A Network RTK Method for Large-Scale Satellite Navigation and Positioning Reference Stations
-
摘要: 网络实时动态测量(real-time kinematic, RTK)技术可为大范围区域用户提供实时高精度的定位服务，然而目前该技术对卫星导航定位(satellite navigation and positioning，SNAP)基准站网密度要求较高。为了满足稀疏大尺度SNAP基准站网区域的高精度定位服务需求，提出了一种基于虚拟大气约束（virtual atmosphere constrait, VAC）的网络RTK服务方法，首先构建非组合双差观测值模型，快速解算并固定SNAP基准站基线模糊度；然后提取基线大气延迟，分别建立斜路径电离层和天顶对流层误差模型；最后将内插的大气延迟及其精度信息作为虚拟观测值，提升终端RTK的定位性能。采用中国西北的SNAP基准站网数据(平均站间距为205.1 km)和网内外6个流动站数据进行RTK验证，结果表明，所提方法可以满足大尺度参考网下用户的高精度定位需求，相比传统的虚拟基准站技术，VAC服务模式下的终端定位精度、初始化速度平均分别提升61.64%和9.96%，该模式下测试终端固定解水平和高程方向的平均均方根分别为1.19 cm、2.73 cm；采用多次初始化进行验证，平均88.78%的时段在2个历元内即可完成初始化；VAC服务模式对大尺度SNAP基准站网内外用户均具有较好的适应性。
-
关键词:
- 网络RTK /
- 虚拟基准站 /
- 虚拟大气约束 /
- 大气建模误差 /
- 大尺度SNAP基准站网
Abstract:Objectives Network real-time kinematic (RTK) technology can provide real-time and high-precision positioning service for users over the wide range, however, the current technology depends on high density of satellite navigation and positioning (SNAP) reference station network. To satisfy the high-precision positioning requirements based on the sparse reference station network, this paper recommends a network RTK service method based on virtual atmosphere constrait(VAC).Methods Firstly, a non-combined double-difference observation model is constructed to solve and fix the network RTK baseline ambiguity quickly. Then, the baseline atmospheric delay is extracted and the slant path ionosphere and zenith tropsphere are established respectively. Finally, the interpolated atmospheric delay and its accuracy information are regarded as virtual observations to improve the positioning performance of the terminal RTK. Based on a 205.1 km station spacing SNAP network from a northwest region, China, six rover stations inside and outside the network are used for termininal RTK verification.Results The results show that the VAC network RTK service method can meet the needs of high-precision positioning users over large-scale reference networks. The terminal positioning accuracy and initialization speed by the VAC method are significantly improved by 61.64% and 9.96% compared with the traditional virtual reference station method. In this service mode, the average horizontal and vertical root mean squares of the fixed solution for the six terminals are 1.19 cm and 2.73 cm. Initializing RTK solution by a lot of times, 88.78% of periods can be fixed within 2 epochs for the six rover staions.Conclusions The VAC service mode has good adaptability to both users inside and outside the large-scale SNAP base station network. -
敦煌壁画素有“墙上博物馆”的美誉，具有极高的历史和文化价值。但是，敦煌壁画历经千年，正承受着脱落、起甲、变色等多种病害的威胁，图 1(a)所示即为一幅破损壁画。传统的人力手工修复都是不可逆的操作，具有一定风险。而数字化的壁画修复由于不需要对原始作品进行直接处理，并且能按艺术需求对修复结果进行调整，让无损修复成为可能，也提高了修复的灵活度，已广泛应用于现代文物修复工作中。
