CN107103282B - 超高分辨率合成孔径雷达图像分类方法 - Google Patents
超高分辨率合成孔径雷达图像分类方法 Download PDFInfo
- Publication number
- CN107103282B CN107103282B CN201710173873.6A CN201710173873A CN107103282B CN 107103282 B CN107103282 B CN 107103282B CN 201710173873 A CN201710173873 A CN 201710173873A CN 107103282 B CN107103282 B CN 107103282B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- characteristic
- synthetic aperture
- aperture radar
- high resolution
- 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
Links
Images
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种超高分辨率合成孔径雷达图像分类方法,包括以下步骤:图像获取步骤,利用超高分辨率合成孔径雷达获取超高分辨率合成孔径雷达图像;特征谱取得步骤,根据所述超高分辨率合成孔径雷达图像取得4类特征谱,分别是相关曲线、频谱、径向谱和角度谱;特征集提取步骤,基于所述特征谱提取均值、方差、偏度、频谱中心、频谱通量、径向谱中心、径向谱通量、相邻相关曲线峰值距离、角度谱的最大峰对应角度这9个特征参量形成特征集;以及非监督分类步骤,基于所述特征集对所述超高分辨率合成孔径雷达图像进行分类。
Description
技术领域
本发明涉及超高分辨率合成孔径雷达图像分类方法,具体涉及一种基于多类谱的超高分辨率合成孔径雷达纹理特征集的超高分辨率合成孔径雷达图像分类方法。
背景技术
灰度共生矩阵(GLCM)特征是目前在合成孔径雷达(SAR)影像中应用最为广泛的特征集,但是该特征集在超高分辨率SAR影像中应用效果受到严重的限制。
在下述非专利文献1中提出了基于傅里叶谱的特征参数,监督学习精度在50%~90%,对不同场景差异大,能力不足以得到良好的无监督聚类效果。由于超高分辨率SAR场景复杂,人工界定类别有比较大的主观因素,同一样本可同时被不同用户鉴定为属于多个类别,在实际应用中造成困难。
非专利文献1
A.Popescu,I.Gavat,and M.Datcu,“Contextual descriptors for sceneclasses in very high resolution SAR images”,IEEE Geoscience and RemoteSensing Letters,vol.9,no.1,pp.80-84,2012.
发明内容
本发明针对不同的纹理类型,提出了基于4类特征谱、包含9个参数的超高分辨率SAR影像上下文描述特征集,对场景的描述能力得到提升,可应用于经典非监督聚类方法并取得良好效果。
本发明的技术方案为一种超高分辨率合成孔径雷达图像分类方法,包括以下步骤:图像获取步骤,利用超高分辨率合成孔径雷达获取超高分辨率合成孔径雷达图像;特征谱取得步骤,根据所述超高分辨率合成孔径雷达图像取得4类特征谱,分别是相关曲线、频谱、径向谱和角度谱;特征集提取步骤,基于所述特征谱提取均值、方差、偏度、频谱中心、频谱通量、径向谱中心、径向谱通量、相邻相关曲线峰值距离、角度谱的最大峰对应角度这9个特征参量形成特征集;以及非监督分类步骤,基于所述特征集对所述超高分辨率合成孔径雷达图像进行分类。
本发明的超高分辨率合成孔径雷达图像分类方法中,优选为,在所述特征谱取得步骤中,所述相关曲线为像素距离r从最小可能的距离到最大可能距离变化时相关函数C(r)形成的曲线,
相关函数C(r)表示为
本发明的超高分辨率合成孔径雷达图像分类方法中,优选为,在所述特征谱取得步骤中,所述频谱通过傅里叶变换取得。
本发明的超高分辨率合成孔径雷达图像分类方法中,优选为,所述频谱根据以下公式取得
其中,p和q分别代表行和列方向的波数,
本发明的超高分辨率合成孔径雷达图像分类方法中,优选为,在所述特征谱取得步骤中,所述径向谱通过将所述频谱分为不同半径的同心圆,并分别对每个同心圆圆周的频谱值求和取得。
本发明的超高分辨率合成孔径雷达图像分类方法中,优选为,所述径向谱R(rr)可以表示为
当像素[p,q]距离圆心为rr时,dd[p,q]等于1,否则为0,径向谱为rr从0变化到最大可能的半径时,R形成的曲线。
本发明的超高分辨率合成孔径雷达图像分类方法中,优选为,在所述特征谱取得步骤中,所述角度谱通过将[0°,180°]分割成若干区间,计算从第一个区间到最后一个区间的角度谱A(t)值形成,
其中,角度范围为t∈[t∈[t1,t2]的角度谱值可以表示为
当像元[p,q]在区间t内时,a[p,q]等于1,否则等于0。
本发明的超高分辨率合成孔径雷达图像分类方法中,优选为,在所述特征集提取步骤中,根据一维谱中心计算公式取得所述径向谱中心,
其中,T代表一维特征谱的长度,t代表一维特征谱中的位置,
根据二维谱中心计算公式取得所述频谱中心,
