CN106355625B - 一种单极化sar假彩色影像生成方法 - Google Patents

一种单极化sar假彩色影像生成方法 Download PDF

Info

Publication number
CN106355625B
CN106355625B CN201610779249.6A CN201610779249A CN106355625B CN 106355625 B CN106355625 B CN 106355625B CN 201610779249 A CN201610779249 A CN 201610779249A CN 106355625 B CN106355625 B CN 106355625B
Authority
CN
China
Prior art keywords
image
false color
color image
polarization
polarized
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
Application number
CN201610779249.6A
Other languages
English (en)
Other versions
CN106355625A (zh
Inventor
邓少平
梁志华
孙盛
吴泽洪
甘宗平
刘学林
冷海芹
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201610779249.6A priority Critical patent/CN106355625B/zh
Publication of CN106355625A publication Critical patent/CN106355625A/zh
Application granted granted Critical
Publication of CN106355625B publication Critical patent/CN106355625B/zh
Expired - Fee Related 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Holo Graphy (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种单极化SAR假彩色影像生成方法，本发明针对单极化SAR通常用灰度显示，无法像光学或全极化SAR一样彩色显示，从而限制了解译效果而用户认可度较低的问题，以地物类型丰富区域的某一单极化，HH、HV或VV的SAR影像的原始幅度、幅度均值、标准差等特征为输入，并以同区域的全极化SAR假彩色影像作为训练的先验知识，采用最小二乘拟合的方法，求取了从单极化影像特征到红绿蓝三个通道的三组多项式参数，使用该三组参数，能将同一传感器该单极化模式下的影像生成类似全极化的假彩色影，效提升单极化SAR影像的可视化效果。