图像修复作为计算机视觉和图像处理领域中重要的主题之一，其概念由Bertalmio等[1]提出。目前图像修复主要分为基于几何学和图像块的修复方法两大类。几何学的修复[1-4]包括变分或偏微分方程[1]的各向异性扩散[2]、曲率[3]、全变分最小化[4]等，适合完成线和小区域的修复，但在重建大面积区域时，会出现边缘模糊。而基于图像块的修复源于纹理合成[4]思想，包括样例法、混合法，能量方程法以及稀疏表示法等；文献[5-6]提出了经典样例法的理论基础，之后，更多样例改进算法被提出[7-13]，而改进主要集中于置信因子项[7-10]、数据项[11]、优先权函数[12]以及搜索空间[13]等。文献[14]则将BV-G模型运用到图像修复，给出了混合法的思路；文献[15]提出结构指导下的多尺度全局优化修复算法。能量方程法[16]则通过最小化全局能量方程来重构图像缺失部位。Aharon等[17]提出稀疏表示能自适应地选择最优基，从而估计出目标图像。根据上述理论，相当一部分基于稀疏表示的图像修复算法[18-20]被提出；文献[18]提出稀疏表示框架下领域嵌入式修复算法；文献[19]提出秩最小化修复算法；文献[20]将在线字典学习应用于彩色图像复原中，对大片纹理和边缘缺失的图像具有较好的修复效果。但该类方法存在一个普遍问题，如果缺失区域所需的信息不能在图像已知区域中找到，则通常无法得到令人满意的修复结果。
近年来，很多专家学者致力于数字化的敦煌壁画修复[21-24]，通过改进上述方法取得了一些有意义的成果，但修复效果一般。原因在于：①没有将线描图作为结构区域的修复指引；②依赖于传统方法中先结构后纹理的修复策略。为了更好地解决上述问题，本文针对破损的敦煌壁画，根据对应的线描图(图 1(b))，利用人机交互的方式[21]将破损图像中破损区域缺失的结构信息补全；并采用一种先纹理后结构的修复策略，通过全局随机抽取和结构复杂度排序选出破损边界上的待修复块。在修复阶段，通过局部纹理和结构上的连续性约束，建立稀疏表示模型，由待候选块的稀疏线性组合估计待修复块，实现破损壁画的修复。
1 壁画修复算法介绍
本文算法步骤如下：①给出预处理后带结构信息的壁画图像I待修复区域；②将待修复边界$\partial \mathit{\Omega} $以p点为中心的待填充块分为结构块集合S和纹理块集合T；③如果$T \ne \emptyset $，随机在T中选取一待修复纹理块ΨT，利用全局搜索找到K个SSD(sum of squared difference)准则下的待候选块; ④建立约束方程，求解得到稀疏表示模型中K个待候选块的线性组合去填充ΨT，之后更新置信因子项C(s)、$\partial \mathit{\Omega} $、S和T，重复步骤②至④，直到$T= \emptyset $; ⑤如果$T= \emptyset $, $S \ne \emptyset $，计算S中每一个Ψs的优先权; ⑥选择优先权最大的块Ψm作为当前待修复块，之后再进行步骤③至④，直到$S = \emptyset $，结束整个修复过程。
1.1 待修复敦煌壁画图像预处理
在进行破损敦煌壁画修复之前，需要对原图预处理。首先，在资深敦煌壁画修复工作人员的指导下，在破损区域处填充绿色掩模，这样能准确地识别出待修复区；之后根据对应的手工线描图，利用人机交互法在绿色掩模处添加破损区域里缺失的结构信息，则可得到带有辅助结构信息的待修复敦煌壁画I。
为了更好地解释本文算法，将上述预处理后带有辅助结构信息的壁画I替换为另一张完好的壁画来做示意图，该示意图选自文献[9]敦煌660数据集。本文对该示意图做相同的预处理，记为Id。如图 2所示，第一排左图为原图，第二排Ωc为Id中已知区域，绿色掩模共有3处，记为Ω1、Ω2和Ω3，其中在Ω3区域里添加了黑色线条作为结构辅助信息，红色为待修复区域的边界，分别记为Ω1、Ω2和Ω3；第一排右图中白色边界为通过数学形态学提取的破损边界。
1.2 待修复块的选择策略
本文提出一种新的待修复块的选择策略，首先将所有以p点为中心的待填充块Ψp分为纹理块和结构块。对于纹理块，采取全局随机抽取的方式选出ΨT，而对于结构块，本文定义了一种块结构复杂度(patch structure complexity，PSC)，将结构复杂度较低的Ψs作为优先修复对象。
1) 分类及修复顺序
通过分析预处理后的敦煌图像Id，选出Ψp，并判断Ψp中有无辅助结构信息，若有，则归入结构块集合S={Ψs}s=1M，如图 3中Ψ2所示；若没有，则放入纹理块集合T={Ψt}t=1N，如图 3中Ψ1所示。根据辅助结构信息将待修复图像块分为两类，先修复较为简单的纹理块，提高纹理区域修复成功率的同时也减少了结构块的数目，降低结构区域的修复难度。
2) 纹理块的全局随机抽取
通过上述对待修复块的分类，决定了破损区域的修复顺序，即先纹理，再结构。纹理修复时，传统的样例法需要计算边界上所有待修复块的优先权，从而决定修复顺序，而本文算法中，充分利用Ψt不含辅助结构信息的特点，在不计算每个Ψt优先权值的情况下，采取一种全局随机抽取的方式选出待修复的Ψt，在不影响修复结果的情况下，提高了算法的实时性，详细的实验结果在§2给出。
3) 结构复杂度的块优先权
在修复结构区域时，需要从结构集合S={Ψs}s=1M中找出最容易修复的Ψs，这样的Ψs需满足最少辅助结构信息和最多已知信息的特点。块结构复杂度PSC(s)定义为：
$$ {\rm{PSC}}\left( s \right) = \frac{1}{2}\exp \left( { - \frac{{\sum\limits_{s \in {\mathit{\boldsymbol{ \boldsymbol{\varPsi} }}_s} \cap {\mathit{\Omega }^c}} {A\left( s \right)} }}{{\left| {{\mathit{\boldsymbol{ \boldsymbol{\varPsi} }}_s}} \right|}}} \right) $$ (1) 式中，$\sum\limits_{s \in {\mathit{\boldsymbol{ \boldsymbol{\varPsi} }}_s} \cap {\mathit{\Omega} ^c}} {} A(s)$和|Ψs|分别为Ψs中含有的辅助结构像素个数和总的像素个数。之后，将得到的上述块结构复杂度PSC(s)和置信因子项C(s)相乘，得到最终的结构块优先权函数P(s)：
