多源遥感影像配准技术分析
测绘技术中影像配准与配准精度评价方法
测绘技术中影像配准与配准精度评价方法引言：随着科技的不断发展，测绘技术在不同领域中的应用也变得越来越广泛。
其中，影像配准是一项至关重要的技术，它能够将不同源的影像进行精确定位和叠加，实现空间信息的整合与分析。
本文将探讨测绘技术中影像配准的方法以及如何评价配准精度。
一、影像配准方法：1. 特征匹配法：特征匹配法是最常用的影像配准方法之一。
此方法依靠提取影像的特征点，并通过比较两幅影像的特征点位置来进行匹配。
其中，SIFT（尺度不变特征转换）和SURF（加速稳健特征）是常用的特征提取算法。
这些算法能够提取关键点并计算特征描述子，通过计算特征之间的距离来实现匹配。
2. 控制点法：控制点法是一种基于已知参考点坐标进行配准的方法。
在控制点的帮助下，通过对图像坐标系与地理坐标系的转换，找到两幅影像之间的空间变换关系。
这项方法适用于需要高精度配准的任务，如航空影像和高分辨率遥感影像。
3. 区域匹配法：区域匹配法是一种通过比较影像中相同区域或特征的亮度、颜色等特征来进行配准的方法。
该方法适用于影像中存在较强纹理信息的情况，如城市建筑物和自然地物等。
二、配准精度评价方法：1. 重叠区域比较法：重叠区域比较法是一种简单而直观的配准精度评价方法。
该方法通过选择两幅影像的重叠区域，计算重叠区域中特征点的重合度来评价配准结果的准确性。
重合度越高，说明配准效果越好。
2. 控制点残差法：控制点残差是评价影像配准精度的常见指标之一。
该方法首先利用已知的控制点进行配准，然后计算配准后的影像与控制点之间的残差值。
残差值越小，说明配准结果越精确。
3. 影像差异度法：影像差异度是一种基于图像像素值差异的评价方法。
它通过计算配准前后两幅影像的像素值差异来评估配准的精度。
常见的影像差异度指标包括互信息和相对误差等。
结论：影像配准是测绘技术中至关重要的一项工作。
本文介绍了特征匹配法、控制点法和区域匹配法这三种常见的影像配准方法，并探讨了重叠区域比较法、控制点残差法和影像差异度法这三种评价配准精度的方法。
遥感图像配准技术与精度评定方法
遥感图像配准技术与精度评定方法引言：遥感图像是通过卫星、飞机等空中平台获取的地球表面的影像数据，它在各个学科领域中有着广泛的应用。
在实际应用中，遥感图像配准技术是一项关键的技术，它能够将多幅图像进行几何校正，以确保它们在同一坐标系下具有一致的几何特征，进而提高遥感影像的解译和分析的准确性。
本文将介绍遥感图像配准技术的原理和方法，并探讨相应的精度评定方法。
一、遥感图像配准技术原理遥感图像配准技术的基本原理是通过提取图像中的特征点，并通过匹配这些特征点来实现图像的几何校正。
根据匹配的原理和方法的不同，遥感图像配准技术可以分为点特征匹配法、区域特征匹配法和基于控制点的配准法等。
1. 点特征匹配法点特征匹配法是基于图像中的离散像素点进行配准的方法。
它通过寻找同一地物的相应像素点，并计算它们之间的几何变换关系来实现图像配准。
这种方法的优点是计算简单，但对于遥感图像中存在复杂地物和纹理的情况，点特征匹配法的效果较差。
2. 区域特征匹配法区域特征匹配法是基于图像中的纹理和结构信息进行配准的方法。
它通过提取图像中的区域特征，并计算它们之间的相似性来实现图像配准。
这种方法的优点是对遥感图像中的复杂地物和纹理有较好的适应性，但计算复杂度较高。
3. 基于控制点的配准法基于控制点的配准法是通过已知位置的控制点来实现图像配准。
它通过提取图像和参考影像中的控制点，并计算它们之间的变换关系来实现图像配准。
这种方法的优点是精度较高，但需要准确的控制点信息。
二、遥感图像配准技术方法遥感图像配准技术的方法多种多样，下面将介绍几种常用的方法。
1. 特征点提取与匹配该方法通过使用特征点检测算法（如SIFT、SURF等）来提取图像中的特征点，再使用特征点匹配算法（如RANSAC等）来进行特征点的匹配，以实现图像的配准。
2. 多尺度配准该方法通过使用金字塔多尺度图像处理方法，将原始图像金字塔进行分解，然后将不同层次的图像进行配准，逐步实现图像的几何校正。
基于多源遥感数据的图像配准与融合技术指南
基于多源遥感数据的图像配准与融合技术指南引言遥感技术已经在各个领域得到广泛应用，尤其是在地理信息系统、环境监测、农业和城市规划等方面。
然而，不同数据源的遥感图像通常存在不同的误差和变换，这给图像配准和融合带来了一定的挑战。
本文旨在介绍基于多源遥感数据的图像配准与融合技术，并提供一些实用的指南和建议。
一、图像配准图像配准是指将不同数据源的遥感图像进行几何、空间和光谱变换，使其能够在同一坐标系和分辨率下比较或融合。
在进行图像配准之前，首先需要选择合适的参考影像和待配准影像。
然后，通过以下几个步骤进行图像配准:1. 特征提取首先对参考影像和待配准影像进行特征提取，常用的特征包括角点、线特征和纹理特征等。
可以使用SIFT（尺度不变特征变换）或SURF（速度增强的尺度不变特征变换）等算法进行特征提取。
2. 特征匹配将参考影像和待配准影像的特征进行匹配。
通常采用RANSAC（随机抽样一致性）算法去除误差匹配，得到更准确的对应关系。
3. 几何变换根据特征匹配的结果，通过几何变换方法对待配准影像进行几何校正，常用的方法有相似性变换和仿射变换。
相似性变换可以处理平移、旋转和比例变换，仿射变换可以处理更复杂的几何变换。
4. 像素插值在进行几何变换后，需要对待配准影像进行像素插值处理，以保证像素点之间的连续性。
二、图像融合图像融合是指将多源遥感图像的信息融合到同一幅图像中，以增强图像的视觉效果和信息提取能力。
