Nir-rgb配准问题

最新推荐文章于 2025-03-08 12:27:56 发布
最新推荐文章于 2025-03-08 12:27:56 发布
阅读量930 收藏 3
点赞数
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/tuxiongbin0888/article/details/117981052

parrot sequoia多光谱相机

相机参数：

img

参考链接：知乎：无人机多光谱相机Parrot Sequoia波段配准中的鱼眼镜头畸变改正方法

背景和问题

背景：

无人机搭载上述多光谱相机，对地巡航采集地面数据；

由于不同波段的图像拥有信息的互补性，所以希望能通过RGB和其他波段的图像进行配准从而充分利用各波段信息，进行后续的图像融合、检测等一系列处理。

问题：

  • 传统的相机标定是否能够解决配准问题？（matlab或者opencv自带的配准工具包）
  • 室内做一次标定，之后不同航高、不同光线环境、不同地面环境下的数据都可以得到配准么？ 还是说某些因素的变化会需要重新标定呢？
  • 矫正和标定的顺序以及大致流程？
Carl_g
关注
RGBT 对比算法 实验设置
计算机视觉
10-14 2120
2021-TIP-MIDDbackbone is VGG16(效果好) and ResNet50 VT821-VT1000-VT5000训练集:VT5000-TR的训练集2500做训练集 测试集:VT5000-TE,VT821,VT1000 MTMR(RGBT)(t传统方法) M3S-NIR(RGBT)(t) SGDL(RGBT)(t) ADF(RGBT) MIDD(RGBT) DMRA(RGBD) S2MA(RGBD) PFA(RGB-早期融合) R3Net(RGB) BASNet(RGB) PoolNe
【图像去噪】论文精读：NIR-Assisted Image Denoising: A Selective Fusion Approach and A Real-World Benchmark Data
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
03-13 101
论文题目：NIR-Assisted Image Denoising: A Selective Fusion Approach and A Real-World Benchmark Dataset —— 近红外辅助图像去噪:选择性融合方法和真实世界基准数据集TMM 2024！NIR-RGB的新benchmark数据集！本文应属图像融合领域（Image Fusion）。尽管图像去噪取得了显著的进展，但在去除噪声的同时恢复精细细节仍然具有挑战性，特别是在极低光照条件下。
全新发布 | 人脸离线识别SDK V4.0 新增口罩佩戴检测 增加NIR、RGB-D 3D识别模态
百度大脑
04-23 1922
尊敬的百度大脑官方平台用户： 感谢您长期以来对百度人脸识别产品的支持，人脸离线识别SDK Android版 V4.0 全新发布，新增口罩佩戴检测模型、NIR检测与识别模态、RGB-D 3D识别模态，实现真3D人脸识别算法。人脸离线识别SDK Android版 V4.0六大升级“加量不加价”，提供三个月免费试用期，欢迎广大开发者购买体验！ 新增能力 ➣ 新增NIR检测和识别模态 新增NIR检测和...
RGB-NIR 场景数据集（Multi-spectral SIFT for Scene Category Recognitio，MSIFT）
weixin_44458958的博客
02-27 608
这些图像是使用尼康D90和佳能T1i相机拍摄的，使用B+W 486（可见光）和093（近红外）滤光片。使用每个波段相等的权重（dcraw-r 1 1 1）处理近红外捕获，然后对通道进行平均。最终的变换是通过插值的最小二乘法重新计算的，并用于在公共坐标系中对两幅图像进行重采样。这些图像是使用修改后的 SLR 相机、可见光和 NIR 滤光片的单独曝光捕获的。有关 NIR 摄影的更多信息，请参阅下面的参考资料。场景类别包括：乡村、田野、森林、室内、山脉、旧建筑、街道、城市、水。
RGB-IR技术
热门推荐
jzwjzw19900922的博客
03-14 1万+
