CN105785364A - 一种倒塌建筑物信息获取方法及获取设备 - Google Patents

一种倒塌建筑物信息获取方法及获取设备 Download PDF

Info

Publication number
CN105785364A
CN105785364A CN201610108960.9A CN201610108960A CN105785364A CN 105785364 A CN105785364 A CN 105785364A CN 201610108960 A CN201610108960 A CN 201610108960A CN 105785364 A CN105785364 A CN 105785364A
Authority
CN
China
Prior art keywords
building information
collapsed building
polarization
collapsed
image
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.)
Granted
Application number
CN201610108960.9A
Other languages
English (en)
Other versions
CN105785364B (zh
Inventor
张薇
范大
范一大
桂容
温奇
林月冠
王平
黄河
徐丰
董浩
徐新
王薇
崔燕
李苓苓
汤童
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
MINISTRY OF CIVIL AFFAIRS NATIONAL DISASTER REDUCTION CENTER
Wuhan University WHU
Original Assignee
MINISTRY OF CIVIL AFFAIRS NATIONAL DISASTER REDUCTION CENTER
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by MINISTRY OF CIVIL AFFAIRS NATIONAL DISASTER REDUCTION CENTER, Wuhan University WHU filed Critical MINISTRY OF CIVIL AFFAIRS NATIONAL DISASTER REDUCTION CENTER
Priority to CN201610108960.9A priority Critical patent/CN105785364B/zh
Publication of CN105785364A publication Critical patent/CN105785364A/zh
Application granted granted Critical
Publication of CN105785364B publication Critical patent/CN105785364B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/904—SAR modes
    • G01S13/9076—Polarimetric features in SAR
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/904—SAR modes

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及极化SAR影像解译领域，公开了一种倒塌建筑物信息获取方法及获取设备，所述倒塌建筑物信息获取方法包括：获取灾区的全极化影像；针对所述全极化影像提取多个极化特征；以及基于所述多个极化特征获取倒塌建筑物信息。如此，基于所述多个极化特征在极化SAR影像中的特点，能够准确地提取房屋损毁信息。

