CN106203271A - 一种基于高分辨率sar图像相干性的高铁干线提取方法 - Google Patents
一种基于高分辨率sar图像相干性的高铁干线提取方法 Download PDFInfo
- Publication number
- CN106203271A CN106203271A CN201610496019.9A CN201610496019A CN106203271A CN 106203271 A CN106203271 A CN 106203271A CN 201610496019 A CN201610496019 A CN 201610496019A CN 106203271 A CN106203271 A CN 106203271A
- Authority
- CN
- China
- Prior art keywords
- coherence
- main line
- high ferro
- map
- scape
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000000284 extract Substances 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 230000002068 genetic effect Effects 0.000 claims description 9
- 241001347978 Major minor Species 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000005314 correlation function Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- VAYOSLLFUXYJDT-RDTXWAMCSA-N Lysergic acid diethylamide Chemical compound C1=CC(C=2[C@H](N(C)C[C@@H](C=2)C(=O)N(CC)CC)C2)=C3C2=CNC3=C1 VAYOSLLFUXYJDT-RDTXWAMCSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种基于高分辨率SAR图像相干性的高铁干线提取方法，主要步骤如下：将两景原始影像数据转换为单视复图像并配准，先进行干涉处理，得到干涉相位图和强度图；利用相干性函数计算两景单视复图像的相干系数，得到相干图；依据阈值对相干图进行二值化处理；对二值化处理后的相干图进行边缘检测；然后进行霍夫变换处理，提取高铁干线。与传统方法相比，本发明利用了不同时相的高分辨率SAR图像，并从InSAR相干性角度出发，考虑到在相干图中高铁干线相比一般地物相干性更高、更稳定，而且具有明显的条带特征，利用该方法降低了高铁干线识别的难度，高铁干线提取结果更准确，效率更高。
Description
技术领域
本发明涉及一种基于高分辨率SAR图像相干性的高铁干线提取方法，属于遥感技术应用领域。
背景技术
合成孔径雷达(Synthetic Aperture Radar，SAR)具有全天时、全天候的工作能力，在地物识别提取方面，是对传统光学传感器很好的补充。合成孔径雷达干涉测量(Interferometric SAR，InSAR)是近年来发展比较成熟的遥感技术，在大地精准测量方面具有明显的优势。目前InSAR数据获取较为方便，不同波段、不同分辨率的SAR数据存档丰富，InSAR技术在高铁干线沉降形变监测方面的应用会越来越广泛，测量精度也会越来越高。InSAR技术基本原理是利用覆盖同一个地区的两景或两景以上SAR图像,利用包含在SAR图像中的相位信息提取出雷达天线到地表之间的距离,进行干涉处理,结合卫星轨道参数可获得地表的数字高程模型,也可获得地表的形变量(可以达到厘米到毫米级精度)。在测量高铁干线沉降形变之前，利用高分辨率SAR图像数据提取高铁干线在监测重大交通干线运营安全方面具有重要意义。与传统提取方法不同的是利用InSAR相干图提取高铁干线，针对性强，效率高，准确。目前遗传算法、边缘检测和霍夫变换等算法用来提取线性目标非常合适。遗传算法能够计算出比较合理的二值化阈值，并且利用边缘检测以及霍夫变换在高铁线性目标识别提取方面效果明显。
发明内容
本发明要解决的技术问题是：克服现有技术手段的缺点，提出一种基于高分辨率SAR图像相干性的高铁干线提取方法，能够自动快速地从高分辨率InSAR数据中识别出高铁干线目标，进一步通过遗传算法处理，边缘检测和霍夫变换能够很快提取得到高铁干线。
为了解决上述技术问题，本发明提出的技术方案是：一种基于高分辨率SAR图像相干性的高铁干线提取方法，包括以下步骤：
第一步、将两景原始影像数据转换为单视复图像，并获得两景原始影像的强度图；
第二步、对两景单视复图像进行配准；
第三步、对两景单视复图像进行干涉处理，两景单视复数图像同名像元进行复共轭相乘，得到干涉相位图；
第四步、结合强度图和干涉相位图，利用相干性函数计算两景单视复图像的相干系数，得到相干图；
第五步、从相干图中提取线状地物，获得高铁干线提取结果。
本发明“一种基于高分辨率SAR图像相干性的高铁干线提取方法”，还具有如下改进：
1、所述第一步中，选择高分辨率X波段SAR数据为原始影像数据，单视复图像的像元用复数表示：A＝u(n,m)eiφ(n,m)，其中A表示复数像元，u(n,m)表示第n行第m列像元的幅度值，φ(n,m)表示第n行第m列像元的相位值。
