CN106872956A - 洪涝灾害范围提取方法及系统 - Google Patents
洪涝灾害范围提取方法及系统 Download PDFInfo
- Publication number
- CN106872956A CN106872956A CN201710110494.2A CN201710110494A CN106872956A CN 106872956 A CN106872956 A CN 106872956A CN 201710110494 A CN201710110494 A CN 201710110494A CN 106872956 A CN106872956 A CN 106872956A
- Authority
- CN
- China
- Prior art keywords
- water body
- water
- information
- mentioned
- polarization
- 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
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
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/024—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using polarisation effects
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及洪涝灾害范围提取系统,包括:预处理单元,对极化合成孔径雷达影像进行极化目标分解,提取相干散射矩阵,利用相干散射矩阵得到极化合成孔径雷达影像的极化总功率图像;水体信息增强单元,构建极化水体增强因子,将该水体增强因子作用于极化总功率图像进行水体信息增强;水体轮廓信息提取单元,针对进行了水体信息增强后的极化总功率图像,在先验地理信息系统水体矢量的约束下提取水体轮廓信息;及洪涝灾害范围确定单元,将水体轮廓信息与先验地理信息系统水体矢量进行比对做差,得到洪涝灾害范围。根据本发明,可以有效区分水体与其粗造度相近的地物,提取出水体覆盖的洪涝灾害范围,因此可以实时监控灾情发展,为灾害的防控提供强有力的支持。
Description
技术领域
本发明涉及洪涝灾害范围提取方法,具体地涉及基于极化合成孔径雷达影像和先验地理信息系统水体矢量的洪涝灾害范围提取方法。
背景技术
洪涝灾害是指因气象原因使水位异常升高冲破堤岸,淹没田地房屋,淹死人畜并引发疾病等的自然灾害。于是,如何准确预报灾害来临,实时监控灾情发展,为灾害的防控提供强有力的支持,成为亟待解决的问题。
为了对洪涝灾害的面积作出合理的估计,很重要的一步就是要对水体进行识别,从遥感影像上快速提取水体覆盖范围。在洪涝灾害发生时,传统光学遥感卫星虽然分辨率较高,但是由于云雾干扰,无法获取高质量的地物影像。合成孔径雷达(SyntheticAperture Radar:SAR)作为主动式遥感器,是一种利用雷达本身发射的微波波段进行成像的系统,可以不受拍摄时间和季节的影响而在云雨天气内连续成像。因此,合成孔径雷达成像在灾害监测尤其是洪涝灾害事件的监测中发挥着不可替代的作用。
但是,由于一般的合成孔径雷达卫星利用相干回波信号进行成像,某些粗糙度相近的地物在合成孔径雷达卫星影像中表现相似,无法通过肉眼进行区分。例如,水体、裸土、操场、阴影、道路等由于粗糙度小、纹理信息不发育,并且散射类型均为奇次散射,在合成孔径雷达卫星影像中通常均表现为黑色,无法有效区分。
发明内容
本发明鉴于如上所述的现有技术状况,其目的在于,提供一种洪涝灾害范围提取方法及系统,基于极化合成孔径雷达影像,根据不同极化通道关系多角度增强水体信息,并且在水体先验矢量信息的约束下进行水体分割提取,从而可以有效区分水体与其粗造度相近的地物,提取出水体覆盖的洪涝灾害范围,因此可以实时监控灾情发展,为灾害的防控提供强有力的支持。
本发明的洪涝灾害范围提取系统,包括:预处理单元,对极化合成孔径雷达影像进行极化目标分解,提取相干散射矩阵,利用上述相干散射矩阵得到上述极化合成孔径雷达影像的极化总功率图像;水体信息增强单元,构建极化水体增强因子,将该水体增强因子作用于极化总功率图像进行水体信息增强;水体轮廓信息提取单元,针对进行了水体信息增强后的极化总功率图像,在先验地理信息系统水体矢量的约束下提取水体轮廓信息;及洪涝灾害范围确定单元,将上述水体轮廓信息与先验地理信息系统水体矢量进行比对做差,得到洪涝灾害范围。