$$ P\left( s \right) = {\rm{PSC}}\left( s \right) \cdot C\left( s \right) $$ (2) 式(2)中置信项由Criminisi等[6]算法中定义，为避免C(s)出现“下降效应”[8]，对其做正则化处理：
$$ C\left( s \right) = \left( {1 - \omega } \right)C\left( s \right) + \omega $$ (3) 式中，正则项ω=0.2。
1.3 建立基于稀疏表示的修复模型
如图 4(a)所示，待修复块为Ψp，$ {\mathit{\boldsymbol{\bar E}}}$和E分别为提取Ψp中已知和破损区域的逻辑矩阵，{Ψci}i=1H为SSD准则下利用全局搜索出的前H(10~50)个与EΨp最相似的待候选块集合，Ψp则通过H个Ψci的线性组合去估计：
$$ {{\mathit{\boldsymbol{ \boldsymbol{\hat \varPsi} }}}_p} = \sum\limits_{i = 1}^H {{\alpha _{{c_i}}}{\mathit{\boldsymbol{ \boldsymbol{\varPsi} }}_{{c_i}}}} $$ (4) 式中，${{\mathit{\boldsymbol{ \boldsymbol{\hat \varPsi} }}}_p} $为Ψp的线性表示；Ψp中的破损信息通过估计出的${{\mathit{\boldsymbol{ \boldsymbol{\hat \varPsi} }}}_p} $去填充：
$$ \mathit{\boldsymbol{E}}{\mathit{\boldsymbol{ \boldsymbol{\varPsi} }}_p} = \mathit{\boldsymbol{E}}{{\mathit{\boldsymbol{ \boldsymbol{\hat \varPsi} }}}_p} $$ (5) 假设Ψp可以由向量${\mathit{\boldsymbol{\alpha }}_c} = ({\alpha _{{c_1}}}\;\;{\alpha _{{c_2}}} \ldots {\rm{ }}{\alpha _{{c_i}}}) $稀疏表示，即稀疏解αc可通过稀疏表示模型下L0范数最小化约束求得。${{\mathit{\boldsymbol{ \boldsymbol{\hat \varPsi} }}}_p} $的两个重要约束条件为：
1) 系数向量αc之和为1，即：
$$ \sum\limits_{i = 1}^H {{\alpha _{{c_i}}}} = 1 $$ (6) 当αc中只有一个非零元素时，模型才会退化成传统样例法[5]。
2) ${{\mathit{\boldsymbol{ \boldsymbol{\hat \varPsi} }}}_p} $局部连续性约束，一方面，Ψp和${{\mathit{\boldsymbol{ \boldsymbol{\hat \varPsi} }}}_p} $需在已知信息上相似：
$$ \left\| {\mathit{\boldsymbol{\bar E}}{{\mathit{\boldsymbol{ \boldsymbol{\hat \varPsi} }}}_p} = \mathit{\boldsymbol{\bar E}}{\mathit{\boldsymbol{ \boldsymbol{\varPsi} }}_p}} \right\|_2^2 < \varepsilon $$ (7) 式中，ε为容忍度。另一方面，如图 4(b)所示，待修复块为Ψp，W(q)为以p点为中心、比Ψp尺寸大很多的邻域窗口，qj属于集合：
$$ {\mathit{\boldsymbol{W}}_s}\left( q \right) = \left\{ {{q_j}:{q_j} \in \mathit{\boldsymbol{W}}\left( q \right)\;且\;{\mathit{\boldsymbol{ \boldsymbol{\varPsi} }}_{{q_j}}} \subset {\mathit{\Omega }^c}} \right\} $$ (8) Ψp和${\mathit{\boldsymbol{ \boldsymbol{\varPsi} }}_{{q_{_j}}}} $的相似性度量定义为：
$$ {\omega _{p,{q_j}}} = \frac{1}{{Z\left( p \right)}}\exp \left( { - \frac{{d\left( {\mathit{\boldsymbol{\bar E}}{\mathit{\boldsymbol{ \boldsymbol{\varPsi} }}_p},\mathit{\boldsymbol{\bar E}}{\mathit{\boldsymbol{ \boldsymbol{\varPsi} }}_{{q_j}}}} \right)}}{{{\sigma ^2}}}} \right) $$ (9) 式中，d(·, ·)为SSD准则；σ在本算法中设为5；Z(p)为归一化系数，使得：
$$ \sum\limits_{{q_j} \in {\mathit{\boldsymbol{W}}_s}\left( q \right)} {{\omega _{p,{q_j}}}} = 1 $$ (10) Ψp和${{\mathit{\boldsymbol{ \boldsymbol{\hat \varPsi} }}}_p} $除了要与已知信息相似外，填充进Ψp中的新像素$ \mathit{\boldsymbol{E}}{{\mathit{\boldsymbol{ \boldsymbol{\hat \varPsi} }}}_p}$应和邻域保持连续：
$$ \beta \left\| {\mathit{\boldsymbol{E}}{{\mathit{\boldsymbol{ \boldsymbol{\hat \varPsi} }}}_p} - \mathit{\boldsymbol{E}}\sum\limits_{{q_j} \in {\mathit{\boldsymbol{W}}_s}\left( q \right)} {{\omega _{p,{q_j}}}{\mathit{\boldsymbol{ \boldsymbol{\varPsi} }}_{{q_j}}}} } \right\|_2^2 < \varepsilon $$ (11) 式中，ε为容忍度；β为平衡系数，设为0.8。
