CN109727279A - 一种矢量数据与遥感影像的自动配准方法 - Google Patents
一种矢量数据与遥感影像的自动配准方法 Download PDFInfo
- Publication number
- CN109727279A CN109727279A CN201910083298.XA CN201910083298A CN109727279A CN 109727279 A CN109727279 A CN 109727279A CN 201910083298 A CN201910083298 A CN 201910083298A CN 109727279 A CN109727279 A CN 109727279A
- Authority
- CN
- China
- Prior art keywords
- matrix
- remote sensing
- sensing image
- edge
- vector data
- 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
Landscapes
- Image Analysis (AREA)
Abstract
开放遥感数据均按安全政策的要求做了一定的脱密处理，在用户试图将自有矢量数据与遥感数据叠置时，会出现两者不匹配的情况。针对这一问题，本发明公开了一种矢量数据与遥感影像的自动配准方法。本发明的具体步骤为：1)基于矢量数据，利用扫描线算法提取三值矩阵A；2)基于遥感影像提取灰度矩阵G，并利用Canny算子得到灰度矩阵G的边缘矩阵E；3)使用边缘矩阵E在三值矩阵A上进行遍历，生成归一化的边缘配准因子矩阵F'边；4)使用灰度矩阵G在三值矩阵A上进行遍历，生成归一化的灰度配准因子矩阵F'灰；5)基于配准因子的特性，进行矢量数据与遥感影像的自动配准；6)提取矢量要素规定范围内的遥感影像数据。
Description
技术领域
本发明属于GIS领域，具体涉及一种利用遥感影像像素特征与矢量数据要素特征的一致性进行自动配准的方法。
背景技术
目前，已经有诸多平台提供了开放的遥感数据服务，为众多空间浏览与检索应用提供了良好的数据背景支持。特别是在用地审批，环境评估，道路规划等应用时，常常需要将一定矢量要素范围内的遥感影像单独提取出来进行分析。然而，由于相关开放数据均按安全政策的要求做了一定的脱密处理，在用户试图将自有矢量数据与遥感数据叠置时，会出现两者不匹配的情况。因此，急需一种高效、自动的方法，对于自有矢量数据与公开遥感影像数据间的几何偏差进行纠正。
由于矢量数据与遥感影像的性质不同，并存在一定的旋转变化、尺度变化与位置变化。目前，主流做法是手工选择一定的地面控制点得到两者间的变换函数进行校准。这种方法对操作精度的要求较高，费时费力，并存在地图数据无法下载，肉眼校准不精确，缩放程度不一致等问题，并不适合作为处理海量地理信息数据的常规手段。也并不能作为一个严谨的科学方法应用于高精度、大批量的数据处理与更新中。
近年来，针对遥感影像与矢量数据的自动配准问题，中外学者们提出了许多方法。Joachim Hohle(2008)以旧正射影像和已有的矢量地图为参照，通过正射影像和矢量地图获得道路交叉点的影像模板，在新影像上进行匹配生成新的控制点，实现遥感影像自动外定向。试验表明基本可以满足正射影像和矢量地图更新的要求；Heiner Hild等(2001)以SPOT影像和矢量地图的配准为研究对象，利用人工选取的初始控制点确定二者之间的近似变换关系，在多边形边界上提取控制点进行空中三角测量，实现影像和地图的配准；张晓东等(2006)基于面状地物多边形特征进行遥感影像与矢量数据的自动配准；刘志青(2012)使用Canny算子及边缘跟踪，筛选提取合适的遥感影像直线特征并进行相似性测度，实现遥感影像与矢量数据的自动化配准。
上述方法的处理步骤一般包括：特征选择与提取、矢量数据预处理、特征匹配以及实现矢栅配准。这些研究方法只是针对某种具体类型的问题而进行的，大部分方法仍然需要较多的人工交互，还没有出现完全自动化的成熟系统，难以满足高效的大规模影像数据处理需求。
发明内容
本发明主要针对自有矢量数据与公开遥感影像数据间形状变形与角度变形较微弱，位置偏移较大这一特点，利用遥感影像像素特征与矢量要素特征的一致性进行自动配准，以支持一定要素或要素集范围内遥感影像数据的自动裁剪和提取。在提取两者间配准因子的基础上，通过计算公开遥感影像数据与用户自有矢量数据间的相对偏差，准确、快速地实现一定要素或要素集范围内的遥感影像自动提取。
