CN106204539B - 一种基于形态学梯度的反演城区建筑物沉降的方法 - Google Patents

一种基于形态学梯度的反演城区建筑物沉降的方法 Download PDF

Info

Publication number
CN106204539B
CN106204539B CN201610494605.XA CN201610494605A CN106204539B CN 106204539 B CN106204539 B CN 106204539B CN 201610494605 A CN201610494605 A CN 201610494605A CN 106204539 B CN106204539 B CN 106204539B
Authority
CN
China
Prior art keywords
pixel
building
value
threshold
gray value
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.)
Active
Application number
CN201610494605.XA
Other languages
English (en)
Other versions
CN106204539A (zh
Inventor
柯长青
陆燕燕
蔡宇
马东辉
赵佳曼
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.)
Nanjing University
Original Assignee
Nanjing University
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 Nanjing University filed Critical Nanjing University
Priority to CN201610494605.XA priority Critical patent/CN106204539B/zh
Publication of CN106204539A publication Critical patent/CN106204539A/zh
Application granted granted Critical
Publication of CN106204539B publication Critical patent/CN106204539B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种基于形态学梯度的反演城区建筑物沉降的方法，该方法考虑到建筑物在高分辨率的COSMO SkyMED雷达影像表现出强反射特性以及强相干性，首先基于波谱统计特性的相干系数阈值方法和基于后向散射强度的幅度阈值方法从高分辨率的SAR影像中提取出高质量的候选点目标，然后采用小基线集（SBAS）方法解算得出点目标的沉降信息；对InSAR解算得到的结果设置高程阈值，粗选建筑物上的点目标；利用形态学梯度方法提取的SAR影像中建筑物边界，并且利用提取的建筑物边界进行粗选点目标中非建筑点去除，最终实现建筑物点目标的自动提取。该方法提高了建筑物沉降信息识别的准确性和可靠性。