将式(7)和式(11)变为如下形式：
$$ \varphi = \left\| {\mathit{\boldsymbol{D}}{{\mathit{\boldsymbol{ \boldsymbol{\hat \varPsi} }}}_p} - {\mathit{\boldsymbol{ \boldsymbol{\varPsi} }}_T}} \right\|_2^2 < \varepsilon $$ (12) 式中，
$$ \mathit{\boldsymbol{D}} = \left[ \begin{array}{l} {\mathit{\boldsymbol{\bar E}}}\\ \sqrt \beta \mathit{\boldsymbol{E}} \end{array} \right],{\mathit{\boldsymbol{ \boldsymbol{\varPsi} }}_T} = \left[ {\begin{array}{*{20}{c}} {\mathit{\boldsymbol{\bar E}}{{\mathit{\boldsymbol{ \boldsymbol{\hat \varPsi} }}}_p}}\\ {\sqrt \beta \mathit{\boldsymbol{E}}\sum\limits_{{q_j} \in {\mathit{\boldsymbol{W}}_s}\left( q \right)} {{\omega _{p,{q_j}}}{\mathit{\boldsymbol{ \boldsymbol{\varPsi} }}_{{q_j}}}} } \end{array}} \right] $$ (13) 建立稀疏表示模型：
$$ \begin{array}{*{20}{c}} {\min \left\{ {{{\left\| {{\mathit{\boldsymbol{\alpha }}_c}} \right\|}_0}} \right\},使得\left\| {\mathit{\boldsymbol{D}}{{\mathit{\boldsymbol{ \boldsymbol{\hat \varPsi} }}}_p} - {\mathit{\boldsymbol{ \boldsymbol{\varPsi} }}_T}} \right\|_2^2 < \varepsilon ,}\\ {\sum\limits_{i = 1}^H {{\alpha _{{c_i}}}} = 1} \end{array} $$ (14) 上述稀疏表示模型的目的是为了求得L0范数最小化约束下的稀疏解αc，即为了选择一些非零候选块去稀疏表示Ψp，具体αc的求解过程见文献[11]。
2 实验结果和分析
为了验证本文算法的有效性，本文以Xu等[7]算法为对比算法，将其结果与本文算法进行分析比较。算法中所涉及的壁画数据图 1由敦煌研究院提供，图 5(a)来自文献[25]敦煌660数据集。本算法中的重要参数取值为：待修复块大小取5×5，待候选块个数和平衡参数β分别为25和0.8。
![]()
图 5 不同算法下敦煌壁画修复结果Figure 5. Comparisons of Inpainting Results of Different Algorithms on Dunhuang Mural Images2.1 破损壁画修复结果比较
图 5(a)至5(d)分别为5张壁画原始图像[25]、对应的辅助结构信息版本、Xu等[7]算法修复结果和本文算法的修复结果。表 1给出了两种算法中的峰值信噪比(peak signal to noise ratio，PSNR)值和算法运行时间。
表 1 破损壁画修复图的PSNR值和修复时间Table 1. Comparisons of PSNR and Inpainting Time on Inpainting Mural Images图像 Xu等[7]算法 本文算法 PSNR t/s PSNR t/s 北凉-272-1s 25.94 3 727.39 28.14 594.65 北魏-435-1b 29.34 13 114.62 30.63 1 090.86 北周-290-1c 26.17 5 421.43 27.91 645.23 北周-299-a 26.37 3 718.14 27.52 706.24 西魏-249-r 30.77 3 735.54 32.02 206.46 均值 27.72 5 943.42 29.24 648.69 从修复结果上看, Xu等[7]算法没有出现结构不连续性的现象，但会出现纹理不连续，原因在于定义的块结构稀疏度不能很好地衡量纹理块的置信度，即不能很好地决定块填充顺序。本文提出的算法能很好地解决Xu等[7]算法在修复时出现的问题，最终得到较好的修复结果，主要原因有以下几点:①提出了先纹理后结构的由易而难的修复策略，降低了各个阶段修复的错误率；②定义了一种全新的块结构复杂度和块优先权函数，提高了结构区域的修复准确率；③稀疏表示模型下求解的待候选块的线性组合较好地估计出待修复块。从表 1可看出，本文修复算法具有最大的PSNR值，且平均PSNR值也达到了29.24，远高于Xu算法的27.72。表 1中同样记录了Xu等[7]和本文算法在修复图 5(b)中5幅壁画所花费的时间，不难看出，Xu等[7]算法由于计算了所有待候选块的优先权函数值，所以用时较长。结果证明, 本文算法无论在修复结果上还是时间上都有优势。
2.2 破损壁画修复结果比较
图 6(a)、6(e)为两张壁画原始图像，图 6(b)、6(f)分别为其对应的辅助结构信息版本，图 6(c)、6(g)和6(d)、6(h)分别为Xu等[7]算法和本文算法修复结果。
![]()
图 6 不同算法下破损敦煌壁画修复结果Figure 6. Comparisons of Inpainting Results of Different Algorithms on Damaged Dunhuang Mural ImagesXu等[7]算法在修复图 6(f)时，出现了较为严重的纹理不连续、结构错误延伸等现象，原因和§2.1提到的相同。而本文算法能基本解决Xu等[7]算法修复时的问题，并且得到较好的修复结果。唯一不足的是在修复图 6(f)时，左上角出现了纹理的不连续现象，这是今后需要改进的地方。
3 结语