Description

一种倒塌建筑物信息获取方法及获取设备
技术领域
本发明涉及极化SAR影像解译领域，具体地，涉及一种倒塌建筑物信息获取方法及获取设备。
背景技术
现有关于合成孔径雷达(SAR)影像房屋倒塌信息提取方法大多使用多时相高分辨率SAR影像，利用灾前灾后的变化或者光学数据、GIS等辅助信息来确定房屋倒塌信息，这类多时相或其他数据辅助的方法能获取较为准确的倒塌信息。但是在实际应用中，由于地震位置偏远或者灾前数据不足，通常只有受灾区域的震后数据，所以关于利用震后数据获取房屋倒塌信息是当下的研究难点和热点。由于多种星载SAR系统的成功应用，大面积地表观测数据容易获取，利用星载SAR数据解译建筑物震害信息也是亟待发展的技术。
目前，仅利用灾后极化SAR数据的房屋倒塌信息提取方法比较少见，涉及的方法还比较简单，相关研究主要集中在对建筑敏感的极化特征分析方面，利用极化SAR影像某一敏感特征直接进行阈值分割。这类方法过分强调某一特征对倒塌，完好房屋的区分能力，并没有充分体现出倒塌建筑在极化SAR影像中的特点，而且容易受到山区复杂的地形因素影响，难以准确地提取房屋损毁信息。
发明内容
本发明的目的是提供一种倒塌建筑物信息获取方法及获取设备，该倒塌建筑物信息获取方法能够准确地提取倒塌房屋信息。
为了实现上述目的，本发明提供一种倒塌建筑物信息获取方法，所述倒塌建筑物信息获取方法包括：获取灾区的全极化影像；针对所述全极化影像提取多个极化特征；以及基于所述多个极化特征获取倒塌建筑物信息。
优选地，所述倒塌建筑物信息获取方法还包括：在针对所述全极化影像提取多个极化特征之前，对所述全极化影像进行滤波。
优选地，所述多个极化特征包括：Yamaguchi分解分量特征、散射强度、H-α-A分解特征以及反射对称性参数。
优选地，所述倒塌建筑物信息获取方法还包括：根据Yamaguchi分解分量特征、散射强度、H-α-A分解特征对所述全极化影像中的地物进行监督分类以获取建筑区。
优选地，基于所述多个极化特征获取倒塌建筑物信息包括：利用支持向量机(SVM)进行监督分类。
优选地，基于所述多个极化特征获取倒塌建筑物信息还包括：根据反射对称性参数获取倒塌建筑物信息。
优选地，所述倒塌建筑物信息获取方法还包括：在获取所述全极化影像之后，对所述全极化影像进行掩膜处理。
相应地，本发明还提供一种倒塌建筑物信息获取设备，所述倒塌建筑物信息获取设备包括：影像获取装置，获取全极化影像；极化特征提取装置，针对所述全极化影像提取多个极化特征；以及处理装置，基于所述多个极化特征获取倒塌建筑物信息。
优选地，所述倒塌建筑物信息获取设备还包括：分类器，根据Yamaguchi分解分量特征、散射强度、H-α-A分解特征对所述全极化影像中的地物进行监督分类以获取建筑区域。
优选地，所述处理器根据反射对称性参数获取倒塌建筑物信息。
通过上述技术方案，针对所述全极化影像提取多个极化特征，基于所述多个极化特征获取倒塌建筑物信息。如此，基于所述多个极化特征在极化SAR影像中的特点，能够准确地提取倒塌房屋信息。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1是根据本发明提供的倒塌建筑物信息获取方法的流程图；
图2是2014年5月获取的北川县城遗址区域的Radarsat-2星载全极化SAR数据；
图3是根据本发明一种实施方式的倒塌建筑物信息获取方法的流程图；
图4为典型的极化特征分析图；
图5为基于散射机理分类与|ρHHVV|反射对称性判决的震后极化SAR倒塌房屋信息提取结果；
图6基于散射机理分类与|ρRRLL|反射对称性判决的震后极化SAR倒塌房屋信息提取结果；
图7为北川县城震害机制分区简图；以及
图8是根据本发明一种倒塌建筑物信息获取设备的结构示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
图1是根据本发明提供的倒塌建筑物信息获取方法的流程图。如图1所示，本发明提供的倒塌建筑物信息获取方法可以包括：在步骤10处，获取灾区的全极化影像；在步骤11处，针对所述全极化影像提取多个极化特征；以及在步骤12处，基于所述多个极化特征获取倒塌建筑物信息。如此，基于所述多个极化特征在极化SAR影像中的特点，能够准确地提取房屋损毁信息。
图2是2014年5月获取的北川县城遗址区域的Radarsat-2星载全极化SAR数据，分辨率为8m，所截取的区域大小为400×400pixels，以下将针对该SAR影像对本发明进行详细地描述。
图3是根据本发明一种实施方式的倒塌建筑物信息获取方法的流程图。在步骤31处，对极化影像进行预处理，即，在针对所述全极化影像提取多个极化特征之前，对所述全极化影像进行滤波，可以采用Boxcar滤波方式，窗口大小可以设置为5，这种滤波能简单有效地减少相干斑的影响，同时也能保持影像中的极化特性不受太大破坏。
在步骤32处，针对所述全极化影像提取多个极化特征，例如，首先可以结合目视解译在实验数据中截取建筑区域和其他典型地物的样本，获取样本的典型极化特征，对比分析建筑区样本和其他地物样本特征图，分析建筑区域敏感的极化特征。针对Yamaguchi分解分量，可以在提取Yamaguchi分解分量特征之前，采用去取向处理，减少了建筑朝向影响而带来的体散射分量过度估计，从而使得建筑区域二面体散射特征明显，改善散射机理的模糊性，去取向给分类使得完全随机取向的目标群的特征更加明显，容易区分。其中，所述多个极化特征可以包括：Yamaguchi分解分量特征、散射强度、H-α-A分解特征以及反射对称性参数，提取散射强度、H-α-A分解特征以及反射对称性参数之前不必进行去取向处理。这些极化特征对于区分建筑区域和其他典型地物类别具有较好的表征能力，根据其特点可以采用一定的权重对这些特征进行组合。表1给出了极化特征的计算公式及其基本含义。
