[go: up one dir, main page]

CN115082805B - 一种光学卫星遥感影像数字表面模型提取方法及系统 - Google Patents

一种光学卫星遥感影像数字表面模型提取方法及系统

Info

Publication number
CN115082805B
CN115082805B CN202210590032.6A CN202210590032A CN115082805B CN 115082805 B CN115082805 B CN 115082805B CN 202210590032 A CN202210590032 A CN 202210590032A CN 115082805 B CN115082805 B CN 115082805B
Authority
CN
China
Prior art keywords
disparity
image
point
candidate
value
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
CN202210590032.6A
Other languages
English (en)
Other versions
CN115082805A (zh
Inventor
杨文环
李庆鹏
王小燕
龙小祥
张华伟
林丽
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.)
China Survey Surveying And Mapping Technology Co ltd
Original Assignee
China Survey Surveying And Mapping Technology 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 China Survey Surveying And Mapping Technology Co ltd filed Critical China Survey Surveying And Mapping Technology Co ltd
Priority to CN202210590032.6A priority Critical patent/CN115082805B/zh
Publication of CN115082805A publication Critical patent/CN115082805A/zh
Application granted granted Critical
Publication of CN115082805B publication Critical patent/CN115082805B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Nonlinear Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种光学卫星遥感影像数字表面模型提取方法及系统，包括：对每个像点采用Census测度方法得到每个像点的匹配代价信息；根据每个像点的匹配代价信息基于最小代价路径的匹配代价聚合得到每个像点的候选视差值集合；从每个像点的候选视差值集合中选取最大支持度的候选视差值为每个像点的最终视差值，根据每个像点的最终视差值得到视差图；对视差图进行精化处理得到精化后的视差图；基于精化后的视差图和预设影像RPC参数，通过空间前方交会得到物方点云，对物方点云通过格网化处理得到光学卫星遥感影像数字表面模型。本发明大幅降低了计算冗余，提高了处理效率。