常用的图像融合方法包括以下几种：1. 基于像素的融合将多源图像的像素按照一定的权重进行组合，常用的方法有加权平均法、最大像素法和PCA（主成分分析）等。
2. 基于变换的融合将多源图像进行频域或时域变换，然后将变换域的系数进行线性或非线性组合，还原成多源图像。
常用的方法有小波变换、多分辨率分析和拉普拉斯金字塔等。
3. 基于特征的融合提取多源图像的特征，然后将特征进行组合，构建融合图像。
特征可以是几何特征、光谱特征或纹理特征等。
测绘技术中的遥感影像匹配与配准方法
测绘技术中的遥感影像匹配与配准方法遥感影像匹配与配准方法是测绘技术中的重要研究内容。
遥感影像匹配是指将不同时间或不同传感器获取的遥感影像进行比对，找出它们之间的相似性和差异性。
而遥感影像配准则是将不同时间或不同传感器获取的遥感影像进行几何校正，使它们在空间上具有一致的坐标和尺度。
在测绘应用中，遥感影像匹配与配准是非常关键的。
首先，它们能够帮助提取地表特征和地物信息。
通过匹配不同时间的遥感影像，我们可以观测到地表的变化情况，例如城市的扩张、农田的变化等。
通过配准不同传感器获取的遥感影像，我们可以获得一致的地物几何信息，从而进行更精确的测量和分析。
其次，遥感影像匹配与配准还可以用于制作地图和更新地理信息数据库。
通过将不同时间或不同传感器获取的遥感影像进行匹配和配准，可以实现地图的更新和变化监测，为城市规划、土地管理等提供决策支持。
遥感影像匹配与配准的方法有很多种。
其中，基于特征点的方法是最常用的一种。
该方法通过提取影像中的特征点，比如角点、边缘等，然后利用特征点之间的相互关系进行匹配和配准。
这种方法具有计算速度快、适用范围广的特点，但对于存在大量相似的地物和复杂的地形条件，其匹配结果可能存在误差。
为了解决这个问题，研究人员还提出了基于区域的匹配与配准方法。
该方法首先将影像划分为若干个区域，然后对每个区域进行特征提取和匹配，最后将各个区域的匹配结果进行整合。
这种方法能够更好地处理影像中存在的局部匹配问题，但对于区域划分和整合过程的准确性要求较高。
除了基于特征点和区域的方法外，还有一些其他的遥感影像匹配与配准方法。
例如，基于模型的方法利用地物的几何特征和变换模型进行匹配和配准。
这种方法适用于具有明显几何特征的地物，如建筑物、道路等。
另一种方法是基于图像配准校正点的方法，该方法通过选取几个具有已知准确坐标的地物作为控制点，利用它们在遥感影像中的位置信息进行匹配和配准。
这种方法能够提高配准的精度，但需要事先获取控制点的准确坐标。
遥感影像数据处理与分析的算法优化与创新
遥感影像数据处理与分析的算法优化与创新遥感影像数据处理与分析是遥感技术应用领域中的重要环节，对于获取准确、全面的地表信息具有关键意义。
算法的优化与创新是提高遥感影像处理与分析效果的重要手段，以下将介绍遥感影像数据处理与分析的算法优化与创新的主要方法和应用。
一、算法优化1. 图像去噪和增强算法优化遥感影像中常常包含有噪声和低对比度等问题，对于这些问题的处理对于提高影像解译的准确性至关重要。
传统的图像去噪算法如均值滤波、中值滤波等已经被广泛应用，但这些算法在保留图像细节的同时可能会产生模糊效果。
针对这一问题，可以采用基于深度学习的图像去噪和增强算法，如基于卷积神经网络（CNN）的去噪算法等。
这些算法通过学习大量样本数据中的特征，可以更好地去除噪声并增强图像的细节，提高影像解译的准确性。
2. 分割和分类算法优化遥感影像的分割和分类是遥感图像处理与分析的关键任务之一。
传统的图像分割和分类算法如基于阈值、基于像素相似性等已经被广泛应用，但这些算法在处理复杂场景和相似类别时存在一定的局限性。
针对这一问题，可以采用基于深度学习的分割和分类算法，如基于卷积神经网络（CNN）的图像分割和分类算法等。
这些算法能够自动学习和提取图像的高级特征，并结合上下文信息进行分割和分类，提高图像处理和分析的准确性和效率。
3. 倾斜校正和配准算法优化遥感影像采集时可能存在倾斜和配准误差，这对于后续的几何校正和影像配准工作造成困扰。
传统的倾斜校正和配准算法如基于特征匹配、基于光学流法等已经被广泛应用，但在处理大坡度、多纹理、多遮挡等场景时存在一定的局限性。
针对这一问题，可以采用基于深度学习的倾斜校正和配准算法，如基于卷积神经网络（CNN）的倾斜校正和配准算法等。
这些算法能够自动学习和提取影像的特征，并利用深度信息实现图像的精准倾斜校正和配准。
二、算法创新1. 基于多源数据的融合算法创新遥感技术的发展使得可以获取到多种多样的遥感影像数据，如高空航拍影像、卫星影像、地面监测数据等。
多源遥感影像拼接技术的使用注意事项
多源遥感影像拼接技术的使用注意事项多源遥感影像拼接技术是一种将来自不同传感器的遥感影像进行拼接和融合的技术，以获取更全面的地表信息。
在处理过程中，需要注意以下几个方面，包括数据质量、坐标系统、影像分辨率和大气校正。
首先，数据质量是进行多源遥感影像拼接的关键。
在选择遥感数据时，应注意数据的准确性、分辨率和覆盖范围。
当多个数据源之间存在较大的差异时，如数据质量、影像伪影等，可能导致拼接后的影像出现不连续或不一致的问题。
因此，在选择数据时，应注意遥感数据的来源和质量，并尽量选择具有相似传感器和采样率的影像。
其次，坐标系统一致性也是多源遥感影像拼接的重要问题之一。
由于不同数据源可能采用不同的坐标系统，若不对坐标进行处理，则可能导致拼接后的影像出现错位现象。
为了解决这个问题，可以使用地理校正或者影像配准技术，确保多源遥感影像的坐标系统一致。
影像分辨率也是进行多源遥感影像拼接时需要考虑的重要因素之一。
不同传感器的影像分辨率可能不一致，这会影响拼接后影像的质量和细节。
较高分辨率影像可以提供更多的地表信息，但同时也增加了数据量和处理的复杂性。