进一步,上述水体信息增强单元利用所述相干散射矩阵构建水体增强因子:
(1)式中,EI(x)表示像素x处水体增强因子,|T11(x)|、|T22(x)|、|T33(x)|表示所述相干散射矩阵中对角线元素的绝对值,α表示权重调节系数,根据实验经验,设置在1-2之间。
进一步,上述水体轮廓信息提取单元通过设置上述先验地理信息系统水体矢量的缓冲区,对上述水体信息增强后的上述极化总功率图像进行演化约束,获取水平集分割演化的初始轮廓,并且设置轮廓内外的演化驱动力参数,进行极化合成孔径雷达影像中水体的演化,得到水体轮廓信息。
进一步,上述水平集分割演化通过图像特性构建不同的能量函数来驱动水平集函数进行曲线演化,分割图像。
本发明的洪涝灾害范围提取方法,包括:预处理步骤,对极化合成孔径雷达影像进行极化目标分解,提取相干散射矩阵,利用上述相干散射矩阵得到上述极化合成孔径雷达影像的极化总功率图像;水体信息增强步骤,构建水体增强因子,将该水体增强因子作用于上述极化总功率图像进行水体信息增强;水体轮廓信息提取步骤,针对进行了水体信息增强后的上述极化总功率图像,在先验地理信息系统水体矢量的约束下提取水体轮廓信息;及洪涝灾害范围确定步骤,将上述水体轮廓信息与先验地理信息系统水体矢量进行比对做差,得到洪涝灾害范围。
进一步,上述水体信息增强步骤中,利用相干通道构建水体增强因子:
(1)式中,EI(x)表示像素x处水体增强因子,|T11(x)|、|T22(x)|、|T33(x)|表示所述相干散射矩阵对角线元素的绝对值,α表示权重调节系数,根据实验经验,设置在1-2之间。
进一步,上述水体轮廓信息提取步骤中,通过设置上述先验地理信息系统水体矢量的缓冲区,对上述水体信息增强后的上述极化总功率图像进行演化约束,获取水平集分割演化的初始轮廓,并且设置轮廓内外的演化驱动力参数,进行极化合成孔径雷达影像中水体的演化,得到水体轮廓信息。
进一步,上述水平集分割演化通过图像特性构建不同的能量函数来驱动水平集函数进行曲线演化,分割图像。
根据本发明,基于极化合成孔径雷达影像,根据不同极化通道关系多角度增强水体信息,并且在水体先验矢量信息的约束下进行水体分割提取,从而可以有效区分水体与其粗造度相近的地物,提取出水体覆盖的洪涝灾害范围。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面对具体实施方式部分中所需要使用的附图做简单介绍,显而易见,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是表示本发明的洪涝灾害范围提取系统的框图。
图2是表示本发明的洪涝灾害范围提取方法的流程图。
具体实施方式
下面,参考附图更详细地说明本发明的优选实施例。本发明的实施例可以变形为各种方式,本发明的范围不应解释为限定于下面说明的实施例。
首先,对本实施方式中所用到的知识点进行简单介绍。
如前面背景技术部分所述,经一般的合成孔径雷达卫星成像的影像中不易有效区分粗糙度相近的地物。极化SAR影像不同于传统SAR影像,其能够通过四种不同极化方式对地物进行分别成像,多角度探测地物的散射特性。因而可考虑利用极化SAR影像进行水体提取,此时,可以考虑基于不同极化通道关系构建水体增强因子来进行水体信息提取。
另一方面,可以通过机载雷达获取的高精度地形数据或者基础地理信息数据作为约束,区分出水体和其他地物之后,通过灾后获取的合成孔径雷达影像进行分割比对,得到洪涝灾害范围。例如,利用先验地理信息系统水体矢量信息,在先验地理信息系统水体矢量的约束下,进行水体分割提取,这样既可以充分利用先验水体信息,又可以避免水体分割提取时过分依赖灰度信息进行初始分割提取。
因此,可尝试通过在先验地理信息系统(GIS)数据的约束下,通过用增强水体因子处理后的SAR功率图像进行水平集分割得到洪涝灾害发生后水体范围。这种方法在不同角度增强水体信息的同时,也在一定程度上抑制其他弱散射地物被错分为水体的可能性,最后利用提取结果与灾前水体信息比对做差,从而提取洪涝灾害事件发生后的灾害范围。
另外,水体与其他若散射地物由于回波信号弱,无法在幅度或者强度影像中进行有效区分,因此,可利用水体在相干散射矩阵中T11元素与T33元素对弱散射地物敏感的特点,基于散射功率、T33与T11元素的差值、以及T33元素的权重调节系数三项元素,构建水体增强因子对水体信息进行增强,对非水体的若散射地物进行一定程度的抑制。
下面,结合附图具体说明本发明的具体实施方式。
图1是表示本发明的洪涝灾害范围提取系统的框图。如图1所示,本发明的洪涝灾害范围提取系统包括:预处理单元101、水体信息增强单元102、水体轮廓信息提取单元103及洪涝灾害范围确定单元104。
