CN101339613B - 一种遥感图像背景噪声减弱方法 - Google Patents
一种遥感图像背景噪声减弱方法 Download PDFInfo
- Publication number
- CN101339613B CN101339613B CN2008101182637A CN200810118263A CN101339613B CN 101339613 B CN101339613 B CN 101339613B CN 2008101182637 A CN2008101182637 A CN 2008101182637A CN 200810118263 A CN200810118263 A CN 200810118263A CN 101339613 B CN101339613 B CN 101339613B
- Authority
- CN
- China
- Prior art keywords
- image
- information
- wave band
- noise
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种遥感图像背景噪声减弱方法,包括以下步骤:1)图像检测,首先通过检测,确定遥感图像是含有背景噪声的图像;2)对图像进行预处理;3)图像的优化,通过剔除“尖锐”信息,即图像上一些数量很少而又集中产生亮像元或暗像元的信息和大量集中的透射率小于5%的那种信息,以及生成掩膜,使图像优化;4)图像处理,通过端元提取分离背景噪声光谱、计算噪声丰度和有用信息反演来处理图像;5)生成适合视觉效果的图像,合成去除或减弱背景噪声的遥感图像。采用以反演端元组分为核心的方法,即从高光谱端元提取和混合像元技术上反演去除或减弱背景噪声增强并恢复常规遥感图像,能够反映出噪声层掩盖下有用信息的特征。
Description
技术领域
本发明属于视频信息处理领域,涉及一种遥感图像背景噪声的减弱方法,适用于地质信息提取中去除或减弱干扰信息处理。
背景技术
本发明受国家重大基础研究计划项目(编号:2007CB411406)、国家科技支撑计划重点项目(编号:2006BAB07B07-02)、地质调查工作项目(编号:1212010818018)与中央级公益性科研院所基本科研业务费专项资金资助项目(编号:K2007-2-7)的资助。
背景噪声通常是指与有用信息无关的一切干扰信息,不同的使用目的定义不同的背景噪声。例如一幅遥感影像,对于地面的信息来说,大气和云雾的信息就是干扰信息,而研究戈壁区地下河流,戈壁就是干扰信息。在遥感数据中,背景噪声的干扰信息往往与有用信息纠缠在一起,组成混合的像元,例如薄云下的地物,电磁波穿透薄云,经地面反射后又穿透云层到达传感器,获得一景遥感图像,在这景遥感图像中,含薄云部分的图像包含有薄云的信息和地面的信息;又如植被区域,电磁波经植被株间空隙到达地面,经过地面反射后又经植被株间空隙到达传感器,那么遥感图像植被区域就包含了植被信息和地面信息的混合信息了。总的来说,电磁波经过透射率大于5%的干扰目标后经过有用目标反射获得一种含有有用信息和干扰信息的混合信息。遥感有用信息识别在遥感应用的各个领域都是非常重要的内容,近年来,遥感技术深入到军事、生产、科研、生活的方方面面,而背景噪声的干扰严重影响了遥感技术的实时应用,例如探测常绿植被区域隐藏的军事目标、薄云覆盖区域实时的灾害监测等。因而减弱植被、云雾等背景噪声的影响具有重要意义。
常规的去除图像噪声指的是遥感传感器成图相关的噪声,这种图像噪声去除方法主要是针对信号本身,如处理speckle噪声的自适应滤波、中值滤波,小波分析处理高斯噪声和非高斯噪声等,这些去除方法都难以满足实际应用的需要。而遥感图像提取有用信息常用的方法有方程式法,主要应用在各种植被指数;主成分分析法,主要应用在地质矿业蚀变信息提取;分类法,主要应用在各种专题图的制作;这些方法至今尚未取得满意的结果。近年来,又兴起以高光谱遥感技术为基础的混合像元分解技术,这种端元提取、进而进行像元分解技术,其目的是为了提取各端元组分的丰度,实际上还没有形成一个通俗易看的遥感图像。对于薄云的去除,目前主要有空域内的多项式法和频域内的同态滤波,多项式去云的主要缺点是要求精配准,同时需要相同地理位置的无云图像做参考,不能实时处理;同态滤波算法复杂度高,带来大量的冗余信息,易破坏无云区域的图像,容易造成严重的边界效应。同样,对于植被区等背景噪声的去除,也尚未取得具有突破性的进展。