1. 什么是RGB-Ir? 首先解释下：RGB是颜色模式，分别代表Red, Green, Blue，是最广泛应用的色彩模式。 IR是Infrared，即红外线，其波长（约760nm~1mm）比红光长，是不可见光。 在光线比较暗的情况下，使用IR摄像头增强现实效果。 传统的COMS图像传感器采用Bayer格式作为色彩滤波阵列（CFA, Color Filter Array），像素点的色彩信息根据特定波长的光来确定。 RGB-Ir技术使用RGB-Ir CFA，基于Bayer格式，修改部分像素点为IR像
融合RGB与近红外“看清黑暗”，低照度成像方法：暗视觉网络（AAAI 2022）
3D视觉工坊
04-24 4209
本文转载自旷视研究院。此篇论文已被 AAAI 2022 收录。摘 要RGB-NIR 融合技术可用在极暗环境下增强可见光成像效果。然而现存的融合算法无法处理 RGB-NIR 图像之间的结构不一致问题，从而难以生成高质量的融合结果。本文中，我们对这个难题进行分析，并提出 Dark Vision Net (DVN)来处理结构不一致问题，通过巧妙的网络设计，DVN 将传统算法的核...
活体识别1：近红外（NIR）图像特性
yuanlulu的博客
01-31 4816
第一行从左到右分别为近红外光下的真实人脸、打印黑白人脸以及打印彩色人脸,第二行为相同情况下的可见光成像图。通过图4可以看出,在近红外光下真实人脸能够保留较为完善的边缘轮廓信息,而打印照片的边缘信息丢失较为严重,同时可以看出在近红外下真实人脸的对比度比打印人脸高。来自：[1]隋孟君,茅耀斌,孙金生.基于近红外图像特征的活体人脸检测[J].自动化与仪器仪表,2021(09):25-29.最近在接触活体识别，在网上找到一个介绍近红外光（NIR）特性的论文，我简单做个笔记。原文的全文在文末参考资料里。
论文解读 | 暗视觉网络：利用深度不一致先验的 RGB IR 融合低照度成像方法
旷视开发者技术社区
04-21 450
此篇论文已被 AAAI 2022 收录。摘 要RGB-NIR 融合技术可用在极暗环境下增强可见光成像效果。然而现存的融合算法无法处理 RGB-NIR 图像之间的结构不一致问题，从而难以生成高质量的融合结果。本文中，我们对这个难题进行分析，并提出 Dark Vision Net (DVN)来处理结构不一致问题，通过巧妙的网络设计，DVN 将传统算法的核心思想融合进 CNN ...
《Slice-to-volume medical image registration: A survey》论文阅读
大饼子
07-24 2349
摘要 在过去几十年中，研究界的医学成像目睹了在图像不断进步的配准方法，该按下的状态的最先进的限制和使能的新型医疗过程的发展。一种特殊类型的图像配准问题，称为切片到体积配准，在图像引导手术和体积图像重建等领域发挥了重要作用。。然而，到目前为止，尽管有关于该主题的大量文献，但没有编写任何调查来讨论这一具有挑战性的问题。本文首次对切片到卷的注册文献进行了全面的调查，根据临时分类法对算法进行了分类研究，并...
【图像去噪】论文精读：Structure Aggregation for Cross-Spectral Stereo Image Guided Denoising（SANet）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
03-08 140
论文题目：Structure Aggregation for Cross-Spectral Stereo Image Guided Denoising —— 跨光谱立体图像引导去噪的结构聚合CVPR 2023！为了从噪声观测中获得具有显着结构的干净图像，当前去噪研究的一个日益增长的趋势是寻求具有高信噪比的附加引导图像的帮助，这些图像通常在不同的光谱波段（如近红外）中获得。尽管以前的引导去噪方法基本上要求输入图像对齐良好，但捕获成对噪声目标和引导图像的更常见的方法是利用立体相机系统。
基于红外小目标图像库的特征识别探测研究
02-15
摘 要 ：为 了进一步 提高红外小 目标的识别概率 ，利用主分量分 析法提取 了小 目标红 外图像 的主分量特征 用 于识别探测 。 在具体计算时 ，分析了红外小 目标 图像 的一般特征 ，并建立 了图像库作 为训练样 本。 最后对 训 练样本 进行 了灰度峰值分类 ，并选取不同数量 的小 目标 图像进行 实验 。 结果表 明 ，目标在 红外 图像 上呈现 的 灰度峰值 大小几 乎不影响小 目标 的识别 ，而随着训练样本数 的增加 ，识别效果越好。