其中,T1和T2代表二维特征谱在每一维度的长度,t1和t2代表二维特征谱中的坐标。
本发明的超高分辨率合成孔径雷达图像分类方法中,优选为,在所述特征集提取步骤中,根据一维特征谱通量计算公式提取所述径向谱通量,包括以下子步骤:
归一化子步骤,对一维特征谱进行归一化处理;以及
计算子步骤,通过以下公式计算取得一维特征谱通量
S′代表归一化的一维特征谱。
本发明的超高分辨率合成孔径雷达图像分类方法中,优选为,在所述特征集提取步骤中,所述频谱通量提取还包括重排子步骤,将频谱重排为一维特征谱。
附图说明
图1是本发明的超高分辨率合成孔径雷达图像分类方法的流程图。
图2是10类地物的超高分辨率SAR图像,其中(a)葡萄架,(b)树木1,(c)树木2,(d)有花纹的绿化带,(e)小路,(f)阴影,(g)是街道,(h)工地围墙,(i)加油站,(j)广告牌。
图3中(a)是SAR图像,(b)是SAR图像对应的光学影像。
图4是SAR影像的9个特征参量的提取结果,其中(a)均值,(b)方差,(c)偏度,(d)频谱中心,(e)频谱通量,(f)径向谱中心,(g)径向谱通量,(h)相邻相关曲线峰值距离,(i)角度谱的最大峰对应角度。
图5是GLCM特征集提取结果,其中(a)均值,(b)方差,(c)均质度,(d)对比度,(e)差异性,(f)熵,(g)二阶矩,(h)相关性。
图6是10类地物自动非监督分类结果,其中(a)采用GLCM特征集的分类结果,(b)仅采用包含频谱特征在内的5个特征(图4(a)-(e))的分类结果,(c)采用本发明的特征集的分类结果,(d)采用本发明的特征集的分类结果在原始SAR图像上的叠加结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1是超高分辨率合成孔径雷达图像分类方法的流程图。如图1所示,超高分辨率合成孔径雷达图像分类方法包括以下步骤:图像获取步骤S1、特征谱取得步骤S2、特征集提取步骤S3和非监督分类步骤S4。以下针对各步骤进行详细说明。
在图像获取步骤S1中,利用超高分辨率合成孔径雷达(UHR SAR)获取超高分辨率合成孔径雷达图像,例如,Ka波段SAR影像,分辨率0.12m×0.15m。
接下来,在特征谱取得步骤S2中,针对所述超高分辨率合成孔径雷达图像取得4类特征谱,分别是相关曲线、频谱、径向谱和角度谱。下面就所涉及到的4类特征曲线(谱)的取得方法分别说明。
1、相关曲线(Correlation signature)
空间图案/纹理通常涉及相邻空间单元件的空间耦合或流动,这就会在一定的空间尺度上形成相关。相关的程度可以通过相关函数或莫兰指数函数进行表征。一个图块O的距离为r的相关函数C为
相关曲线则为r从最近小可能的距离到最大可能距离变化时由C形成的曲线。
2、频谱
一个空间图案的异质性可以通过频谱特征来体现。频谱通常通过傅里叶变换进行获取。一个图块O的频谱可以表示为
3、径向谱
一个空间图案的周期性可以通过径向谱特征来表达。径向谱通过将频谱分为不同半径的同心圆,并分别对每个同心圆圆周的频谱值求和得到。即,径向谱R为像素距离圆心的距离rr从0变化到最大可能的半径时R形成的曲线。径向谱R(rr)可以表示为
当像素[p,q]距离圆心为rr时,dd[p,q]等于1,否则为0。
4、角度谱
空间图案的方向可以通过角度谱的特征进行表示。角度谱是将傅里叶谱以不同的角度范围进行累加形成的。角度范围为t∈[tt∈[t1,t2],t2]的角度谱值可以表示为
当像元[p,q]在区间t内,a[p,q]等于1,否则等于0。角度谱通过将[0°,180°]分割成若干区间,计算从第一个区间到最后一个区间的A(t)值形成。
接下来,在特征集提取步骤S3中,基于上述4类特征谱提取9个特征参量,形成基于多类谱的超高分辨率SAR纹理特征集。在表1中示出了本发明的超高分辨率SAR特征集所包含的9个特征参量。如表1所示,本发明的超高分辨率SAR特征集所包含的9个特征参量分别为均值、方差、偏度、频谱中心、频谱通量、径向谱中心、径向谱通量、相邻相关曲线峰值距离和角度谱的最大峰对应角度。面向的图案/纹理类型包括均匀图案、复杂不规则图案以及周期性纹理。
表1
序号 | 特征名 | 面向的图案/纹理类型 | 所表现的属性 |
1 | 均值 | 均匀图案 | 散射强度 |
2 | 方差 | 全部类型 | 散射强度波动剧烈程度 |
3 | 偏度 | 无尺度图案 | 结构性信息 |
4 | 频谱中心 | 复杂不规则图案 | 波动的主导尺度 |
5 | 频谱通量 | 复杂不规则图案 | 波动的尺度变化 |
6 | 径向谱中心 | 周期性纹理 | 波动的主导尺度 |
7 | 径向谱通量 | 周期性纹理 | 波动的尺度变化 |
8 | 相邻相关曲线峰值距离 | 周期性纹理 | 重复性图案出现的间隔 |
9 | 角度谱的最大峰对应角度 | 各向异性图案 | 图案的方向 |
以下就上述9个特征参量中的频谱中心、频谱通量、径向谱中心、径向频谱通量、相邻相关曲线峰值距离和角度谱的最大峰对应角度的计算方法进行具体说明。
1、频谱中心和径向谱中心
谱中心代表能量在特征谱中集中的位置,表现谱的能量分布。径向谱为一维谱,其中心可采用一维谱中心的计算公式取得,即
其中,T代表径向谱的长度,t代表径向谱中的位置,
频谱为二维谱,频谱中心通过二维谱中心的计算公式取得
其中,T1和T2代表二维特征谱在每一维度的长度,t1和t2代表二维特征谱中的坐标。