Description

一种单极化SAR假彩色影像生成方法
[技术领域]
本发明属于计算机图像处理技术领域，是一种合成孔径雷达(SyntheticAperture Radar,SAR)遥感影像彩色化显示方法，具体涉及一种单极化SAR假彩色影像生成方法。
[背景技术]
单极化SAR影像常采用直接拉伸到0-255的灰度影像的可视化技术，或者通过建立灰度影像到彩色影像颜色查找表的方式生成假彩色影像，图像上不同颜色地物特征无明确的解译意义，而目前通过获得全极化SAR影像生产假彩色影像，虽然地物散射机制明确，但仍受获取成本和技术难度的制约，难以大范围推广。针对目前尚无成熟的单极化SAR影像假彩色显示技术，SAR灰度显示时无法像光学或全极化SAR一样有丰富的彩色信息的问题。
[发明内容]
本发明克服了上述技术的不足，提供了一种利用全极化假彩色影像各通道与单极化SAR影像及其导出特征的变换关系的假彩色影像的生成方法，大幅改善了解译效果，有助于增强用户对SAR影像的认可度，加快SAR应用的推广。
为实现上述目的，本发明采用了下列技术方案：
本发明的目的在于解决单极化SAR强度影像的彩色可视化问题，所采用的技术方法是：一种单极化SAR类极化Pauli假彩色影像合成方法。
常见的SAR单极化模式有HH、HV/VH和VV，记其强度分别为IHH、IHV和IVV，本发明即解决强度影像IX的假彩色影像的生成问题，其中X＝HH,HV,VH或VV。
实现单极化影像生成假彩色影像问题的实质是从单极化影像中提取一定的特征，并通过一定的变换，转换成RGB三个通道的0-255之间的灰阶值，主要任务是求一组函数R＝fR(IX)，G＝fG(IX)，B＝fB(IX)，其中fR、fG和fB分别是单极化SAR强度影像到红绿蓝通道灰阶的函数，R、G、B分别是假彩色影像的灰阶。
为获得转换函数fR、fG和fB，以全极化Pauli假彩色影像为基准，通过非监督学习和最小二乘的方法求解，最终将结果应用于同传感器或同波段单极化SAR假彩色影像的合成。
全极化影像用复后向散射矢量表示为：
本发明一种单极化SAR假彩色影像生成方法，包括以下具体步骤：
步骤1：对全极化影像SP进行Pauli分解,则有
步骤2：计算Pauli矢量各分量的幅度：AHH+VV＝|sHH+sVV|、AHH-VV＝|sHH-sVV|和AHV＝|sHV|，其中|·|表示复数的模，即SAR后向散射的幅度,按照R＝AHH-VV，G＝AHV，B＝AHH+VV组合即可生成全极化假彩色影像；
步骤3：计算全极化SAR影像中，与待处理极化方式X相同的极化通道的幅度影像：AX＝|sX|,X＝HH,HV或VV；
步骤4：在局部邻域加权统计AX的均值MX和标准差VX作为新的特征，其中7×7邻域窗口的权矩阵W如下：
均值和标准差的计算分别如下：
步骤5：将AHH-VV、AHV、AHH+VV线性拉伸到0-63的整数，并使得拉伸值为0和63的像素比例为2％，分别记拉伸后的影像为Nq,R、Nq,G和Nq,B；
步骤6：以全极化假彩色影像最小二乘法求解单极化到假彩色各通道的转换参数；
步骤6.1：针对RGB三个通道，构造三个线性方程组：
其中k＝1,2,3,...n，是当前方程的编号，n是方程个数，ri、gi、bi分别是方程右边多项式各项待拟合的系数,且i＝0,1、2，…,9。每个像素均可以构成上述三个方程，故n等于参与解算的像素个数，将参与解算的像素个数n设置为5000<n<50000；
步骤6.2：设影像的像素总数为nT，随机生成一个数nr，从全部像素中随机抽取序号为Δ·i+(nr％Δ),i＝1,2,...,n的n个数，其中int()是取整函数，％是取余数运算；