表1
其中，经过去取向的Yamaguchi分解获得的二面体分量Pd，散射熵H，平均散射角α，反熵A，圆极化相关系数ρRRLL幅度以及相位，归一化圆极化相关系数NCCC(NormalizedCircularpolarizationCorrelationCoefficient)依次如图4所示，在实际应用中，同时也可以采用HH、HV以及VV散射分量的幅值，以及线极化相关系数ρHHVV。
在步骤33处，根据Yamaguchi分解分量特征、散射强度、H-α-A分解特征对所述全极化影像中的地物进行监督分类以获取建筑区域。利用以上多种极化特征组合，采用例如SVM监督分类方法，首先在步骤34处，实现基于散射机理的受灾范围内植被、裸地、水体、叠掩等其他类别与建筑区的监督分类，去除这些其他地物对于倒塌房屋提取的影响。因为在受灾范围内，植被、裸地、水体、叠掩与倒塌房屋存在很多相似的散射特性，而完好房屋容易受到叠掩区域的影响，所以本本发明提供的方法首先通过基于优选极化特性去除其他地物对于受灾建筑区的影响，以达到精确提取倒塌房屋的目的。
在步骤35处，通过分类方法将裸地、水体、叠掩分类至其它类别中。将植被、裸地、叠掩等类别统一归类为其他类别，提高精度的同时也便于提供相关结果。
在步骤36处，针对分类出来的植被，根据H-α分类平面，如果H＞0.9，则其为为高熵植被区，并划分至其它类别中；反之，划分至倒塌类别中。
在步骤37处，根据反射对称性参数获取倒塌建筑物信息。即，根据在步骤32处提取到的反射对称性参数，在针对在步骤34处分类出的建筑区范围内，依据倒塌建筑不具备反射对称性这一特点，利用极化相关系数等特征，将建筑区划分为倒塌建筑物和完好建筑物。例如基于阈值判断，关于完好建筑与倒塌建筑区域的极化相关系数阈值，可以采用完好房屋区域样本以及倒塌房屋区域样本的极化相关系数进行高斯混合模型GMM分析来获得。
由于受灾区域建筑区域内不可避免地存在少量植被、水域以及裸地区域，为了便于相关部门的参考，本发明提供的方法获得的结果包括三类：完好建筑、倒塌建筑以及受灾建筑区其他类别(少量植被、水域以及裸地等)，绘制灾区完好、倒塌房屋分布图，为相关部门提供决策依据。
图5、6为基于散射机理分类与反射对称性判决的震后极化SAR建筑区损毁信息提取结果，颜色浅的地方表示完好建筑物。其中图5中反射对称性判决基于|ρHHVV|，图6中反射对称性判决基于|ρRRLL|。对照图7实际的震害结果进行分析：震动作用的4区的震害不明显、房屋完好，提取结果比较符合实际情况；断层的3区建筑存在严重倒塌、倾斜和底层垮塌现象，但是在全极化SAR图像中，倾斜建筑和底层垮塌建筑的反射对称性也比较强，在提取结果中依据反射对称性对于3区的倒塌建筑提取结果明显、对于一些倾斜、底层垮塌建筑易判为完好；由于SAR成像角度问题和附近高大山体遮挡，崩塌区域2在SAR图像中无明显体现；滑坡的1区中建筑全部倒塌，也比较符合基于|ρHHVV|和|ρRRLL|的提取结果。
相应地，本发明还提供一种倒塌建筑物信息获取设备，如图8所示，所述倒塌建筑物信息获取设备包括：影像获取装置81，获取全极化影像；极化特征提取装置82，针对所述全极化影像提取多个极化特征；以及处理装置83，基于所述多个极化特征获取倒塌建筑物信息。
所述倒塌建筑物信息获取设备还包括：分类器，根据Yamaguchi分解分量特征、散射强度、H-α-A分解特征对所述全极化影像中的地物进行监督分类以获取建筑区域。
所述处理器根据反射对称性参数获取倒塌建筑物信息。
有关该设备的具体细节及益处与上述针对倒塌建筑物信息获取方法的细节及益处相同，于此不再赘述。
在上述实施方式中，针对星载全极化SAR数据，利用多种极化特征综合表征灾区典型地物类别，首先去除植被、水域和裸地等对于极化相关系数作用的影响，仅在建筑区利用对于完好和倒塌建筑敏感的反射对称性进行损毁建筑的精确提取，有效地克服了非建筑物对于倒塌建筑的影响。
其中，由于星载SAR数据分辨率有限而灾区地形复杂以及灾区范围较为狭小，对于建筑区以及倒塌房屋信息的获取都依赖于极化特征，本发明所提供的方法中对于建筑区域的极化特征分析较为全面；对于受灾区域内不可避免存在的少量植被、水域以及裸地，本发明所提供的方法能去除这些非建筑地物的影响，不仅提高房屋倒塌信息提取精度，并在最终的受灾区域制图中将这些地物标注为其他类别，便于相关部门参考。
本发明充分利用星载全极化SAR影像中的极化信息，提出基于散射机理分类与反射对称性判决的方法，从震后单景全极化SAR星载影像中获取房屋倒塌信息。
本发明从星载全极化SAR影像中灾区地物散射机理出发，优选了一组地物类型敏感的特征组合，快速精确获取灾区建筑区域，并且去除植被、水域、裸地和叠掩等对于极化相关系数作用的影响；然后仅在建筑区利用对于完好和倒塌建筑敏感的极化相关系数进行倒塌房屋的精确提取。
上述实施方式并非用于限定本发明，所述极化影像不仅限于Radarsat-2星载极化SAR影像，还适用于ALOS-2/PALSAR,TerraSAR-X，EVNISAT/ASAR等其他星载极化SAR数据。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (10)