2、频谱通量和径向谱通量
特征谱通量用于表征特征谱的光滑性,它计算的是相邻位置间特征谱值强度的差异。根据一维特征谱通量计算公式提取所述径向谱通量,包括以下子步骤:归一化子步骤,对一维特征谱进行归一化处理,以保证计算结果具有可比性;以及计算子步骤,通过以下公式计算取得一维特征谱通量
S′代表归一化的一维特征谱。
对于二维谱,需要先将其重排为一维谱再进行上述计算。也即,对于频谱通量的提取还包括重排子步骤,将频谱重排为一维谱,然后再进行归一化子步骤和计算子步骤。
3、相邻相关曲线峰值距离和角度谱的最大峰对应角度
一维或二维特征曲线中或大于左右相邻位置取值或等于无穷处的对应点是特征曲线峰。据此可以确定相邻相关曲线峰值距离和角度谱的最大峰对应角度。
最后,在非监督分类步骤S4中,基于上述包括9个特征参量的超高分辨率SAR特征集对超高分辨率合成孔径雷达图像进行分类。本发明针对不同的纹理类型,提出了基于4类特征谱、包含9个参数的超高分辨率SAR特征集,对场景的描述能力得到提升。
为了验证本发明的技术效果,以下根据本发明的基于多类谱的超高分辨率SAR纹理特征集针对10类地物进行区分,考察其区分能力。在图2中示出了10类地物的超高分辨率SAR图像,其中图2(a)是葡萄架、图2(b)是树木1、图2(c)是树木2、图2(d)是有花纹的绿化带、图2(e)是小路、图2(f)是阴影、图2(g)是街道、图2(h)是工地围墙、图2(i)是加油站、图2(j)是广告牌。采用离散度JM距离(Jeffries-Matusita)测度,取值0~2.0。当测度值大于1.9时代表非常好的区分能力,测度值小于1代表不可分。在表2中示出了对10类地物的区分能力的分值。可以看出新的特征集对10类地物的可分性均值达到了1.9,最差值也达到了1.41,证明新的特征提取方法可获取非常好的地物区分性。
表2
灰度共生矩阵(GLCM)特征是目前在合成孔径雷达(SAR)影像中应用最为广泛的特征集。它描述具有某种空间位置关系的两个像素的联合分布,可看成两个像素灰度对的联合直方图,是一种二阶统计方法。常用的GLCM特征量有8个,分别为灰度共生矩阵的均值、方差、均质度、对比度、差异性、熵、二阶矩、和相关性。以下结合图3~图6,针对本发明的超高分辨率SAR图像分类方法与传统的基于GLCM的分类方法的效果进行对比。图3(a)是SAR图像,影像大小4096×4096像元,每个网格的尺寸为64×64,图3(b)是SAR图像对应的光学影像。图4是SAR影像的9个特征参量的提取结果,其中图4(a)为均值的提取结果,图4(b)为方差的提取结果,图4(c)为偏度的提取结果,图4(d)为频谱中心的提取结果,图4(e)为频谱通量的提取结果,图4(f)为径向谱中心的提取结果,图4(g)为径向谱通量的提取结果,图4(h)为相邻相关曲线峰值距离的提取结果,图4(i)为角度谱的最大峰对应角度的提取结果。图5是GLCM特征集提取结果,其中图5(a)为均值的提取结果,图5(b)为方差的提取结果,图5(c)为均质度的提取结果,图5(d)为对比度的提取结果,图5(e)为差异性的提取结果,图5(f)为熵的提取结果,图5(g)为二阶矩的提取结果,图5(h)为相关性的提取结果。从传统的GLCM的特征图和本发明的基于多类谱的超高分辨率SAR纹理特征集的特征图对比结果可看出,传统GLCM特征在超高分辨率SAR条件下只能对人工地物有所反映,对自然地物的区分能力很差。在亚米级分辨率SAR中由于斑噪的不完全发育使得纹理的表征方式发生了改变,从而导致该传统方法失效。本发明的基于多类谱的超高分辨率SAR纹理特征集所提取的特征对不同人工地物的区分能力更强,同时对于自然地表也有较好的表现,这与本发明采用多个频谱特征有关,相比像素统计特征,频谱特征对复杂斑噪的鲁棒性更强。
图6是10类地物自动非监督分类结果:图6(a)是采用GLCM特征集的分类结果,图6(b)是仅采用包含频谱特征在内的5个特征(图4(a)~(e))的分类结果,图6(c)是采用本发明的特征集的分类结果,图6(d)是采用本发明的特征集的分类结果在原始SAR影像上的叠加结果。从聚类结果我们可以看出,采用本发明的方法的聚类结果,具有不同纹理的植被、阴影和平地,不同类型的人工地物均被很好地区分开。由此可以看出本发明的方法对于超高分辨率SAR图像中的潜在地物类别有非常好地鉴别能力,而传统方法对于这类影像仅能在人工地物和自然地物的层面进行区分。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种超高分辨率合成孔径雷达图像分类方法,其特征在于,
包括以下步骤:
图像获取步骤,利用超高分辨率合成孔径雷达获取超高分辨率合成孔径雷达图像;
特征谱取得步骤,根据所述超高分辨率合成孔径雷达图像取得4类特征谱,分别是相关曲线、频谱、径向谱和角度谱;
特征集提取步骤,基于所述特征谱提取均值、方差、偏度、频谱中心、频谱通量、径向谱中心、径向谱通量、相邻相关曲线峰值距离、角度谱的最大峰对应角度这9个特征参量形成特征集;以及
非监督分类步骤,基于所述特征集对所述超高分辨率合成孔径雷达图像进行分类,
其中,
所述相关曲线为像素距离r从最小可能的距离到最大可能距离变化时由相关函数C(r)形成的曲线,相关函数C(r)表示为
式中,M和N分别表示图块的行列数,表示图块散射强度的均值
所述频谱通过根据以下公式取得
