据环间拓扑关系计算得到多边形间的维度扩展九交模型(DE-9IM)参数值;根据DE-9IM参数值与空间关系查询条件相比对,输出查询结果。最后通过试验验证了算法的准确性与高效性。     

大规模遥感影像全球金字塔并行构建方法

金字塔模型是大规模遥感影像可视化的基础,是在保证精度的前提下,采用不同分辨率的数据来提高渲染速度,从而在网络环境下实现大规模数据共享、服务和辅助决策支持。在构造金字塔的过程中,由于遥感数据经常会突破内存的容量,同时会产生大量的小瓦片,小瓦片存贮非常耗时,传统的串行算法很难满足应用需求。本文提出了一种并行大规模遥感影像的全球金字塔构造算法,利用图形处理器(graphics processing unit, GPU)的高带宽完成费时的重采样计算,使用多线程实现数据的输入和输出,在普通的计算机上实现大规模影像的全球金字塔的快速构建。首先,采用二级分解策略突破GPU、CPU和磁盘的存储瓶颈;然后,利用多线程策略加速数据在内存和磁盘之间的传输,并采用锁页内存来消除GPU全局延迟的影响;最后,用GPU完成大规模的并行重采样计算,并利用四叉树策略提高显存中数据的重复利用率。实验结果表明,本文方法可以明显地提高全球金字塔的构造速度。     

利用Douglas-Peucker并行算法在多核处理器上实时综合地图线要素

Douglas-Peucker算法是线要素简化的经典算法,针对其存在大量计算、难以做到实时的缺点,运用并行技术实现Douglas-Peucker算法,并在多核处理器的计算机上进行实验,验证了并行算法的效率与实时性。     

Computationally Efficient Mean-Shift Parallel Segmentation Algorithm for High-Resolution Remote Sensing Images

In high-resolution remote sensing image processing, segmentation is a crucial step that extracts information within the object-based image analysis framework. Because of its robustness, mean-shift segmentation algorithms are widely used in the field of image segmentation. However, the traditional implementation of these methods cannot process large volumes of images rapidly under limited computing resources. Currently, parallel computing models are generally employed for segmentation tasks with massive remote sensing images. This paper presents a parallel implementation of the mean-shift segmentation algorithm based on an analysis of the principle and characteristics of this technique. To avoid the inconsistency on the boundaries of adjacent data chunks, we propose a novel buffer-zone-based data-partitioning strategy. Employing the proposed data-partitioning strategy, two intensively computation steps are performed in parallel on different data chunks. The experimental results show that the proposed algorithm effectively improves the computing efficiency of image segmentation in a parallel computing environment. Furthermore, they demonstrate the practicality of massive image segmentation when computer resources are limited.