买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉自然资源部国土卫星遥感应用中心申请的专利一种制作区域星载光学和SAR影像DOM的方法和系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117092647B 。

龙图腾网通过国家知识产权局官网在2025-08-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311059731.9，技术领域涉及：G01S13/90；该发明授权一种制作区域星载光学和SAR影像DOM的方法和系统是由郭莉;王霞;唐新明;付冬暇;刘书含;岳明宇;刘佳星;董立停;黄鹏飞;赵小满设计研发完成，并于2023-08-22向国家知识产权局提交的专利申请。

本一种制作区域星载光学和SAR影像DOM的方法和系统在说明书摘要公布了：本发明提出一种制作区域星载光学和SAR影像DOM的方法和系统。其中，方法包括：对原始SAR影像的RD模型进行RPC建模，并通过滤波抑制SAR影像斑点噪声，得到抑制斑点噪声后的SAR影像；开展原始星载光学影像和数字正射影像间像控点的匹配，得到原始星载光学影像控制点；开展抑制斑点噪声后的SAR影像和数字正射影像间的像控点匹配，得到滤波处理后的SAR影像控制点；基于抑制斑点噪声后的SAR影像和原始星载光学影像及RPC定位模型开展联合区域网平差和正射纠正处理，并对正射纠正后光学和SAR影像开展自动匀光和匀色处理，对匀光匀色处理后光学和SAR影像进行镶嵌处理，得到镶嵌后光学和SAR正射纠正产品。本发明有效保障了实际生产中区域光学和SAR影像联合DOM的产品质量。