Description

一种光学卫星遥感影像数字表面模型提取方法及系统
技术领域
本发明属于遥感数据处理技术领域，尤其涉及一种光学卫星遥感影像数字表面模型提取方法及系统。
背景技术
密集匹配(Dense Matching)在光学卫星遥感影像数字表面模型(DigitalSurface Model,DSM)提取的核心环节，匹配结果与匹配效率直接决定最终的作业成果质量和作业效率。密集匹配通常可分为代价计算、代价聚合、视差计算和视差优化四部分。按照代价聚合的策略不同，可分为局部方法和(半)全局方法。相较于局部方法，(半)全局方法计算复杂，可靠性更高。2008年经典的半全局匹配方法(Semi-Global Matching,SGM)提出以来，其利用多路径一维代价聚合近似实现二维代价聚合，兼顾匹配精度与效率，在DSM提取等领域得到了广泛应用，目前也已被Geomatica、Inpho、ERDAS IMAGING、RPC StereoProcessor(RSP)、MicMac及SURE等业内领先的遥感影像处理软件所采用。
SGM中代价聚合根据邻域点匹配代价和平滑项更新当前点匹配代价，通过多个一维方向代价聚合，实现二维平滑约束。该策略需要对所有像素的所有候选视差值对应的匹配代价进行聚合处理，以单路径代价聚合为例，其计算量为n×D，n为单路径像素数目，D为视差范围，SGM中的代价聚合策略将单个像素的视差范围内的所有视差值同等对待，存在大量的计算冗余，特别是当视差范围较大时，严重影响匹配效率。
发明内容
本发明解决的技术问题是：克服现有技术的不足，提供了一种光学卫星遥感影像数字表面模型提取方法及系统，解决了半全局密集匹配存在大量计算冗余，导致密集匹配耗时较长，DSM提取作业效率低的问题。
本发明目的通过以下技术方案予以实现：一种光学卫星遥感影像数字表面模型提取方法，包括：对每个像点采用Census测度方法得到每个像点的匹配代价信息；根据每个像点的匹配代价信息基于最小代价路径的匹配代价聚合得到每个像点的候选视差值集合；从每个像点的候选视差值集合中选取最大支持度的候选视差值为每个像点的最终视差值，根据每个像点的最终视差值得到视差图；对视差图进行精化处理得到精化后的视差图；基于精化后的视差图和预设影像有理多项式参数，通过空间前方交会得到物方点云，对物方点云通过格网化处理得到光学卫星遥感影像数字表面模型。
上述光学卫星遥感影像数字表面模型提取方法中，所述Census测度方法为：以两模板内对应的像点与各自中心像点间灰度值的大小关系的二值化信息构建特征空间，从而得到两个Census序列，而后以Census序列间的汉明距离为相似测度。
上述光学卫星遥感影像数字表面模型提取方法中，若某像点的灰度值大于等于中心像点灰度值，则该像点在特征空间的取值为1，否则为0。
上述光学卫星遥感影像数字表面模型提取方法中，根据每个像点的匹配代价信息基于最小代价路径的匹配代价聚合得到每个像点的候选视差值集合包括：对于每个像点，通过确定每个像点的8邻域方向上的最小代价路径，获取每个像点的8领域方向上的候选视差值，形成每个像点的候选视差值集合。
上述光学卫星遥感影像数字表面模型提取方法中，最小代价路径通过如下公式得到：
其中，L为最小代价路径，i为路径上一点，n为路径上点数，j为相邻两像点之间的连线，ci为像点i选定视差值的匹配代价，cj为相邻两像点选定视差值时的平滑值。
上述光学卫星遥感影像数字表面模型提取方法中，从每个像点的候选视差值集合中选取最大支持度的候选视差值为每个像点的最终视差值包括：先统计每个像点候选视差值集合中每个视差候选值的支持度，而后采用WTA策略，选择支持度最大的候选视差值作为每个像点的最终视差值。
上述光学卫星遥感影像数字表面模型提取方法中，每个视差候选值的支持度为：每个候选视差值与其他候选视差值的差值绝对值之和的倒数作为每个候选视差值的支持度。
上述光学卫星遥感影像数字表面模型提取方法中，所述精化处理包括：中值滤波、左右一致性检测、孤点检测与内插。
上述光学卫星遥感影像数字表面模型提取方法中，空间前方交会的数学模型通过如下公式得到：
其中，(ln，sn)为像点的归一化像方坐标，(UV，W)为物方点的归一化物方坐标；
NumL(U，V，W)＝a1+a2V+a3U+a4W+a5VU+a6VW+a7UW+asV2+a9U2+a10W2+a11VUW+a12V3+a13VU2+a14VW2+a15V2U+a16U3+a17UW2+a18V2W+a19U2W+a20W3；