本文提出了一种线描图指引下基于稀疏表示模型的壁画修复算法。利用稀疏表示模型求解候选块的线性组合，运用结构复杂度排序和全局随机抽取策略分别提高修复的准确性和效率。实验结果表明，本文算法对敦煌壁画破损图像修复具有较好效果。在未来的工作中，将致力于完成对破损区域和与之相对应的线描图的自动配准，从而代替人机交互式的手工配准工作。另外，还需要设计一种图像修复的评价标准，更好地描述修复结果的好坏。
-
![]()
图 1 两种模式下的网络RTK服务流程
Figure 1. Flowchart of Network-RTK Service Methods Based on Two Modes
![]()
图 3 网络RTK基准站5条基线模糊度固定的卫星数
Figure 3. Ambiguity-Fixed Satellite Number of Five Network-RTK Baselines
![]()
图 4 网络RTK基准站5条基线宽窄巷模糊度初始化速度的概率统计结果
Figure 4. Statistics Results of Probability of Wide-Lane and Narrow-Lane Ambiguity Initialization Speed for Five Network RTK Baselines
![]()
图 5 GNYL-LXJS基线电离层延迟模型内插值与参考值比较
Figure 5. Comparison of Interpolated and Reference Values of Ionosphere Delay at GNYL-LXJS Baseline
![]()
图 6 GNYL-LXJS基线对流层延迟模型内插值与参考值比较
Figure 6. Comparison of Interpolated and Reference Values of Tropsphere Delay at GNYL-LXJS Baseline
![]()
图 7 GNYL站天顶湿分量模型内插值与参考值比较
Figure 7. Comparison of Interpolated and Reference Values of Zenith Tropsphere Delay at GNYL Station
![]()
图 8 GNYL流动站两种模式下的RTK固定解坐标误差
Figure 8. Coordinate Errors of Rover RTK Fixed Solution Based on Two Service Modes at GNYL Station
![]()
图 9 GNYL流动站两种模式下的RTK固定卫星数
Figure 9. Satellite Number of RTK Fixed Solution Based on Two Service Modes at GNYL Station
![]()
图 10 GNYL流动站两种模式下的RTK初始化时间百分比统计结果
Figure 10. Statistics Results of RTK Initialization Time Based on Two Service Modes at GNYL Station
表 1 各流动站最近的SNAP基准站及其间距
Table 1 Distance Between Rover Stations and Nearest SNAP Reference Stations
流动站 主参考站 间距/km DXLT LXJS 98.9 DXWY DXTW 93.1 GNHZ LXJS 79.0 GNLT GNAX 90.8 GNYL LXJS 110.6 GNOL GNMR 110.2 
下载: 导出CSV
表 2 VAC（M1）和虚拟基准站（M2）服务模式下流动站RTK固定解RMS及固定率统计结果
Table 2 The Postioning RMS and Fixed Rate of Rover RTK Solution Based on VAC (M1) and Virtual Reference Station(M2) Service Modes
流动站 东方向RMS/cm 北方向RMS/cm 高程方向RMS/cm 固定率/% M1 M2 M1 M2 M1 M2 M1 M2 DXLT 0.79 2.64 0.88 2.61 2.72 7.60 99.49 99.39 DXWY 0.96 2.84 0.94 2.68 2.95 9.03 98.78 92.09 GNHZ 0.49 1.74 0.62 2.01 1.60 5.30 100 99.52 GNLT 0.60 1.43 0.86 1.98 2.98 4.86 99.98 99.30 GNYL 0.85 2.28 0.95 2.20 2.81 6.06 99.98 99.85 GNOL 1.03 4.05 1.14 3.89 3.31 11.35 99.91 92.92 平均值 0.79 2.50 0.90 2.56 2.73 7.37 99.69 97.18
下载: 导出CSV
表 3 VAC（M1）和虚拟基准站（M2）服务模式下6个流动站RTK初始化时间百分比统计结果/%
Table 3 Statistics Results of RTK Initialization Time of Six Rover Stations Based on Two Service Modes/%
流动站 1~2个历元 3~4个历元 4个以上历元 M1 M2 M1 M2 M1 M2 DXLT 90.28 76.39 2.78 1.39 6.94 22.22 DXWY 85.42 74.30 4.86 5.56 9.72 20.14 GNHZ 91.67 88.19 7.64 3.48 0.69 8.33 GNLT 95.14 90.97 4.17 0.00 0.69 9.03 GNYL 88.89 79.17 7.64 2.78 3.47 18.05 GNOL 81.25 63.89 6.94 0.69 11.81 35.42 平均值 88.78 78.82 5.67 2.32 5.56 18.87
下载: 导出CSV
-