本发明提供了一种矢量数据与遥感影像的自动配准方法，包括以下步骤：
步骤1、基于矢量数据，利用扫描线算法提取三值矩阵A；
步骤2、基于遥感影像提取灰度矩阵G，并利用Canny算子得到灰度矩阵G的边缘矩阵E；
步骤3、使用边缘矩阵E在三值矩阵A上进行遍历，生成归一化的边缘配准因子矩阵F'边；
步骤4、使用灰度矩阵G在三值矩阵A上进行遍历，生成归一化的灰度配准因子矩阵F'灰；
步骤5、基于配准因子的特性，进行矢量数据与遥感影像的自动配准；
步骤6、提取矢量要素规定范围内的遥感影像数据。
步骤1具体包括：
1.1、提取矢量数据的最小外包矩形，根据公式(1)将其转换为二值化栅格矩阵Y＝{y(i,j)|i＝0,...,m-1；j＝0,...,n-1}，其中m为矢量数据外包矩形的高度，n为矢量数据外包矩形的宽度；
1.2、创建布尔型标志矩阵F＝{f(i,j)|i＝0,...,m-1；j＝0,...,n-1}判断是否为矢量要素边缘；
1.3、对每条行扫描线Lt＝{(t,j)|j＝0,...,n-1}(t∈[0,m-1])，利用公式(2)对标志矩阵F进行赋值；
1.4、根据标志矩阵F，分别标识矢量要素的边界与内部；创建矩阵A＝{a(i,j)|i＝0,...,m-1；j＝0,...,n-1}，初始默认值为0，根据公式(3)进行赋值得到赋值后的三值矩阵A，其中矢量数据边缘点标识为2，内部点标识为1，背景点标识为0；
步骤2具体包括：
2.1、基于公开遥感影像提取灰度矩阵：读取遥感影像数据到矩阵C＝{c(i,j)|i＝0,...,p-1；j＝0,...,q-1}中，根据公式(4)将其处理为灰度矩阵G＝{g(i,j)|i＝0,...,p-1；j＝0,...,q-1}；
g(i,j)＝0.299*cr(i,j)+0.587*cg(i,j)+0.114*cb(i,j) (4)
其中，p为遥感影像数据高度，q为遥感影像数据宽度，且满足条件(p＞m)and(q＞n)；cr(i,j)、cg(i,j)、cb(i,j)分别表示点(i,j)处遥感影像C的R、G、B值；
2.2、使用高斯滤波器对灰度矩阵G进行平滑操作；
a)利用公式(5)计算用户给定尺寸(2k+1)*(2k+1)与方差σ2下高斯卷积核G'＝{g'(x,y)|x＝-k,...,k；y＝-k,...,k}；
b)将卷积核G'与遥感影像灰度矩阵G进行卷积，得到平滑后图像矩阵S＝{s(i,j)|i＝0,...,p-1；j＝0,...,q-1}；
2.3、计算梯度幅值和方向；利用公式(6)、(7)、(8)计算平滑矩阵S的梯度的幅值与方向；
θ(i,j)＝arctan(Px(i,j)/Py(i,j)) (8)
其中Px，Py分别为图像在x，y方向上的梯度算子，Px(i,j)，Py(i,j)为点(i,j)处梯度算子与平滑矩阵的乘积，arctan表示正切函数，M(i,j)为平滑矩阵S在(i,j)处的幅值，θ(i,j)为平滑矩阵S在(i,j)处的方向；
2.4、对梯度幅值进行非极大值抑制：根据公式(9)，得到非极大值抑制后的梯度矩阵Grad＝{grad(i,j)|i＝0,...,p-1；j＝0,...,q-1}；
其中M前表示沿梯度方向上点(i,j)的前一个点的梯度幅值，M后表示沿梯度方向上点(i,j)的后一个点的梯度幅值；
2.5、依据双阈值法进行边缘检测与连接：设立高阈值δ高和低阈值δ低，满足条件(10)的点(i,j)即可判定为边缘点，将这些点进行连接，得到最终的边缘图像矩阵E＝{e(i,j)|i＝0,...,p-1；j＝0,...,q-1}；
g(i,j)＞δ高or(g(i,j)＞δ高and g(i.j)＞δ低and flag(i,j)＝true) (10)
步骤3具体包括：
3.1、设定遥感影像左上角的点作为原点，利用边缘图像矩阵E及三值矩阵A,得到用户自有矢量数据在不同位置时，其左上角的点与遥感影像原点相对位移偏差的点对集合D＝{(dx,dy)|0≤dx≤p-m-1；0≤dy≤q-n-1}，根据公式(11)计算集合D中的任一偏差(dx,dy)对应的结果矩阵
3.2、根据公式(12)，计算该偏差对应的结果矩阵T内的要素之和f；
3.3、集合D中各要素对应的要素和构成的结果矩阵F边＝{f边(x,y)|x＝0,...,p-m-1；y＝0,...,q-n-1}，即为边缘配准因子矩阵；