Description

一种基于形态学梯度的反演城区建筑物沉降的方法
技术领域
本发明涉及一种基于形态学梯度的反演城区建筑物沉降的方法，属于遥感技术应用领域。
背景技术
随着我国经济的高速发展，城市化进程的加快，建筑事业也快速发展。这些高大建筑在给人们生活带来便利的同时也存在许多安全隐患。为了保证建筑物的安全，需要对建筑物进行沉降观测。
以InSAR时序分析技术为代表的方法大大增强了InSAR技术在城市地面沉降监测的能力。随着卫星遥感技术的发展，高分辨率的卫星影像如TanDEM-X，TerraSAR-X和Cosomo-SkyMed雷达影像相比较中低分辨率的雷达影像能够更好地捕获建筑物时空沉降特性，使得InSAR时序分析技术进行城市建筑物的精细形变监测成为可能。但是在实际应用中还存在一些问题，如不能够较好地将建筑物与背景地物沉降信息分离出来。针对上述问题，本发明采用了形态学梯度方法以SAR强度图中的建筑物为研究对象，简化图像数据，保持图像基本的形状特征，能够较好的提取建筑物的边缘。然后再结合InSAR时序分析技术监测的沉降结果将建筑物沉降信息从背景地物中分离出来，对于城市建筑物沉降监测具有重要的应用价值。
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，提出一种基于形态学梯度的高分辨InSAR时序分析技术反演城区建筑物沉降的方法，有效的从高分辨率的InSAR城区形变监测结果中提取建筑物沉降值，大大提高了城区建筑物InSAR精细化监测水平。
为了解决上述技术问题，本发明提出的技术方案是：一种基于形态学梯度的反演城区建筑物沉降的方法，包括以下步骤:
第一步、选取高分辨率SAR数据；
第二步、获取SAR影像平均强度图，并且对高分辨率的SAR数据进行InSAR时序分析解算，获得地理坐标系下的地物目标点的高程改正值和地物目标点的地表形变速率信息；
第三步、提取高程改正值大于预设高程阈值的地物目标点，作为建筑物粗选点；
第四步、使用形态学梯度算法提取SAR影像平均强度图上的建筑物；
第五步、采用边缘检测算子对第四步提取的建筑物进行边缘检测，提取出建筑物边缘；
第六步、将第五步提取的建筑物边缘与第三步获得的建筑物粗选点相结合，识别出建筑物点目标，建筑物点目标的地表形变速率信息为最终的建筑物沉降信息。
本发明“一种基于形态学梯度的反演城区建筑物沉降的方法”，还具有如下改进：
1、所述第二步中，InSAR时序分析方法采用的小基线集SBAS方法(小基线集SBAS方法可参见文献"A small-baseline approach for investigating deformations onfull-resolution differential SAR interferograms,"IEEE T Geosci Remote,vol.42,pp.1377-1386,2004.和"An Overview of the Small BAseline Subset Algorithm:aDInSAR Technique for Surface Deformation Analysis,"Pure Appl Geophys,vol.164,no.4,pp.637-661,2007.)，该方法的具体实施步骤如下：
步骤S1、利用SBAS方法将所获得的SAR数据组成若干个集合；
步骤S2、对步骤S1集合内干涉对进行配准，对配准后的主辅影像复共轭相乘得到差分干涉图，采用自适应滤波去除差分干涉图的噪声相位，使用SRTM DEM去除差分干涉图的地形相位，采用最小费用流法进行干涉相位解缠；
步骤S3、采用基于波谱统计特性的相干系数阈值方法和基于后向散射强度的幅度阈值方法相结合提取永久散射体目标点；
步骤S4、对点目标的干涉相位经过回归分析，迭代求解地物高程改正值和地表形变速率信息；
步骤S5、将雷达坐标转化到地理坐标系下。
2、所述步骤S3中，基于波谱统计特性的相干系数阈值方法计算公式如下：
式中M为影像的个数，γi表示第j个像元在第i幅干涉图中的相干系数，γT为设定的相干系数阈值；
基于后向散射强度的幅度阈值方法的计算公式为：