[1] 杨元喜, 许扬胤, 李金龙, 等. 北斗三号系统进展及性能预测: 试验验证数据分析[J]. 中国科学: 地球科学, 2018, 48(5): 584-594 https://www.cnki.com.cn/Article/CJFDTOTAL-JDXK201805005.htm Yang Yuanxi, Xu Yangyin, Li Jinlong, et al. Progress and Performance Evaluation of BeiDou Global Navigation Satellite System: Data Analysis Based on BDS-3 Demonstration System[J]. Scientia Sinica(Terrae), 2018, 48(5): 584-594 https://www.cnki.com.cn/Article/CJFDTOTAL-JDXK201805005.htm
[2] Steigenberger P, Montenbruck O. Galileo Status: Orbits, Clocks, and Positioning[J]. GPS Solutions, 2017, 21(2): 319-331 doi: 10.1007/s10291-016-0566-5
[3] Zou X, Wang Y W, Deng C L, et al. Instantaneous BDS + GPS Undifferenced NRTK Positioning with Dynamic Atmospheric Constraints[J]. GPS Solutions, 2017, 22(1): 1-11 http://www.onacademic.com/detail/journal_1000040128465910_567b.html
[4] Teunissen P J G, Odolinski R, Odijk D. Instantaneous BeiDou+GPS RTK Positioning with High Cut-off Elevation Angles[J]. Journal of Geodesy, 2014, 88(4): 335-350 doi: 10.1007/s00190-013-0686-4
[5] Rizos C, Satirapod C, Chen H Y, et al. GPS with Multiple Reference Stations: Surveying Scenarios in Metropolitan Areas[C]// The 6th South East Asian Surveyors Congress, Fremantle, Australia, 1999
[6] Ge M R, Douša J, Li X X, et al. A Novel RealTime Precise Positioning Service System: Global Precise Point Positioning with Regional Augmentation[J]. Journal of Global Positioning Systems, 2012, 11(1): 6-10 http://www.researchgate.net/profile/Maorong_Ge/publication/276025579_A_Novel_Real-time_Precise_Positioning_Service_System_Global_Precise_Point_Positioning_With_Regional_Augmentation/links/56f515b808ae38d710a08b08.pdf
[7] Li X X, Zhang X H, Ge M R. Regional Reference Network Augmented Precise Point Positioning for Instantaneous Ambiguity Resolution[J]. Journal of Geodesy, 2011, 85(3): 151-158 doi: 10.1007/s00190-010-0424-0
[8] 刘经南, 刘晖. 连续运行卫星定位服务系统: 城市空间数据的基础设施[J]. 武汉大学学报·信息科学版, 2003, 28(3): 259-264 http://ch.whu.edu.cn/article/id/4724 Liu Jingnan, Liu Hui. Continuous Operational Reference System-Infrastructure of Urban Spatial Data[J]. Geomatics and Information Science of Wuhan University, 2003, 28(3): 259-264 http://ch.whu.edu.cn/article/id/4724
[9] 李成钢. 网络GPS/VRS系统高精度差分改正信息生成与发布研究[D]. 成都: 西南交通大学, 2007 Li Chenggang. Generation and Distribution Technique of Precise Differential Corrections for GPS/ VRS Network[D]. Chengdu: Southwest Jiaotong University, 2007
[10] 张明. GPS/BDS长距离网络RTK关键技术研究[D]. 武汉: 武汉大学, 2016 Zhang Ming. Research on the Key Technologies of GPS/BDS Long-Range Network RTK[D]. Wuhan: Wuhan University, 2016
[11] Dai L W, Han S W, Wang J L, et al. Comparison of Interpolation Algorithms in Network-Based GPS Techniques[J]. Navigation, 2003, 50(4): 277-293 doi: 10.1002/j.2161-4296.2003.tb00335.x
[12] 张绍成. 基于GPS/GLONASS集成的CORS网络大气建模与RTK算法实现[D]. 武汉: 武汉大学, 2010 Zhang Shaocheng. The GPS/GLONASS Integrated CORS Network Atmosphere Modeling and RTK Algorithm Implementation[D]. Wuhan: Wuhan University, 2010