3.4、将得到的边缘配准因子矩阵F边，根据公式(13)进行归一化，得到归一化边缘配准因子矩阵F'边＝{f'边(dx,dy)|dx＝0,...,p-m-1；dy＝0,...,q-n-1}；
其中，f边max表示边缘配准因子矩阵的最大值，f边min表示边缘配准因子矩阵的最小值。
步骤4具体包括：
4.1、利用灰度图像矩阵G及三值矩阵A,对集合D中的任一偏差{(dx,dy)}，根据公式(14)计算其对应的结果矩阵T'＝{t'(i,j)|i＝0,...,m-1；j＝0,...,n-1}；
4.2、根据公式(15)、(16)计算其所对应的结果矩阵中非零值的方差f'；
其中R为结果矩阵T'中非零值的个数；
4.3、集合D中各要素对应的方差构成的结果矩阵F灰＝{f灰(x,y)|x＝0,...,p-m-1；y＝0,...,q-n-1}即为灰度配准因子矩阵；
4.4、将得到的灰度配准因子矩阵F灰，根据公式(17)进行归一化，得到归一化灰度配准因子矩阵F'灰＝{f'灰(dx,dy)|dx＝0,...,p-m-1；dy＝0,...,q-n-1}；
其中，f灰max表示灰度配准因子矩阵的最大值，f灰min表示灰度配准因子矩阵的最小值。
步骤5具体包括：
5.1、由配准因子特性可知，某偏差位置的边缘配准因子越大而灰度配准因子越小时，该偏差位置处矢量数据与遥感影像越匹配，遵循这一原则，使用公式(18)创建综合配准因子矩阵F判＝{f判(i,j)|i＝0,...,p-m-1；j＝0,...,q-n-1}；
5.2、遍历判别值矩阵F判，得到最小值对应的偏差值(i0,j0)，即为矢量数据与遥感影像配准的最优偏差值。
步骤6具体包括：
根据公式(19)生成结果矩阵R＝{r(x,y)|x＝0,...,m-1；y＝0,...,n-1}；该矩阵对应的图像为矢量数据要素或要素集范围内的遥感影像图像，其余部分为黑色背景；
有益效果：本发明与现有技术相比，本发明提出了一种综合利用遥感灰度图像得到的灰度配准因子矩阵与结合Canny算子得到的边缘配准因子矩阵，利用两者的特性进行遥感影像与自有矢量数据偏差的求解与优化，并最终得到一定矢量要素范围内的遥感影像的方法。该方法主要具有以下特点：
1)充分利用了自有矢量数据与遥感影像间位置偏移较大，形状、角度变形可以忽略这一特点；
2)综合利用遥感影像边缘图像与矢量要素的一致性以及特定范围内地物的相关性，实现了矢量要素与遥感影像的自动配准。
附图说明
图1为本发明方法的流程图；
图2为遥感影像与矢量数据的偏差示意图；
图3为实施例使用的遥感影像数据；
图4为实施例使用的矢量数据；
图5为遥感影像数据与矢量数据的初始相对位置示意图；
图6为矢量数据三值矩阵示意图；
图7为遥感影像灰度图像；
图8为遥感影像边缘图像；
图9为偏差为(0,0)时三值矩阵与边缘图像对应点乘部分示意图；
图10为边缘配准因子矩阵示意图；
图11为偏差为(0,0)时三值矩阵与灰度图像对应点乘部分示意图；
图12为灰度配准因子矩阵示意图；
图13为综合配准因子矩阵示意图；
图14为遥感影像与矢量数据的配准后相对位置示意图；
图15为提取矢量要素范围内遥感影像的成果图。
具体实施方式
下面结合附图和实施例进一步阐述本发明。
本实施例选用天地图-江苏发布的江苏省2016年遥感影像底图作为遥感影像数据(图3)；用户自有矢量数据为无锡市公园要素资源的一部分(图4)。其两者开始的相对位置如图5所示。其中，遥感地图的图幅大小为708*571像素，用户自有矢量数据的图幅大小为612*512像素。
步骤1、进行矢量数据三值矩阵的提取；
1.1、提取矢量数据的最小外包矩形，根据公式(1)将其转换为二值化栅格矩阵Y＝{y(i,j)|i＝0,...,m-1；j＝0,...,n-1}，如图4所示，本实施例中，m＝708，n＝571；
1.2、创建布尔值标志矩阵F＝{f(i,j)|i＝0,...,m-1；j＝0,...,n-1}判断是否为矢量要素边缘；
1.3、对每条行扫描线Lt＝{(t,j)|j＝0,...,n-1}(t∈[0,m-1])，利用公式(2)对标志矩阵F进行赋值；
1.4、根据标志矩阵F，分别标识矢量要素的边界与内部。创建矩阵A＝{a(i,j)|i＝0,...,m-1；j＝0,...,n-1}，初始值为0，根据公式(3)进行赋值得到三值矩阵A，其中矢量数据边缘点标识为2，内部点标识为1，背景点标识为0。本实施例中，得到的三值矩阵如图6所示，为显示需要，将矩阵各值放大255/2倍作为图像的像素值。