步骤6.3：使用选择的像素构成了三个线性方程组，用矩阵形式分别表示为：
LR＝CXR，
LG＝CXG，
LB＝CXB，
其中XR、XG、XB分别是RGB三组未知数组成的10维矢量，
XR＝[r0 r1 r2 r3 r4 r5 r6 r7 r8 r9]T，
XG＝[g0 g1 g2 g3 g4 g5 g6 g7 g8 g9]T，
XB＝[b0 b1 b2 b3 b4 b5 b6 b7 b8 b9]T，
其中上标T表示矩阵或向量的转置，LR、LG、LB是线性方程的常数项，分别是全极化SAR的假彩色组合后RGB通道的值，
LR＝[NR(1) NR(2) ... NR(n)]T＝[AHH-VV(1) AHH-VV(2) ... AHH-VV(n)]T，
LG＝[NG(1) NG(2) ... NG(n)]T＝[AHV(1) AHV(2) ... AHV(n)]T，
LB＝[NB(1) NB(2) ... NB(n)]T＝[AHH+VV(1) AHH+VV(2) ... AHH+VV(n)]T，
AHH-VV(i)表示方程组LR＝CXR中第i个方程的常数项，AHV(i)表示方程组LG＝CXG中第i个方程的常数项，AHH+VV(i)表示方程组LB＝CXB中第i个方程的常数项，三个方程组中第i个方程的系数矢量表示为其中AX(i)、MX(i)、VX(i)分别表示第i个像素幅度原始值、邻域均值和标准差，按照上式根据选择的像素计算常数矢量LR、LG、LB和系数矩阵C；
步骤6.4：统计步骤6.2中n个像素AHH-VV、AHV、AHH+VV拉伸到0-63的各个数出现的次数，分别记录为cR(i)、cG(i)、cB(i)，其中i＝0,1,2,...,63；
步骤6.5：计算三个方程组的权矩阵：
步骤6.6：最小二乘法求解从单极化幅度影像到假彩色影像RGB三个通道的转换参数XR、XG、XB：
XR＝[CTPRC]-1CTPRLR，
XG＝[CTPGC]-1CTPGLG，
XB＝[CTPBC]-1CTPBLB；
步骤7：重复步骤6t次，并计算步骤6得到RGB转换参数的数学平均值，分别记为
步骤8：按以下提取单极化SAR影像的特征，并变化得到假彩色影像的RGB三个通道；
步骤8.1：对待处理的极化方式为X＝HH,HV或VV的单极化影像，计算其幅度形式，记为进行处理的影像应为与步骤1全极化数据相同的传感器获取或者相同的波段，如果是同一传感器获取则直接进入步骤8.3，否则进入步骤8.2；
步骤8.2：对单极化幅度影像进行如下处理更新
其中mean(AX)、分别表示AX和的均值；
步骤8.3：在局部邻域加权统计的均值和标准差其中7×7邻域窗口的权矩阵W如下：
均值和标准差的计算公式如下：
步骤8.4：按照下式分别计算单极化影像生成的假彩色影像每个像素RGB三个通道的值
其中是步骤7中的元素，即
步骤9：基于主成分分析PCA技术，并利用原始单极化影像增强假彩色影像的细节信息，得到一个新的三维假彩色影像矢量；
步骤9.1：对假彩色影像的三维矢量进行主成分变换,得到三个分量其中分别为第一、第二、第三主成分分量；
步骤9.2：按照下式用均值方差调整后的单极化影像的幅度：
步骤9.3：使用替换后，对新矢量进行逆主成分变换，得到新的假彩色影像矢量其中为逆主成分变换后RGB通道的值，以增强假彩色影像分辨率；
步骤10：对步骤9所得的三维假彩色影像矢量拉伸到0-255的整数，并使得RGB每个通道中值为0和255像素所占的比例为2％，到此则完成假彩色影像的生成。
本发明的优点和特点是：
1、生成的类Pauli假彩色影像与全极化SAR Pauli假彩色影像具有很强的相似性，且与自然色比较接近，其中植被等呈现绿色，建筑物城区呈现红色或白色，水体呈现黑色偏蓝紫色；