因此，在进行影像拼接前，应权衡不同传感器的分辨率，根据研究的需求选择合适的影像进行拼接。
最后，大气校正也是多源遥感影像拼接的一项关键工作。
大气因素对影像的亮度、颜色和对比度都有影响，若不对影像进行大气校正，则可能导致拼接后影像的色彩不一致或者对比度不足。
为了解决这个问题，可以使用大气校正模型来估算并消除大气影响，以保证拼接后影像的一致性和真实性。
综上所述，进行多源遥感影像拼接时应注意数据质量、坐标系统、影像分辨率和大气校正等因素。
选择合适的数据源和图像处理方法，确保拼接后的影像质量和准确性。
同时，在进行多源遥感影像拼接时，也需要深入了解遥感技术的原理和方法，以及相关的软件工具和算法，以提高影像处理的效果和精度，为地理信息领域的应用提供可靠的数据基础。
遥感影像处理中的图像配准技术研究
遥感影像处理中的图像配准技术研究遥感影像作为一种远程获取地球表面信息的手段，已经广泛应用于农业、林业、城市规划、地质勘探等领域。
在遥感影像处理中，图像配准技术是非常重要的一步，它可以将不同时间、不同角度、不同分辨率、不同传感器获取的遥感影像精确地拼接起来，为后续的数据分析和信息提取提供准确的基础。
图像配准技术的基本概念图像配准是指将不同图像空间中的图像通过一系列变换，使得它们在相同的空间坐标系中具有相似的几何特征和像素值。
图像配准技术可以分为点匹配和区域匹配两大类。
点匹配是指在两幅图像中找出对应的特征点，通过计算这些特征点的坐标变换关系来进行图像配准。
常用的特征点匹配方法有SIFT、SURF和ORB等。
这些方法利用图像中的局部不变性特征点，在不同的图像中寻找出携带相同信息的点，然后通过点匹配对图像进行配准。
区域匹配是指在两幅图像中找出特征区域，以此来进行配准。
常用的区域匹配方法有基于互相关的方法和基于相位相关的方法。
其中基于互相关的方法是最简单的区域匹配方法，它利用图像中的像素值相似度进行匹配，并通过计算变换矩阵把两幅图像对齐。
基于相位相关的方法则是通过将图像转换到频域进行滤波、反变换等处理，从而实现图像配准。
图像配准技术在遥感影像处理中的应用在遥感影像处理中，图像配准技术是非常重要的一步。
由于遥感影像分辨率不同，光学成像区域不同等因素的影响，所获取的遥感影像之间存在较大的差异，必须经过配准才能拼接成一幅完整的图像。
同时，配准后的遥感影像还需要通过遥感影像处理技术来进行分析和提取信息。
图像配准技术在遥感影像处理中的应用广泛，其中最为常见的是农业、林业和城市规划等领域的应用。
在农业领域中，图像配准技术可用于对不同时间或不同角度获得的遥感影像进行配准，从而得出关于植物的生长状态、地面覆盖率等信息。
在林业领域中，图像配准技术可用于不同时间、不同季节甚至不同年份获得的遥感影像进行比较，从而了解森林变化、伐木状况等情况。
测绘技术中的数据融合和多源遥感图像的配准
测绘技术中的数据融合和多源遥感图像的配准引言：在现代科技的快速发展下，测绘技术的应用范围越来越广泛，成为工程、农林、城市规划等领域不可或缺的重要手段。
其中，数据融合和多源遥感图像的配准作为测绘技术的两个重要方向，具有重要的实践意义和研究价值。
本文将从测绘技术的角度探讨数据融合和多源遥感图像配准的应用和挑战。
一、数据融合的应用数据融合是指将不同数据源的信息进行整合，生成具有更高质量、更全面和更一致性的数据产品。
在测绘技术中，数据融合可以提高地理信息系统的准确性和可靠性，为城市规划、道路建设等提供重要依据。
1.1 遥感数据与地面调查数据的融合遥感数据和地面调查数据是测绘技术中常用的两种数据源。
遥感数据可以通过卫星或无人机等设备获取大范围、高分辨率的影像数据，而地面调查数据则可以提供准确的地理位置信息。
将这两种数据进行融合，可以得到既有广大范围又有高准确性的数据产品，为地理信息系统的建设提供基础。
1.2 不同时期遥感图像的融合随着时间的推移，同一地区的遥感图像会有不同的采集时期。
将不同时期的遥感图像进行融合，可以得到地表特征的变化情况，为城市规划、土地利用等提供重要参考。
通过数据融合技术，我们可以看到城市的扩张、农田的变化等，为决策者提供科学、准确的依据。
二、多源遥感图像的配准多源遥感图像配准是指将来自不同传感器、不同平台的遥感图像进行准确的位置对应，以实现不同图像数据的无缝拼接和统一管理。
这对于建立完整、连续的地理信息产品非常重要。
2.1 传感器间配准不同传感器产生的图像具有不同的成像原理和几何特性，因此需要对其进行配准，以消除图像间的几何差异。
传感器间的配准涉及到旋转、平移、缩放等变换参数的计算和校正，挑战在于不同传感器所使用的坐标系统和校正算法的差异。
2.2 平台间配准同一传感器不同平台的图像也需要进行配准，以消除平台运动带来的几何偏差。
在飞行器或卫星上安装的传感器会随着平台的移动而发生一定的姿态变化，因此需要通过配准算法将这些图像对应到同一坐标系统中。
多源遥感影像融合技术研究
多源遥感影像融合技术研究随着遥感技术的飞速发展，航空遥感和卫星遥感技术不断提升，遥感图像的识别和解译技术也取得了很大的进步。
但是，由于不同遥感平台的图像具有不同的特点和分辨率，仅使用单一源数据进行图像处理往往无法满足实际需求。
因此，多源遥感影像融合技术日益受到人们的关注和重视。
一、多源遥感影像融合技术概述多源遥感影像融合技术是指通过将来自不同遥感传感器的遥感数据集成功地组合在一起，以创造出优于单个数据源的遥感图像。
它是一种共存技术，目的是提高遥感图像质量，增强遥感图像的信息和特征，并使其适应更广泛的应用领域。
多源遥感影像融合技术的实际应用有很多，例如农作物遥感监测、城市土地覆盖分类、自然灾害分析等方面。
多源遥感影像融合技术通常包括以下三个步骤：（1）数据预处理数据预处理是遥感影像融合的第一步，包括去噪、几何校正和辐射校正等过程。