预处理单元101对合成孔径雷达影像进行极化目标分解,提取相干散射矩阵,利用上述相干散射矩阵得到上述极化合成孔径雷达影像的极化总功率。
水体信息增强单元102用于构建水体增强因子,对上述极化总功率图像进行水体信息增强。上述水体增强因子可以通过上述相干散射矩阵中的两个对角线元素T33和T11之间的差值、以及T33的权重调节系数来构建。优选构建如下的水体增强因子:
(1)式中,EI(x)表示像素x处水体增强因子,|T11(x)|、|T22(x)|、|T33(x)|表示相干散射矩阵对角线元素的绝对值,α表示权重调节系数,根据实验经验,可以设置在1-2之间。
水体轮廓信息提取单元103针对进行了水体信息增强后的极化总功率图像,在先验地理信息系统水体矢量的约束下提取水体轮廓信息。
优选上述水体轮廓信息提取单元103通过设置上述先验地理信息系统水体矢量的缓冲区,对上述水体信息增强后的上述极化总功率图像进行演化约束,获取水平集分割演化的初始轮廓,并设置轮廓内外的演化驱动力参数,进行极化合成孔径雷达影像中水体的演化,得到水体轮廓信息。上述水平集分割演化允许根据图像特性构建不同的能量函数来驱动水平集函数进行曲线演化,分割图像。
洪涝灾害范围确定单元104将上述水体轮廓信息与先验地理信息系统水体矢量进行比对做差,得到洪涝灾害范围。
图2是本发明的洪涝灾害范围提取方法的流程图。下面,结合图2具体说明本发明的洪涝灾害范围提取方法的一实例。
首先,在步骤S10中,预处理单元101对极化合成孔径雷达影像进行预处理。即,对极化合成孔径雷达影像进行极化目标分解,提取相干散射矩阵,并利用上述相干散射矩阵得到上述合成孔径雷达影像的极化总功率图像。
具体来说,第一步,利用散射相干矩阵T3对合成孔径雷达影像进行增强Lee滤波处理,其中,窗口大小的一例可设置为5*5或7*7。极化合成孔径雷达影像的极化协方差矩阵可以是半正定的埃尔米特矩阵。第二步,利用散射相干矩阵T3得到极化合成孔径雷达影像的极化总功率图像。
接着,在步骤S20中,水体信息增强单元102构建水体增强因子,将该水体增强因子作用于上述极化总功率图像进行水体信息增强。
对于小面积水体,例如河流湖泊等流速平稳的主要发生镜面散射的水体:由于水体、裸地和阴影等地物的后向散射值都比较低,从单极化通道图像上不容易区分,但是可以利用多极化通道间的包含地物的通道间关系,区分弱散射地物与水体。相干通道在区分水体和其它弱散射地物方面相对于极化通道较好,其中T11与T22相差较小,但与T33相差较大,大概在10db左右,而湿地则大概只相差5db左右。因此,本实例中,第一步,利用相干通道构造水体增强因子:
(1)式中,EI(x)表示像素x处水体增强因子,|T11(x)|、|T22(x)|、|T33(x)|表示相干散射矩阵对角线元素的绝对值,α表示权重调节系数,根据实验经验,可以设置在1-2之间。
第二步,将上述水体信息增强作用于极化合成孔径雷达得到极化总功率图像。
ESPAN(x)=SPAN(x)*EI(x) (2)
在(2)式中,ESPAN(x)表示像素x处经过水体增强因子作用后的极化合成孔径雷达的功率图像。
接着,在步骤S30中,水体轮廓信息提取单元103针对进行了水体信息增强后的极化总功率图像,在先验地理信息系统水体矢量的约束下提取水体轮廓信息。
具体来说,第一步,基于伽玛(Gamma)模型的极化总功率建立水平集曲线演化的能量泛函。合成孔径雷达图像的极化总功率图像的概率密度函数符合伽玛分布,其中,伽玛分布的概率密度函数定义为:
(3)式表示伽玛模型,其中{Ωm,m=1,2}代表图像分割区域,μ(x)表示x位置图像的像素值,L表示雷达视数,θm表示第m{m=1,2}个概率密度函数分支的均值,即图像分割区域m{m=1,2}的灰度均值,Γ(L)表示伽玛函数。基于以上概率密度函数,伽玛模型的极化总功率水平集能量泛函可以表示为:
在(4)式中,μ≥0,ν≥0,λ1≥0,λ2≥0为固定系数,p1与p2分别代表图像分割区域混合伽玛模型的概率密度函数,φ表示水平集函数,H(φ)表示水平集函数的Heaviside函数。
对(4)式进行数值求解,能量泛函转化为如下的Euler-Lagrange方程进行数值计算求解:
在(5)式中δε(φ)为狄里克雷函数,φ即为图像分割结果,▽φ为水平集函数的梯度,div表示散度算子。
第二步,在先验地理信息系统数据的约束下,提取水平集分割演化的初始化轮廓。即,在第一步确立极化总功率的水平集曲线演化的能量泛函之后,主要针对极化水体增强后的总功率图像确定初始化轮廓。该初始化轮廓的确定主要是利用先验地理信息系统中的水体的位置信息,即通过设置地理信息系统中的水体矢量的缓冲区距离,对灾后的增强水体信息后的合成孔径雷达极化总功率图像进行演化约束。水平集初始轮廓设置如下:
在(6)式中,φ0(u(x))为位置x处初始水平集函数值,dist为位置为x的像素与位置为x0的像素之间的距离,x0表示先验地理信息系统中的水体对应的水体边界位置,χ为缓冲区半径,H为Heaviside函数。通过上式定义,可以将水平集演化的初始函数以先验水体矢量缓冲区距离的Heaviside函数值的形式定义下来,从而驱动灾后极化总功率图像的水平集函数更快更准的演化到真正的水体边缘。
接着,第三步,在先验地理信息系统数据的约束下,进行水平集分割演化。即,将在第二步得到的水平集初始函数值φ0(u(x))代入公式(4)水平集能量泛函中,进行迭代演化直至收敛,即可得到灾后水体轮廓范围。
基于水平集曲线演化的分割算法能够对拓扑改变区域做出灵活调整,从而能够有效提取图像中的孤立区域。并且该算法通过图像特性构建不同的能量函数来驱动水平集函数进行曲线演化,分割图像。
最后,在步骤S40,洪涝灾害范围确定单元104将上述水体轮廓信息与先验地理信息系统水体矢量进行比对做差,得到洪涝灾害范围。即,将通过上述步骤30得到的灾后水体轮廓范围与先验水体矢量范围比对做差,即可提取洪涝灾害范围。
根据本发明的洪涝灾害范围提取系统和方法,基于极化合成孔径雷达影像,根据不同极化通道关系多角度增强水体信息,因此可以将水体与其粗造度相近的地物进行区分。并且,在水体先验矢量信息的约束下进行水体分割提取,避免水体分割提取时过度依赖灰度信息进行初始分割提取。
在本发明所提供的技术方案中,应该理解到,所披露的方法和系统可以通过其他方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为各个单元说明的部件可以是或者也可以不是物理上分开的,可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分不到多个网络单元上,可以依据实际的需求选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)或处理器执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:通用串行总线(Universal Serial Bus,USB)闪存驱动器、移动硬盘、只读存储器(Read Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、磁盘或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (8)
1.一种洪涝灾害范围提取系统,其特征在于,包括:
预处理单元,对极化合成孔径雷达影像进行极化目标分解,提取相干散射矩阵,利用上述相干散射矩阵得到上述极化合成孔径雷达影像的极化总功率图像;
水体信息增强单元,构建极化水体增强因子,将该水体增强因子作用于所述极化总功率图像进行水体信息增强;
水体轮廓信息提取单元,针对进行了水体信息增强后的所述极化总功率图像,在先验地理信息系统水体矢量的约束下提取水体轮廓信息;及
洪涝灾害范围确定单元,将上述水体轮廓信息与先验地理信息系统水体矢量进行比对做差,得到洪涝灾害范围。
2.如权利要求1所述的洪涝灾害范围提取系统,其特征在于,
上述水体信息增强单元利用所述相干散射矩阵构建水体增强因子:
(1)式中,EI(x)表示像素x处水体增强因子,|T11(x)|、|T22(x)|、|T33(x)|表示所述相干散射矩阵中对角线元素的绝对值,α表示权重调节系数,根据实验经验,设置在1-2之间。
3.如权利要求1至2中的任一项所述的洪涝灾害范围提取系统,其特征在于,
上述水体轮廓信息提取单元通过设置上述先验地理信息系统水体矢量的缓冲区,对上述水体信息增强后的上述极化总功率图像进行演化约束,获取水平集分割演化的初始轮廓,并且设置轮廓内外的演化驱动力参数,进行极化合成孔径雷达影像中水体的演化,得到水体轮廓信息。
4.如权利要求3中的任一项所述的洪涝灾害范围提取系统,其特征在于,
上述水平集分割演化通过图像特性构建不同的能量函数来驱动水平集函数进行曲线演化,分割图像。
5.一种洪涝灾害范围提取方法,其特征在于,包括:
预处理步骤,对极化合成孔径雷达影像进行极化目标分解,提取相干散射矩阵,利用上述相干散射矩阵得到上述极化合成孔径雷达影像的极化总功率图像;
水体信息增强步骤,构建水体增强因子,将该水体增强因子作用于上述极化总功率图像进行水体信息增强;