1.一种倒塌建筑物信息获取方法，其特征在于，所述倒塌建筑物信息获取方法包括：
获取灾区的全极化影像；
针对所述全极化影像提取多个极化特征；以及
基于所述多个极化特征获取倒塌建筑物信息。
2.根据权利要求1所述的倒塌建筑物信息获取方法，其特征在于，所述倒塌建筑物信息获取方法还包括：在针对所述全极化影像提取多个极化特征之前，对所述全极化影像进行滤波。
3.根据权利要求1所述的倒塌建筑物信息获取方法，其特征在于，所述多个极化特征包括：Yamaguchi分解分量特征、散射强度、H-α-A分解特征以及反射对称性参数。
4.根据权利要求3所述的倒塌建筑物信息获取方法，其特征在于，所述倒塌建筑物信息获取方法还包括：根据Yamaguchi分解分量特征、散射强度、H-α-A分解特征对所述全极化影像中的地物进行监督分类以获取建筑区域。
5.根据权利要求4所述的倒塌建筑物信息获取方法，其特征在于，基于所述多个极化特征获取倒塌建筑物信息包括：利用支持向量机(SVM)进行监督分类。
6.根据权利要求4所述的倒塌建筑物信息获取方法，其特征在于，基于所述多个极化特征获取倒塌建筑物信息还包括：根据反射对称性参数获取倒塌建筑物信息。
7.根据权利要求1-6中任一项所述的倒塌建筑物信息获取方法，其特征在于，所述倒塌建筑物信息获取方法还包括：在获取所述全极化影像之后，对所述全极化影像进行掩膜处理。
8.一种倒塌建筑物信息获取设备，其特征在于，所述倒塌建筑物信息获取设备包括：
影像获取装置，获取全极化影像；
极化特征提取装置，针对所述全极化影像提取多个极化特征；以及
处理装置，基于所述多个极化特征获取倒塌建筑物信息。
9.根据权利要求8所述的倒塌建筑物信息获取设备，其特征在于，所述倒塌建筑物信息获取设备还包括：分类器，根据Yamaguchi分解分量特征、散射强度、H-α-A分解特征对所述全极化影像中的地物进行监督分类以获取建筑区域。
10.根据权利要求9所述的倒塌建筑物信息获取设备，其特征在于，所述处理器根据反射对称性参数获取倒塌建筑物信息。
CN201610108960.9A 2016-02-26 2016-02-26 一种倒塌建筑物信息获取方法及获取设备 Expired - Fee Related CN105785364B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610108960.9A CN105785364B (zh) 2016-02-26 2016-02-26 一种倒塌建筑物信息获取方法及获取设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610108960.9A CN105785364B (zh) 2016-02-26 2016-02-26 一种倒塌建筑物信息获取方法及获取设备