其中,p和q分别代表行和列方向的波数,
所述径向谱通过将所述频谱分为不同半径的同心圆,并分别对每个同心圆圆周的频谱值求和取得;
所述角度谱通过将[0°,180°]分割成若干区间,计算从第一个区间到最后一个区间的角度谱A(t)值形成,
其中,角度范围为t∈[t1,t2]的角度谱值可以表示为
当像元[p,q]在区间t内时,a[p,q]等于1,否则等于0;
谱中心代表能量在特征谱中集中的位置,表现谱的能量分布;特征谱通量用于表征特征谱的光滑性,它计算的是相邻位置间特征谱值强度的差异;径向谱为一维谱;频谱为二维谱。
6.根据权利要求5所述超高分辨率合成孔径雷达图像分类方法,其特征在于,
在所述特征集提取步骤中,所述频谱通量提取还包括重排子步骤,将频谱重排为一维特征谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710173873.6A CN107103282B (zh) | 2017-03-22 | 2017-03-22 | 超高分辨率合成孔径雷达图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710173873.6A CN107103282B (zh) | 2017-03-22 | 2017-03-22 | 超高分辨率合成孔径雷达图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107103282A CN107103282A (zh) | 2017-08-29 |
CN107103282B true CN107103282B (zh) | 2020-05-26 |
Family
ID=59674773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710173873.6A Expired - Fee Related CN107103282B (zh) | 2017-03-22 | 2017-03-22 | 超高分辨率合成孔径雷达图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107103282B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711446B (zh) * | 2018-12-18 | 2021-01-19 | 中国科学院深圳先进技术研究院 | 一种基于多光谱影像和sar影像的地物分类方法及装置 |
CN110412548B (zh) * | 2019-07-20 | 2023-08-01 | 中国船舶集团有限公司第七二四研究所 | 基于高分辨一维距离像的雷达多目标识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732970A (zh) * | 2013-12-20 | 2015-06-24 | 中国科学院声学研究所 | 一种基于综合特征的舰船辐射噪声识别方法 |
CN104898119A (zh) * | 2015-05-19 | 2015-09-09 | 北京航空航天大学 | 一种基于相关函数的动目标参数估计方法 |
-
2017
- 2017-03-22 CN CN201710173873.6A patent/CN107103282B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732970A (zh) * | 2013-12-20 | 2015-06-24 | 中国科学院声学研究所 | 一种基于综合特征的舰船辐射噪声识别方法 |
CN104898119A (zh) * | 2015-05-19 | 2015-09-09 | 北京航空航天大学 | 一种基于相关函数的动目标参数估计方法 |
Non-Patent Citations (4)
Title |
---|
"Complex SAR Image Characterization using";Anca Popescu 等;《IEEE》;20081230;正文第1-4页 * |
"Contextual Descriptors for Scene Classes";Anca A. Popescu 等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20120131;第9卷(第1期);第80-84页 * |
"Early Warning Signals of Ecological Transitions: Methods";Sonia Ke´ fi 等;《(2014) Early Warning Signals of Ecological Transitions: Methods for Spatial Patterns》;20140321;第9卷(第3期);第1-13页 * |