通过改进的多光谱图像融合实现城市参数化场景解析技术-研究论文
05-19
在当前文章中，提出了对现有的基于RGB-NIR的最新技术的多光谱成像技术的改进。 在先前的研究工作中，我们了解到使用更多数量的群集可以提供更好的结果，但以增加执行时间为代价。 因此，当前的工作是在以前的工作的基础上，通过利用新的结构来缩短融合时间。 本文中还提出将这种融合技术扩展到参数场景解析。 为此，从现有数据集中获得约4000个RGB-NIR图像对，并执行上述融合过程以创建仅由增强的融合图像组成的新语料库。 这些图像用作当前基于深度学习的语义分割体系结构的训练集。 观察到了两个方面的好处：A）图像融合现在具有更好的对比度，清晰度，增强的可见性，减少了执行时间。 B）与仅基于RGB图像的其他技术相比，语义分割可提供更好的性能。 关键字：图像融合，多光谱成像，RGB，近红外。
红外行为识别数据集.rar
01-16
本资源为公开的红外行为识别数据集，数据集主要包括六类：sitting，running，standing， looking-back，walking和lying-down 。包含两个文件夹，训练和测试文件夹，其中训练数据集为 200张每类，测试数据集为80张每类。
各种类型的RGB图像总结
985小菜鸡
05-19 3027
RGB系列图像包含了多个类型的图像，它们在传统的红、绿、蓝（RGB）颜色通道基础上添加了其他信息通道，以提供更丰富的图像数据。这些扩展的图像类型通常用于计算机视觉、图像处理和深度学习等领域。：添加了近红外（Near Infrared, NIR）通道，用于遥感和农业监测等领域。：包含热红外（Thermal Infrared）通道，用于夜视、监控和温度测量等应用。：加入了强度（Intensity）信息通道，通常用于光学成像和医学成像中。：包含透明度（Alpha）通道，用于图像合成和图像编辑。
RGB相机、深度相机以及LiDAR成像原理
家鸽的代码屋
05-11 1万+
成像原理
红外&遥感数据集总结
ROYOLE'S
07-01 1万+
1. 红外数据集 RGB-NIR Scene Dataset （包含9类RGB和近红外图片） https://ivrl.epfl.ch/research-2/research-downloads/supplementary_material-cvpr11-index-html/ OTCBVS Benchmark Dataset Collection （多种任务红外图像数据库）http://v...
哨兵2a 波段组合_深度学习遥感影像(哨兵2A/B)超分辨率
weixin_39971138的博客
12-22 1820
这段时间，用到了哨兵影像，遇到了一个问题，就是哨兵影像，它的RGB/NIR波段是10米分辨率的，但是其他波段是20米和60米的，这就需要pansharpening了，所以我们需要设计一种算法来进行解决.先把哨兵2的参数贴上来吧：通常pansharpening方法，都是一个全色波段提供空间信息，其他低分辨率多光谱波段提供光谱信息，然后将两者进行融合，这样就得到了高分辨率多光谱影像，但是这里有一个问题...
基于laspy的点云数据存取及基于Open3D的点云数据可视化
不要仅为成功而努力，要为做一个有价值的人而努力
03-05 2200
本文针对LAS格式的激光雷达点云数据存储文件进行了深入分析总结并对基于laspy库的LAS文件存取进行了实践。同时，对Open3D可视化点云数据作了简要说明。
【论文阅读】Crop Classification in a Heterogeneous Arable Landscape Using Uncalibrated UAV Data
Billie使劲学的博客
10-06 813
土地覆盖图对于农业地区的决策、监测和管理必不可少，但通常只有在收获后才能获得。为了及时获得瑞士高原小规模耕地景观的作物图，我们于2015年6月在无人驾驶飞行器（UAV）上使用消费者级相机，获得了未校准的、高分辨率的数据，空间分辨率为0.05米，四个光谱带。我们对数据进行了重新采样，以获得不同的空间和光谱分辨率，并使用纹理特征（一阶统计和数学形态学）、最佳性能的随机森林分类器以及结构元素的数量和大小对该方法进行了评估。
