卫少东个人博客

Open3D的基本使用前言在处理点云数据时，PCL库的安装和上手难度较大，英特尔的Open3D在性能和开箱即用上表现优异，可以读存、处理和显示各类点云，故做此试验。准备工作安装使用window11下的pychram，配置python3.6的虚拟环境，（PS:open3d到博客写作日期为止，暂时只支持3.6-3.8版本），进行虚拟环境的setting，依次安装open3d，numpy，opencv（optional）测试数据下载在gethub上下载open3d的源码，里面包含了我们需要官方提供的

CeresSolver采用稀疏矩阵求解大规模BA时参数块设定前言在大规模BA求解中，通常会关注到相机位姿与路标参数构成矩阵的稀疏性，将相机位姿参数与路标点参数分组，采用舒尔补充等方法进行消元求解数据量大的组别，提升求解效率，具体可以参考ceres的LinearSolver¶部分。在实际使用中，构造代价函数时需明确哪些参数为路标点参数，需要被消去；哪些参数为相机参数，首先求解，相当于将参数分组，并决定其消去的顺序。ceres内置了自动分组的方法，但有时不能奏效，此时就需要我们手工指定参数块的分组，并且来

Ubuntu 18.04从源代码编译安装GDAL3.4.1简要介绍参考地址编译代码注意事项1.configure: error: PROJ 6 symbols not found2. 使用cmake时找不到库3.可以用make -j4 加速检查方法简要介绍参考地址GDALGithubGDAL各版本下载地址官方编译方法地址编译代码./configuremake -j4sudo make install注意，3.5版本可以使用cmake进行编译。注意事项1.configure: err

（Python）卫星RPC有理多项式模型读取与正反投影坐标计算原理与实现文章目录（Python）卫星RPC有理多项式模型读取与正反投影坐标计算原理与实现摘要RPC几何定位模型介绍RPC模型库代码实现Rpc模型库使用示例实验结果精度评估性能评估摘要在航天摄影测量领域，RPC模型是一种通用的卫星几何定位模型。作为基础构件，RPC模型是后续前方交会（三角化）、区域网平差、DSM生成的基础。但是，笔者在实际使用中发现网上的关于RPC模型开源代码良莠不齐，有的介绍详细但没有代码，难以找到一组比较易用的RPC模型

（Python）使用Gdal进行批量的多光谱影像波段合成文章目录（Python）使用Gdal进行批量的多光谱影像波段合成摘要方法代码介绍完整代码实验结果代码运行结果（部分）多光谱合成结果耗时摘要项目中经常遇到批量多光谱合成的任务需求，数量不多时，可以利用ENVI、ARCGIS等软件进行手工操作，但是当遇到数据量大且数据名称类似的任务时，很容易陷入机械劳动，耗时且易出错。本文提供了个人学习科研进行中，撰写的批量多光谱合成代码。其可以按照合成对象的命名特点搜索文件中的待合成波段的影像列表，并使用Gdal

使用Python+Gdal进行批量的影像RPC正射校正文章目录使用Python+Gdal进行批量的影像RPC正射校正摘要方法实验数据实现代码介绍完整代码实验结果代码运行结果正射校正结果性能摘要遥感影像经会遇到大批量数据做统一处理的情况，而其影像命名由于其一级产品的生产过程有很强的规律性，天然具备批量处理的潜质。本次针对带RPC的遥感影像批量处理，借助了Python脚本语言，使用re库（正则表达式）来处理字符串与名称搜索、os库来处理路径和文件遍历、GDAL库来进行RPC模型的正射校正，最终实现了批量

import matplotlib.pyplot as pltfrom matplotlib.path import Pathimport matplotlib.patches as patchesimport numpy as np#plt.rcParams["font.family"]="SimHei" #正常显示中文def drawBoundary(ax, boundary, **kw): """ 绘制地理坐标区域 :param ax: 绘制的坐标轴 :p

文章目录前言使用Opencv的Stitcher(傻瓜式)TODO：自己实现运行结果耗时情况拼接效果总体效果局部细节（接缝处）前言“ 很多时候，我们需要研究较大空间范围的研究区域时，单幅遥感图无法覆盖整个研究区域，这时就需要对遥感图像进行镶嵌（或拼接）。”本文使用Python+Opencv+GDAL实现相邻两个遥感图像之间重叠区域的拼接。基本步骤为：对每幅图进行特征点提取对特征点进行匹配进行图像配准把图像拷贝到另一幅图像的特定位置对重叠边界进行特殊处理（颜色融合）最近使用python进行

目录简要介绍代码运行结果简要介绍SIFT，即尺度不变特征变换（Scale-invariant feature transform，SIFT），是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。 该方法于1999年由David Lowe 首先发表于计算机视觉国际会议（International Conference on Computer Vision，ICCV），2004年再次经David Lowe整理完善后发表于International jour

文章目录简介代码运行结果简介使用Python API的gdal和opencv一般遇到最大的问题就是，遥感影像一般为16位和opencv只处理8位，中间的转换有很多的写的非常复杂又不完全对的，本文提供一个可用的例子，用于读取影像截取ROI，这样就可以很方便的使用opencv算法进行图像处理了，以此作为自己的记录和初学者参考。使用库的相关版本python 3.9gdal 3.2.3opencv 4.5（可使用PLI或者matplot）代码from osgeo import gdalimp

（Python）使用Gdal+Scipy获得Dem的经纬度的高程值（双线性和三次样条内插）前言基本原理双线性内插三次样条内插代码实现后记前言最近使用python进行一些的遥感影像处理，发现摄影测量方面，相比于CV领域资料非常匮乏，特此记录一些小工具的实现，也做出一些遥感领域的代码做出自己的贡献，水平有限，能用而已。基本原理Dem内插是指根据分布在内插点周围的已知参考点的高程值求出未知点的高程值，由于所采集的原始数据排列一般是不规则的，为了获取规则的 DEM，内插是必不可少的重要步骤。 它是 DEM的