发明内容
本发明的目的是针对现有技术存在的云雾、植被等背景噪声覆盖下遥感图像中有用目标识别困难,不能实时观测的问题,通过采用以端元反演有用信息为核心的方法,对遥感数据进行实时的去除或减弱背景噪声的处理,从而恢复了背景噪声下有用信息的遥感图像。
为了达到上述目的,本发明提供一种遥感图像背景噪声减弱方法,包括以下步骤:1)图像检测,首先通过检测,确定遥感图像是含有背景噪声的图像;2)对图像进行预处理;3)图像的优化,通过剔除“尖锐”信息,即图像上一些数量很少而又集中产生亮像元或暗像元的信息和大量集中的透射率小于5%的那种信息,以及生成掩膜,使图像优化;4)图像处理,通过端元提取分离背景噪声光谱、计算噪声丰度和有用信息反演来处理图像;5)生成适合视觉效果的图像,合成去除或减弱背景噪声的遥感图像。
本发明在图像的优化步骤中,通过对每一个波段的近似正态分布的直方图,判断其两端是否存在着少量偏离正态分布的值或者直方图上有突出的值,这些值属于“尖锐”信息。可利用高端切割或低端切割或者波段比值法剔除这些“尖锐”信息。
本发明采用像元值与谱线共同制约的方法,同时限定各波段某种特征物质光谱像元素,即称为“光谱束滤波”的方法,检测出遥感图像中含有的背景噪声。
本发明在图像检测步骤中,研究区选取的方法是利用频域直方图分割图像,使得每个分割区的每个波段的直方图近似为正态分布,根据需要把含有背景噪声的图像分为多个部分。
本发明在图像处理步骤中,利用丰度值来进行图像的反演,从而获得去除噪声层后的有用地物信息。
本发明的有益效果是,本发明是基于遥感图像上像元所代表地物光谱特性的基础上进行的操作,采用以端元反演有用信息为核心的方法,即从光谱端元提取和混合像元处理技术上反演去除或减弱背景噪声、增强并恢复常规遥感图像,能够反映出噪声层掩盖下有用信息的特征。处理后的遥感图像简单,在使用上符合人们视觉习惯,能够实时地利用遥感图像进行有用目标或隐蔽目标信息进行探测和检测。
附图说明
图1为本发明遥感图像背景噪声减弱方法的流程框图。
图2为采用本发明方法进行边界信息剔除的前后对比图。
图3为采用本发明方法进行“尖锐”信息剔除的前后对比图。
图4为采用本发明方法水体掩膜生成的前后对比图。
图5为利用最小二乘法反演薄云丰度,处理前后水域信息丰度的结果对比图。
图6为遥感图像上含薄云覆盖下的信息,经本发明方法去噪处理前后的对比图。
图7为遥感图像上含植被覆盖下的公路,经本发明方法去噪处理前后的对比图。
图8为遥感图像上含浅水覆盖下的细纱,经本发明方法去噪处理前后的对比图。
图9为遥感图像上含胶泥覆盖下的信息,经本发明方法去噪处理前后的对比图。
具体实施方式
下面参照附图并结合实施例对本发明作进一步说明。
对遥感图像,混合信息近似可以看作有用信息和干扰信息的线性组合。这样就可以利用线性代数的知识来分离有用信息和干扰信息,进而达到增强有用信息并减弱干扰信息的目的。
图1示出本发明一种遥感图像背景噪声减弱方法的流程,包括以下具体步骤:
1)图像检测,包括:
①检测出是含噪图像,进行下一步骤,否则不处理。所谓“背景噪声”是相对的,与所确定的目标信息有关,指掩盖所研究的有用信息的那部分信息。例如研究地面,云雾、植被就是干扰信息;而研究戈壁区地下河流,戈壁就是干扰信息;研究冰川下面的信息,冰川就是干扰信息。通常,背景噪声必须有大于5%的透射率,也就是说必须有有用信息被淹没在背景噪声中,对这样的含噪图像进行处理。
②研究区选取,对含有背景噪声的图像进行分割。研究区选取的方法是利用频域直方图分割图像,使得每个分割区的每个波段的直方图近似为正态分布,根据需要把含有背景噪声的图像分为多个部分。图像分割的方法主要采用滑动窗口直方图统计法,设计一个M×N的窗口,判断这个窗口内的个波段直方图是否近似为正态分布,具体方法:设定一个M×N的窗口,这个窗口内遥感图像某一个波段像元值为xj,k(j=1,m;k=1,n),像元均值为x,标准差为σ,利用偏度系数和峰度系数进行判断,偏度系数满足公式:
式中ε1为给定一个很小的正数。
峰度系数满足公式:
式中ε2为给定一个很小的正数。
判断窗口内的个波段直方图是否近似为正态分布,也可以采用图示目估法,具体方法:设定一个M×N的窗口,这个窗口内遥感图像某一个波段像元xj,k(j=1,m;k=1,n)区间为[x0,xn],统计这个窗口内的直方图,公式如下:
目估直方图是否符合正态分布。
③判断图像是否含有边界信息,如果含有边界信息,将边界信息剔除,若不含,则直接进入下一步骤2)。边界信息的判断是对每一个波段是否含有边界信息进行判断,如果所研究的区域含有边界信息,附值为1,否则附值为0,对边界信息需要剔除,使得每一个波段都含有信息。剔除边界信息的方法是生成一个二值图像,然后把每一个波段二值图像相乘形成一个新的二值图像,最后把每个波段与二值图像相乘,这样就剔除了边界信息,具体公式如下:
式中,n指所使用的遥感图像波段总数,i=1,...,n,xi和yi分别指i波段剔除波段前后的值。图2示出了进行边界信息剔除前后的效果对比。
2)图像预处理,因为直接获取的遥感图像存在几何变形、遥感器增益和偏移参数等,需经过预处理得到带有坐标信息的行星反射率图像。对于热红外数据需要温度和比发射率的分离。而对于ASTER来说,由于存在三个不同传感器获取的数据,分别率不一样,首先需要通过插值合并的归一化处理并生成包含所使用波段的单一文件,插值分为几个像元合并成一个像元采用像元和均值法以及一个像元直接分成几个像元。之后,需要对数据进行去相关处理。经过遥感图像的预处理后,程辐射(径辐射)部分能够被去除,是散射光向上通过大气直接进入传感器的部分,即大气的影响被去除,
3)图像的优化,包括:
①判断图像是否含有“尖锐”信息,如果含有“尖锐”信息,将“尖锐”信息剔除,若不含,直接进行下一步骤②。“尖锐”信息指图像上有一些数量很少而又集中产生某种特定像元的信息,包括某一波段集中产生亮像元或暗像元的信息和大量集中的透射率小于5%的背景噪声。判断图像是否含有“尖锐”信息的方法是对每一个波段的近似正态分布的直方图,判断其两端是否存在着少量偏离正态分布的值或者直方图上有突出的值,这些值属于“尖锐”信息。判断的主要方法是直方图图示目估法。对于薄云来说,主要是一些白泥地、厚积云、冰雪等的信息。
剔除“尖锐”信息的方法,可利用高端切割或低端切割来去除,也可采用波段比值法来去除,其公式分别如下:
式中,i=0,...,n,n指所使用的遥感图像波段总数,xi和yi分别指i波段去除“尖锐”信息前和后的波段值,a,b∈[1,...,n],Ca和Cb是常数,xa和xb分别是原始a和b波段对应的值。对某一波段集中产生亮像元或暗像元的“尖锐”信息利用高端切割或低端切割来去除,而对集中产生透射率小于5%的背景噪声采用波段比值法来去除。图3是“尖锐”信息剔除前后对比图。
②含噪检测,检测出遥感图像中包含背景噪声的那部分信息。采用像元值与谱线共同制约的方法,即称为“光谱束滤波”的方法检测出背景噪声,同时限定各波段某种特征物质光谱像元值。具体的公式如下:
式中,i=0,...,n,n指所使用的遥感图像波段总数,xi和yi分别指i波段去除波段前后的值,bi是数组的一个元素,σ∈[-1,1]。
③背景噪声确定。
④判断是否需要掩膜,如果需要,进行掩膜生成,否则进行下一步骤4)。判断是否需要掩膜的方法是,如果图像中存在“尖锐”信息则需要一个掩膜,或者有一个波段图像灰度值过度不平滑,例如因存在水体所致,则还需要生成另外一个掩膜。
⑤生成掩膜,生成掩膜的方法是生成一个二值图像,如果需要生成掩膜,则附值为1,1值表示需要参与计算的数据,若不需要生成掩膜,附值为0,0值表示不需要参与计算的数据,生成掩膜一般采用波段的逻辑计算方法:
式中,τ为生成的掩膜,yi为去除“尖锐”信息的数据,xi,xj为原始数据,为关系运算符(包括<、≤、≯、>、≥、≮、≠、=),为数学运算符(包括±、×、÷),c1,c2,c3为常数。图4是采用本发明方法水体掩膜生成的前后对比图。
4)图像处理,包括:
①端元提取,基于逐次最大角凸锥(SMACC)技术提取端元信息,算法公式如下:
式中,H为每一端元的波谱,i是像元指数,c代表光谱通道指数,j和k代表从1到最大扩展值N的端元指数,矩阵R行元素代表独立像元,列元素代表像元的波谱,矩阵A包括每个端元k中端元j的贡献值。这种技术能够提取任意的端元数,不依赖单形体。
并由ρ噪,ρ其他∈H求出ρ噪和ρ其他,其中ρ噪为临界完全不透射背景噪声的反射率,ρ其他为其他目标反射率。
②计算噪声丰度;根据最小二乘法原理,假设临界完全不透射背景噪声的反射率为ρ噪,在该点的丰度为λ1,其他目标反射率为ρ其他,在该点的丰度为λ2,可由下式计算出噪声丰度λ1,
式中,ρ图为遥感图像含有背景噪声的某点反射率,为对应于ρ噪和ρ其他的值,可由图像中得出。图5是利用最小二乘法反演薄云丰度,处理前后水域信息丰度的结果对比图。
③有用信息反演,利用丰度值来进行图像的反演。设定图像大小为M×N,认为噪声是按一定丰度混合在遥感图像上的,图像上每一点都能表示成如下公式:
式中,ρ图(i,j)是未去噪图像上每一点的反射率,是一个已知值。
去噪后图像上每一点的反射率ρ(i,j)的求解公式如下:
从而获得去除噪声层后的地物信息。
5)生成适合视觉效果的去噪图像,经过以上基本处理后,能够得出的遥感图像参加计算各个波段的去噪图像,利用RGB合成一幅假彩色图像,这样做出来的图像会反映更多的去除背景噪声后的精细信息,更加适合人的视觉习惯。
图6至图9分别示出了对遥感图像上含薄云覆盖下的信息、含植被覆盖下的公路、含浅水覆盖下的细纱、含胶泥覆盖下的信息,经本发明方法去噪处理前后的对比图。
本发明有用信息反演算法的推导:基于两个科学假设:1)电磁波在频率域上是按线性混合的,建立含噪图像的四分量模型;2)噪声信号经过某种处理能够使得临界完全不透射背景噪声信号向图像多维空间所构成的凸集极点进行集中。
建立含噪图像的四分量模型:在有背景噪声区域,遥感图像接受的信号近似由太阳辐射经噪声层反射部分、太阳辐射经地物反射再穿透噪声层部分、大气散射穿透噪声层经过地物反射再穿透噪声层部分和大气程辐射四个部分组成。遥感图像反射率计算公式如下:
式中:第一项为入射光E0穿过透过率为Tφ的大气层和透过率为Tρ的噪声层,经反射率为R的地物反射,又穿经透过率为Tθ的大气和透过率为Tρ的噪声层,最后进入传感器的反射部分。θ为入射方向的天顶角,S为系统增益系数因子。
第二项为经大气散射后,以漫入射形式经地物反射,又穿经透过率为Tθ的大气和透过率为Tρ的噪声层,最后进入传感器的部分。
第三项为程辐射,又称径辐射(path radiance),是散射光向上通过大气直接进入传感器的部分。
第四项为入射光E0穿过透过率为Tφ的大气层,经反射率为Rρ的噪声层反射,又穿经透过率为Tθ的大气,最后进入传感器的反射部分。
经过遥感图像的预处理后,程辐射部分能够被去除,大气的影响被去除,我们把公式重新整理得到公式:
Lρ=RdTρ+Ry (13)
把Ry经过变换成Ty×R′y,使得Ty+Tp=1。其中Lp是包含了噪声层信息和地物信息的混合信息,根据假设1,如果噪声层没有透射的临界完全反射率为R′y,地物的反射率为Rd,则噪声层所占像元的反射率为Ty×R′y,而此时地物所占像元的反射率为Rd×Tp,根据电磁波的性质,得出Ty+Tp=1。公式改写成:
Lρ=Rd(1-Ty)+TyR′y(14)
那么去除噪声层后,地物反射率公式:
Rd=(Lp-TyR′y)/(1-Ty)(15)
利用最小二乘法反演有用信息的反射率,根据四分量模型及推演的公式(13),认为噪声是按一定丰度混合在遥感图像上,根据公式(14)和公式(15),图像上每一点都能表示成公式(10)。其中,图像为M×N的大小,ρ(i,j)为去除噪声后图像每一点的反射率,ρ噪已经求出,认为图像上每一处ρ噪都为一个定值。
根据公式(9)可以求出λ1,ρ噪是噪声的临界反射率,已经求出而且是一个定值,ρ图(i,j)是未去噪图像上每一点的反射率,是一个已知值,λ2=1-λ1,未知参数为去噪后图像每一点的反射率ρ(i,j)。根据上面公式能推出求解公式(11)。
Claims (16)
1.一种遥感图像背景噪声减弱方法,包括以下步骤:1)图像检测,首先通过检测,确定遥感图像是含有背景噪声的图像;2)对图像进行预处理;3)图像的优化,如果图像存在“尖锐”信息,即图像上一些数量很少而又集中产生亮像元或暗像元的信息和大量集中的透射率小于5%的那种信息,或者一个波段图像灰度值过度不平滑,则生成相应的掩膜,使图像优化;4)图像处理,通过端元提取分离背景噪声光谱、计算噪声丰度和根据噪声丰度去除噪声,得到去除噪声层后的地物信息;5)生成适合视觉效果的去噪图像。
2.根据权利要求1所述的一种遥感图像背景噪声减弱方法,其特征在于,所述遥感图像背景噪声减弱方法的流程,包括以下具体步骤:
1)图像检测,包括:
①检测出是含噪图像,进行下一步骤,否则不处理;
②研究区选取,对含有背景噪声的图像进行分割,使得每个研究区的每个波段的直方图近似为正态分布;
③判断图像是否含有边界信息,如果含有边界信息,将边界信息剔除,若不含,则直接进入下一步骤2);
2)图像预处理;
3)图像的优化,包括:
①判断图像是否含有“尖锐”信息,如果含有“尖锐”信息,将“尖锐”信息剔除,若不含,直接进行下一步骤②;
②含噪检测,检测出遥感图像中包含背景噪声的那部分信息;
③判断是否需要掩膜,如果原始图像中存在“尖锐”信息,或者一个波段图像灰度值过度不平滑,则进行步骤④,否则进行下一步骤4);
④生成掩膜;
4)图像处理,包括:
①端元提取;
②计算噪声丰度;
③根据噪声丰度去除噪声,得到去除噪声层后的地物信息;
5)生成适合视觉效果的去噪图像。
3.根据权利要求2所述的一种遥感图像背景噪声减弱方法,其特征在于,在图像的优化步骤中,判断图像是否含有“尖锐”信息的方法是对每一个波段的近似正态分布的直方图,判断其两端是否存在着少量偏离正态分布的值或者直方图上有突出的值,这些值属于“尖锐”信息。
5.根据权利要求4所述的一种遥感图像背景噪声减弱方法,其特征在于,对某一波段集中产生亮像元或暗像元的“尖锐”信息利用高端切割或低端切割来去除,而对集中产生透射率小于5%的“尖锐”信息采用波段比值法来去除。
8.根据权利要求2所述的一种遥感图像背景噪声减弱方法,其特征在于,在图像检测步骤中,研究区选取的方法是利用频域直方图分割图像,使得每个分割区的每个波段的直方图近似为正态分布,根据需要把含有背景噪声的图像分为多个部分。
9.根据权利要求8所述的一种遥感图像背景噪声减弱方法,其特征在于,所述图像分割的方法主要采用滑动窗口直方图统计法,设计一个M×N的窗口,判断这个窗口内的各波段直方图是否近似为正态分布。
12.根据权利要求9所述的一种遥感图像背景噪声减弱方法,其特征在于,所述边界信息的判断是对每一个波段是否含有边界信息进行判断,如果所研究的区域含有边界信息,附值为1,否则附值为0,对边界信息需要剔除,使得每一个波段都含有信息。
14.根据权利要求2所述的一种遥感图像背景噪声减弱方法,其特征在于,在图像处理步骤中,基于SMACC技术提取端元信息,算法公式如下:
式中,H为每一端元的波谱,i是像元指数,c代表光谱通道指数,j和k代表从1到最大扩展值N的端元指数,矩阵R行元素代表独立像元,列元素代表像元的波谱,矩阵A包括每个端元k中端元j的贡献值;
并由ρ噪,ρ其他∈H求出ρ噪和ρ其他,其中ρ噪为临界完全不透射背景噪声的反射率,ρ其他为其他目标反射率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101182637A CN101339613B (zh) | 2008-08-12 | 2008-08-12 | 一种遥感图像背景噪声减弱方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101182637A CN101339613B (zh) | 2008-08-12 | 2008-08-12 | 一种遥感图像背景噪声减弱方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101339613A CN101339613A (zh) | 2009-01-07 |
CN101339613B true CN101339613B (zh) | 2010-11-17 |
Family
ID=40213678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101182637A Expired - Fee Related CN101339613B (zh) | 2008-08-12 | 2008-08-12 | 一种遥感图像背景噪声减弱方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101339613B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540049B (zh) * | 2009-04-29 | 2012-02-08 | 中国人民解放军海军装备研究院信息工程技术研究所 | 一种高光谱图像的端元提取方法 |
CN101788685B (zh) * | 2010-02-11 | 2011-12-14 | 中国土地勘测规划院 | 基于像元的遥感震害信息提取与挖掘方法 |
CN102721650B (zh) * | 2012-06-13 | 2014-05-14 | 中国地质科学院矿产资源研究所 | 基于特征指标的矿物成分遥感信息提取方法及装置 |
CN102749296B (zh) * | 2012-06-28 | 2014-05-14 | 中国地质科学院矿产资源研究所 | 多光谱遥感斑岩铜矿床蚀变分带信息提取方法及装置 |
CN103900965B (zh) * | 2012-12-25 | 2016-08-31 | 核工业北京地质研究院 | 一种用于方解石信息提取的高光谱影像处理方法 |
CN103559493A (zh) * | 2013-10-21 | 2014-02-05 | 中国农业大学 | 一种线状地物的提取方法 |
WO2019100329A1 (zh) | 2017-11-24 | 2019-05-31 | 深圳市汇顶科技股份有限公司 | 背景去除方法、影像模块及光学指纹辨识系统 |
CN108230419B (zh) * | 2018-02-05 | 2021-06-15 | 中国地质科学院矿产资源研究所 | 一种遥感图像光谱层析剥离方法及系统 |
CN112698380A (zh) * | 2020-12-16 | 2021-04-23 | 南京大学 | 一种适用于强背景噪声下低能质子束的束流截面处理方法 |
CN115829874A (zh) * | 2022-03-31 | 2023-03-21 | 南通电博士自动化设备有限公司 | 一种基于图像平滑的噪声处理方法 |
-
2008
- 2008-08-12 CN CN2008101182637A patent/CN101339613B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101339613A (zh) | 2009-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101339613B (zh) | 一种遥感图像背景噪声减弱方法 | |
Ferro et al. | Automatic detection and reconstruction of building radar footprints from single VHR SAR images | |
Ghonima et al. | A method for cloud detection and opacity classification based on ground based sky imagery | |
Chini et al. | Exploiting SAR and VHR optical images to quantify damage caused by the 2003 Bam earthquake | |
Yang et al. | Using MODIS NDVI time series to identify geographic patterns of landslides in vegetated regions | |
CN104182985B (zh) | 遥感图像变化检测方法 | |
CN102721650B (zh) | 基于特征指标的矿物成分遥感信息提取方法及装置 | |
CN102542293A (zh) | 一种针对高分辨率sar图像场景解译的一类提取分类方法 | |
Xu et al. | DeepMask: an algorithm for cloud and cloud shadow detection in optical satellite remote sensing images using deep residual network | |
CN105512622B (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
El-ossta et al. | Detection of dust storms using MODIS reflective and emissive bands | |
CN109614942A (zh) | 一种基于云计算平台的森林扰动长时间序列监测方法 | |
CN109284709A (zh) | 一种基于耀光反射差异的海面溢油光学遥感检测方法 | |
Catalán et al. | Microwave backscattering from surf zone waves | |
US7480052B1 (en) | Opaque cloud detection | |
CN104573662B (zh) | 一种云判方法和系统 | |
Chacon-Murguía et al. | Dust storm detection using a neural network with uncertainty and ambiguity output analysis | |
Gauthier et al. | A combined classification scheme to characterise river ice from SAR data. | |
CN109214331A (zh) | 一种基于图像频谱的交通雾霾能见度检测方法 | |
CN106526558B (zh) | 基于多普勒天气雷达资料的阵风锋自动识别方法 | |
Gokon et al. | Verification of a method for estimating building damage in extensive tsunami affected areas using L-band SAR data | |
Chowdhury et al. | Land cover and land use: classification and change analysis | |
Joshi et al. | Multi-sensor satellite-imaging data fusion for earthquake damage assessment and the significant features | |
Gomaa et al. | Automated unsupervised change detection technique from RGB color image | |
Salman et al. | Detection of Spectral Reflective Changes for Temporal Resolution of Land Cover (LC) for Two Different Seasons in central Iraq |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1126879 Country of ref document: HK |
|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20101117 Termination date: 20140812 |
|
EXPY | Termination of patent right or utility model | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: WD Ref document number: 1126879 Country of ref document: HK |