SEAMLESS CO-REGISTRATION OF IMAGES FROM MULTI-SENSOR MULTISPECTRAL CAMERAS
Notice bibliographique
Résumé
Abstract. Small-format, consumer-grade multi-camera multispectral systems have gained popularity in recent years. This is specifically due to the simplicity of their integration onboard platforms with limited payload capacity, such as Unmanned Aerial Vehicles (UAVs). Commercially available photogrammetric software can process the image data collected by these cameras to create multispectral ortho-rectified mosaics. However, misalignments of several pixels between spectral bands have been observed to be a common issue when employing these solutions, which can undermine the spectral and geometric integrity of the data. Besides, in advanced processing workflows such as object detection and classification with deep learning algorithms, band-to-band co-registered images are needed rather than one mosaic. We propose a two-fold solution for seamless band-to-band registration of images captured by five cameras integrated into a miniature multispectral camera system. This approach consists of 1) a robust self-calibration of the multispectral camera system to accurately estimate the intrinsic calibration parameters and relative orientation parameters of all cameras; 2) a single capture, band-to-band co-registration method based on trifocal constraints. This approach differs from existing literature since it is fully automatic, does not make any assumptions about the scene, does not use any best-fit projective or similarity transformations, and does not attempt cross-spectral feature-point matching. Our experiments confirm that the proposed co-registration method can accurately fuse multispectral images from a miniature multi-camera system and is invariant to large depth-variations in the captured scene.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».