view in publisher's site

DEM orientation based on local feature correspondence with global DEMs

Thanks to rational polynomial coefficients (RPCs), which are provided by vendors to end users, digital elevation models (DEMs) can be simply derived from satellite stereo images. However, DEMs are influenced by systematic errors in the rational function model (RFM), known as RPC biases. Global DEMs (GDEMs), such as the Shuttle Radar Topography Mission (SRTM), which is the most inexpensive solution, can be applied to improve the accuracy of the relative RFM-derived DEMs. In this article, an automatic and robust local feature-based DEM matching and orientation approach is proposed in order to improve the accuracy of the relative RFM-derived DEMs without the use of ground control points (GCPs). The proposed approach consists of four main steps: (1) combined local feature extraction; (2) computation of the distinctive order-based self-similarity (DOBSS) descriptor; (3) a feature correspondence and local consistency checking process; and (4) a relative RFM-derived DEM orientation process using three-dimensional (3D) transformation models, including 3D rigid, 3D similarity and 3D affine transformations. This technique can avoid the sensitivity of conventional 3D DEM matching methods to initial values, monotonous areas and local distortions. Experimental results on two CARTOSAT-1 derived DEMs demonstrate the superior performance of the proposed DEM matching method over state-of-the-art methods, including SIFT, DAISY, LIOP, LBP, and BRISK descriptors, in terms of the number of correct matches (NCM) and DEM orientation accuracy. The results also show that the proposed method is able to significantly improve the geometric accuracy of the relative RFM-derived DEMs.

این گرایش مبتنی بر انطباق ویژگی محلی با dems جهانی است.

به لطف ضرایب چند جمله‌ای منطقی (RPCs)، که توسط فروشندگان به کاربران نهایی ارائه می‌شود، مدل‌های رقومی ارتفاع (dems)را می توان به سادگی از تصاویر استریو ماهواره به دست آورد. با این حال، dems تحت‌تاثیر خطاهای سیستماتیک در مدل تابع منطقی (RFM)، شناخته‌شده به عنوان سوگیری‌های RPC)قرار می‌گیرند. dems جهانی (GDEMs)، مانند ماموریت رادار هواشناسی Topography (SRTM)، که ارزان‌ترین راه‌حل است، می‌تواند برای بهبود دقت of مشتق‌شده از RFM بکار گرفته شود. در این مقاله، یک رویکرد مبتنی بر مشخصه محلی و مقاوم مبتنی بر ویژگی، به منظور بهبود دقت of مشتق‌شده از RFM بدون استفاده از نقاط کنترل زمینی (gcps)پیشنهاد شده‌است. روش پیشنهادی شامل چهار مرحله اصلی است: ۱)محاسبه ویژگی‌های محلی مبتنی بر نظم؛ (۲)محاسبه of مبتنی بر نظم و فرآیند کنترل ثبات موضعی؛ و (۴)یک فرآیند جهت گیری relative مشتق از سه بعدی (۳ D)با استفاده از مدل سه بعدی (۳ D)، شامل ۳ D، تشابه سه‌بعدی و تبدیلات ۳ D. این تکنیک می‌تواند از حساسیت روش‌های تطبیق ۳ D سنتی مرسوم به مقادیر اولیه، مناطق یکنواخت و انحرافات محلی اجتناب کند. نتایج تجربی در دو روش CARTOSAT - ۱ مشتق‌شده از dems نشان می‌دهد که عملکرد برتر روش تطبیق DEM پیشنهادی بر روی روش‌های state از جمله SIFT، daisy، LIOP، LBP و descriptors brisk، از نظر تعداد بازی‌های صحیح (NCM)و دقت جهت گیری DEM نشان می‌دهد. نتایج همچنین نشان می‌دهد که روش پیشنهادی می‌تواند به طور قابل‌توجهی دقت هندسی of مشتق‌شده از RFM را بهبود بخشد.
ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.