对于不同传感器所获取的遥感影像，其几何定位、坐标系统和数据范围可能存在不同，因此需要进行几何校正和辐射校正，以确保不同数据源之间的一致性。
去噪是为了提高遥感图像的质量，消除影响图像分析和处理的噪声干扰。
（2）特征提取特征提取是指从多个遥感影像中提取具有代表性的特征信息。
在遥感图像的融合过程中，需要根据要求选择相似或互补的影像来融合，特征提取是实现此目的的关键。
这些特征可以包括纹理特征、形状特征、频谱特征等。
（3）融合算法融合算法是指对不同传感器所获取的遥感影像进行相应的加权组合，生成新的遥感影像的方法。
这种方法的目的是获得优于单一图像源的遥感图像，从而可以更好地提取地物信息。
常用的融合方法有像元水平融合、特征水平融合、决策水平融合等。
二、多源遥感影像融合技术的应用（1）农作物遥感监测在农作物遥感监测方面，多源遥感影像融合技术可以提高农作物信息提取的精度和可靠性，根据不同时间段和不同波段遥感影像的融合，可以得到更准确的作物种植面积、作物生长状态和作物产量等信息。
在实践中，多源遥感影像融合技术已经被成功应用于农作物估产、农作物分类、灾害检测等领域。
遥感影像数据在测绘中的坐标转换与配准方法
遥感影像数据在测绘中的坐标转换与配准方法引言遥感影像数据是现代测绘工作中不可或缺的重要数据源之一。
遥感影像数据的获取方式独特，能够提供大范围的覆盖和高分辨率的图像，因此在测绘领域中有着广泛的应用。
然而，由于不同遥感影像数据的获取时间、采用的感知手段和处理方法等因素的不同，导致了遥感影像数据之间存在坐标系统和空间位置的差异，因此需要进行坐标转换与配准。
一、坐标转换的必要性遥感影像数据的坐标转换是将其所使用的坐标系统转换为与地面实际坐标系统保持一致的过程。
坐标转换的必要性主要体现在以下几个方面：1. 数据融合与一体化：在测绘中，往往需要将多个遥感影像数据进行融合与一体化，以获取更全面、准确的地理信息。
而不同遥感影像数据之间的坐标系统不一致，会导致数据融合和一体化过程中的错位和重叠问题，因此需要进行坐标转换。
2. 空间分析与处理：遥感影像数据在测绘中用于进行空间分析和处理，例如地物分类、变化检测等。
如果不进行坐标转换，那么由于不同遥感影像数据之间的坐标系统不一致，会导致空间分析和处理结果的偏差。
3. 精度控制与验证：在测绘中，通常需要对遥感影像数据进行精度控制和验证，以保证测绘结果的准确性和可靠性。
而不同遥感影像数据之间的坐标系统不一致，会对精度控制和验证过程中的参考基准和标准差产生影响，因此需要进行坐标转换。
二、坐标转换的方法在进行遥感影像数据的坐标转换时，常用的方法主要包括参数法和控制点法。
1. 参数法：参数法是通过确定一系列坐标转换参数来完成坐标转换的方法。
常用的参数法包括七参数法和四参数法。
七参数法是一种较为常用的参数法，它通过求解平移参数、旋转参数和尺度参数来实现坐标转换。
具体步骤是先确定一定数量的同名点，然后通过最小二乘法求解出七个参数的值，最后将这些参数应用于坐标转换。
四参数法是一种简化的参数法，它假设旋转和尺度变化可以忽略不计，仅考虑了平移的影响。
四参数法的求解过程与七参数法类似，只需要确定一定数量的同名点即可。
遥感技术在测绘中的影像匹配方法
遥感技术在测绘中的影像匹配方法遥感技术是一种通过远距离获取和获取地球物体信息的技术手段。
在测绘领域，遥感技术被广泛应用于地图制作、地形分析和资源调查等方面。
其中，影像匹配是遥感技术中重要的一环，它通过对遥感影像进行准确的配准，使得不同时间或者不同源的影像能够互相重叠，因此具有重要的意义和应用价值。
影像匹配是指将两个或多个影像通过寻找各个影像之间的相同或相似的特征点，并利用这些特征点建立变换模型，将影像转换到同一坐标系下以实现重叠，从而完成准确的配准。
在影像匹配的过程中，有许多方法可以用于提取和匹配特征点，如几何特征匹配、密集光流法和SIFT等。
其中，SIFT（Scale-Invariant Feature Transform）是目前较为常用且常见的影像匹配方法之一。
SIFT是一种在计算机视觉领域常用的特征提取和描述算法。
它的基本思想是通过在影像中寻找并描述关键点，然后利用这些关键点在不同影像之间进行匹配。
SIFT算法有三个主要步骤：尺度空间极值检测、关键点定位和描述符的生成。
在尺度空间极值检测中，通过使用高斯差分函数来检测影像中不同尺度下的极值点。
接着，在关键点定位中，通过阈值筛选和边缘响应去除等方法来确定最稳定的关键点。
最后，在描述符的生成中，利用关键点周围的图像梯度来生成一个128维的向量表示，该向量能够保持关键点的尺度和旋转不变性。
此外，除了SIFT方法外，基于区域的匹配方法也是影像匹配中常用的一种方法。
该方法针对影像中大范围的区域进行匹配，以获取图像的全局特征。
基于区域的匹配方法主要基于相似性度量，通过计算不同区域的相似度来找到最佳匹配的位置。
这种方法特别适用于遥感影像中存在遮挡、相似和重复纹理结构的情况。
总的来说，影像匹配方法在测绘中有着重要的作用。
它能够解决不同时间或者不同源的影像在几何上的差异，从而实现不同时空条件下的影像对比和变化检测。
通过遥感影像匹配，我们能够更加准确和可靠地获取地表的信息，进一步提高地理信息系统（GIS）和遥感技术在测绘中的应用水平。
遥感影像配准方法
遥感影像配准方法一、引言遥感影像配准是指将多幅遥感影像通过一定的处理方法，使得它们在空间上或者光谱上相对准确地对应起来。
遥感影像配准是遥感技术中的重要环节，对于提取地物信息、监测变化、制作地图等应用具有重要意义。
本文将介绍几种常见的遥感影像配准方法。
二、特征点匹配法特征点匹配法是一种常用的遥感影像配准方法。