2、所述第二步中，采用幅度互相关函数进行特征匹配来获取配准函数的参数，然后将辅影像重采样到主影像空间。
3、所述第二步中，采用迭代计算优化配准函数的参数，达到配准精度要求，所述配准精度要求为1/8个像元。
4、所述第四步中，选择N×M窗口大小近似估算两景影像像元之间的相干系数相干系数计算公式如下：其中为相干系数，和分别表示主辅影像中第n行第m列的复数像元，*表示复共轭相乘。
5、所述第五步中，从相干图提取线状地物的方法是：
a、依据二值化阈值对相干图进行二值化处理；
b、对二值化处理后的相干图进行边缘检测；
c、对边缘检测后的相干图进行霍夫变换处理，提取高铁干线。
6、步骤a中，所述二值化阈值通过遗传算法对相干图进行计算获得。
本发明利用高分辨率SAR图像相干性以及线状目标检测算法，实现了高铁干线自动化提取，大大提高了高铁干线提取效率和精度；传统方法只是单纯从灰度影像或者SAR强度图中提取线状目标，容易受周边地物的影响，提取难度大，效果不明显，本发明所述方法则更有针对性，排除了低相干目标，保留高铁干线的高相干目标，更加突出了高铁干线的条带特性。
本发明涉及到的SAR数据覆盖范围太大，为了方便试验说明，针对原始SAR图像进行了范围裁剪，选择了1500*1000的试验区域，对裁剪后的图像进行干涉处理、相干性计算。
本发明在对相干图进行二值化之前，利用遗传算法计算出最佳的二值化阈值，这可以使得二值化的效果更好，更合理。遗传算法成熟，计算方便，能够很好地辅助后面的操作。另外在进行线状目标提取时，采用传统边缘检测和霍夫变换算法方便合理，执行简单，提取速度快捷。
综上所述，本发明方法的执行步骤简单易行，利用高铁在InSAR图像中的高相干特性，利用成熟的线状地物识别算法提取高铁干线，能够方便准确地识别高铁干线目标，加快了高铁干线的提取速度。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明基于高分辨率SAR图像相干性的高铁干线提取方法流程图。
图2是主影像SLC数据，获取日期为20120324。
图3是辅影像SLC数据，获取日期为20120425。
图4是两景SLC图像做干涉得到的干涉图。
图5是经过相干系数计算后得到的相干图。
图6是经过二值化处理后得到的结果。
图7是经过边缘检测后得到的结果。
图8是经过霍夫变换处理后得到的结果。
具体实施方式
下面根据附图详细阐述本发明，使本发明的目的和效果变得更加明显。
目前利用高铁干线强相干性从InSAR数据中提取高铁线状目标的方法很少，因此本发明的实例采用的数据选择了两景X波段(波长为3.1cm)COSMO-SkyMed高分辨率的SAR影像，两景影像的获取日期分别为2012年3年24日和2012年4月25日，时间间隔为32天，影像分辨率为3m，高分辨率影像具有很好的高铁干线细节特征。另外，在时间基线很长的情况下，高铁目标依然能够保持很好的相干性和明显的条带特征。为了更完整且更清晰地描述本发明的实施方式，下文仍将逐步做详细说明。
图1所示，为本发明实施例“一种基于高分辨率SAR图像相干性的高铁干线提取方法”的流程图，具体包括如下步骤：
第一步、挑选了两景原始COSMO-SkyMed SAR影像数据，利用GAMMA软件将H5格式的数据转为单视复图像(Single Look Complex，SLC)，命名为20120324和20120425，影像大小均为19962*19236，为短整型的复数影像，距离向像元间距为0.92m，方位向像元间距为2.2m。单视复图像的像元用复数表示：A＝u(n,m)eiφ(n,m)，其中A表示复数像元，u(n,m)表示第n行第m列像元的幅度值，φ(n,m)表示第n行第m列像元的相位值。
第二步、对两景单视复图像进行精确互配准。采用幅度互相关函数进行配准，利用GAMMA软件的offset_pwr进行多项式的偏移估计，逐步调整配准函数的参数，使得距离向和方位向偏移误差小于0.125。为了减少人为干预，提高配准效率，这一步采用GAMMA软件SLC_resamp_all批处理配准的方法。最后的配准结果较为理想，距离向配准精度达到0.0289，方位向达到0.0242。这样能够保证较好的干涉质量。配准完成之后需要对辅影像20120425进行重采样，保证同名像元同一位置。由于影像太大，裁剪研究区可以提高试验效率，这一步利用GAMMA软件的SLC_copy_all程序对配准后的两景单视复图像进行裁剪，裁剪出1500*1000大小的单视复图像(图2和图3所示)，至此整个数据准备工作已经完成，可供后续步骤使用。
第三步、两景单视复图像进行干涉处理，两景单视复图像同名像元进行复共轭相乘，得到干涉相位图。这一步是利用GAMMA软件里SLC_intf函数将裁剪后的两景SLC图像进行复共轭相乘，得到1500*1000大小的干涉相位图(图4所示)。
第四步、结合强度图和干涉相位图，利用相干性函数计算两景单视复图像的相干系数，得到相干图。利用InSAR方法计算两景影像的相干系数，相干系数计算公式如下：其中为相干系数，和分别表示主辅影像中第n行第m列的复数像元，*表示复共轭相乘，M和N分别表示影像的总行列数。
本例中，直接利用GAMMA软件里cc_wave函数计算两景影像之间的相干系数，利用强度图和去平后的干涉相位图估计出相干系数，相干系数值在(0，1)之间。图5所示，为相干图。