2、与原始单极化SAR影像相比，假彩色影像分辨率几乎没有发生变化；
3、为使得获得的转换参数精度更高，且具有更好的推广性能，要求全极化数据范围内地物类型丰富，且分布均匀；
4、所有参数可用于同一传感器或同一波段的极化方式相同的单极化影像的彩色化处理，对于非同一传感器，波段相同的单极化影像，需要对影像进行一定的拉伸，使其分布于求解参数时使用的全极化中对应极化通道的数据分布近似相等；
5、为增加所求参数的适用性，使得得到的假彩色影像效果更佳，可适当增加特征数和增加多项式拟合的阶次。
[附图说明]
图1为本发明流程图。
[具体实施方式]
下面结合附图与本发明的实施方式作进一步详细的描述：
本发明的目的在于通过全极化SAR Pauli假彩色影像的学习，从而实现对同波段或同传感器单极化SAR数据假彩色影像的生成，以下将结合附图和具体实施例对本发明做进一步的阐述。
请见图1，本发明所采用的技术方案是：一种单极化SAR假彩色影像生成方法，本实施例的数据是加拿大radarsat-2C波段雷达获取的全极化SAR影像和单极化SAR影像，极化方式为HH，区域位于广东省中山市，获取日期分为2016年2月11日和2016年2月23日，影像的产品形式为单视斜距复复数影像，选取了其中包括植被、城区、郊区、水面等地物类型的某一子区域进行处理，影像大小为5000*5000，包括以下处理步骤：
步骤1：对全极化影像SP进行Pauli分解,则有
步骤2：计算Pauli矢量各分量的幅度：AHH+VV＝|sHH+sVV|、AHH-VV＝|sHH-sVV|和AHV＝|sHV|，其中|·|表示复数的模，即SAR后向散射的幅度,按照R＝AHH-VV，G＝AHV，B＝AHH+VV组合即可生成全极化假彩色影像；
步骤3：计算全极化SAR影像中，与待处理极化方式X相同的极化通道的幅度影像：AX＝|sX|,X＝HH,HV或VV；
步骤4：在局部邻域加权统计AX的均值MX和标准差VX作为新的特征，其中7×7邻域窗口的权矩阵W如下：
均值和标准差的计算分别如下：
步骤5：将AHH-VV、AHV、AHH+VV线性拉伸到0-63的整数，并使得拉伸值为0和63的像素比例为2％，分别记拉伸后的影像为Nq,R、Nq,G和Nq,B；
步骤6：以全极化假彩色影像最小二乘法求解单极化到假彩色各通道的转换参数；
步骤6.1：针对RGB三个通道，构造三个线性方程组：
其中k＝1,2,3,...n，是当前方程的编号，n是方程个数，ri、gi、bi分别是方程右边多项式各项待拟合的系数,且i＝0,1、2，…,9。每个像素均可以构成上述三个方程，故n等于参与解算的像素个数，将参与解算的像素个数n设置为5000<n<50000；
步骤6.2：设影像的像素总数为nT，随机生成一个数nr，从全部像素中随机抽取序号为Δ·i+(nr％Δ),i＝1,2,...,n的n个数，其中int()是取整函数，％是取余数运算；
步骤6.3：使用选择的像素构成了三个线性方程组，用矩阵形式分别表示为：
LR＝CXR，
LG＝CXG，
LB＝CXB，
其中XR、XG、XB分别是RGB三组未知数组成的10维矢量，
XR＝[r0 r1 r2 r3 r4 r5 r6 r7 r8 r9]T，
XG＝[g0 g1 g2 g3 g4 g5 g6 g7 g8 g9]T，
XB＝[b0 b1 b2 b3 b4 b5 b6 b7 b8 b9]T，
其中上标T表示矩阵或向量的转置，LR、LG、LB是线性方程的常数项，分别是全极化SAR的假彩色组合后RGB通道的值，