该方法通过提取影像中的特征点，并在不同影像中寻找相似的特征点，然后利用这些匹配的特征点进行配准。
特征点可以是角点、边缘点、纹理点等。
特征点匹配法具有计算速度快、适用范围广的优点，但对于光照、旋转、尺度变化等情况下的影像配准效果较差。
三、控制点法控制点法是一种基于已知控制点坐标的遥感影像配准方法。
该方法首先在待配准影像和参考影像中选择一些具有明显地物特征且位置准确的控制点，然后通过计算这些控制点在两幅影像中的坐标差异，从而得到待配准影像相对于参考影像的变换关系。
控制点法配准精度较高，适用于各种变换情况下的影像配准，但需要事先获取准确的控制点坐标。
四、基于图像匹配的配准方法基于图像匹配的配准方法是利用图像间的相似度进行配准的方法，常用的图像匹配算法包括相位相关法、归一化互相关法、互信息法等。
这些方法通过计算两幅影像之间的相似度，找到最佳的配准变换参数，从而实现影像的配准。
基于图像匹配的配准方法不依赖于特征点或控制点，适用于各种复杂变换情况下的影像配准，但计算量较大，需要较长的处理时间。
五、影像配准的精度评定影像配准的精度评定是判断配准效果好坏的重要指标。
常用的精度评定方法包括重叠区域比较法、控制点坐标差比较法、变换参数比较法等。
通过对配准后的影像与参考影像进行对比，计算它们之间的差异，可以评估配准的精度。
影像配准的精度评定对于验证配准方法的可靠性、优化配准参数具有重要意义。
六、总结遥感影像配准是遥感技术中的重要环节，常用的配准方法包括特征点匹配法、控制点法和基于图像匹配的配准方法。
这些方法各有优缺点，适用于不同的配准需求。
多源遥感影像自动配准技术的研究进展
影像重采样
图 １ 影 像 配 准 流 程 图
影 像 配准 的 流程 图如 图 １所 示 ， 文着 重 讨 论 本
近年来 国 内外 多 源 遥感 影像 自动 配 准 所 采 用 的 技 术 ， 于配 准模 型和影 像重采 样方 面不做 详 细介绍 。 对
赫 ｛
ｌ 差平方 协方差， 和， 相关函数归一
… Ｉ互 系 ，信 相 相 ， 化度 关 数互 息 位 关 梯 相
中 图分 类 号 ： Ｐ ９ Ｔ ７
文献 标 识码 ： Ａ
文 章 编 号 ：０ ０ １ ７ ２ １ ） １ — ０ ２ 一 Ｏ １ ０ —３ ７ （０ １ １ ５ １ １ ７
Ｔｈｅ Ｒｅ ｅ ｒ ｈ Ｓ ａ ｅ ｏ ｈｅ Ａｕ ｏ ａ ｉ ｇ ｓｒ ｔｏ ｃ ｎｉ ｅ ｓ ａ ｃ ｔ ｔ ｆｔ ｔ ｍ ｔｃ Ｒｅ ｉｔａ ｉ ｎ Ｔｅ ｈ ｑｕ ｓ ｏ ｕ ｔ＿ ｅ ｏ ｍ ｏ ｅＳ ｎ ｉ ｇ Ｉ ａ ｅ ｙ ｆＭ ｌｉｓ ｎｓ ｒ Ｒｅ ｔ ｅ ｓｎ ｍ ｇ ｒ 。
息 的优 势 互 补 ， 合 利 用 提 供 了一 个 很 好 的 途 径 。 综 多源 遥感 影像 的 自动配准 目前 已经成 功地 应用 于影 像融合 口 、 像分 类［ 、 ］影 ２ 变化检 测 ［ 、 ］ ３ 环境 检 测 ＿ 、 ］ ４ 以 ］ 及地 图更 新［ 等方 面 ， 其对 于突 发性 事 件 的应 急 ５ 尤 处理 和灾 害评估 有着 极为 重要 的作用 ［ 。由于 多源 ６ ］ 遥感 影像 由不 同 的传 感 器 获取 ， 录 的分 别 是地 物 记 对 不 同波段 的响应值 ， 征不 同 的物理特 性 ， 元表 表 像 现 形式 差异较 大 ， 因此提 取光 学影 像 、 达影像 等多 雷
多源遥感影像数据集成与处理技术研究
多源遥感影像数据集成与处理技术研究现代遥感技术可以提供很多种类的遥感影像数据，以帮助我们获取、分析和管理地球环境。
然而，由于不同遥感数据源记录的是不同的空间信息和波谱特征，单一数据通常不能完全反映出地球表面的复杂变化。
因此，多源遥感影像数据集成与处理技术是实现遥感应用的重要手段之一。
多源遥感影像数据集成技术的目标是将来自不同传感器、不同时间、不同分辨率或不同数据格式的遥感影像数据融合在一起，形成一个多源数据集。
这样的多源数据集可以最大化利用各种地球监测传感器的数据资源，增强遥感数据的信息量，提高反演精度和分类准确度。
同时，多源数据集成也可以解决遥感影像数据存在的不完善问题，使得融合后的数据能够在更广阔的应用范围内得到有效利用。
多源遥感影像数据处理技术是在多源数据集成的基础上对数据进行处理和分析的技术。
该技术包括影像配准、数据替代、特征提取和数据融合，而这些处理过程的目的都是为了更好的获取和理解地球表面的信息。
影像配准是遥感数据处理的首要步骤之一。
由于不同遥感传感器产生的遥感影像具有不同的光谱、时间、分辨率和投影坐标系等特点，因此，需要对不同源影像进行配准，使其达到相同的坐标空间和角度空间参考。
常用的配准方法包括基于空间变换模型的配准和基于模板的配准。
基于模板的配准主要是通过使用某些已知的地物特征来对遥感影像进行配准，例如建筑物、水体、公路、林地和城市绿地等。
而基于空间变换模型的配准主要是根据已知参考数据或者点对来进行计算，以实现影像的空间匹配。
数据替代是一种用一组遥感数据集来代替另一组遥感数据集的技术。
这种替代可以通过重采样、插值和放大等方法来实现。
常见的数据替代方案包括降尺度数据替代和升尺度数据替代。
降尺度数据替代是将高分辨率遥感影像通过降采样算法变为低分辨率影像，从而减少像素数据量和冗余信息，为后续影像处理提供更有效的数据。
升尺度数据替代则是增加影像分辨率，以便深入探测地球表面的细节和结构。
测绘技术中的影像配准与融合技术解析
测绘技术中的影像配准与融合技术解析近年来，随着遥感技术的不断发展和应用领域的扩大，影像配准和融合成为测绘技术中的重要一环。
影像配准指的是将不同源的遥感影像或者摄影测量影像进行准确对齐，融合则是将多幅或多种类型的图像融合为一幅或少数几幅具有多种信息体现的影像。