第五步、通过遗传算法计算获得二值化阈值，依据该二值化阈值对相干图进行二值化处理。这一步是将相干图转为灰度图，为bmp格式，利用Matlab读取bmp格式相干图后，采用遗传算法进行阈值计算，最后计算出最佳的二值化阈值为83，并按阈值83对相干图进行二值化。图6所示，为二值化后的相干图。
第六步、对二值化处理后的相干图进行边缘检测。这一步在Matlab里面对二值图进行边缘检测处理，采用常规的Canny算子进行处理。如图7所示，为边缘检测后的结果图。
第七步、对边缘检测后的相干图进行霍夫变换处理，提取高铁干线。这一步在Matlab里面采用霍夫变换函数，从边缘检测结果里面提取得到高铁干线。如图8所示，为最终提取结果。
由于一些建筑物的影响，提取结果有一些噪声，后期可以进行适当的人工修正，总体来看，本发明方法的提取效果比较好，可作为参考数据应用于InSAR高铁干线形变监测领域。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。
Claims (7)
1.一种基于高分辨率SAR图像相干性的高铁干线提取方法，包括以下步骤:
第一步、将两景原始影像数据转换为单视复图像，并获得两景原始影像的强度图；
第二步、对两景单视复图像进行配准；
第三步、对两景单视复图像进行干涉处理，两景单视复图像同名像元进行复共轭相乘，得到干涉相位图；
第四步、结合强度图和干涉相位图，利用相干性函数计算两景单视复图像的相干系数，得到相干图；
第五步、从相干图中提取线状地物，获得高铁干线提取结果。
2.根据权利要求1所述的基于高分辨率SAR图像相干性的高铁干线提取方法，其特征在于：所述第一步中，选择高分辨率X波段SAR数据为原始影像数据，单视复图像的像元用复数表示：A＝u(n,m)eiφ(n,m)，其中A表示复数像元，u(n,m)表示第n行第m列像元的幅度值，φ(n,m)表示第n行第m列像元的相位值。
3.根据权利要求1所述的基于高分辨率SAR图像相干性的高铁干线提取方法，其特征在于：所述第二步中，采用幅度互相关函数进行特征匹配来获取配准函数的参数，然后将辅影像重采样到主影像空间。
4.根据权利要求1所述的基于高分辨率SAR图像相干性的高铁干线提取方法，其特征在于：所述第二步中，采用迭代计算优化配准函数的参数，达到配准精度要求，所述配准精度要求为1/8个像元。
5.根据权利要求1所述的基于高分辨率SAR图像相干性的高铁干线提取方法，其特征在于：所述第四步中，选择N×M窗口大小近似估算两景影像像元之间的相干系数相干系数计算公式如下：其中为相干系数，和分别表示主辅影像中第n行第m列的复数像元，*表示复共轭相乘。
6.根据权利要求1所述的基于高分辨率SAR图像相干性的高铁干线提取方法，其特征在于：所述第五步，从相干图中提取线状地物的方法是：
a、依据二值化阈值对相干图进行二值化处理；
b、对二值化处理后的相干图进行边缘检测；
c、对边缘检测后的相干图进行霍夫变换处理，提取高铁干线。
7.根据权利要求6所述的基于高分辨率SAR图像相干性的高铁干线提取方法，其特征在于：步骤a中，所述二值化阈值通过遗传算法对相干图进行计算获得。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610496019.9A CN106203271A (zh) | 2016-06-29 | 2016-06-29 | 一种基于高分辨率sar图像相干性的高铁干线提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610496019.9A CN106203271A (zh) | 2016-06-29 | 2016-06-29 | 一种基于高分辨率sar图像相干性的高铁干线提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106203271A true CN106203271A (zh) | 2016-12-07 |
Family
ID=57463572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610496019.9A Pending CN106203271A (zh) | 2016-06-29 | 2016-06-29 | 一种基于高分辨率sar图像相干性的高铁干线提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106203271A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610161A (zh) * | 2017-10-10 | 2018-01-19 | 电子科技大学 | 一种基于四叉树分割的InSAR快速图像配准方法 |
| CN108051810A (zh) * | 2017-12-01 | 2018-05-18 | 南京市测绘勘察研究院股份有限公司 | 一种InSAR分布式散射体相位优化方法 |
| CN108387899A (zh) * | 2018-04-17 | 2018-08-10 | 南京师范大学 | 合成孔径雷达干涉测量中地面控制点自动选取方法 |
| CN108627834A (zh) * | 2018-06-07 | 2018-10-09 | 北京城建勘测设计研究院有限责任公司 | 一种基于地基InSAR的地铁路基结构监测方法及装置 |
| CN109798870A (zh) * | 2019-03-13 | 2019-05-24 | 武汉夕睿光电技术有限公司 | 一种井盖沉降监测装置及移动设备 |