Di≤Dthreshold
式中，Di为点目标i的幅度离散指数，Dthreshold为幅度离散指数阈值，Dthreshold取的范围为0.25—2.00，即可选择符合要求的高相干的永久散射体候选点。
3、所述的第四步中,形态学梯度算法提取SAR影像强度图上建筑物，该方法的具体步骤如下：
步骤T1、SAR影像中像元梯度值计算，依据建筑物和周围地物过渡处的灰度值发生突变，采用梯度来表示灰度值突变的程度，将其作为建筑物提取的依据，采用形态学梯度为依据的高分辨SAR影像上建筑物边缘信息提取的算法，
根据如下公式计算像元的形态学梯度，
式中df代表形态学梯度值，f代表待处理的SAR影像平均强度图中的像元强度值，b代表结构元素，代表膨胀运算，通过对像元点膨胀运算后的灰度值减去原来的灰度值得到该像元的梯度值；
步骤T2、对SAR影像进行条件腐蚀，如果SAR影像中像元k的梯度值df大于阈值tthreshold，则以像元k为中心，结构元素c的大小为尺寸对邻域内的像元做腐蚀，若所述邻域内的某像元灰度值大于像元k的灰度值，则该像元经过腐蚀后的灰度值不变，否则该像元经过腐蚀后的灰度值等于像元k的灰度值；
步骤T3、对上述处理得到的结果进行条件膨胀，用结构元素c做膨胀，如果像元q经腐蚀后的灰度值大于原始灰度值，则以像元q为中心结构元素c的大小为尺寸对邻域内的像元做膨胀，若所述邻域内的某像元灰度值小于像元q的灰度值，则经过膨胀后的灰度值不变，否则该像元经过膨胀后的灰度值等于像元q的灰度值；
步骤T4、计算每一个像元的原始灰度值与膨胀后的灰度值的差，如果大于阈值tthreshold，则判该像元为建筑物上的像元点；
步骤T5、对步骤T3得到的膨胀后的灰度图进行形态学开运算；
本步骤使得离散的像元点被去除，删除了不能包含结构元素的对象区域，且去除了细小的突出部分，使得建筑物的轮廓得到平滑；
步骤T6、在形态学开运算的基础上进行的形态学闭运算；
步骤T7、借助步骤T4中识别出的建筑物上的像元点，判断形态学闭运算后的结果中建筑物是否被识别，如果不能被识别，调整结构元素的种类和/或大小，重复步骤T2到T6，直到识别出所有的建筑物。
4、所述第五步中，首先对第四步处理得到的结果进行二值化处理，然后采用Canny算子提取二值化后图像中建筑物边缘。
本发明的有益效果是：
基于形态学梯度的高分辨InSAR时序分析技术反演城区建筑物沉降的方法对于研究城区建筑物沉降意义重大。本发明实现了基于形态学梯度的高分辨率InSAR技术监测城区建筑物沉降的方法，利用波谱统计特性的相干系数阈值方法，后向散射强度的幅度阈值方法，以及高程阈值方法，结合形态学梯度方法准确地获取了城区建筑物上的点目标，进而可以对建筑物上的点目标进行相关沉降分析，相较于传统方法具有无可比拟的优势。具体有益效果如下：
第一，本发明成功提取了城区的InSAR时序点目标，可进一步应用于建筑物沉降分析和预测建筑物沉降趋势。
第二，本发明采用的数据为COSM-SkyMed卫星影像，分辨率较高，用于建筑物的沉降分析精度较高。
第三，本发明利用地物的波谱统计特性、相干系数和高程的差异，使用基于后向散射强度的幅度阈值方法、基于的相干系数阈值方法和设定一定高程阈值方法实现建筑物目标的粗提取。然后利用形态学梯度的方法提取出建筑物边缘，最终将建筑物上的InSAR时序分析点目标提取出来。
第四，本发明中的各项算法简单有效(主要为InSAR时序分析计算和梯度形态学运算)，精度较高。整个过程无需人工介入，可应用于大面积的建筑物沉降分析。
附图说明
下面结合附图对本发明作进一步说明。
图1是本发明数据处理流程图。
图2是COSMO-SkyMed雷达影像强度图，矩形区域内为本次试验区域。
图3是COSMO-SkyMed雷达影像数据集时间基线和空间基线关系图。
图4是InSAR时序分析结果中建筑物点目标粗提取结果。
图5是形态学梯度建筑物边缘提取结果。
图6是基于形态学梯度建筑物点目标提取结果。
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。