LR＝[NR(1) NR(2) ... NR(n)]T＝[AHH-VV(1) AHH-VV(2) ... AHH-VV(n)]T，
LG＝[NG(1) NG(2) ... NG(n)]T＝[AHV(1) AHV(2) ... AHV(n)]T，
LB＝[NB(1) NB(2) ... NB(n)]T＝[AHH+VV(1) AHH+VV(2) ... AHH+VV(n)]T，
AHH-VV(i)表示方程组LR＝CXR中第i个方程的常数项，AHV(i)表示方程组LG＝CXG中第i个方程的常数项，AHH+VV(i)表示方程组LB＝CXB中第i个方程的常数项，三个方程组中第i个方程的系数矢量表示为其中AX(i)、MX(i)、VX(i)分别表示第i个像素幅度原始值、邻域均值和标准差，按照上式根据选择的像素计算常数矢量LR、LG、LB和系数矩阵C；
步骤6.4：统计步骤6.2中n个像素AHH-VV、AHV、AHH+VV拉伸到0-63的各个数出现的次数，分别记录为cR(i)、cG(i)、cB(i)，其中i＝0,1,2,...,63；
步骤6.5：计算三个方程组的权矩阵：
步骤6.6：最小二乘法求解从单极化幅度影像到假彩色影像RGB三个通道的转换参数XR、XG、XB：
XR＝[CTPRC]-1CTPRLR，
XG＝[CTPGC]-1CTPGLG，
XB＝[CTPBC]-1CTPBLB；
步骤7：重复步骤6t次，并计算步骤6得到RGB转换参数的数学平均值，分别记为
步骤8：按以下提取单极化SAR影像的特征，并变化得到假彩色影像的RGB三个通道；
步骤8.1：对待处理的极化方式为X＝HH,HV或VV的单极化影像，计算其幅度形式，记为进行处理的影像应为与步骤1全极化数据相同的传感器获取或者相同的波段，如果是同一传感器获取则直接进入步骤8.3，否则进入步骤8.2；
步骤8.2：对单极化幅度影像进行如下处理更新
其中mean(AX)、分别表示AX和的均值；
步骤8.3：在局部邻域加权统计的均值和标准差其中7×7邻域窗口的权矩阵W如下：
均值和标准差的计算公式如下：
步骤8.4：按照下式分别计算单极化影像生成的假彩色影像每个像素RGB三个通道的值
其中是步骤7中的元素，即
步骤9：基于主成分分析PCA技术，并利用原始单极化影像增强假彩色影像的细节信息，得到一个新的三维假彩色影像矢量；
步骤9.1：对假彩色影像的三维矢量进行主成分变换,得到三个分量其中分别为第一、第二、第三主成分分量；
步骤9.2：按照下式用均值方差调整后的单极化影像的幅度：
步骤9.3：使用替换后，对新矢量进行逆主成分变换，得到新的假彩色影像矢量其中为逆主成分变换后RGB通道的值，以增强假彩色影像分辨率；
步骤10：对步骤9所得的三维假彩色影像矢量拉伸到0-255的整数，并使得RGB每个通道中值为0和255像素所占的比例为2％，到此则完成假彩色影像的生成。
本实施例的结果如下：(1)生成的类Pauli假彩色影像与全极化SARPauli假彩色影像具有很强的相似性，且与自然色比较接近，其中植被等呈现绿色，建筑物城区呈现红色或白色，水体呈现黑色偏蓝紫色；(2)与原始单极化SAR影像相比，假彩色影像分辨率几乎没有发生变化；(3)为使得获得的转换参数精度更高，且具有更好的推广性能，要求全极化数据范围内地物类型丰富，且分布均匀；(4)所有参数可用于同一传感器或同一波段的极化方式相同的单极化影像的彩色化处理，对于非同一传感器，但波段相同的单极化影像，需要对影像进行一定的拉伸，使其分布于求解参数时使用的全极化中对应极化通道的数据分布近似相等；(5)为增加所求参数的适用性，使得得到的假彩色影像效果更佳，可适当增加特征数和增加多项式拟合的阶次。