水体轮廓信息提取步骤,针对进行了水体信息增强后的上述极化总功率图像,在先验地理信息系统水体矢量的约束下提取水体轮廓信息;及
洪涝灾害范围确定步骤,将上述水体轮廓信息与先验地理信息系统水体矢量进行比对做差,得到洪涝灾害范围。
6.如权利要求5所述的洪涝灾害范围提取方法,其特征在于,
上述水体信息增强步骤中,利用相干通道构建水体增强因子:
(1)式中,EI(x)表示像素x处水体增强因子,|T11(x)|、|T22(x)|、|T33(x)|表示所述相干散射矩阵对角线元素的绝对值,α表示权重调节系数,根据实验经验,设置在1-2之间。
7.如权利要求5或6所述的洪涝灾害范围提取方法,其特征在于,
上述水体轮廓信息提取步骤中,通过设置上述先验地理信息系统水体矢量的缓冲区,对上述水体信息增强后的上述极化总功率图像进行演化约束,获取水平集分割演化的初始轮廓,并且设置轮廓内外的演化驱动力参数,进行极化合成孔径雷达影像中水体的演化,得到水体轮廓信息。
8.如权利要求7所述的洪涝灾害范围提取方法,其特征在于,
上述水平集分割演化通过图像特性构建不同的能量函数来驱动水平集函数进行曲线演化,分割图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710110494.2A CN106872956B (zh) | 2017-02-28 | 2017-02-28 | 洪涝灾害范围提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710110494.2A CN106872956B (zh) | 2017-02-28 | 2017-02-28 | 洪涝灾害范围提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106872956A true CN106872956A (zh) | 2017-06-20 |
CN106872956B CN106872956B (zh) | 2019-05-28 |
Family
ID=59169041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710110494.2A Active CN106872956B (zh) | 2017-02-28 | 2017-02-28 | 洪涝灾害范围提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106872956B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109405809A (zh) * | 2018-10-24 | 2019-03-01 | 中国电力科学研究院有限公司 | 一种变电站洪水水深检测方法与系统 |
CN110929946A (zh) * | 2019-11-29 | 2020-03-27 | 中国农业科学院农业资源与农业区划研究所 | 基于地表水文过程的农业洪涝灾害监测预报系统及方法 |
CN111008941A (zh) * | 2019-11-29 | 2020-04-14 | 中国农业科学院农业资源与农业区划研究所 | 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法 |
CN111929680A (zh) * | 2020-03-03 | 2020-11-13 | 南京信息工程大学 | 一种基于sar图像的洪水淹没程度快速评价方法 |
CN111983609A (zh) * | 2020-07-30 | 2020-11-24 | 中国科学院空天信息创新研究院 | 基于雷达遥感影像的湿芦苇提取方法 |
CN112270675A (zh) * | 2020-11-11 | 2021-01-26 | 中山大学 | 一种基于极化雷达遥感影像的城市内涝区域检测方法 |
CN117333468A (zh) * | 2023-10-17 | 2024-01-02 | 南京北斗创新应用科技研究院有限公司 | 面向多模式时序PolSAR影像的洪涝灾害监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101114023A (zh) * | 2007-08-28 | 2008-01-30 | 北京交通大学 | 一种基于模型的湖泊湿地泛洪遥感监测方法 |
CN103364793A (zh) * | 2013-07-11 | 2013-10-23 | 兰州交通大学 | 基于spot5影像的水体自动提取方法 |