DenL(U，V，W)＝b1+b2V+b3U+b4W+b5VU+b6VW+b7UW+b8V2+b9U2+b10W2+b11VUW+b12V3+b13VU2+b14VW2+b15V2U+b16U3+b17UW2+b18V2W+b19U2W+b20W3；
NumS(U，V，W)＝c1+c2V+c3U+c4W+c5VU+c6VW+c7UW+csV2+c9U2+c10W2+c11VUW+c12V3+c13VU2+c14VW2+c15V2U+c16U3+c17UW2+c18V2W+c19U2W+c20W3；
DenS(U，V，W)＝d1+d2V+d3U+d4W+d5VU+d6VW+d7UW+d8V2+d9U2+d10W2+d11VUW+d12V3+d13VU2+d14VW2+d15V2U+d16U3+d17UW2+d18V2W+d19U2W+d20W3；
其中，NumL(U，V，W)、DenL(U，V，W)、NumS(U，V，W)和Dens(U，V，W)均为物方点的归一化物方坐标的多项式，aq、bq、cq和dq均为影像有理多项式参数，其中，q＝1、2、…、20，q为下标。
一种光学卫星遥感影像数字表面模型提取系统，包括：第一模块，用于对每个像点采用Census测度方法得到每个像点的匹配代价信息；第二模块，用于根据每个像点的匹配代价信息基于最小代价路径的匹配代价聚合得到每个像点的候选视差值集合；第三模块，用于每个像点的候选视差值集合中选取最大支持度的候选视差值为每个像点的最终视差值，根据每个像点的最终视差值得到视差图；第四模块，用于对视差图进行精化处理得到精化后的视差图；第五模块，用于基于精化后的视差图和预设影像RPC参数，通过空间前方交会得到物方点云，对物方点云通过格网化处理得到光学卫星遥感影像数字表面模型。
本发明与现有技术相比具有如下有益效果：
本发明使视差图计算复杂度不再与视差范围相关，大幅降低了计算冗余，提高了处理效率。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例提供的光学卫星遥感影像数字表面模型提取方法的流程示意图；
图2是本发明实施例提供的Census匹配代价示意图；
图3是本发明实施例提供的最小代价路径示意图；
图4是本发明实施例提供的点云格网化示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
图1是本发明实施例提供的光学卫星遥感影像数字表面模型提取方法的流程示意图。如图1所示，该方法包括如下步骤：
步骤1：对每个像点采用Census测度方法得到每个像点的匹配代价信息。
采用Census测度逐像点计算其在视差范围内每一个视差值对应的匹配代价，获取所有像点在所有视差范围内的匹配代价。
步骤2：根据每个像点的匹配代价信息基于最小代价路径的匹配代价聚合得到每个像点的候选视差值集合。
对于单个像素，通过分别确定其8邻域方向上的最小代价路径，获取其8领域方向上的候选视差值，形成该像素的候选视差值集合，逐像素处理完毕后得到所有像素的候选视差值集合。
步骤3：从每个像点的候选视差值集合中选取最大支持度的候选视差值为每个像点的最终视差值，根据每个像点的最终视差值得到视差图。
对于单个像素在代价聚合后得到的候选视差值集合，以单个视差值与其余视差值之间的差值的绝对值累加值，作为该视差值的支持度，之后采用“赢者通吃”(Winner TakeAll,WTA)的策略，选择支持度最大的候选视差值作为该像素的最终视差值，逐像素处理完毕后得到视差图。
步骤4：对视差图进行精化处理得到精化后的视差图。
采用中值滤波等策略，对视差图中的噪点进行精化处理，得到精化后的视差图。
步骤5：基于精化后的视差图和预设影像有理多项式参数(Rational PolynomialCoefficients，RPC)，通过空间前方交会得到物方点云，对物方点云通过格网化处理得到光学卫星遥感影像数字表面模型。
具体的，匹配代价计算：
匹配代价用于衡量两点在相应特征空间的相似性，采用Census测度计算。如图2所示，Census以两模板内对应点与各自中心点间灰度值的大小关系的二值化信息构建特征空间，从而得到两个Census序列，而后以Census序列间的汉明距离为相似测度。若某点的灰度值大于等于中心点灰度值，则该点在特征空间的取值为1，否则为0。
基于最小代价路径的代价聚合：
最小代价路径指单条聚合路径上点与点之间连线的代价值之和最小，如下式所示：
其中，中，L为最小代价路径，i为路径上一点，n为路径上点数，j为相邻两点之间的连线，ci为点i选定视差值的匹配代价，cj为相邻两点选定视差值时的平滑值。