Publications (2)

Publication Number Publication Date
CN105785364A true CN105785364A (zh) 2016-07-20
CN105785364B CN105785364B (zh) 2019-04-02

Family

ID=56403646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610108960.9A Expired - Fee Related CN105785364B (zh) 2016-02-26 2016-02-26 一种倒塌建筑物信息获取方法及获取设备

Country Status (1)

Country Link
CN (1) CN105785364B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103280A (zh) * 2017-03-10 2017-08-29 中国科学院遥感与数字地球研究所 极地冰盖冻融探测方法
CN111160296A (zh) * 2019-12-31 2020-05-15 中国科学院电子学研究所 滑坡灾害检测方法
CN113408547A (zh) * 2021-07-12 2021-09-17 西南交通大学 一种多时相多极化sar滑坡提取方法
CN115797768A (zh) * 2022-11-30 2023-03-14 甘肃省地震局（中国地震局兰州地震研究所） 一种新型纹理特征的sar建筑物震害估计方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761740A (zh) * 2014-01-23 2014-04-30 武汉大学 基于震后单张polsar影像的建筑物损毁评估方法
CN104331707A (zh) * 2014-11-02 2015-02-04 西安电子科技大学 基于深度pca网络和svm的极化sar图像分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761740A (zh) * 2014-01-23 2014-04-30 武汉大学 基于震后单张polsar影像的建筑物损毁评估方法
CN104331707A (zh) * 2014-11-02 2015-02-04 西安电子科技大学 基于深度pca网络和svm的极化sar图像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
沈俊成 等: "震后单幅全极化SAR图像中倒塌建筑提取研究", 《科学技术与工程》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103280A (zh) * 2017-03-10 2017-08-29 中国科学院遥感与数字地球研究所 极地冰盖冻融探测方法
CN107103280B (zh) * 2017-03-10 2021-01-01 中国科学院遥感与数字地球研究所 极地冰盖冻融探测方法
CN111160296A (zh) * 2019-12-31 2020-05-15 中国科学院电子学研究所 滑坡灾害检测方法
CN111160296B (zh) * 2019-12-31 2024-01-26 中国科学院电子学研究所 滑坡灾害检测方法
CN113408547A (zh) * 2021-07-12 2021-09-17 西南交通大学 一种多时相多极化sar滑坡提取方法
CN115797768A (zh) * 2022-11-30 2023-03-14 甘肃省地震局（中国地震局兰州地震研究所） 一种新型纹理特征的sar建筑物震害估计方法
CN115797768B (zh) * 2022-11-30 2024-05-17 甘肃省地震局（中国地震局兰州地震研究所） 一种基于纹理特征的sar建筑物震害估计方法

Also Published As

Publication number Publication date
CN105785364B (zh) 2019-04-02

Similar Documents

Publication Publication Date Title
Grassi et al. Parkmaster: An in-vehicle, edge-based video analytics service for detecting open parking spaces in urban environments
Zheng et al. A novel vehicle detection method with high resolution highway aerial image
CN105404886B (zh) 特征模型生成方法和特征模型生成装置
CN105785364A (zh) 一种倒塌建筑物信息获取方法及获取设备
Taskin Kaya et al. Damage assessment of 2010 Haiti earthquake with post-earthquake satellite image by support vector selection and adaptation
CN103810717B (zh) 一种人体行为检测方法及装置
Zheng et al. Vehicle detection based on morphology from highway aerial images
CN102073873B (zh) 一种基于支持向量机的sar景象匹配区选取方法
Sun et al. Building collapse assessment in urban areas using texture information from postevent SAR data
CN103400156A (zh) 基于cfar和稀疏表示的高分辨sar图像舰船检测方法
Li et al. Robust river boundaries extraction of dammed lakes in mountain areas after Wenchuan Earthquake from high resolution SAR images combining local connectivity and ACM
Wang et al. Extraction of earthquake-induced collapsed buildings using very high-resolution imagery and airborne lidar data
Shang et al. PolSAR land classification by using quaternion-valued neural networks
Kamenetsky et al. Aerial car detection and urban understanding
Bartels et al. Rule-based improvement of maximum likelihood classified LIDAR data fused with co-registered bands
Zhou et al. Effective mapping of urban areas using ENVISAT ASAR, sentinel-1A, and HJ-1-C data
Cao et al. Building unit density detection from high resolution TerraSAR-X image based on mathematical morphological operators
Wieland et al. Remote sensing and omnidirectional imaging for efficient building inventory data-capturing: Application within the Earthquake Model Central Asia
Cao et al. High resolution SAR building detection with scene context priming
Mishra Automatic moving vehicle's information extraction from one-pass WorldView-2 satellite imagery
Dong et al. Building extraction from high resolution SAR imagery in urban areas
Sidike et al. Intrusion detection in aerial imagery for protecting pipeline infrastructure
Pless Detecting roads in stabilized video with the spatio-temporal structure tensor
Wei et al. Vehicle detection from parking lot aerial images
Ulicny et al. Combining geolocation and height estimation of objects from street level imagery

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190402

CF01 Termination of patent right due to non-payment of annual fee