[13] 刘经南, 刘晖. 建立我国卫星定位连续运行站网的若干思考[J]. 武汉大学学报·信息科学版, 2003, 28 (S1): 27-31 http://ch.whu.edu.cn/article/id/4745 Liu Jingnan, Liu Hui. Thought on Establishing a Continuous Operational Reference Station Network in China[J]. Geomatics and Information Science of Wuhan University, 2003, 28(S1): 27-31 http://ch.whu.edu.cn/article/id/4745
[14] Ojigi L M. Leveraging on GNSS Continuously Operating Reference Stations (CORS) Infrastructure for Network Real Time Kinematic Services in Nigeria[C]. African Journal of Applied Research (AJAR), Tamale, Ghana, 2015
[15] 舒宝. GNSS RT-PPP和RTK关键技术及其一体化服务方法研究[D]. 武汉: 武汉大学, 2019 Shu Bao. Research on the Key Technologies of GNSS RT-PPP & RTK and Their Integrated Service Method[D]. Wuhan: Wuhan University, 2019
[16] 祝会忠, 路阳阳, 徐爱功, 等. 长距离GPS/BDS双系统网络RTK方法[J]. 武汉大学学报·信息科学版, 2021, 46(2): 252-261 doi: 10.13203/j.whugis20190352 Zhu Huizhong, Lu Yangyang, Xu Aigong, et al. A Network Real-Time Kinematic Method for GPS and BDS Double Systems Between Long Range[J]. Geomatics and Information Science of Wuhan University, 2021, 46(2): 252-261 doi: 10.13203/j.whugis20190352
[17] Xu L W, Liu H, Shu B, et al. GLONASS RealTime Wide-Lane Ambiguity Resolution with an Enhanced Geometry-Based Model for Medium-Range Baselines[J]. Advances in Space Research, 2018, 62(9): 2 467-2 479 doi: 10.1016/j.asr.2018.07.027
[18] Bock Y, Gourevitch S A, Counselmann C C, et al. Interferometric Analysis of GPS Phase Observations [J]. Manuscripta Geodaetica, 1986, 11 (4) : 282-288
[19] Odijk D. Stochastic Modelling of the Ionosphere for Fast GPS Ambiguity Resolution[J]. Geodesy Beyond, Manuscripta Geodaetica, 2000, DOI: 10. 1007/978-3-642-59742-8_63
[20] 鄢子平, 丁乐乐, 黄恩兴, 等. 网络RTK参考站间模糊度固定新方法[J]. 武汉大学学报·信息科学版, 2013, 38(3): 295-298 http://ch.whu.edu.cn/article/id/58 Yan Ziping, Ding Lele, Huang Enxing, et al. A New Method of Ambiguity Resolution in Network RTK Between Reference Stations[J]. Geomatics and Information Science of Wuhan University, 2013, 38(3): 295-298 http://ch.whu.edu.cn/article/id/58
[21] Li J L, Yang Y X, Xu J Y, et al. GNSS Multi-Carrier Fast Partial Ambiguity Resolution Strategy Tested with Real BDS/GPS Dual- and Triple-Frequency Observations[J]. GPS Solutions, 2015, 19(1): 5-13 doi: 10.1007/s10291-013-0360-6
[22] Gao Y, Li Z, McLellan J F. Carrier Phase Based Regional Area Differential GPS for Decimeter-Level Positioning and Navigation[C]. The 10th International Technical Meeting of the Satellite Division of the Institute of Navigation (ION GPS 1997), Fort Worth, Texas, USA, 1997
[23] Han S. Carrier Phase-Based Long-Range GPS Kinematic Positioning[D]. Sydney: University of New South Wales, 1997
[24] Wanninger L. Improved Ambiguity Resolution by Regional Differential Modelling of the Ionosphere [C]. The 8th International Technical Meeting of the Satellite Division of the Institute of Navigation(ION GPS 1995), Nashville, Tennessee, USA, 1995