如图3所示，与SGM代价聚合策略相同，MCP单路径起始点p视差值采用其最小匹配代价对应的视差值d0。但与SGM对当前路径此后每个点的所有视差候选值对应的匹配代价均进行聚合不同，MCP仅从后点q的d0,d0+1,d0-1及dc四个视差候选值中选择最小代价路径，其中dc为点q最小匹配代价对应的视差值。路径代价为q点对应视差值匹配代价及其与p点确定视差值d0之间路径的平滑值之和。以q点d0视差值为例，其中平滑项与SGM一致。依次向后重复处理，直至当前路径所有点处理完毕。可以看出在单路径代价聚合中，与SGM单个像点的所有视差候选值均进行处理不同，MCP单个像点仅有四个视差候选值参与处理，其计算量为n×4，n为单路径像素数目，将有效减少计算冗余，提高处理效率，特别是当视差范围D取值较大时。
基于最大支持度的视差确定：
与SGM代价聚合得到新的匹配代价不同，MCP得到n个视差候选值，n为路径数目，即每条路径提供一个关于像点最终视差值的候选值。此时不能直接采用WTA确定视差，首先统计每个视差候选值的支持度，采用单个视差候选值与其他视差候选值的差值绝对值之和的倒数作为其支持度，如下式所示。而后采用WTA策略，选择支持度最大的视差候选值作为最终视差值。
d＝argmax 1/(∑|di-dj|)i，j∈D；
其中，D视差候选值集合，d为最终视差值。
视差精化：
采用中值滤波、左右一致性检测、孤点检测与内插等策略对视差图进行精化。
DSM生成：
根据密集匹配得到的视差图和影像RPC参数，通过空间前方交会和格网化生成DSM。空间前方交会是指在相对定向后，根据影像内外方位元素、同名点坐标，利用同名光线前交物方点坐标的过程。其数学模型为有理函数模型。
NumL(U，V，W)＝a1+a2V+a3U+a4W+a5VU+a6VW+a7UW+a8V2+a9U2+a10W2+a11VUW+a12V3+a13VU2+a14VW2+a15V2U+a16U3+a17UW2+a18V2W+a19U2W+a20W3
DenL(U，V，W)＝b1+b2V+b3U+b4W+b5VU+b6VW+b7UW+b8V2+b9U2+b10W2+b11VUW+b12V3+b13VU2+b14VW2+b15V2U+b16U3+b17UW2+b18V2W+b19U2W+b20W3NumS(U，V，W)＝c1+c2V+c3U+c4W+c5VU+c6VW+c7UW+c8V2+c9U2+c10W2+c11VUW+c12V3+c13VU2+c14VW2+c15V2U+c16U3+c17UW2+c18V2W+c19U2W+c20W3
DenS(U，V，W)＝d1+d2V+d3U+d4W+d5VU+d6VW+d7UW+d8V2+d9U2+d10W2+d11VUW+d12V3+d13VU2+d14VW2+d15V2U+d16U3+d17UW2+d18V2W+d19U2W+d20W3
其中，aq、bq、cq和dq均为影像有理多项式参数，其中，q＝1、2、…、20，q为下标，一般情况下，b1,d1均取值为1。
前方交会得到物方点云，但由于物方点云并非规则排列，而DSM本质上是一系列规则格网对物方空间的离散表达，每个格网内采用固定的高程值，因此格网化是由物方点云生成DSM的必要处理。如图4所示，在物方局部范围内，采用3*3的格网R进行离散表达，每个格网单元的高程值则由落入其中的物方点的高程值确定。常用的高程值确定策略包括不规则三角网内插法、中值法等。
本实施例还提供了一种光学卫星遥感影像数字表面模型提取系统，包括：第一模块，用于对每个像点采用Census测度方法得到每个像点的匹配代价信息；第二模块，用于根据每个像点的匹配代价信息基于最小代价路径的匹配代价聚合得到每个像点的候选视差值集合；第三模块，用于每个像点的候选视差值集合中选取最大支持度的候选视差值为每个像点的最终视差值，根据每个像点的最终视差值得到视差图；第四模块，用于对视差图进行精化处理得到精化后的视差图；第五模块，用于基于精化后的视差图和预设影像RPC参数，通过空间前方交会得到物方点云，对物方点云通过格网化处理得到光学卫星遥感影像数字表面模型。
本发明首先通过基于最小代价路径的匹配代价聚合，将密集匹配中单个像素在其视差范围内的聚合代价转变为候选视差值集合；而后通过统计单个像素候选视差值的支持度，采用“赢者通吃”(Winner Take All,WTA)策略，选择支持度最大的候选视差值作为该像素的最终视差值，逐像素处理完毕后得到视差图；使视差图计算复杂度不再与视差范围相关，大幅降低了计算冗余，提高了处理效率。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (8)