本发明采用的示例影像数据为12景意大利航天局和意大利国防部共同研发的COSMO-SkyMed高分辨率雷达卫星(SAR)产品，空间分辨率为3m，影像的覆盖区域为江苏省常州市，时间跨度为2011年7月21到2012年7月14日。
图1为基于形态学梯度的高分辨InSAR时序分析技术反演城区建筑物沉降的方法的流程图，该方法的具体实施步骤包括以下步骤：
第一步、高分辨率SAR数据选取。
选取意大利COSMO-SkyMed星载X波段3米分辨率的2011年7月至2012年7月的12景SAR影像为研究数据。图2为SAR影像强度图，矩形框内为选取的建筑物分布示例区域。COSMO-SkyMed的扫描带宽为10km，轨道周期为16天。Cosmo-Skymed雷达影像的主要数据参数如表1所示。
表1
第二步、获取SAR影像平均强度图，并且对高分辨率的SAR数据进行InSAR时序分析解算，获得地理坐标系下的地物目标点的高程改正值和地物目标点的地表形变速率信息。
InSAR时序分析方法采用的小基线集SBAS方法，具体步骤如下：
步骤S1、利用SBAS方法将所获得的SAR数据组成若干个集合。SBAS方法不受长基线导致的几何去相干的影响，使得更多的图像参与计算，增加时间的采样，在本发明中小基线数据集的构成上，采用时间基线T小于180天，空间基线B小于800m，如图3所示。
步骤S2、干涉图的生成。通过步骤S1得到的干涉对需要共轭相乘生成干涉图，而干涉对中的两幅SAR影像由于入射角的差异使得两幅影像不可能完全重合，因而需要对SAR影像配准处理后，本发明中配准值采用0.125个像元。对配准后的主辅影像复共轭相乘得到差分干涉图。本发明采用自适应滤波去除干涉图的噪声相位。使用SRTM DEM去除地形相位。采用最小费用流法MCF(Minimum Cost Flow)进行相位解缠。
步骤S3、候选点目标识别。采用幅度离散指数为1.7，相干系数阈值为0.8共同选取相干点目标候选点(提取永久散射体目标点)。
步骤S4、相干点目标形变结果计算。通过对以上设定的幅度离散指数和相干系数阈值共同得到点目标候选点，建立点目标的二维回归分析模型，迭代求解，最后得到的地物目标点的高程改正值和形变速率值信息。
步骤S5、地理编码。采用地理编码将以上处理得到的雷达坐标系下的测量值转化到地理坐标系下。
第三步、采用相关高程阈值粗略提取建筑物上的点目标，本实验中设定阈值hthreshold为10m。提取的研究区域的建筑物的点目标分布。图4表示SAR影像处理后提取的建筑物粗选点目标的信息。
第四步、使用形态学梯度算法提取SAR影像平均强度图上的建筑物。
该步骤的具体实施如下：
步骤T1、SAR影像中像元梯度值计算。计算建筑物和周围地物过渡处的灰度发生突变的值为梯度值。
步骤T2、对SAR影像进行条件腐蚀。对上述步骤中计算得到的梯度值设定相关阈值，此处设定为SAR影像的灰度均值，以大小为3×3的结构元素进行条件腐蚀。
步骤T3、用同样大小的结构元素作条件膨胀。
步骤T4、计算每一个像元的原始灰度值与膨胀后的灰度值的差，如果大于阈值tthreshold，则判该像元为建筑物上的像元点。
步骤T5、对步骤T3得到的结果进行形态学开运算。
步骤T6、在开运算得到结果的基础上进行闭运算。
步骤T7、判断形态学闭运算后的结果中建筑物是否被识别，如果不能被识别，调整结构元素的种类和/或大小，重复步骤T2到T6，直到识别出所有的建筑物。
第五步、在提取建筑物边缘上，本实验对上述形态学梯度运算后得到的结果做二值化转换，二值化转换的阈值为像元灰度的平均值，然后采用canny算子对二值化的结果做边缘检测。结果如图5所示，可以看出建筑物边缘基本被提取出来。
第六步、将第五步提取的建筑物边缘信息结合InSAR时序分析结果中建筑物粗选点目标信息进行叠置分析计算，去除非建筑点目标，得到最终建筑物点目标的沉降信息。结果如图6所示，可以看出相比较InSAR粗提取的建筑物点目标信息，经过形态学梯度的检测后，最终得出的建筑物上点目标分布与建筑物分布一致，结果较为准确。
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 (4)