本文将从影像配准和融合技术的基本概念出发，探讨其在测绘领域的应用和发展趋势。
首先，影像配准涉及了图像几何变换的处理。
图像的几何变换是指通过平移、旋转、缩放等方式，使得图像能够在相同的坐标系下进行比对。
而这一过程需要依赖点匹配的方法来实现。
常用的点匹配方法有特征点法和控制点法。
特征点法通过提取图像中的特征点，如角点、边缘点等，利用特征点的坐标信息进行匹配。
而控制点法则是通过在图像上标注一定数量的对应点，通过这些对应点的坐标差异来实现图像的配准。
这两种方法各有优劣，根据实际情况选择适当的方法进行配准操作。
其次，影像融合技术是指利用多个图像的互补性信息，通过一系列处理方法，融合为一幅新的图像。
常见的影像融合技术包括基于像素级别的融合、基于特征级别的融合和基于决策级别的融合等。
像素级别的融合主要是将多幅图像的每个像素进行加权平均，得到新的合成图像。
特征级别的融合则是利用图像特征的互补性，如纹理特征、边缘特征等，将多个图像的特征进行融合得到更全面的信息。
而决策级别的融合则是通过建立一系列的决策规则，将多幅图像的决策结果综合起来，得到最终的融合图像。
这些融合技术的出现，使得测绘领域中的卫星遥感图像和航空摄影测量图像能够得到更高质量的数据。
测绘领域中的影像配准与融合技术具有广泛的应用前景。
在地理信息系统中，影像配准和融合可以提高地图的精度和准确性，为地理空间分析提供更可靠的数据基础。
在城市规划和土地利用方面，利用多源影像进行配准和融合，可以实现对城市建设、土地利用状况等的动态监测和分析。
在环境保护领域，通过影像融合技术可以提取更详细的地表特征，如湿地、森林、河流等，为生态环境保护提供更全面的支持。
多源雷达遥感图像配准算法研究
多源雷达遥感图像配准算法研究随着遥感技术的发展，多源遥感数据融合已经成为了现代遥感应用的一个重要研究领域。
在多源遥感数据融合中，多源雷达遥感数据的配准问题一直是研究的热点和难点之一，因为不同波段或不同传感器所捕捉到的图像存在着旋转、平移、缩放等不同的几何变换关系，因此如何精确有效地对这些数据进行配准是至关重要的。
多源雷达图像配准算法主要包括基于相关性的配准和基于特征的配准两种方法，其中基于相关性的配准是较为常用的一种方法。
基于相关性的配准方法首先需要分别在被配准图像和参考图像上选择相同大小和位置的窗口区域，并计算两幅图像窗口内像素值的互相关系数。
互相关系数过高时，表明两个窗口具有相似的空间结构，可以将被配准图像进行相应的平移、旋转和缩放等变换来使两个窗口对齐。
然而，基于相关性的配准方法在面对多源雷达遥感数据时，存在几个主要问题：首先，雷达图像中存在大量的野点和干扰信号，这些噪声会干扰互相关系数的计算和匹配结果的准确度。
其次，对于不同分辨率或干扰情况不同的雷达图像，基于互相关系数的方法可能会出现匹配结果精度低、速度慢等问题。
针对以上问题，研究人员提出了一系列改进的多源雷达图像配准方法，例如基于小波变换、分形几何等的配准方法。
这些方法在不同情况下均能有效地提高多源雷达图像配准的准确度和效率。
其中，基于小波变换的配准方法将雷达图像进行小波变换，提取出图像的小波系数特征，并在小波域上进行匹配和配准操作，避免了基于像素灰度的互相关系数计算受噪声影响的问题，同时也提高了匹配效率。
分形几何配准方法则是基于分形几何理论，对雷达图像进行分形维度分析，通过计算图像的局部分形维度和全局分形维度来实现对图像的配准和纠正。
当前，多源雷达遥感图像配准算法的研究还存在许多挑战和难点，例如不同领域、不同分辨率或不同干扰情况的雷达图像间的配准、精度评价等问题需要深入研究和探索。
随着遥感技术的不断更新和完善，我们相信多源雷达遥感图像配准算法将迎来更加广阔的应用前景和发展空间。
遥感影像处理中的图像配准方法优化与误差分析
遥感影像处理中的图像配准方法优化与误差分析遥感影像处理是现代遥感技术中的一个重要环节，用于获取和处理遥感影像数据，以提取地表特征、监测变化和进行地理定位。
其中，图像配准是一项关键任务，旨在将不同时间、不同传感器或不同分辨率的影像对齐，以便进行比较和分析。
图像配准的主要目标是寻找一种数学变换方式，将待配准影像中的像素与参考影像中对应的像素进行匹配。
然而，在实际应用中，图像配准面临着许多挑战和困难，如噪声、光照不均匀、遮挡、形变等。
因此，图像配准方法的优化和误差分析显得尤为重要。
为了优化图像配准方法，研究人员提出了多种技术和算法。
以下将介绍几种常用的图像配准方法及其优化方式：1. 特征点匹配法：该方法通过提取影像中的关键特征点，并计算其描述子，再通过匹配算法找到两幅影像中特征点的对应关系。
优化该方法的关键在于特征点提取和匹配算法的选择和改进，例如使用更稳定的特征点提取算法，如SIFT（尺度不变特征转换）或SURF（加速稳健特征）算法。
2. 基于区域的方法：该方法将影像分割为几个区域，并寻找区域间的对应关系。
优化方法包括改进分割算法以提高准确性和匹配效率，以及加入遮挡和形变等因素的建模和校正。
3. 基于相位相关性的方法：该方法通过计算影像之间的相位差异进行配准，可适用于光学遥感影像和合成孔径雷达(SAR)影像等。
优化该方法的关键在于相位差计算的准确性和鲁棒性，以及对不同类型影像的适应性。
4. 基于区域与特征点的混合方法：该方法将区域匹配和特征点匹配结合起来，既考虑到整体拟合效果，又具备局部稳定性。
优化方法包括确定区域和特征点的权重分配方式，以及选择适用的匹配度量准则。
在图像配准过程中，误差分析是不可或缺的一步，通过对配准结果的评估和分析，可以了解配准精度和可能的误差来源。
常用的误差分析方法包括以下几种：1. 重叠区域对比法：该方法通过对比重叠区域内的像素差异来评估配准结果的准确性。
