買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉自然資源部國土衛星遙感應用中心申請的專利一種制作區域星載光學和SAR影像DOM的方法和系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN117092647B 。

龍圖騰網通過國家知識產權局官網在2025-08-08發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202311059731.9，技術領域涉及：G01S13/90；該發明授權一種制作區域星載光學和SAR影像DOM的方法和系統是由郭莉;王霞;唐新明;付冬暇;劉書含;岳明宇;劉佳星;董立停;黃鵬飛;趙小滿設計研發完成，并于2023-08-22向國家知識產權局提交的專利申請。

本一種制作區域星載光學和SAR影像DOM的方法和系統在說明書摘要公布了：本發明提出一種制作區域星載光學和SAR影像DOM的方法和系統。其中，方法包括：對原始SAR影像的RD模型進行RPC建模，并通過濾波抑制SAR影像斑點噪聲，得到抑制斑點噪聲后的SAR影像；開展原始星載光學影像和數字正射影像間像控點的匹配，得到原始星載光學影像控制點；開展抑制斑點噪聲后的SAR影像和數字正射影像間的像控點匹配，得到濾波處理后的SAR影像控制點；基于抑制斑點噪聲后的SAR影像和原始星載光學影像及RPC定位模型開展聯合區域網平差和正射糾正處理，并對正射糾正后光學和SAR影像開展自動勻光和勻色處理，對勻光勻色處理后光學和SAR影像進行鑲嵌處理，得到鑲嵌后光學和SAR正射糾正產品。本發明有效保障了實際生產中區域光學和SAR影像聯合DOM的產品質量。