以下是基于 Sentinel-1（雷达）、Sentinel-2（光学）和珠海一号（高光谱）三种卫星数据处理的中文技术路线图（文字版），内容涵盖从数据预处理到特征提取及分析各环节，适用于植被功能性状与病虫害监测研究： --- ### 🌐 三种卫星图像处理技术路线（详细版） #### 一、数据获取阶段 1. **Sentinel-1 雷达数据（SAR）** * 数据类型：GRD（Ground Range Detected）格式 * 下载方式：Copernicus Open Access Hub 下载 * 影像时间：匹配实地采样期（春季/秋季） 2. **Sentinel-2 光学数据** * 数据类型：Level-1C（TOA反射率） * 下载方式：Copernicus 或 Google Earth Engine * 影像要求：云量 < 5%，多时相（最好是采样前后3天内） 3. **珠海一号高光谱数据** * 数据类型：L1-MSS 或 L1B-CMOS（带RPC文件） * 来源：珠海云遥科技官网或合作数据源 * 影像要求：场景包含采样区域，且辐射质量良好 --- #### 二、数据预处理阶段 1. **Sentinel-1 雷达影像预处理** * 辐射校正（Radiometric Calibration） * 几何校正（Terrain Correction）——基于SRTM * 去斑（Speckle Filtering）——Boxcar/Lee * 极化通道选择（VV 或 VH） * 输出为后向散射系数（σ⁰，单位：dB） 2. **Sentinel-2 光学影像预处理** * 大气校正：使用 Sen2Cor 生成 Level-2A 产品 * 波段重采样：统一空间分辨率（10 m） * 波段裁剪：基于 ROI 进行感兴趣区域裁切 * 云掩膜处理：移除云层和阴影像元 * 输出：表面反射率（SR）影像 3. **珠海一号高光谱影像预处理** * 几何校正：利用 RPC + DEM 进行正射校正 * 辐射校正/大气校正：QUAC 或 FLAASH 处理 * 波段挑选：去除水汽吸收和噪声波段 * 主成分分析（PCA）或波段融合降维 * 空间配准：与 Sentinel-2 对齐（基准为 10 m） --- #### 三、波段构建与特征提取 1. **植被指数构建** * Sentinel-2：NDVI、NDRE、SAVI、EVI、MTCI、MCARI2 等 * 珠海一号：基于高光谱组合的 PRI、IRECI、NDWI、ARIs * Sentinel-1：RVI、VV/VH 比值、后向散射强度 2. **主成分/特征降维** * PCA 提取前 3–4 主成分（代表结构/生理变化） * 基于 KS 分层提取变量差异显著波段或指数 3. **空间特征叠加** * 按季节分别构建：春季/秋季栅格特征组合 * 统一分辨率栅格叠加，构成训练用多波段影像 --- #### 四、样本提取与模型构建 1. **样地匹配** * 将 10 m × 10 m 实地样方中心点坐标与多源影像配准 * 提取对应波段值，形成样本表（包括病虫害指数） 2. **PIR 计算与等级分类** * PIR = 病叶数 / 总叶片数 * 按阈值划分等级：轻度/中度/重度（0–3级） 3. **模型构建与评估** * 使用 XGBoost + SHAP 方法进行建模 * 特征选择、LOOCV 验证与精度评估（Accuracy, F1） --- #### 五、空间预测与结果分析 1. **最优模型加载** * 选择 Top-n 特征模型（如前 15 个 SHAP 权重最高变量） 2. **栅格预测** * 读取对应季节波段栅格，输入模型进行像素级分类 * 输出 PIR 空间分布图（预测等级栅格） 3. **验证与可视化** * 与桐花树空间分布图叠加，提取其病虫害等级图 * 统计不同等级下桐花树像元数量，分析季节响应差异 --- 继续将其转换为高质量的**技术路线图图片
最新发布
06-06
数据获取阶段要区分主动微波遥感（$\text{Sentinel-1}$的C波段）和被动光学遥感（$\text{Sentinel-2}$的13个波段公式$\lambda_{\text{visible-NIR}}$），预处理阶段必须包含辐射定标方程$L=\text{Gain}\times\text{...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值