Claims (1)

1.一种单极化SAR假彩色影像生成方法，其特征在于包括以下步骤：
步骤1：对全极化影像SP进行Pauli分解,则有
步骤2：计算Pauli矢量各分量的幅度：AHH+VV＝|sHH+sVV|、AHH-VV＝|sHH-sVV|和AHV＝|sHV|，其中|·|表示复数的模，即SAR后向散射的幅度,按照R＝AHH-VV，G＝AHV，B＝AHH+VV组合即可生成全极化假彩色影像；
步骤3：计算全极化SAR影像中，与待处理极化方式X相同的极化通道的幅度影像：AX＝|sX|,X＝HH,HV或VV；
步骤4：在局部邻域加权统计AX的均值MX和标准差VX作为新的特征，其中7×7邻域窗口的权矩阵W如下：
均值和标准差的计算分别如下：
步骤5：将AHH-VV、AHV、AHH+VV线性拉伸到0-63的整数，并使得拉伸值为0和63的像素比例为2％，分别记拉伸后的影像为Nq,R、Nq,G和Nq,B；
步骤6：以全极化假彩色影像最小二乘法求解单极化到假彩色各通道的转换参数；
步骤6.1：针对RGB三个通道，构造三个线性方程组：
其中k＝1,2,3,...n，是当前方程的编号，n是方程个数，ri、gi、bi分别是方程右边多项式各项待拟合的系数,且i＝0,1、2，…,9；每个像素均可以构成上述三个方程，故n等于参与解算的像素个数，将参与解算的像素个数n设置为5000<n<50000；
步骤6.2：设影像的像素总数为nT，随机生成一个数nr，从全部像素中随机抽取序号为Δ·i+(nr％Δ),i＝1,2,...,n的n个数，其中int()是取整函数，％是取余数运算；
步骤6.3：使用选择的像素构成了三个线性方程组，用矩阵形式分别表示为：
LR＝CXR，
LG＝CXG，
LB＝CXB，
其中XR、XG、XB分别是RGB三组未知数组成的10维矢量，
XR＝[r0 r1 r2 r3 r4 r5 r6 r7 r8 r9]T，
XG＝[g0 g1 g2 g3 g4 g5 g6 g7 g8 g9]T，
XB＝[b0 b1 b2 b3 b4 b5 b6 b7 b8 b9]T，
其中上标T表示矩阵或向量的转置，LR、LG、LB是线性方程的常数项，分别是全极化SAR的假彩色组合后RGB通道的值，
LR＝[NR(1) NR(2) ... NR(n)]T＝[AHH-VV(1) AHH-VV(2) ... AHH-VV(n)]T，
LG＝[NG(1) NG(2) ... NG(n)]T＝[AHV(1) AHV(2) ... AHV(n)]T，
LB＝[NB(1) NB(2) ... NB(n)]T＝[AHH+VV(1) AHH+VV(2) ... AHH+VV(n)]T，
AHH-VV(i)表示方程组LR＝CXR中第i个方程的常数项，AHV(i)表示方程组LG＝CXG中第i个方程的常数项，AHH+VV(i)表示方程组LB＝CXB中第i个方程的常数项，三个方程组中第i个方程的系数矢量表示为其中AX(i)、MX(i)、VX(i)分别表示第i个像素幅度原始值、邻域均值和标准差，按照上式根据选择的像素计算常数矢量LR、LG、LB和系数矩阵C；
步骤6.4：统计步骤6.2中n个像素AHH-VV、AHV、AHH+VV拉伸到0-63的各个数出现的次数，分别记录为cR(i)、cG(i)、cB(i)，其中i＝0,1,2,...,63；
步骤6.5：计算三个方程组的权矩阵：
步骤6.6：最小二乘法求解从单极化幅度影像到假彩色影像RGB三个通道的转换参数XR、XG、XB：
XR＝[CTPRC]-1CTPRLR，
XG＝[CTPGC]-1CTPGLG，
XB＝[CTPBC]-1CTPBLB；
步骤7：重复步骤6t次，并计算步骤6得到RGB转换参数的数学平均值，分别记为
步骤8：按以下提取单极化SAR影像的特征，并变化得到假彩色影像的RGB三个通道；
步骤8.1：对待处理的极化方式为X＝HH,HV或VV的单极化影像，计算其幅度形式，记为进行处理的影像应为与步骤1全极化数据相同的传感器获取或者相同的波段，如果是同一传感器获取则直接进入步骤8.3，否则进入步骤8.2；
步骤8.2：对单极化幅度影像进行如下处理更新
其中mean(AX)、分别表示AX和的均值；
步骤8.3：在局部邻域加权统计的均值和标准差其中7×7邻域窗口的权矩阵W如下：
均值和标准差的计算公式如下：
步骤8.4：按照下式分别计算单极化影像生成的假彩色影像每个像素RGB三个通道的值
其中是步骤7中的元素，即
步骤9：基于主成分分析PCA技术，并利用原始单极化影像增强假彩色影像的细节信息，得到一个新的三维假彩色影像矢量；
步骤9.1：对假彩色影像的三维矢量进行主成分变换,得到三个分量其中分别为第一、第二、第三主成分分量；
步骤9.2：按照下式用均值方差调整后的单极化影像的幅度：
步骤9.3：使用替换后，对新矢量进行逆主成分变换，得到新的假彩色影像矢量其中为逆主成分变换后RGB通道的值，以增强假彩色影像分辨率；
步骤10：对步骤9所得的三维假彩色影像矢量拉伸到0-255的整数，使得RGB每个通道中拉伸值为0和255像素所占的比例为2％，到此则完成假彩色影像的生成。
CN201610779249.6A 2016-08-31 2016-08-31 一种单极化sar假彩色影像生成方法 Expired - Fee Related CN106355625B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610779249.6A CN106355625B (zh) 2016-08-31 2016-08-31 一种单极化sar假彩色影像生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610779249.6A CN106355625B (zh) 2016-08-31 2016-08-31 一种单极化sar假彩色影像生成方法

Publications (2)

Publication Number Publication Date
CN106355625A CN106355625A (zh) 2017-01-25
CN106355625B true CN106355625B (zh) 2019-12-24

Family

ID=57857112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610779249.6A Expired - Fee Related CN106355625B (zh) 2016-08-31 2016-08-31 一种单极化sar假彩色影像生成方法

Country Status (1)

Country Link
CN (1) CN106355625B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108447065B (zh) * 2018-03-12 2021-07-30 哈尔滨工业大学 一种高光谱超像元分割方法
CN109508397B (zh) * 2018-11-16 2021-04-30 中国铁路设计集团有限公司 一种基于样图库的遥感影像处理方法
CN113487493B (zh) * 2021-06-02 2023-08-18 厦门大学 基于GANilla的SAR图像自动彩色化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927551A (zh) * 2014-04-21 2014-07-16 西安电子科技大学 基于超像素相关矩阵的极化sar图像半监督分类方法
CN104463805A (zh) * 2014-12-16 2015-03-25 西安电子科技大学 一种基于同质性显著度和方向选择的极化sar相干斑噪声抑制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6349938B2 (ja) * 2014-05-09 2018-07-04 日本電気株式会社 測定点情報提供装置、変動検出装置、方法およびプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927551A (zh) * 2014-04-21 2014-07-16 西安电子科技大学 基于超像素相关矩阵的极化sar图像半监督分类方法
CN104463805A (zh) * 2014-12-16 2015-03-25 西安电子科技大学 一种基于同质性显著度和方向选择的极化sar相干斑噪声抑制方法

Also Published As

Publication number Publication date
CN106355625A (zh) 2017-01-25

Similar Documents

Publication Publication Date Title
Ancuti et al. D-hazy: A dataset to evaluate quantitatively dehazing algorithms
CN108830796B (zh) 基于谱空结合和梯度域损失的高光谱图像超分辨重构方法
CN102063710B (zh) 一种遥感图像融合增强的实现方法
CN105261000B (zh) 一种基于端元提取与光谱解混的高光谱图像融合方法
CN106897972A (zh) 一种白平衡与暗原色的自适应直方图水下图像增强方法
Ye et al. Simultaneous full-color single-pixel imaging and visible watermarking using Hadamard-Bayer illumination patterns
CN106355625B (zh) 一种单极化sar假彩色影像生成方法
CN109447922B (zh) 一种改进的ihs变换遥感影像融合方法及系统
CN107491793B (zh) 一种基于稀疏散射全卷积的极化sar图像分类方法
CN109255358B (zh) 一种基于视觉显著性和深度图的3d图像质量评价方法
CN107798661A (zh) 一种自适应的图像增强方法
CN109685716A (zh) 一种基于高斯编码反馈的生成对抗网络的图像超分辨率重建方法
CN113222836B (zh) 一种高光谱与多光谱遥感信息融合方法及系统
CN111882489A (zh) 用于水下图像同时增强的超分辨率图形恢复方法
Chen et al. Blind quality index for tone-mapped images based on luminance partition
Wang et al. Hazy image decolorization with color contrast restoration
Mathur et al. Enhancement algorithm for high visibility of underwater images
Li et al. A pseudo-siamese deep convolutional neural network for spatiotemporal satellite image fusion
CN113935917A (zh) 一种基于云图运算和多尺度生成对抗网络的光学遥感影像薄云去除方法
Wang et al. Image dehazing based on dark channel prior and brightness enhancement for agricultural monitoring
CN105844640A (zh) 基于梯度的彩色图像质量评价方法
CN115082296B (zh) 一种基于小波域图像生成框架的图像生成方法
Liu et al. SI-SA GAN: A generative adversarial network combined with spatial information and self-attention for removing thin cloud in optical remote sensing images
CN102012511B (zh) 基于单时相单极化高分辨率sar图像的二次成像方法
CN113610717B (zh) 一种用于皮肤病紫外荧光图像的增强方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for 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: 20191224

Termination date: 20210831

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