"Noncircularity Parameters and Their Potential";Wenjin Wu 等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20161230;第13卷(第10期);第1547-1551页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107103282A (zh) | 2017-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Culvenor | TIDA: an algorithm for the delineation of tree crowns in high spatial resolution remotely sensed imagery | |
CN107229917B (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
Couteron et al. | Textural ordination based on Fourier spectral decomposition: a method to analyze and compare landscape patterns | |
CN111191628B (zh) | 基于决策树与特征优化的遥感影像震害建筑物识别方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
Balcik et al. | Greenhouse mapping using object based classification and sentinel-2 satellite imagery | |
Guo et al. | Template matching via $ l_1 $ minimization and its application to hyperspectral data | |
CN107103282B (zh) | 超高分辨率合成孔径雷达图像分类方法 | |
CN110852207A (zh) | 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
Li et al. | Integrating multiple textural features for remote sensing image change detection | |
CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
Jónsson | RGB and Multispectral UAV image classification of agricultural fields using a machine learning algorithm | |
Djerriri et al. | Improving hyperspectral image classification by combining spectral and multiband compact texture features | |
Fang et al. | Detection of building shadow in remote sensing imagery of urban areas with fine spatial resolution based on saturation and near-infrared information | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
Kim et al. | Automatic pseudo-invariant feature extraction for the relative radiometric normalization of hyperion hyperspectral images | |
Shi et al. | Urban feature shadow extraction based on high-resolution satellite remote sensing images | |
Boyaci et al. | Pixel-versus object-based classification of forest and agricultural areas from multiresolution satellite images | |
CN104392209A (zh) | 一种目标与背景的图像复杂度评价模型 | |
CN117115652A (zh) | 一种基于可见光谱视觉遥感的林地退化目标检测识别方法 | |
CN108304766B (zh) | 一种基于高分辨率遥感筛选危险品堆场的方法 | |
Zhang et al. | Dynamic Threshold Selection for the Classification of Large Water Bodies within Landsat-8 OLI Water Index Images | |
Huang et al. | Morphological building index (MBI) and its applications to urban areas |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200526 Termination date: 20210322 |