1.一种光学卫星遥感影像数字表面模型提取方法，其特征在于包括：
对每个像点采用Census测度方法得到每个像点的匹配代价信息；
根据每个像点的匹配代价信息基于最小代价路径的匹配代价聚合得到每个像点的候选视差值集合；
从每个像点的候选视差值集合中选取最大支持度的候选视差值为每个像点的最终视差值，根据每个像点的最终视差值得到视差图；
对视差图进行精化处理得到精化后的视差图；
基于精化后的视差图和预设影像有理多项式参数，通过空间前方交会得到物方点云，对物方点云通过格网化处理得到光学卫星遥感影像数字表面模型；
根据每个像点的匹配代价信息基于最小代价路径的匹配代价聚合得到每个像点的候选视差值集合包括：
对于每个像点，通过确定每个像点的8邻域方向上的最小代价路径，获取每个像点的8领域方向上的候选视差值，形成每个像点的候选视差值集合；
最小代价路径通过如下公式得到：
其中，L为最小代价路径，i为路径上一点，n为路径上点数，j为相邻两像点之间的连线，ci为像点i选定视差值的匹配代价，cj为相邻两像点选定视差值时的平滑值；
与SGM代价聚合策略相同，MCP单路径起始点p视差值采用其最小匹配代价对应的视差值d0；但与SGM对当前路径此后每个点的所有视差候选值对应的匹配代价均进行聚合不同，MCP仅从后点q的d0,d0+1,d0-1及dc四个视差候选值中选择最小代价路径，其中dc为点q最小匹配代价对应的视差值；路径代价为q点对应视差值匹配代价及其与p点确定视差值d0之间路径的平滑值之和；依次向后重复处理，直至当前路径所有点处理完毕。
2.根据权利要求1所述的光学卫星遥感影像数字表面模型提取方法，其特征在于：所述Census测度方法为：以两模板内对应的像点与各自中心像点间灰度值的大小关系的二值化信息构建特征空间，从而得到两个Census序列，而后以Census序列间的汉明距离为相似测度。
3.根据权利要求2所述的光学卫星遥感影像数字表面模型提取方法，其特征在于：若某像点的灰度值大于等于中心像点灰度值，则该像点在特征空间的取值为1，否则为0。
4.根据权利要求1所述的光学卫星遥感影像数字表面模型提取方法，其特征在于：从每个像点的候选视差值集合中选取最大支持度的候选视差值为每个像点的最终视差值包括：
先统计每个像点候选视差值集合中每个视差候选值的支持度，而后采用WTA策略，选择支持度最大的候选视差值作为每个像点的最终视差值。
5.根据权利要求1所述的光学卫星遥感影像数字表面模型提取方法，其特征在于：每个视差候选值的支持度为：每个候选视差值与其他候选视差值的差值绝对值之和的倒数作为每个候选视差值的支持度。
6.根据权利要求1所述的光学卫星遥感影像数字表面模型提取方法，其特征在于：所述精化处理包括：中值滤波、左右一致性检测、孤点检测与内插。
7.根据权利要求1所述的光学卫星遥感影像数字表面模型提取方法，其特征在于：空间前方交会的数学模型通过如下公式得到：
其中，(ln,sn)为像点的归一化像方坐标，(U,V,W)为物方点的归一化物方坐标；
NumL(U,V,W)＝a1+a2V+a3U+a4W+a5VU+a6VW+a7UW+a8V2+a9U2+a10W2+a11VUW+a12V3+a13VU2+a14VW2+a15V2U+a16U3+a17UW2+a18V2W+a19U2W+a20W3；
DenL(U,V,W)＝b1+b2V+b3U+b4W+b5VU+b6VW+b7UW+b8V2+b9U2+b10W2+b11VUW+b12V3+b13VU2+b14VW2+b15V2U+b16U3+b17UW2+b18V2W+b19U2W+b20W3；
NumS(U,V,W)＝c1+c2V+c3U+c4W+c5VU+c6VW+c7UW+c8V2+c9U2+c10W2+c11VUW+c12V3+c13VU2+c14VW2+c15V2U+c16U3+c17UW2+c18V2W+c19U2W+c20W3；
DenS(U,V,W)＝d1+d2V+d3U+d4W+d5VU+d6VW+d7UW+d8V2+d9U2+d10W2+d11VUW+d12V3+d13VU2+d14VW2+d15V2U+d16U3+d17UW2+d18V2W+d19U2W+d20W3；
其中，NumL(U,V,W)、DenL(U,V,W)、NumS(U,V,W)和DenS(U,V,W)均为物方点的归一化物方坐标的多项式，aq、bq、cq和dq均为影像有理多项式参数，其中，q＝1、2、…、20，q为下标。
8.一种光学卫星遥感影像数字表面模型提取系统，所述系统执行权利要求1-7任一所述的方法，其特征在于包括：
第一模块，用于对每个像点采用Census测度方法得到每个像点的匹配代价信息；
第二模块，用于根据每个像点的匹配代价信息基于最小代价路径的匹配代价聚合得到每个像点的候选视差值集合；
第三模块，用于每个像点的候选视差值集合中选取最大支持度的候选视差值为每个像点的最终视差值，根据每个像点的最终视差值得到视差图；
第四模块，用于对视差图进行精化处理得到精化后的视差图；
第五模块，用于基于精化后的视差图和预设影像RPC参数，通过空间前方交会得到物方点云，对物方点云通过格网化处理得到光学卫星遥感影像数字表面模型。
CN202210590032.6A 2022-05-26 2022-05-26 一种光学卫星遥感影像数字表面模型提取方法及系统 Active CN115082805B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210590032.6A CN115082805B (zh) 2022-05-26 2022-05-26 一种光学卫星遥感影像数字表面模型提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210590032.6A CN115082805B (zh) 2022-05-26 2022-05-26 一种光学卫星遥感影像数字表面模型提取方法及系统