可使用统计指标，如均方根误差（RMSE）或相关系数等来表示配准误差的大小。
多源遥感图像配准技术综述
多源遥感图像配准技术综述汪汉云1，王 程1，李 鹏1，钱智明1，郝胜勇2(1. 国防科技大学电子科学与工程学院，长沙 410073；2. 航天恒星科技有限公司，北京 100086)摘 要：从成像光谱特性、成像分辨率和成像模式等方面对可见光、红外、高光谱和合成孔径雷达传感器的成像特点进行分析，根据一致性特征描述方法对多源遥感图像配准算法进行分类，指出多源遥感图像具有成像特性变化大、相关度小、匹配特征的空间分布不均匀等特点，其配准技术的关键在于提取不变的图像特征以及得到有效的匹配特征。
关键词：多源遥感图像；成像特点；一致性特征；图像配准；匹配特征Review of Multi-source Remote SensingImage Registration TechniquesWANG Han-yun 1, WANG Cheng 1, LI Peng 1, QIAN Zhi-ming 1, HAO Sheng-yong 2(1. College of Electronic Science and Engineering, National University of Defense Technology, Changsha 410073, China;2. Space Star Technology Co., Ltd., Beijing 100086, China)【Abstract 】This paper analyzes the imaging characteristics of sensors including visible, infra-red, hyperspectral and Synthetic Aperture Radar(SAR) from aspects of imaging spectral properties, imaging resolution to imaging modality. The algorithms for multi-source remote sensing image registration are classified by consistent features. It gives conclusions that multi-source remote sensing images have properties of various imaging properties, low correlations and matching features distributed nonuniformity spatially. The key of multi-source remote sensing image registration lies in extracting stable image features and getting suitable matching features.【Key words 】multi-source remote sensing image; imaging characteristic; consistency feature; image registration; matching feature DOI: 10.3969/j.issn.1000-3428.2011.19.005计 算 机 工 程 Computer Engineering 第37卷 第19期V ol.37 No.19 2011年10月October 2011·专栏· 文章编号：1000—3428(2011)19—0017—05文献标识码：A中图分类号：TN911.731 概述遥感图像配准技术是近年来发展迅速的遥感图像处理技术之一。
遥感影像配准方法探讨
科技信息2010年第7期SCIENCE&TECHNOLOGY INFORMATION遥感是目前为止能够提供全球范围的动态对地观测数据的惟一手段,其成像模式多种多样。
多源传感器影像的数据融合,可以产生出比单一信息源更精确、更完整、更可靠的影像信息。
在融合这些多源遥感影像数据时,必须先进行影像配准，经过适当配准的多传感器图像可以在像素级直接融合形成融合图像，然后在此基础上完成目标探测、特征提取和目标识别等处理。
图像配准广泛应用于航空航天技术、地理信息系统、图像镶嵌、图像融合、目标识别、虚拟现实等领域。
1图像配准的基本概念图像配准是指同一目标的两幅（或者两幅以上）图像在空间位置上的对准，图像配准的技术过程称为图像匹配。
影像匹配实质上是在两幅(或多幅)影像之间识别同名点,是计算机视觉及遥感数字图像制图的核心问题[1]。
对影像匹配可作如下数学描述[2]:若影像I1与I2中的像点O1与O2具有坐标P1=(x1,y1)、P2=(x2,y2)及特征属性f1与f2，即O1=(P1,f1)、O2=(P2,f2)。
其中f1与f2可以是P1与P2为中心的小影像窗口的灰度矩阵g1与g2,也可以是其他能够描述O1与O2的特征。
基于f1与f2定义某种测度m(f1,f2)。
所谓影像匹配就是建立一个映射函数M满足：P2=M(P1,T)、M(f1,f2)=max或min(O1∈I1,O2∈I2)。
其中T为描述映射M的参数矢量,测度m表示O1与O2的匹配程度,称为匹配测度。
基于不同的理论或不同的思想可以定义各种不同的匹配测度,因而形成了各种影像匹配方法及相应的实现算法。