步骤2、基于遥感影像提取灰度矩阵和边缘矩阵；
2.1、基于公开遥感影像提取灰度矩阵，读取遥感影像数据到矩阵C＝{c(i,j)|i＝0,...,p-1；j＝0,...,q-1}中，根据公式(4)将其处理为灰度矩阵G＝{g(i,j)|i＝0,...,p-1；j＝0,...,q-1}，如图7所示，本实施例中，p＝612,q＝512；
2.2、使用高斯滤波器对灰度矩阵G进行平滑操作；
a)利用公式(5)计算给定尺寸(2k+1)*(2k+1)与方差σ2下高斯卷积核G'＝{g'(x,y)|x＝-k,...,k；y＝-k,...,k}，本实施例中取k＝1,σ2＝1；
b)将卷积核G'与遥感影像灰度矩阵G进行卷积，得到平滑后图像矩阵S＝{s(i,j)|i＝0,...,p-1；j＝0,...,q-1}；
2.3、计算梯度幅值和方向，利用公式(6)、(7)、(8)计算平滑矩阵S的梯度的幅值与方向；
2.4、对梯度幅值进行非极大值抑制。根据公式(9)，得到非极大值抑制后的梯度矩阵Grad＝{grad(i,j)|i＝0,...,p-1；j＝0,...,q-1}；
2.5、依据双阈值法进行边缘检测与连接。设立高阈值δ高＝150和低阈值δ低＝50。满足条件(10)的点(i,j)即可判定为边缘点。将这些点进行连接，得到最终的边缘图像矩阵E＝{e(i,j)|i＝0,...,p-1；j＝0,...,q-1}，如图8所示。
步骤3、生成归一化的边缘配准因子矩阵；
3.1、设定遥感影像左上角的点作为原点，利用边缘图像矩阵E及三值矩阵A，得到用户自有矢量数据在不同位置时，其左上角的点与遥感影像原点相对位移的偏差的点对集合D＝{(dx,dy)|0≤dx≤p-m-1；0≤dy≤q-n-1}。根据公式(11)计算偏差(0,0)对应的结果矩阵T＝{t(i,j)|i＝0,...,m-1；j＝0,...,n-1}，其部分要素如图9所示；
3.2、根据公式(12)，计算其对应的矩阵要素和f＝550；
3.3、集合D对应的结果矩阵F边＝{f边(x,y)|x＝0,...,p-m-1；y＝0,...,q-n-1}即为边缘配准因子矩阵。
3.4、将得到的边缘配准因子矩阵F边根据公式(13)进行归一化，得到归一化边缘配准因子矩阵F'边＝{f'边(dx,dy)|dx＝0,...,p-m-1；dy＝0,...,q-n-1}，如图10所示。
步骤4、生成归一化的灰度配准因子矩阵；
4.1、利用灰度图像矩阵G及三值矩阵A，对偏差(0,0)，根据公式(14)计算其对应的结果矩阵T'＝{t'(i,j)|i＝0,...,m-1；j＝0,...,n-1}，其部分要素如图11所示；
4.2、根据公式(15)、(16)计算其所对应的结果矩阵中非零值的方差f'＝1555；
4.3、集合D对应的方差矩阵F灰＝{f灰(x,y)|x＝0,...,p-m-1；y＝0,...,q-n-1}即为灰度配准因子矩阵。
4.4、将得到的灰度配准因子矩阵F灰根据公式(17)进行归一化，得到归一化灰度配准因子矩阵F'灰＝{f'灰(dx,dy)|dx＝0,...,p-m-1；dy＝0,...,q-n-1}，如图12所示。
步骤5、基于配准因子矩阵的特性，进行矢量数据与遥感影像的自动配准；
5.1、由配准因子特性可知，某偏差位置的边缘配准因子越大而灰度配准因子越小时，该偏差位置处矢量数据与遥感影像越匹配。遵循这一原则，使用公式(18)创建综合配准因子矩阵F判＝{f判(dx,dy)|dx＝0,...,p-m-1；dy＝0,...,q-n-1}，如图13所示；
5.2、遍历判别值矩阵F判，得到最小值对应的偏差值(65,47)。此即为矢量数据与遥感影像配准的最优偏差值，其配准结果如图14所示。
步骤6、提取矢量要素规定范围内的遥感影像数据。
根据公式(19)生成结果图像矩阵R＝{r(x,y)|x＝0,...,m-1；y＝0,...,n-1}。该矩阵对应的图像(图15)为矢量数据要素对应的遥感影像图像，其余部分为黑色背景。
由上述实施例可知，该方法能够较为自动且精确地提取一定矢量范围内的遥感影像数据。与现有的配准方法相比，本方法主要针对用户自有矢量数据与公开遥感影像数据间的自动配准，利用像素特征的配准方式较为方便快捷，自动化程度高，能够满足大批量要素的配准处理需要。
本实施例中，选用边缘配准因子与灰度配准因子以权重相等的方式进行配准，基本满足了该范围内提取遥感影像图像的需要。不同种类的矢量数据，其配准因子的权重设置有所不同。若该矢量数据表示的是森林、湖泊等大块同质的自然地物，应当让灰度配准因子占更大的比重；而若其表示的是住宅区等并不同质、但具有明显边界的人工地物时，边缘配准因子应当占更大的比重。
Claims (7)
1.一种矢量数据与遥感影像的自动配准方法，其特征在于：包括以下步骤：
步骤1、基于矢量数据，利用扫描线算法提取三值矩阵A；
步骤2、基于遥感影像提取灰度矩阵G，并利用Canny算子得到灰度矩阵G的边缘矩阵E；
步骤3、使用边缘矩阵E在三值矩阵A上进行遍历，生成归一化的边缘配准因子矩阵F'边；
步骤4、使用灰度矩阵G在三值矩阵A上进行遍历，生成归一化的灰度配准因子矩阵F'灰；
步骤5、基于配准因子的特性，进行矢量数据与遥感影像的自动配准；
步骤6、提取矢量要素规定范围内的遥感影像数据。
2.根据权利要求1所述的一种矢量数据与遥感影像的自动配准方法，其特征在于：所述步骤1具体包括：
1.1、提取矢量数据的最小外包矩形，根据公式(1)将其转换为二值化栅格矩阵Y＝{y(i,j)|i＝0,...,m-1；j＝0,...,n-1}，其中m为矢量数据外包矩形的高度，n为矢量数据外包矩形的宽度；
1.2、创建布尔型标志矩阵F＝{f(i,j)|i＝0,...,m-1；j＝0,...,n-1}判断是否为矢量要素边缘；
1.3、对每条行扫描线Lt＝{(t,j)|j＝0,...,n-1}(t∈[0,m-1])，利用公式(2)对标志矩阵F进行赋值；
1.4、根据标志矩阵F，分别标识矢量要素的边界与内部；创建矩阵A＝{a(i,j)|i＝0,...,m-1；j＝0,...,n-1}，初始默认值为0，根据公式(3)进行赋值得到赋值后的三值矩阵A，其中矢量数据边缘点标识为2，内部点标识为1，背景点标识为0；
3.根据权利要求2所述的一种矢量数据与遥感影像的自动配准方法，其特征在于：所述步骤2具体包括：
2.1、基于公开遥感影像提取灰度矩阵：读取遥感影像数据到矩阵C＝{c(i,j)|i＝0,...,p-1；j＝0,...,q-1}中，根据公式(4)将其处理为灰度矩阵G＝{g(i,j)|i＝0,...,p-1；j＝0,...,q-1}；
g(i,j)＝0.299*cr(i,j)+0.587*cg(i,j)+0.114*cb(i,j) (4)
其中，p为遥感影像数据高度，q为遥感影像数据宽度，且满足条件(p＞m)and(q＞n)；cr(i,j)、cg(i,j)、cb(i,j)分别表示点(i,j)处遥感影像C的R、G、B值；
2.2、使用高斯滤波器对灰度矩阵G进行平滑操作；
a)利用公式(5)计算用户给定尺寸(2k+1)*(2k+1)与方差σ2下高斯卷积核G'＝{g'(x,y)|x＝-k,...,k；y＝-k,...,k}；
b)将卷积核G'与遥感影像灰度矩阵G进行卷积，得到平滑后图像矩阵S＝{s(i,j)|i＝0,...,p-1；j＝0,...,q-1}；
2.3、计算梯度幅值和方向；利用公式(6)、(7)、(8)计算平滑矩阵S的梯度的幅值与方向；
θ(i,j)＝arctan(Px(i,j)/Py(i,j)) (8)
其中Px，Py分别为图像在x，y方向上的梯度算子，Px(i,j)，Py(i,j)为点(i,j)处梯度算子与平滑矩阵的乘积，arctan表示正切函数，M(i,j)为平滑矩阵S在(i,j)处的幅值，θ(i,j)为平滑矩阵S在(i,j)处的方向；
2.4、对梯度幅值进行非极大值抑制：根据公式(9)，得到非极大值抑制后的梯度矩阵Grad＝{grad(i,j)|i＝0,...,p-1；j＝0,...,q-1}；
其中M前表示沿梯度方向上点(i,j)的前一个点的梯度幅值，M后表示沿梯度方向上点(i,j)的后一个点的梯度幅值；
2.5、依据双阈值法进行边缘检测与连接：设立高阈值δ高和低阈值δ低，满足条件(10)的点(i,j)即可判定为边缘点，将这些点进行连接，得到最终的边缘图像矩阵E＝{e(i,j)|i＝0,...,p-1；j＝0,...,q-1}；
g(i,j)＞δ高or(g(i,j)＜δ高and g(i.j)＞δ低and flag(i,j)＝true) (10)
4.根据权利要求3所述的一种矢量数据与遥感影像的自动配准方法，其特征在于：所述步骤3具体包括：
3.1、设定遥感影像左上角的点作为原点，利用边缘图像矩阵E及三值矩阵A,得到用户自有矢量数据在不同位置时，其左上角的点与遥感影像原点相对位移偏差的点对集合D＝{(dx,dy)|0≤dx≤p-m-1；0≤dy≤q-n-1}，根据公式(11)计算集合D中的任一偏差(dx,dy)对应的结果矩阵Tdxdy＝{t(i,j)|i＝0,...,m-1；j＝0,...,n-1}；
3.2、根据公式(12)，计算该偏差对应的结果矩阵T内的要素之和f；
3.3、集合D中各要素对应的要素和构成的结果矩阵F边＝{f边(x,y)|x＝0,...,p-m-1；y＝0,...,q-n-1}，即为边缘配准因子矩阵；
3.4、将得到的边缘配准因子矩阵F边，根据公式(13)进行归一化，得到归一化边缘配准因子矩阵F'边＝{f'边(dx,dy)|dx＝0,...,p-m-1；dy＝0,...,q-n-1}；
其中，f边max表示边缘配准因子矩阵的最大值，f边min表示边缘配准因子矩阵的最小值。
5.根据权利要求4所述的一种矢量数据与遥感影像的自动配准方法，其特征在于：所述步骤4具体包括：
4.1、利用灰度图像矩阵G及三值矩阵A,对集合D中的任一偏差{(dx,dy)}，根据公式(14)计算其对应的结果矩阵T'＝{t'(i,j)|i＝0,...,m-1；j＝0,...,n-1}；
4.2、根据公式(15)、(16)计算其所对应的结果矩阵中非零值的方差f'；
其中R为结果矩阵T'中非零值的个数；
4.3、集合D中各要素对应的方差构成的结果矩阵F灰＝{f灰(x,y)|x＝0,...,p-m-1；y＝0,...,q-n-1}即为灰度配准因子矩阵；
4.4、将得到的灰度配准因子矩阵F灰，根据公式(17)进行归一化，得到归一化灰度配准因子矩阵F'灰＝{f'灰(dx,dy)|dx＝0,...,p-m-1；dy＝0,...,q-n-1}；
其中，f灰max表示灰度配准因子矩阵的最大值，f灰min表示灰度配准因子矩阵的最小值。
6.根据权利要求5所述的一种矢量数据与遥感影像的自动配准方法，其特征在于：所述步骤5具体包括：
5.1、由配准因子特性可知，某偏差位置的边缘配准因子越大而灰度配准因子越小时，该偏差位置处矢量数据与遥感影像越匹配，遵循这一原则，使用公式(18)创建综合配准因子矩阵F判＝{f判(i,j)|i＝0,...,p-m-1；j＝0,...,q-n-1}；
5.2、遍历判别值矩阵F判，得到最小值对应的偏差值(i0,j0)，即为矢量数据与遥感影像配准的最优偏差值。
7.根据权利要求6所述的一种矢量数据与遥感影像的自动配准方法，其特征在于：所述步骤6具体包括：
根据公式(19)生成结果矩阵R＝{r(x,y)|x＝0,...,m-1；y＝0,...,n-1}；该矩阵对应的图像为矢量数据要素或要素集范围内的遥感影像图像，其余部分为黑色背景；
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2018105622875 | 2018-06-04 | ||
| CN201810562287 | 2018-06-04 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109727279A true CN109727279A (zh) | 2019-05-07 |
| CN109727279B CN109727279B (zh) | 2022-07-29 |
Family
ID=66301207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910083298.XA Active CN109727279B (zh) | 2018-06-04 | 2019-01-28 | 一种矢量数据与遥感影像的自动配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109727279B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378316A (zh) * | 2019-07-29 | 2019-10-25 | 苏州中科天启遥感科技有限公司 | 一种提取遥感影像地物识别样本的方法及系统 |
| CN111696121A (zh) * | 2020-06-05 | 2020-09-22 | 中国人民解放军火箭军工程设计研究院 | 面状水域提取方法和系统 |
| CN112950680A (zh) * | 2021-02-20 | 2021-06-11 | 哈尔滨学院 | 一种卫星遥感图像配准方法 |
| CN114897659A (zh) * | 2022-05-09 | 2022-08-12 | 南京师范大学 | 一种矢量地理数据零水印生成算法及零水印信息检测方法 |
| CN115830087A (zh) * | 2022-12-09 | 2023-03-21 | 陕西航天技术应用研究院有限公司 | 一种针对平移运动连续帧影像集的批量化快速配准技术 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040052409A1 (en) * | 2002-09-17 | 2004-03-18 | Ravi Bansal | Integrated image registration for cardiac magnetic resonance perfusion data |
| CN101957991A (zh) * | 2010-09-17 | 2011-01-26 | 中国科学院上海技术物理研究所 | 一种遥感图像配准方法 |
| CN102842137A (zh) * | 2012-08-14 | 2012-12-26 | 中山大学 | 基于空间综合互信息的多时空谱遥感影像自动配准方法 |
| CN104167003A (zh) * | 2014-08-29 | 2014-11-26 | 福州大学 | 一种遥感影像的快速配准方法 |
| CN105654423A (zh) * | 2015-12-28 | 2016-06-08 | 西安电子科技大学 | 基于区域的遥感图像配准方法 |
| CN107301661A (zh) * | 2017-07-10 | 2017-10-27 | 中国科学院遥感与数字地球研究所 | 基于边缘点特征的高分辨率遥感图像配准方法 |
-
2019
- 2019-01-28 CN CN201910083298.XA patent/CN109727279B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040052409A1 (en) * | 2002-09-17 | 2004-03-18 | Ravi Bansal | Integrated image registration for cardiac magnetic resonance perfusion data |
| CN101957991A (zh) * | 2010-09-17 | 2011-01-26 | 中国科学院上海技术物理研究所 | 一种遥感图像配准方法 |
| CN102842137A (zh) * | 2012-08-14 | 2012-12-26 | 中山大学 | 基于空间综合互信息的多时空谱遥感影像自动配准方法 |
| CN104167003A (zh) * | 2014-08-29 | 2014-11-26 | 福州大学 | 一种遥感影像的快速配准方法 |
| CN105654423A (zh) * | 2015-12-28 | 2016-06-08 | 西安电子科技大学 | 基于区域的遥感图像配准方法 |
| CN107301661A (zh) * | 2017-07-10 | 2017-10-27 | 中国科学院遥感与数字地球研究所 | 基于边缘点特征的高分辨率遥感图像配准方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378316A (zh) * | 2019-07-29 | 2019-10-25 | 苏州中科天启遥感科技有限公司 | 一种提取遥感影像地物识别样本的方法及系统 |
| CN110378316B (zh) * | 2019-07-29 | 2023-06-27 | 苏州中科天启遥感科技有限公司 | 一种提取遥感影像地物识别样本的方法及系统 |
| CN111696121A (zh) * | 2020-06-05 | 2020-09-22 | 中国人民解放军火箭军工程设计研究院 | 面状水域提取方法和系统 |
| CN112950680A (zh) * | 2021-02-20 | 2021-06-11 | 哈尔滨学院 | 一种卫星遥感图像配准方法 |
| CN112950680B (zh) * | 2021-02-20 | 2022-07-05 | 哈尔滨学院 | 一种卫星遥感图像配准方法 |
| CN114897659A (zh) * | 2022-05-09 | 2022-08-12 | 南京师范大学 | 一种矢量地理数据零水印生成算法及零水印信息检测方法 |
| CN114897659B (zh) * | 2022-05-09 | 2023-12-29 | 南京师范大学 | 一种矢量地理数据零水印生成方法及零水印信息检测方法 |
| CN115830087A (zh) * | 2022-12-09 | 2023-03-21 | 陕西航天技术应用研究院有限公司 | 一种针对平移运动连续帧影像集的批量化快速配准技术 |
| CN115830087B (zh) * | 2022-12-09 | 2024-02-20 | 陕西航天技术应用研究院有限公司 | 一种针对平移运动连续帧影像集的批量化快速配准方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109727279B (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109727279A (zh) | 一种矢量数据与遥感影像的自动配准方法 | |
| CN111968172B (zh) | 料场物料的体积测量方法及系统 | |
| CN107563438B (zh) | 一种快速鲁棒的多模态遥感影像匹配方法和系统 | |
| CN110727747B (zh) | 基于经纬度识别的纸质地图快速矢量化方法及系统 | |
| CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
| CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
| Fan et al. | Registration of optical and SAR satellite images by exploring the spatial relationship of the improved SIFT | |
| CN106340044B (zh) | 摄像机外参自动标定方法及标定装置 | |
| CN110866871A (zh) | 文本图像矫正方法、装置、计算机设备及存储介质 | |
| Huang et al. | Feature-based image registration using the shape context | |
| CN102855628B (zh) | 多源多时相高分辨率卫星遥感影像自动匹配方法 | |
| CN103761722B (zh) | 一种用于输电线路固定翼无人机巡视图像精确拼接的方法 | |
| CN107688777B (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
| CN112184785B (zh) | 基于mcd度量和vtm的多模态遥感图像配准方法 | |
| CN103383773A (zh) | 一种动态提取图像控制点的遥感卫星图像自动正射纠正的框架和方法 | |
| CN106920235A (zh) | 基于矢量底图匹配的星载光学遥感影像自动校正方法 | |
| CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
| CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
| CN103136525A (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
| JP2012073845A (ja) | 計算機システム、及び画像／図表を位置合わせする方法 | |
| JP6188052B2 (ja) | 情報システム及びサーバー | |
| CN101246595A (zh) | 光学三维扫描系统中多视点云数据拼合方法 | |
| CN110852176A (zh) | 一种基于Mask-RCNN的高分三号SAR图像道路检测方法 | |
| CN117593465A (zh) | 三维可视化实现智慧城市的虚拟显示方法及系统 | |
| CN106097319A (zh) | 一种用于相机检校的黑白棋盘格角点提取方法 |
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 |