[25] Yao Y B, Hu Y F, Yu C, et al. An Improved Global Zenith Tropospheric Delay Model GZTD2 Considering Diurnal Variations[J]. Nonlinear Processes in Geophysics, 2016, 23(3): 127-136 doi: 10.5194/npg-23-127-2016
[26] 徐龙威. GNSS多模多频实时大规模网络RTK高精度定位关键技术研究[D]. 武汉: 武汉大学, 2018 Xu Longwei. Research on the Key Technologies of Multi-frequency and Multi-GNSS Real-Time High Precision Positioning for Long-Range Network RTK[D]. Wuhan : Wuhan University, 2018
[27] Lagler K, Schindelegger M, Böhm J, et al. GPT2: Empirical Slant Delay Model for Radio Space Geodetic Techniques[J]. Geophysical Research Letters, 2013, 40(6): 1 069-1 073 doi: 10.1002/grl.50288
[28] 石鑫, 吕志伟, 孙航, 等. 网络RTK对流层改正数高程方向偏差修正[J]. 大地测量与地球动力学, 2016, 36 (9): 817-820 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB201609014.htm Shi Xin, Lü Zhiwei, Sun Hang, et al. The Modification of Tropospheric Correction Bias in Vertical Direction in Network RTK[J]. Journal of Geodesy and Geodynamics, 2016, 36(9): 817-820 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB201609014.htm
[29] Dai L, Eslinger D, Sharpe T. Innovative Algorithms to Improve Long Range RTK Reliability and Availability[C]. The 2007 National Technical Meeting of the Institute of Navigation, San Diego, California, USA, 2007
[30] Verhagen S, Teunissen P J G. The Ratio Test for Future GNSS Ambiguity Resolution[J]. GPS Solutions, 2013, 17(4): 535-548 doi: 10.1007/s10291-012-0299-z
-
期刊类型引用(17)
1. 王真言，蒋胜丞，宋奇鸿，刘波，毕秀丽，肖斌. 基于Transformer的文物图像修复方法. 计算机研究与发展. 2024(03): 748-761 . 
百度学术
2. 张乐，余映，革浩. 基于快速傅里叶卷积与特征修剪坐标注意力的壁画修复. 计算机科学. 2024(S1): 338-346 . 百度学术
3. 冉娅琴，张乾. 基于RDE-GAN算法的多阶段壁画图像修复. 湖北民族大学学报(自然科学版). 2024(02): 219-225 . 百度学术
4. 殷婕，曾子明，孙守强. 基于深度学习和哈希方法的敦煌壁画移动视觉搜索研究. 现代情报. 2023(05): 35-45+78 . 百度学术
5. 陈永，陈锦，陶美风. 结构引导的渐进式生成对抗壁画修复. 北京航空航天大学学报. 2023(06): 1247-1259 . 百度学术
6. 齐云飞. 云南白沙壁画修复的数字化方法研究. 天工. 2023(34): 46-48 . 百度学术
7. 陆焱，胡玉荣，郭竞. 基于稀疏表示的对抗网络图像聚焦形貌修复. 计算机仿真. 2021(03): 126-130+258 . 百度学术
8. 陈永，陶美风. 敦煌壁画数字化修复方法综述. 软件导刊. 2021(05): 237-242 . 百度学术
9. 马贡喆. 数字图像修复技术在文物保护中的应用分析. 文物鉴定与鉴赏. 2021(19): 106-108 . 百度学术
10. 周玮. 徽州彩画多尺度高分辨率生成修复方法. 长春师范大学学报. 2021(12): 170-174+177 . 百度学术
11. 陈永，艾亚鹏，郭红光. 改进曲率驱动模型的敦煌壁画修复算法. 计算机辅助设计与图形学学报. 2020(05): 787-796 . 百度学术
12. 杨挺，王双双，盆海波，王兆霞. 基于改进SOM的壁画图像裂缝自动识别与修复. 天津大学学报(自然科学与工程技术版). 2020(09): 932-938 . 百度学术
13. 陈永，艾亚鹏，陈锦. 基于信息熵和结构特性的敦煌壁画修复算法. 激光与光电子学进展. 2020(12): 243-252 . 百度学术
14. 蒋超，雷桐，俞琳，王园园，吴天祥. 西安韩森寨元代墓室壁画数字化修复方法. 科学技术与工程. 2020(31): 12922-12926 . 百度学术
15. 蒋超，汪家杰，俞琳. 一种纺织文物图样数字化修复方法研究. 丝绸. 2019(11): 21-25 . 百度学术
16. 姚晓峰，须文波，武利秀. 基于深度神经网络的激光图像修复. 激光杂志. 2019(11): 76-79 . 百度学术
17. 覃阳，肖化. 自适应非负矩阵分解的人脸识别方法研究. 软件导刊. 2019(12): 73-77 . 百度学术
其他类型引用(18)
计量
- 文章访问数: 1377
- HTML全文浏览量: 423
- PDF下载量: 240
- 被引次数: 35