2图像匹配的一般算法2.1基于图像灰度的匹配方法基于图像灰度的匹配方法的基本思想是：首先对待匹配图像做几何变换；然后根据灰度信息的统计特性定义一个目标函数，作为参考图像与变换图像之间的相似性度量，使得匹配参数在目标函数的极值处取得，并以此为匹配的判决准则和匹配参数最优化的目标函数，从而将匹配问题转化为多元函数的极值问题；最后通过一定的最优化方法求得正确的几何变换参数。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
文章 编 号 ：６ ３ ３ （０ ７ ０ －２ １０ １７ ￣３８ ２０ ）４ ５ －４ ０
多 源遥 感 影 像 配 准 技 术 分 析
禄 丰 年
（ 南省 测 绘 局 ， 南 郑 州 河 河 ４ ００ ） ５ ０ ０
摘要 ： 图像配准技术是近年来发展迅速 的图像处理技术之 一， 图像 融合 、 是 目标提取 与定 位、 变化 监测 、 高分辨 率影像 重建 等处理工作不可缺少的步骤。首先给 出了多源遥感 影像 配准 的概 念和基本过 程， 然后着重从 匹配 基 元、 转换函数 、 相似性测度 、 匹配策略 ４个方面对 国内外现有 的影像配准 技术和方 法进 行 了分析和评 述 ， 最 后指 出 了影像配准技 术所 面临 的主要难题和发展方 向。 关 键 词： 影像配准； 影像融合 ； 特征提取
文献 标 识 码 ： Ａ 中 图分 类 号 ：２７ Ｐ３
Ｏｎ Ｍ ｕ ｔ－ ｏ ｒ ｅＨ ｉｈ－ ｓ ｌｔｏ ｍ ｏ ｅＳ ｎ ｉ ｇＩ ａ ｅＲｅ ｉ ｒ ｔｏ ｅ ｈ ｉ ｕ ｓ ｌ － ｕ ｃ ｇ － ｏｕ ｉｎ Ｒｅ ｔ ｅ ｓｎ ｍ ｇ ｇｓ ａｉｎ Ｔ ｃ ｎ ｑ ｅ ｉＳ Ｒｅ ｔ
随着 当前 传 感 器技 术 的不 断 发 展 ， 别 是 多 不 同方式 下 的得 到的需要 与标 准 参考 影像 配 准 的 特 种 新型 传感器 的不 断 涌 现 ， 感 数据 处 理 中 的多 影像 。待 配准 影像 相对 于参 考影 像 的配 准具 体可 遥 源影像 配准技术 逐渐 成为 摄影 测量 界学 者们 研 究 定 义 为两 幅 影 像 在 空 域 和 灰 度 上 的 映 射 或 者 变 的热点 。通过 对 影像 的精 确 配 准 ， 以实 现 在 物 换 。 可 方 空间代 表 同一 目标 的 同名特 征如 点 、 、 等 的 线 面
两 幅 影 像 可 定 义 为 两 个 ２维 数 组 ， 别 用 分
结合或者融合 ， 将能更好地进行影像融合 、 标提 ，（ Ｙ 目 ，）和 ，（ Ｙ ２ ，）表示 。 它们是 两 幅影 像 的亮度 或 ， 取 与定 位 、 检测 、 变化 高分 辨率 影像 的重 建 等后 续 值 （ 其他度 量值 ） 则两 幅影 像 间 的 映射 可 表示
ｉ ｇ ｅ ｏ ｓｒ ｃｉ ｎ ｆｅ ｅ ｄ ｆ ｉ ｏ ｎ ａ ｉ ｐ ｏ ｅ ｓｏ ｈ —ｏ ｒ ｅｉ ｇ ｅ ｉ ｒ ｔ ｎ ｂ ｉ ｇｇｖ ｎ ｔ ｅａ ａｙ ｉ ｍａ ｅ ｒ ｃ ｎ ｔｕ ｔ ．Ａ ｔ ｒ ｈ ｅ ｎ ｔ ｎ ａ ｄ ｂ ｓｃ ｒ ｃ ｓ ｆ ｏ ｔ ｉ ｉ ｍｕ ｉ ｕ ｃ ｓ ｍａ ｅｒ ｇｓ ａｉ ｅｎ ｉｅ ，ｈ ｎ ｌｓｓ ｔ ｏ ａ ｄ ｅ ａ ｕ ｔ ｎ ｆｒ ｖ ｒ ｕ ｅ ｈ ｉ ｕ ｓ ａ ｄ ｍｅ ｈ ｄ ｆ ｉ ｇ ｅ ｉ ｒｔ ｎ ａｅ ｃ ｒｉｄ ｏ ｔ ｏ ｈ ａ ｉ ｆｒ ｇｓｒ ｔ ｎ ｎ ｖ ｌ ａｉ ａ ｏ ｓ ｔ ｃ ｎ ｑ ｅ ｎ ｔ ｏ ｓ ｏ ｍａ ｅ ｒ ｇｓ ａｉ ｒ ａｒｅ ｕ ｎ ｔ ｅ ｂ ｓｓ ｏ ｅ ｉｔ ｉ ｏ ｏ ｉ ｔ ｏ ａｏ ｐ ｍｉ ｖ ｓ ｒ ｓｏ ｍａ ｉｎ ｆ ｎ ｔ ｎ ，ｓｍｉ ｒｔ ａ ｕ ｅ ｎ ｔｈ ｎ ｔａｅ ｙ ｉ ｉ ｒ ｔ ｅ ，ｔ ｎ ａ ｆｒ ｔ ｃ ｉ ｓ ｉ ｌｉ ｙ ｍｅ ｓ ｒ ，ａ ｄ ｍａｃ ｉｇ ｓｒ ｔｇ ．Ｔ ｅ ｅ ｄｆ ｃ ｌ ｅ ｎ ｒ ｓ ｅ ｔ ｏ ｏ ｕ ｏ ａ ｈ ｎ ｔ ｉ ｕｔ ｓａ ｄ ｐ ｐ ｃｓ ｆ ｈ ｉ ｆ ｉ ｏ ｉ ｇ ｅ ｉｔ ｔ ｎ ｔｃ ｎ ｑ ｅ ａ ｅ ｓ ｍｍａ ｚ ｄ ｍａ ｅｒ ｇｓｒ ｉ ｅ ｈ ｉ ｕ ｒ ｕ ａｏ ｉ ｒ ｅ． Ｋｅ ｒ ｓ ｉ ｇ ｅ ｉｔａｉｎ ｉ ｇ ｕ ｉｎ ｆａｕ ｅ ｅ ｔａ ｔ ｎ ｙ ｗｏ ｄ ： ｍａ ｅ ｒ ｇｓｒｔ ；ｍａ ｅｆ ｓｏ ；ｅ ｔ ｒ ｘ ｒ ｃｉ ｏ ｏ
Ｌ Ｆ ｎ ｐ ｉ ，Ｚ ｅｇｈｕ４ ００ ，Ｃ ｉａ Ｈ ｎｎＢ ｒ Ｓ ｖ ｉ ａｄＭａｐｎ ａ ｆ ｕｅ ｇ ｇ ｈｎ ｚｏ ５０ ０ ｈ ） ｎ
Ａｂ ｔ ａ ｔ Ｍｕｔ ｌ ｅ ｓ ｒｒ ｇｓｒｔ ｎ ｉ ｏ ｅｏ ｇ ｒ ｃ ｓ ｋｌ ｈ ｃ ｅ ｅｏ ｅ ａ ｉ ｌ ｅ ｅ ｔ ， ｔ ｓ ａ ｐ ｅ ｅ ｕ — ｓｒ ｃ ： ｌ ｐ ｅ ｓ ｎ ｏ ｅ ｉ ａｉ ｓ ｎ ｆｉ ｅ ｐ ｏ ｅ ｓｓ ｉ ｓ ｗ ｉ ｈ ｄ ｖ ｌｐ ｓ ｒ ｐ ｄｙ ｒ ｃ ｎ ｙ ｉ ｉ ｒ ｒｑ ｉ ｉ ｔ ｏ ｍａ ｌ ｌ
ｓ ｅｆ ｃ ｏ ｐｉ ｉｇｈ ｈ ｌ ｅ ｔｓｓｓ ｃ ｓ ｅ ｓｒ ｕ ｉ ，ａ ｄ ｏ ｊ ｔ ｅ ｏ ｎ ｉ ｎ ｏｉｏ ，ｃ ａ ｇ ｅｅｔ ｎ ｉ ｒ ｃ ｍ ｌ ｈｎ ｉ — ｖ ｌ ａｋ ｕ ｈ ａ ｎｏ ｓ ｎ ｎ ｂｅ ｃ ｇ ｉｏ ａ ｄ ｐ ｓ ｉ ｔ ｏａ ｓ ｇ ｅ ｓ ｆ ｏ ｃｒ ｔｎ ｔ ｎ ｈ ｅｄ ｔ ｉ ， ｎ ｃｏ
维普资讯
第２ ４卷第 ４期
２０ ０７年 ８月
测 绘 科 学 技 术 学 报
Ｊ ｕｎ ｌｏ ｈ ｎ ｚ ｏ ｎｔｔｔ ｆＳ ｒｅ ｉｇａ ｄ Ｍａ ｐｎ ｏ ｒａ ｆＺ ｅ ｇｈ ｕＩ ｓｉ ｅｏ ｕｖ ｙｎ ｎ ｐ ｉｇ ｕ
Ｖ０ ． ４ Ｎｏ ４ １２ ． Ａｕ ．２ ０ ｇ ０７