本发明授权一种制作区域星载光学和SAR影像DOM的方法和系统在权利要求书中公布了：1.一种制作区域星载光学和SAR影像DOM的方法，其特征在于，所述方法包括： 步骤S1、选取测区内原始星载光学影像及其RPC模型、原始星载SAR影像及其RD模型、数字正射影像库和外部参考DEM数据； 步骤S2、对所述原始星载SAR影像中的RD模型进行RPC建模，得到SAR影像的RPC定位模型，并通过滤波抑制SAR影像斑点噪声，得到抑制斑点噪声后的SAR影像； 步骤S21、结合光学影像RPC模型的特性，利用原始SAR影像严格成像几何模型建立地面点的立体空间格网和影像面之间的对应关系作为控制点求解RPC参数，得到拟合后的RPC模型即得到SAR影像的RPC定位模型； 步骤S22、根据输出DOM以及参与数据处理的光学影像的分辨率，对原始星载SAR影像单视斜距复数据SLC进行方位或距离向多视处理，初步抑制斑点噪声，得到初步抑制斑点噪声后的SAR影像；在多视处理的基础上，使用SAR影像斑点噪声抑制网络对初步抑制斑点噪声后的SAR影像进行滤波处理，得到抑制斑点噪声后的SAR影像； 在所述步骤S22中，使用SAR影像斑点噪声抑制网络对初步抑制斑点噪声后的SAR影像进行滤波处理，得到抑制斑点噪声后的SAR影像的具体方法包括： 1）所述SAR影像斑点噪声抑制网络的主干网络为UNet，所述主干网络由encoder和decoder两个部分组成，其中所述encoder使用18层的ResNet替代四次下采样CBR模块堆叠Conv+BN+ReLU，所述decoder使用四次上采样CBR模块堆叠； 2）对样本与待滤波SAR影像求取强度，并通过对数log运算将乘性斑点噪声转换为加性；得到加性噪声影像即样本加性噪声影像和SAR影像加性噪声影像； 其中，待滤波SAR影像为初步抑制斑点噪声后的SAR影像；样本为叠加合成的斑点噪声的SAR影像，同时也为噪声抑制网络训练使用的输入数据； 通过待估模型参数的真实值θ与映射关系的公式计算，获得无噪声影像强度的估值，无噪声影像强度x与带有噪声的影像观测值y之间的关系如下： ； 其中： x:无噪声影像强度； ：无噪声影像强度的估值； y：x的观测值，含有加性噪声； 对x的两个观测值y 1和y 2，使用下式建立去噪的目标函数： ; :待估模型参数的估值 E:数学期望 :观测值y经过滤波去噪获取无噪声影像强度估值的映射关系 :获得θ的估值，使E[·]取最小值； 其中，为损失函数，其形式如下： 其中，y 1和y 2分别为x的两次独立观测量值，k为像素序号； 3）将叠加合成的斑点噪声的SAR影像作为样本，模型训练在所述样本上进行；每次迭代均生成两套独立合成的斑点噪声的SAR影像，分别用于输入和计算损失函数； 所述样本以32为步进，分割成256×256大小的切片后构成训练集，训练的epoch数不少于50，其中训练网络使用Adam优化器，初始学习率为0.001，在10个epoch后下降为初始的110； 对所述训练网络进行预训练和二次训练，所述预训练的过程是将生成降采样的去噪SAR影像用于补偿不同时期SAR影像的变化，降采样用于降低合成噪声的相关性；所述二次训练是更新所述预训练的权重，epoch数不少于20； 步骤S3、基于光学影像特征一致性原则，开展所述原始星载光学影像和数字正射影像间像控点的匹配，得到原始星载光学影像控制点； 步骤S4、利用异源影像在深度卷积神经网络空间的相似性，开展所述抑制斑点噪声后的SAR影像和数字正射影像间的像控点匹配，得到滤波处理后的SAR影像控制点； 步骤S41：以所述抑制斑点噪声后的SAR影像与光学影像模板匹配的影像为正样本，非匹配的抑制斑点噪声后的SAR影像为负样本，使用卷积网络提取光学影像模板的特征张量，作为所述抑制斑点噪声后的SAR影像与光学影像模板配准的相似性测度； 步骤S42：采用深度匹配网络以上述正样本和负样本为驱动，其损失函数设计为： 在给定阈值条件下，使正样本与光学影像模板在特征空间的总体距离小于负样本，从而使训练求得的权重在推断过程中具备判定抑制斑点噪声后的SAR影像与光学影像模板是否匹配的能力； 1）在光学影像与雷达影像上选取点状与线状特征明显的图斑作为控制点样本，以光学影像特征图斑为锚点，同名雷达图斑作为正样本，非同名雷达图斑则为负样本，所述光学影像通过卷积网络转换为特征张量，并基于此建立损失函数如下： ; 其中，为损失函数，为区分匹配与否的距离，Δ+和Δ-分别为正样本和负样本与光学图斑锚点特征张量的欧氏距离： ; Ft、Fg和Fb分别为光学锚点、正样本的特征张量和负样本的特征张量； 2）所述深度匹配网络由6层卷积网络构成，前5层网络均为CBR模块堆叠Conv+BN+ReLU，最后一层则使用8，最卷积连接，并使用L2正则化和0.3的dropout避免过拟合；所述深度匹配网络输入为64×64大小的影像切片，输出为128维的单位向量； 3）深度匹配网络基于以上损失函数，在光学和雷达样本影像中选择所有特征张量欧氏距离接近的负图斑作为样本，设置正、负图斑在特征空间中的边缘距离，若Δ++Δ-，则重新调整权重，直至Δ+Δ-； 4）网络使用中分辨率10m量级的光学和雷达影像进行预训练，网络使用Adam优化器，学习率为0.1，epoch数不低于50；对高分辨率影像1m量级则进行二次训练，学习率为0.001，epoch数不低于100； 步骤S5、分别利用所述原始星载光学影像控制点和滤波处理后的SAR影像控制点，基于所述抑制斑点噪声后的SAR影像和原始星载光学影像及RPC定位模型开展联合区域网平差和正射纠正处理，得到正射纠正后光学和SAR影像； 步骤S51、使用所述原始星载光学影像控制点和多视滤波处理后SAR影像控制点，通过影像间控制点的约束关系补偿RPC模型的系统误差； ; 式中，是原始星载光学影像和多视滤波处理后SAR影像上的量测坐标,为地面控制点利用RPC参数投影到影像面的投影值; 对每个控制点列如下线性方程，进行光束法平差: ; 其中，V是残差，A是关于仿射参数的系数矩阵，B是物方坐标的系数矩阵，t为仿射参数改正数，X为物方坐标改正数，l为常数项部分； 其中，RPC模型为原始光学影像RPC模型和SAR影像拟合而成； 步骤S52、基于所述外部参考DEM数据、星载光学和SAR影像区域网平差后的RPC参数，对星载光学和多视滤波处理后SAR影像进行正射纠正； 步骤S6、对所述正射纠正后光学和SAR影像开展自动匀光和匀色处理，得到匀光匀色处理后光学和SAR影像； 步骤S7、对所述匀光匀色处理后光学和SAR影像进行镶嵌处理，得到镶嵌后光学和SAR正射纠正产品； 在所述匀光匀色处理后光学和SAR影像的预设定区域内，增加闪避点，调整镶嵌线两侧局部区域影像的色调；通过增加闪避点和编辑镶嵌线，使预设定区域内影像间的色调均匀过渡； 步骤S8、对所述镶嵌后光学和SAR正射纠正产品按标准分幅进行裁切处理，得到标准分幅光学和SAR影像DOM产品； 在所述步骤S8中，所述标准分幅内图廓的四个角点像元中心点坐标的最小外接矩形，以所述最小外接矩形向外扩展预设置数值P个像素；所述标准分幅内图廓的四个角点的像元中心点坐标计算公式如下： ; 式中：X1，Y1，X2，Y2，X3，Y3，X4，Y4为四个图廓点的坐标，坐标单位为米；d为正射影像地面分辨率，int[•]将数字向下取整，max•返回参数列表中的最大值，min•返回参数列表中的最小值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人自然资源部国土卫星遥感应用中心，其通讯地址为：100048 北京市海淀区紫竹院百胜村1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。