| CN111798135A (zh) * | 2020-07-06 | 2020-10-20 | 天津城建大学 | 一种基于多源数据集成的高铁沉降危害性评估方法 |
| CN112904337A (zh) * | 2021-05-07 | 2021-06-04 | 北京东方至远科技股份有限公司 | 一种基于Offset Tracking技术的边坡形变时序监测方法 |
| CN113804154A (zh) * | 2021-08-30 | 2021-12-17 | 东南大学 | 基于卫星和无人机遥感的路面沉陷检测方法及装置 |
| CN114612537A (zh) * | 2022-03-29 | 2022-06-10 | 新智认知数据服务有限公司 | 数字孪生图像与真实图像配准方法、设备及可读存储介质 |
| CN115143877A (zh) * | 2022-05-30 | 2022-10-04 | 中南大学 | 基于强散射幅度抑制和异常值识别的sar偏移量跟踪方法、装置、设备和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120218140A1 (en) * | 2010-06-28 | 2012-08-30 | Alain Bergeron | Method and apparatus for compensating for a parameter change in a synthetic aperture imaging system |
| JP5219901B2 (ja) * | 2009-03-31 | 2013-06-26 | 三菱電機株式会社 | 画像処理装置 |
| CN104111456A (zh) * | 2014-07-23 | 2014-10-22 | 中国国土资源航空物探遥感中心 | 一种高速铁路沿线地表形变高分辨率InSAR监测方法 |
| CN104484880A (zh) * | 2014-12-20 | 2015-04-01 | 西安电子科技大学 | 一种基于相干图迁移聚类的sar图像分割方法 |
| CN104700427A (zh) * | 2015-04-03 | 2015-06-10 | 电子科技大学 | 一种基于sar图像的道路损毁信息提取方法 |
-
2016
- 2016-06-29 CN CN201610496019.9A patent/CN106203271A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5219901B2 (ja) * | 2009-03-31 | 2013-06-26 | 三菱電機株式会社 | 画像処理装置 |
| US20120218140A1 (en) * | 2010-06-28 | 2012-08-30 | Alain Bergeron | Method and apparatus for compensating for a parameter change in a synthetic aperture imaging system |
| CN104111456A (zh) * | 2014-07-23 | 2014-10-22 | 中国国土资源航空物探遥感中心 | 一种高速铁路沿线地表形变高分辨率InSAR监测方法 |
| CN104484880A (zh) * | 2014-12-20 | 2015-04-01 | 西安电子科技大学 | 一种基于相干图迁移聚类的sar图像分割方法 |
| CN104700427A (zh) * | 2015-04-03 | 2015-06-10 | 电子科技大学 | 一种基于sar图像的道路损毁信息提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| 傅嘉政 等: "基于小波变换和霍夫变换的高分辨率遥感影像道路提取", 《测绘地理信息》 * |
| 耿佳佳: "干涉合成孔径雷达的关键技术研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 范洪冬: "InSAR若干关键算法及其在地表沉降检测中的应用研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610161A (zh) * | 2017-10-10 | 2018-01-19 | 电子科技大学 | 一种基于四叉树分割的InSAR快速图像配准方法 |
| CN108051810B (zh) * | 2017-12-01 | 2020-06-09 | 南京市测绘勘察研究院股份有限公司 | 一种InSAR分布式散射体相位优化方法 |
| CN108051810A (zh) * | 2017-12-01 | 2018-05-18 | 南京市测绘勘察研究院股份有限公司 | 一种InSAR分布式散射体相位优化方法 |
| CN108387899A (zh) * | 2018-04-17 | 2018-08-10 | 南京师范大学 | 合成孔径雷达干涉测量中地面控制点自动选取方法 |
| CN108387899B (zh) * | 2018-04-17 | 2020-07-31 | 南京师范大学 | 合成孔径雷达干涉测量中地面控制点自动选取方法 |
| CN108627834A (zh) * | 2018-06-07 | 2018-10-09 | 北京城建勘测设计研究院有限责任公司 | 一种基于地基InSAR的地铁路基结构监测方法及装置 |