1.一种基于形态学梯度的反演城区建筑物沉降的方法，包括以下步骤:
第一步、选取高分辨率SAR影像；
第二步、获取SAR影像平均强度图，并且对高分辨率的SAR影像进行InSAR时序分析解算，获得地理坐标系下的地物目标点的高程改正值和地物目标点的地表形变速率信息；
第三步、提取高程改正值大于预设高程阈值的地物目标点，作为建筑物粗选点；
第四步、使用形态学梯度算法提取SAR影像平均强度图上的建筑物；
第五步、采用边缘检测算子对第四步提取的建筑物进行边缘检测，提取出建筑物边缘；
第六步、将第五步提取的建筑物边缘与第三步获得的建筑物粗选点相结合，识别出建筑物点目标，建筑物点目标的地表形变速率信息为最终的建筑物沉降信息；所述第二步中，InSAR时序分析方法采用的小基线集SBAS方法，具体步骤如下：
步骤S1、利用SBAS方法将所获得的SAR影像组成若干个集合；
步骤S2、对步骤S1集合内干涉对进行配准，对配准后的主辅影像复共轭相乘得到差分干涉图，采用自适应滤波去除差分干涉图的噪声相位，使用SRTM DEM去除差分干涉图的地形相位，采用最小费用流法进行干涉相位解缠；
步骤S3、采用基于波谱统计特性的相干系数阈值方法和基于后向散射强度的幅度阈值方法相结合提取永久散射体目标点；
基于波谱统计特性的相干系数阈值方法计算公式如下：
式中M为影像的个数，γi,j表示第j个像元在第i幅干涉图中的相干系数，γT为设定的相干系数阈值；
基于后向散射强度的幅度阈值方法的计算公式为：
Di≤Dthreshold
式中，Di为点目标i的幅度离散指数，Dthreshold为幅度离散指数阈值；
步骤S4、对点目标的干涉相位经过回归分析，迭代求解地物高程改正值和地表形变速率信息；
步骤S5、将雷达坐标转化到地理坐标系下。
2.根据权利要求1所述的一种基于形态学梯度的反演城区建筑物沉降的方法，其特征在于：所述的第四步中,使用形态学梯度算法提取SAR影像强度图上建筑物，该方法的具体步骤如下：
步骤T1、根据如下公式计算像元的形态学梯度，
式中df代表形态学梯度值，f代表待处理的SAR影像平均强度图中的像元强度值，b代表结构元素，代表膨胀运算，通过对像元点膨胀运算后的灰度值减去原来的灰度值得到该像元的梯度值；
步骤T2、对SAR影像进行条件腐蚀，如果SAR影像中像元k的梯度值df大于阈值tthreshold，则以像元k为中心，以结构元素c的大小为尺寸对邻域内的像元做腐蚀，若所述邻域内的某像元灰度值大于像元k的灰度值，则该像元经过腐蚀后的灰度值不变，否则该像元经过腐蚀后的灰度值等于像元k的灰度值；
步骤T3、对上述处理得到的结果进行条件膨胀，用结构元素c做膨胀，如果像元q经腐蚀后的灰度值大于原始灰度值，则以像元q为中心结构元素，以结构元素c的大小为尺寸，对邻域内的像元做膨胀，若所述邻域内的某像元灰度值小于像元q的灰度值，则经过膨胀后的灰度值不变，否则该像元经过膨胀后的灰度值等于像元q的灰度值；
步骤T4、计算每一个像元的原始灰度值与膨胀后的灰度值的差，如果大于阈值tthreshold，则判该像元为建筑物上的像元点；
步骤T5、对步骤T3得到的膨胀后的灰度图进行形态学开运算；
步骤T6、在形态学开运算的基础上进行形态学闭运算；
步骤T7、借助步骤T4中识别出的建筑物上的像元点，判断形态学闭运算后的结果中建筑物是否被识别，如果不能被识别，调整结构元素的种类和大小，重复步骤T2到T6，直到识别出所有的建筑物。
3.根据权利要求1所述的一种基于形态学梯度的反演城区建筑物沉降的方法，其特征在于：所述第五步中，首先对第四步处理得到的结果进行二值化处理，然后采用Canny算子提取二值化后图像中建筑物边缘。
4.根据权利要求3所述的一种基于形态学梯度的反演城区建筑物沉降的方法，其特征在于：二值化处理的阈值为像元灰度的平均值。
CN201610494605.XA 2016-06-29 2016-06-29 一种基于形态学梯度的反演城区建筑物沉降的方法 Active CN106204539B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610494605.XA CN106204539B (zh) 2016-06-29 2016-06-29 一种基于形态学梯度的反演城区建筑物沉降的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610494605.XA CN106204539B (zh) 2016-06-29 2016-06-29 一种基于形态学梯度的反演城区建筑物沉降的方法

