几何校正、对齐、辐射校正
校正和影像配准原理是一样的,几何校正是借助一组地面控制点,对一幅图像进行地理坐标的校正;把影像纳入一个投影坐标系中,有坐标信息地理参考;影像配准是用一影像对另一幅图像的校准,一式两幅图像的同名像元配准
几何校正是 指消除或改正遥感影像几何误差的过程。遥感影像的几何畸变,大体分为两类:①内部畸变。由传感器性能差异引起,主要有:比例尺畸变(a),可通过比例尺系 数计算校正;歪斜畸变(b),可经一次方程式变换加以改正;中心移动畸变(c),可经平行移动改正;扫描非线性畸变(d),必须获得每条扫描线校正数据才 能改正;辐射状畸变(e),经2次方程式变换即可校正;正交扭曲畸变(f),经3次以上方程式变换才可加以改正;②外部畸变。由运载工具姿态变化和目标物引起。包括:由运载工具姿态变化(偏航、俯仰、滚动)引起的畸变,如因倾斜引起的投影畸变(g),可用投影变换加以校正;因高度变化引起的比例尺不一致 (h),可用比例尺系数加以改正;由目标物引起的畸变,如地形起伏引起的畸变(i),需要逐点校正;若因地球曲率引起的畸变(j),则需经2次以上高次方 程式变换才能加以改正。多光谱、多时相影像配准和遥感影像制图,必须经过上述几何校正。因人们已习惯于用正射投影地图,故多数遥感影像的几何校正以正射投 影为基准进行。
配准是指同一区域内以不同成像手段所获得的不同图像图形的地理坐标的匹配。包括几何纠正、投影变换与统一比例尺三方面的处理。在多时相、多信息的复合综合分析时常需进行各种配准处理。是产生一个空间校准集合或匹配某一区域图像的过程。一般步骤为:①选取同名地物控制点;②输入计算机,实现控制点的相应配准。即作几何纠正、投影变换和比例尺配准处理。配准方法有:①相互配准。以多图像的一个分量作为参考图像,其它图像与其配准;②绝对配准。即定义一个控制格网,使所有图像与其配准。此外,在多光谱影像进行彩色合成时,必须进行不同波段影像的配准,以保证相同景物的有关像元能一一对应。
辐射校正(radiometric correction)是指对由于外界因素,数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正,消除或改正因辐射误差而引起影像畸变的过程。
遥感影像产生辐射误差(即灰度失真)的因素主要有:①大气对电磁波辐射的散射和吸收;②太阳高度与传感器观察角的变化;③地形起伏引起的辐射强度变化;④传感器探测系统性能差异,如光学系统或不同探测器在灵敏度、光谱响应和透光性能上的差异;⑤影像处理,如摄影处理等。影像灰度失真与影像空间频率有关。空间频率愈高,即目标愈小时,辐射误差愈大。辐射校正实际上是影像恢复(或称复原)的一个内容。校正方式有两类:①传感器辐射校正。通常采用内部校准 光源和校准楔,如陆地卫星多光谱扫描仪的辐射校正;②影像辐射畸变校正。常采用物理或数学(校正曲线或各种算法)方法,如空间滤波、平滑化,校正各种灰度 失真及疵点、灰点、条纹、信号缺失等分布在整个影像上的离散形式的辐射误差。其中大气影响的校正还可通过实测反射辐射通量和影像密度,并对数据进行回归分 析来进行校正。
几何配准 geometric registration
将不同时间、不同波段、不同遥感器系统所获得的同一地区的图像(数据),经几何变换使同名像点在位置上和方位上完全叠合的操作。
推荐阅读
-
[姿势估计] 实践记录:使用 Dlib 和 mediapipe 进行人脸姿势估计 - 本文重点介绍方法 2):方法 1:基于深度学习的方法:。 基于深度学习的方法:基于深度学习的方法利用深度学习模型,如卷积神经网络(CNN)或递归神经网络(RNN),直接从人脸图像中学习姿势估计。这些方法能够学习更复杂的特征表征,并在大规模数据集上取得优异的性能。方法二:基于二维校准信息估计三维姿态信息(计算机视觉 PnP 问题)。 特征点定位:人脸姿态估计的第一步是通过特征点定位来检测和定位人脸的关键点,如眼睛、鼻子和嘴巴。这些关键点提供了人脸的局部结构信息,可用于后续的姿势估计。 旋转表示:常见的旋转表示方法包括欧拉角和旋转矩阵。欧拉角通过三个旋转角度(通常是俯仰、偏航和滚动)描述头部的旋转姿态。旋转矩阵是一个 3x3 矩阵,表示头部从一个坐标系到另一个坐标系的变换。 三维模型重建:根据特征点的定位结果,三维人脸模型可用于姿势估计。通过将人脸的二维图像映射到三维模型上,可以估算出人脸的旋转和平移信息。这就需要建立人脸的三维模型,然后通过优化方法将模型与特征点对齐,从而获得姿势估计结果。 特征点定位 特征点定位是用于检测人脸关键部位的五官基础部分,还有其他更多的特征点表示方法,大家可以参考我上一篇文章中介绍的特征点检测方案实践:人脸校正二次定位操作来解决人脸校正的问题,客户在检测关键点的代码上略有修改,坐标转换部分客户见上图 def get_face_info(image). img_copy = image.copy image.flags.writeable = False image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = face_detection.process(image) # 在图像上绘制人脸检测注释。 image.flags.writeable = True image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) box_info, facial = None, None if results.detections: for detection in results. for detection in results.detections: mp_drawing.Drawing.detection = 无 mp_drawing.draw_detection(image, detection) 面部 = detection.location_data.relative_keypoints 返回面部 在上述代码中,返回的数据是五官(6 个关键点的坐标),这是用 mediapipe 库实现的,下面我们可以尝试用另一个库:dlib 来实现。 使用 dlib 使用 Dlib 库在 Python 中实现人脸关键点检测的步骤如下: 确保已安装 Dlib 库,可使用以下命令: pip install dlib 导入必要的库: 加载 Dlib 的人脸检测器和关键点检测器模型: 读取图像并将其灰度化: 使用人脸检测器检测图像中的人脸: 对检测到的人脸进行遍历,并使用关键点检测器检测人脸关键点: 显示绘制了关键点的图像: 以下代码将参数 landmarks_part 添加到要返回的关键点坐标中。
-
几何校正、对齐、辐射校正
-
辐射相关性、辐射校准、大气校正关系
-
辐射校准、大气校正、辐射校正
-
ENVI 5.3.1 使用 Landsat 8 图像进行辐射校准和大气校正的操作示例
-
辐射校正、辐射校准和大气校正关系 - CSDN 博客 - V.参考链接
-
用 python 对陆地卫星 8 数据进行辐射和大气校正
-
FY-4A 遥感图像(磁盘/区域)的几何校正
-
图像几何校正:基于 OpenCV 的薄板函数模型 TPS 运算符-SIFT 实现