| CN109798870A (zh) * | 2019-03-13 | 2019-05-24 | 武汉夕睿光电技术有限公司 | 一种井盖沉降监测装置及移动设备 |
| CN111798135A (zh) * | 2020-07-06 | 2020-10-20 | 天津城建大学 | 一种基于多源数据集成的高铁沉降危害性评估方法 |
| CN111798135B (zh) * | 2020-07-06 | 2022-03-22 | 天津城建大学 | 一种基于多源数据集成的高铁沉降危害性评估方法 |
| CN112904337A (zh) * | 2021-05-07 | 2021-06-04 | 北京东方至远科技股份有限公司 | 一种基于Offset Tracking技术的边坡形变时序监测方法 |
| CN112904337B (zh) * | 2021-05-07 | 2021-11-05 | 北京东方至远科技股份有限公司 | 一种基于Offset Tracking技术的边坡形变时序监测方法 |
| CN113804154A (zh) * | 2021-08-30 | 2021-12-17 | 东南大学 | 基于卫星和无人机遥感的路面沉陷检测方法及装置 |
| CN114612537A (zh) * | 2022-03-29 | 2022-06-10 | 新智认知数据服务有限公司 | 数字孪生图像与真实图像配准方法、设备及可读存储介质 |
| CN115143877A (zh) * | 2022-05-30 | 2022-10-04 | 中南大学 | 基于强散射幅度抑制和异常值识别的sar偏移量跟踪方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106203271A (zh) | 一种基于高分辨率sar图像相干性的高铁干线提取方法 | |
| CN101672646B (zh) | 一种卫星图像自动几何精校正方法 | |
| Lasaponara et al. | Identification of archaeological buried remains based on the normalized difference vegetation index (NDVI) from Quickbird satellite data | |
| CN107564017B (zh) | 一种城市高分遥感影像阴影检测及分割方法 | |
| CN110287898B (zh) | 一种光学卫星遥感影像云检测方法 | |
| CN105046271A (zh) | 基于模板匹配的melf元件定位与检测方法 | |
| CN106204539B (zh) | 一种基于形态学梯度的反演城区建筑物沉降的方法 | |
| CN112285710B (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
| CN104361590A (zh) | 一种控制点自适应分布的高分辨率遥感影像配准方法 | |
| CN102903109B (zh) | 一种光学影像和sar影像一体化分割配准方法 | |
| CN109597074B (zh) | 一种sar影像几何定位参数校正方法及系统 | |
| CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
| Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
| CN104197933A (zh) | 一种望远镜视场中高星等滑动恒星的增强和提取方法 | |
| CN110532953A (zh) | 基于纹理特征辅助的sar影像冰川识别方法 | |
| CN105427304A (zh) | 基于多种特征联合的目标sar图像和光学图像配准方法 | |
| CN106127133A (zh) | 一种基于红光‑近红外光谱特征空间的水体提取方法 | |
| CN115641504A (zh) | 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 | |
| Huang et al. | SAR and optical images registration using shape context | |
| Ren et al. | Automated SAR reference image preparation for navigation | |
| CN102629368B (zh) | 一种基于照度表面建模的彩色图像渐晕复原方法 | |
| CN115457022B (zh) | 基于实景三维模型正视影像的三维形变检测方法 | |
| CN116129278A (zh) | 一种基于遥感影像的土地利用分类识别系统 | |
| CN110956083A (zh) | 一种基于高分四号光学卫星的渤海海冰漂移遥感探测方法 | |
| CN111696054B (zh) | 基于全极化sar图像的橡胶坝体检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161207 |
|
| WD01 | Invention patent application deemed withdrawn after publication |