Publications (2)

Publication Number Publication Date
CN106204539A CN106204539A (zh) 2016-12-07
CN106204539B true CN106204539B (zh) 2019-01-11

Family

ID=57462333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610494605.XA Active CN106204539B (zh) 2016-06-29 2016-06-29 一种基于形态学梯度的反演城区建筑物沉降的方法

Country Status (1)

Country Link
CN (1) CN106204539B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201709525D0 (en) 2017-06-15 2017-08-02 Univ Nottingham Land deformation measurement
CN108132468B (zh) * 2017-12-25 2021-10-08 中南大学 一种多基线极化干涉sar建筑物高度提取方法
WO2019126972A1 (zh) * 2017-12-26 2019-07-04 深圳市城市公共安全技术研究院有限公司 基于InSAR的形变信息提取方法、终端及存储介质
CN108594224B (zh) * 2018-03-30 2021-09-03 中国电力工程顾问集团中南电力设计院有限公司 融合不同平台和轨道sar数据的三维时序形变监测方法
CN109991601A (zh) * 2018-11-29 2019-07-09 北京东方至远科技股份有限公司 一种基于PS-InSAR技术的房屋风险评估方法
CN110781862A (zh) * 2019-11-07 2020-02-11 航天信德智图（北京）科技有限公司 一种基于多光谱影像的森林乔木灌木识别方法
CN111368716B (zh) * 2020-02-28 2023-04-28 重庆市规划和自然资源调查监测院 一种基于多源时空数据的地质灾害灾毁耕地提取方法
CN111398958B (zh) * 2020-04-03 2022-06-14 兰州大学 一种确定地面沉降与黄土填挖方区建筑高度相关性的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323848A (zh) * 2013-06-19 2013-09-25 中国测绘科学研究院 一种提取地面人工建/构筑物高度的方法及装置
CN104123464A (zh) * 2014-07-23 2014-10-29 中国国土资源航空物探遥感中心 一种高分辨率InSAR时序分析反演地物高程与地面沉降量的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101512458B1 (ko) * 2013-06-14 2015-04-16 경북대학교 산학협력단 밀집도 분석을 이용한 노풍도 산정 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323848A (zh) * 2013-06-19 2013-09-25 中国测绘科学研究院 一种提取地面人工建/构筑物高度的方法及装置
CN104123464A (zh) * 2014-07-23 2014-10-29 中国国土资源航空物探遥感中心 一种高分辨率InSAR时序分析反演地物高程与地面沉降量的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于数学形态学多尺度分析的顶板下沉量预测;李启月等;《岩土力学》;20130228;第34卷(第2期);第433-439页

Also Published As

Publication number Publication date
CN106204539A (zh) 2016-12-07

Similar Documents

Publication Publication Date Title
CN106204539B (zh) 一种基于形态学梯度的反演城区建筑物沉降的方法
Wang et al. Retrieval of phase history parameters from distributed scatterers in urban areas using very high resolution SAR data
Zhang et al. Subsidence monitoring in coal area using time-series InSAR combining persistent scatterers and distributed scatterers
Bignami et al. Pyroclastic density current volume estimation after the 2010 Merapi volcano eruption using X-band SAR
CN109388887B (zh) 一种地面沉降影响因素定量分析方法及系统
Liao et al. Potential of texture from SAR tomographic images for forest aboveground biomass estimation
Barbier et al. Bidirectional texture function of high resolution optical images of tropical forest: An approach using LiDAR hillshade simulations
Chen et al. The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images
CN104361582A (zh) 一种对象级高分辨率sar影像洪水灾害变化检测方法
Lucas et al. Insights into Titan's geology and hydrology based on enhanced image processing of Cassini RADAR data
Vajedian et al. Extracting sinkhole features from time-series of TerraSAR-X/TanDEM-X data
Zhang et al. An algorithm for sea ice drift retrieval based on trend of ice drift constraints from Sentinel-1 SAR data
CN114812491A (zh) 基于长时间序列分析的输电线路地表形变预警方法及装置
Montopoli et al. Spectral downscaling of integrated water vapor fields from satellite infrared observations
CN101908211B (zh) 一种基于变分方法的高光谱图像融合方法
Costantini et al. Nationwide ground deformation monitoring by persistent scatterer interferometry
CN116338607B (zh) 时间域和空间域两步式InSAR对流层延迟矫正方法
Praks et al. On forest height retrieval from spaceborne X-band interferometric SAR images under variable seasonal conditions
CN107358162B (zh) 基于深度堆栈网络的极化sar影像变化检测方法
Wang et al. Interference image registration combined by enhanced scale-invariant feature transform characteristics and correlation coefficient
Durai et al. Demarcation of coastal dune morphology and dune patterns using geospatial models: a case study from manapad coastal stretch, Tamil Nadu, south India
Felbier et al. The urban footprint processor-concept and implementation of a processing chain within the TanDEM-X mission
Yoo Nonlinear bathymetry inversion based on wave property estimation from nearshore video imagery
Wu et al. Automatic Detection of Widely Distributed Local-Scale Subsidence Bowls in Rapidly Urbanizing Metropolitan Region Using Time-Series InSAR and Deep Learning Methods
Varekamp et al. Segmentation of high-resolution InSAR data of a tropical forest using Fourier parameterized deformable models

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