CN103400151A (zh) * | 2013-08-16 | 2013-11-20 | 武汉大学 | 一体化的光学遥感影像与gis自动配准与水体提取方法 |
CN105988113A (zh) * | 2016-07-06 | 2016-10-05 | 天津大学 | 极化合成孔径雷达图像变化检测方法 |
-
2017
- 2017-02-28 CN CN201710110494.2A patent/CN106872956B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101114023A (zh) * | 2007-08-28 | 2008-01-30 | 北京交通大学 | 一种基于模型的湖泊湿地泛洪遥感监测方法 |
CN103364793A (zh) * | 2013-07-11 | 2013-10-23 | 兰州交通大学 | 基于spot5影像的水体自动提取方法 |
CN103400151A (zh) * | 2013-08-16 | 2013-11-20 | 武汉大学 | 一体化的光学遥感影像与gis自动配准与水体提取方法 |
CN105988113A (zh) * | 2016-07-06 | 2016-10-05 | 天津大学 | 极化合成孔径雷达图像变化检测方法 |
Non-Patent Citations (1)
Title |
---|
陆渊等: "灰度阈值方法下的SAR图像水体检测", 《山东建筑大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109405809A (zh) * | 2018-10-24 | 2019-03-01 | 中国电力科学研究院有限公司 | 一种变电站洪水水深检测方法与系统 |
CN109405809B (zh) * | 2018-10-24 | 2022-07-12 | 中国电力科学研究院有限公司 | 一种变电站洪水水深检测方法与系统 |
CN110929946A (zh) * | 2019-11-29 | 2020-03-27 | 中国农业科学院农业资源与农业区划研究所 | 基于地表水文过程的农业洪涝灾害监测预报系统及方法 |
CN111008941A (zh) * | 2019-11-29 | 2020-04-14 | 中国农业科学院农业资源与农业区划研究所 | 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法 |
CN111008941B (zh) * | 2019-11-29 | 2023-10-24 | 中国农业科学院农业资源与农业区划研究所 | 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法 |
CN111929680A (zh) * | 2020-03-03 | 2020-11-13 | 南京信息工程大学 | 一种基于sar图像的洪水淹没程度快速评价方法 |
CN111929680B (zh) * | 2020-03-03 | 2022-12-23 | 南京信息工程大学 | 一种基于sar图像的洪水淹没程度快速评价方法 |
CN111983609A (zh) * | 2020-07-30 | 2020-11-24 | 中国科学院空天信息创新研究院 | 基于雷达遥感影像的湿芦苇提取方法 |
CN112270675A (zh) * | 2020-11-11 | 2021-01-26 | 中山大学 | 一种基于极化雷达遥感影像的城市内涝区域检测方法 |
CN112270675B (zh) * | 2020-11-11 | 2021-04-16 | 中山大学 | 一种基于极化雷达遥感影像的城市内涝区域检测方法 |
CN117333468A (zh) * | 2023-10-17 | 2024-01-02 | 南京北斗创新应用科技研究院有限公司 | 面向多模式时序PolSAR影像的洪涝灾害监测方法 |
CN117333468B (zh) * | 2023-10-17 | 2024-05-24 | 南京北斗创新应用科技研究院有限公司 | 面向多模式时序PolSAR影像的洪涝灾害监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106872956B (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106872956B (zh) | 洪涝灾害范围提取方法及系统 | |