本發明授權一種制作區域星載光學和SAR影像DOM的方法和系統在權利要求書中公布了：1.一種制作區域星載光學和SAR影像DOM的方法，其特征在于，所述方法包括： 步驟S1、選取測區內原始星載光學影像及其RPC模型、原始星載SAR影像及其RD模型、數字正射影像庫和外部參考DEM數據； 步驟S2、對所述原始星載SAR影像中的RD模型進行RPC建模，得到SAR影像的RPC定位模型，并通過濾波抑制SAR影像斑點噪聲，得到抑制斑點噪聲后的SAR影像； 步驟S21、結合光學影像RPC模型的特性，利用原始SAR影像嚴格成像幾何模型建立地面點的立體空間格網和影像面之間的對應關系作為控制點求解RPC參數，得到擬合后的RPC模型即得到SAR影像的RPC定位模型； 步驟S22、根據輸出DOM以及參與數據處理的光學影像的分辨率，對原始星載SAR影像單視斜距復數據SLC進行方位或距離向多視處理，初步抑制斑點噪聲，得到初步抑制斑點噪聲后的SAR影像；在多視處理的基礎上，使用SAR影像斑點噪聲抑制網絡對初步抑制斑點噪聲后的SAR影像進行濾波處理，得到抑制斑點噪聲后的SAR影像； 在所述步驟S22中，使用SAR影像斑點噪聲抑制網絡對初步抑制斑點噪聲后的SAR影像進行濾波處理，得到抑制斑點噪聲后的SAR影像的具體方法包括： 1）所述SAR影像斑點噪聲抑制網絡的主干網絡為UNet，所述主干網絡由encoder和decoder兩個部分組成，其中所述encoder使用18層的ResNet替代四次下采樣CBR模塊堆疊Conv+BN+ReLU，所述decoder使用四次上采樣CBR模塊堆疊； 2）對樣本與待濾波SAR影像求取強度，并通過對數log運算將乘性斑點噪聲轉換為加性；得到加性噪聲影像即樣本加性噪聲影像和SAR影像加性噪聲影像； 其中，待濾波SAR影像為初步抑制斑點噪聲后的SAR影像；樣本為疊加合成的斑點噪聲的SAR影像，同時也為噪聲抑制網絡訓練使用的輸入數據； 通過待估模型參數的真實值θ與映射關系的公式計算，獲得無噪聲影像強度的估值，無噪聲影像強度x與帶有噪聲的影像觀測值y之間的關系如下： ； 其中： x:無噪聲影像強度； ：無噪聲影像強度的估值； y：x的觀測值，含有加性噪聲； 對x的兩個觀測值y 1和y 2，使用下式建立去噪的目標函數： ; :待估模型參數的估值 E:數學期望 :觀測值y經過濾波去噪獲取無噪聲影像強度估值的映射關系 :獲得θ的估值，使E[·]取最小值； 其中，為損失函數，其形式如下： 其中，y 1和y 2分別為x的兩次獨立觀測量值，k為像素序號； 3）將疊加合成的斑點噪聲的SAR影像作為樣本，模型訓練在所述樣本上進行；每次迭代均生成兩套獨立合成的斑點噪聲的SAR影像，分別用于輸入和計算損失函數； 所述樣本以32為步進，分割成256×256大小的切片后構成訓練集，訓練的epoch數不少于50，其中訓練網絡使用Adam優化器，初始學習率為0.001，在10個epoch后下降為初始的110； 對所述訓練網絡進行預訓練和二次訓練，所述預訓練的過程是將生成降采樣的去噪SAR影像用于補償不同時期SAR影像的變化，降采樣用于降低合成噪聲的相關性；所述二次訓練是更新所述預訓練的權重，epoch數不少于20； 步驟S3、基于光學影像特征一致性原則，開展所述原始星載光學影像和數字正射影像間像控點的匹配，得到原始星載光學影像控制點； 步驟S4、利用異源影像在深度卷積神經網絡空間的相似性，開展所述抑制斑點噪聲后的SAR影像和數字正射影像間的像控點匹配，得到濾波處理后的SAR影像控制點； 步驟S41：以所述抑制斑點噪聲后的SAR影像與光學影像模板匹配的影像為正樣本，非匹配的抑制斑點噪聲后的SAR影像為負樣本，使用卷積網絡提取光學影像模板的特征張量，作為所述抑制斑點噪聲后的SAR影像與光學影像模板配準的相似性測度； 步驟S42：采用深度匹配網絡以上述正樣本和負樣本為驅動，其損失函數設計為： 在給定閾值條件下，使正樣本與光學影像模板在特征空間的總體距離小于負樣本，從而使訓練求得的權重在推斷過程中具備判定抑制斑點噪聲后的SAR影像與光學影像模板是否匹配的能力； 1）在光學影像與雷達影像上選取點狀與線狀特征明顯的圖斑作為控制點樣本，以光學影像特征圖斑為錨點，同名雷達圖斑作為正樣本，非同名雷達圖斑則為負樣本，所述光學影像通過卷積網絡轉換為特征張量，并基于此建立損失函數如下： ; 其中，為損失函數，為區分匹配與否的距離，Δ+和Δ-分別為正樣本和負樣本與光學圖斑錨點特征張量的歐氏距離： ; Ft、Fg和Fb分別為光學錨點、正樣本的特征張量和負樣本的特征張量； 2）所述深度匹配網絡由6層卷積網絡構成，前5層網絡均為CBR模塊堆疊Conv+BN+ReLU，最后一層則使用8，最卷積連接，并使用L2正則化和0.3的dropout避免過擬合；所述深度匹配網絡輸入為64×64大小的影像切片，輸出為128維的單位向量； 3）深度匹配網絡基于以上損失函數，在光學和雷達樣本影像中選擇所有特征張量歐氏距離接近的負圖斑作為樣本，設置正、負圖斑在特征空間中的邊緣距離，若Δ++Δ-，則重新調整權重，直至Δ+Δ-； 4）網絡使用中分辨率10m量級的光學和雷達影像進行預訓練，網絡使用Adam優化器，學習率為0.1，epoch數不低于50；對高分辨率影像1m量級則進行二次訓練，學習率為0.001，epoch數不低于100； 步驟S5、分別利用所述原始星載光學影像控制點和濾波處理后的SAR影像控制點，基于所述抑制斑點噪聲后的SAR影像和原始星載光學影像及RPC定位模型開展聯合區域網平差和正射糾正處理，得到正射糾正后光學和SAR影像； 步驟S51、使用所述原始星載光學影像控制點和多視濾波處理后SAR影像控制點，通過影像間控制點的約束關系補償RPC模型的系統誤差； ; 式中，是原始星載光學影像和多視濾波處理后SAR影像上的量測坐標,為地面控制點利用RPC參數投影到影像面的投影值; 對每個控制點列如下線性方程，進行光束法平差: ; 其中，V是殘差，A是關于仿射參數的系數矩陣，B是物方坐標的系數矩陣，t為仿射參數改正數，X為物方坐標改正數，l為常數項部分； 其中，RPC模型為原始光學影像RPC模型和SAR影像擬合而成； 步驟S52、基于所述外部參考DEM數據、星載光學和SAR影像區域網平差后的RPC參數，對星載光學和多視濾波處理后SAR影像進行正射糾正； 步驟S6、對所述正射糾正后光學和SAR影像開展自動勻光和勻色處理，得到勻光勻色處理后光學和SAR影像； 步驟S7、對所述勻光勻色處理后光學和SAR影像進行鑲嵌處理，得到鑲嵌后光學和SAR正射糾正產品； 在所述勻光勻色處理后光學和SAR影像的預設定區域內，增加閃避點，調整鑲嵌線兩側局部區域影像的色調；通過增加閃避點和編輯鑲嵌線，使預設定區域內影像間的色調均勻過渡； 步驟S8、對所述鑲嵌后光學和SAR正射糾正產品按標準分幅進行裁切處理，得到標準分幅光學和SAR影像DOM產品； 在所述步驟S8中，所述標準分幅內圖廓的四個角點像元中心點坐標的最小外接矩形，以所述最小外接矩形向外擴展預設置數值P個像素；所述標準分幅內圖廓的四個角點的像元中心點坐標計算公式如下： ; 式中：X1，Y1，X2，Y2，X3，Y3，X4，Y4為四個圖廓點的坐標，坐標單位為米；d為正射影像地面分辨率，int[?]將數字向下取整，max?返回參數列表中的最大值，min?返回參數列表中的最小值。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人自然資源部國土衛星遙感應用中心，其通訊地址為：100048 北京市海淀區紫竹院百勝村1號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。