Publications (2)

Publication Number Publication Date
CN115082805A CN115082805A (zh) 2022-09-20
CN115082805B true CN115082805B (zh) 2025-07-18

Family

ID=83248554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210590032.6A Active CN115082805B (zh) 2022-05-26 2022-05-26 一种光学卫星遥感影像数字表面模型提取方法及系统

Country Status (1)

Country Link
CN (1) CN115082805B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113358091A (zh) * 2021-06-02 2021-09-07 自然资源部国土卫星遥感应用中心 一种利用三线阵立体卫星影像生产数字高程模型方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR102012033509A2 (pt) * 2012-12-28 2014-08-26 Serta Solucoes Em Ergonomia E Reestruturacao Do Trabalho Ltda Mapeamento dos riscos ergonômicos
WO2018146558A2 (en) * 2017-02-07 2018-08-16 Mindmaze Holding Sa Systems, methods and apparatuses for stereo vision and tracking
CN107705329B (zh) * 2017-10-24 2021-03-16 武汉大学 基于几何约束的高分辨率光学卫星凝视影像配准方法
WO2020061336A1 (en) * 2018-09-20 2020-03-26 Paper Crane, LLC Automated geospatial data analysis

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113358091A (zh) * 2021-06-02 2021-09-07 自然资源部国土卫星遥感应用中心 一种利用三线阵立体卫星影像生产数字高程模型方法

Also Published As

Publication number Publication date
CN115082805A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
Sun et al. Stereo matching with reliable disparity propagation
CN109887021B (zh) 基于跨尺度的随机游走立体匹配方法
CN111192226B (zh) 一种图像融合去噪方法及装置、系统
CN106875443B (zh) 基于灰度约束的三维数字散斑的整像素搜索方法及装置
CN115239870A (zh) 基于注意力代价体金字塔的多视图立体网络三维重建方法
CN109472819A (zh) 一种基于级联几何上下文神经网络的双目视差估计方法
CN106780590A (zh) 一种深度图的获取方法及系统
CN105303616B (zh) 基于单张照片的浮雕建模方法
CN101996399A (zh) 在左图像与右图像之间估计视差的设备和方法
CN103996201A (zh) 一种基于改进梯度和自适应窗口的立体匹配方法
CN110070574B (zh) 一种基于改进PSMNet的双目视觉立体匹配方法
CN107220996B (zh) 一种基于三角结构一致的无人机线阵与面阵影像匹配方法
CN108564549A (zh) 一种基于多尺度稠密连接网络的图像去雾方法
CN109816781B (zh) 一种基于图像细节和结构增强的多视图立体几何方法
CN116912405A (zh) 一种基于改进MVSNet的三维重建方法及系统
CN115631223B (zh) 基于自适应学习和聚合的多视图立体重建方法
CN116310219A (zh) 一种基于条件扩散模型的三维脚型生成方法
CN114996814A (zh) 一种基于深度学习与三维重建的家具设计系统
CN109345582A (zh) 基于优化的置信传播算法和稀疏表示的深度图像获取方法
WO2018133027A1 (zh) 基于灰度约束的三维数字散斑的整像素搜索方法及装置
CN111553296B (zh) 一种基于fpga实现的二值神经网络立体视觉匹配方法
CN102447917A (zh) 立体图像匹配方法及其设备
Qi et al. The stereo matching algorithm based on an improved adaptive support window
CN115100382B (zh) 一种基于混合表征的神经表面重建系统及方法
CN115082805B (zh) 一种光学卫星遥感影像数字表面模型提取方法及系统

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