Wang et al. | Ground target classification in noisy SAR images using convolutional neural networks | |
Parizzi et al. | Adaptive InSAR stack multilooking exploiting amplitude statistics: A comparison between different techniques and practical results | |
Borge et al. | Analysis of directional wave fields using X-band navigation radar | |
Liu et al. | Wave Height Estimation from Shipborne X‐Band Nautical Radar Images | |
Rana et al. | Evaluation of SAR speckle filter technique for inundation mapping | |
CN113534159B (zh) | 一种基于sar卫星遥感数据的海面风速反演方法及系统 | |
Jin et al. | Typhoon eye extraction with an automatic SAR image segmentation method | |
Hou et al. | SAR image ship detection based on visual attention model | |
Gao | Characterization of SAR Clutter and Its Applications to Land and Ocean Observations | |
Meng et al. | Factorization-based active contour for water-land SAR image segmentation via the fusion of features | |
CN106371093B (zh) | 基于建筑物透视雷达成像的多目标检测定位方法 | |
CN107527035A (zh) | 建筑物震害信息提取方法及装置 | |
Kwak et al. | A new approach for rapid urban flood mapping using ALOS-2/PALSAR-2 in 2015 Kinu River Flood, Japan | |
Dong et al. | Segmentation of radar imagery using the Gaussian Markov random field model | |
CN108710816B (zh) | 一种基于概率融合的极化sar图像建筑物检测方法 | |
CN105551029A (zh) | 一种多光谱遥感图像舰船检测方法 | |
de Leeuw et al. | Performance evaluation of several adaptive speckle filters for SAR imaging | |
CN105842665A (zh) | 一种基于频谱加权的sar图像旁瓣抑制方法 | |
CN112836638B (zh) | 高海况sar船只检测方法及应用 | |
Xu et al. | An automatic method for tropical cyclone center determination from SAR | |
CN115700739A (zh) | 一种全极化sar图像舰船检测方法 | |
Azzaz et al. | Classification of radar echoes using fractal geometry | |
Ohki et al. | Flood-area detection using Palsar-2 data for heavy rainfall disasters in Japan | |
Welikanna et al. | Lognormal Random Field models to identify temporal Land cover changes using full polarimetric L-Band SAR imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |