CN107527035A - 建筑物震害信息提取方法及装置 - Google Patents
建筑物震害信息提取方法及装置 Download PDFInfo
- Publication number
- CN107527035A CN107527035A CN201710754807.8A CN201710754807A CN107527035A CN 107527035 A CN107527035 A CN 107527035A CN 201710754807 A CN201710754807 A CN 201710754807A CN 107527035 A CN107527035 A CN 107527035A
- Authority
- CN
- China
- Prior art keywords
- building
- information
- polarization
- dominant
- texture
- 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
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
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种建筑物震害信息提取方法及装置,涉及信息处理技术领域,能够改善利用SAR数据提取建筑物震害信息的精度。该建筑物震害信息提取方法包括:获取震害区域全极化SAR数据中的影像信息,包括极化信息和纹理信息;对极化信息进行极化方位角偏移量估计和补偿,得到极化方位角补偿数据;对极化方位角补偿数据进行Yamaguchi极化分解,得到二面角散射占优地物和体散射占优地物,体散射占优地物是倒塌建筑和倾斜建筑两种建筑物的混合地物;从所述纹理信息中提取能够有效区分倒塌建筑和倾斜建筑的纹理特征信息;利用基于精度加权的多特征融合方法对纹理特征信息进行融合,并对体散射占优地物进行分类,得到倒塌建筑和倾斜建筑。
Description
技术领域
本发明涉及信息获取与处理技术领域,尤其是涉及一种建筑物震害信息提取方法及装置。
背景技术
地震是最具破坏力和危害性最严重的自然灾害之一,破坏性地震发生后往往都会造成惨重的人员伤亡和巨大的经济损失。我国地处环太平洋地震带和喜马拉雅—地中海两大地震带之间,这使得我国成为世界上受地震危害最严重的国家之一。
利用遥感影像的自动解译能够在震后最快的时间里,给出最全面、准确的震害分布,为相关政府部门及时提供可靠的决策依据,这是现场调查无法比拟的优势。在遥感研究领域,光学遥感已经有了长足的发展,雷达遥感正在兴起,合成孔径雷达(SAR)影像在震害评估中的应用已成为研究热点。全极化SAR(PolSAR)遥感震害识别近几年刚刚兴起,相关研究较少。由于PolSAR发展较晚,数据源较少,因此需要开展震后单时相PolSAR震害识别研究以克服数据源的限制。
目前使用单时相PolSAR数据进行震害识别常用的方法是借助极化分类方法提取震害信息,但是,该方法容易将倾斜建筑误分为倒塌建筑,导致震害信息提取精度较差。
综上,传统的极化分类方法在用于提取震害信息时,存在提取精度较差的问题。
发明内容
有鉴于此,本发明的目的在于提供一种建筑物震害信息提取方法及装置,以解决现有技术中存在的建筑物震害信息提取精度较差的问题,能够改善建筑物震害信息的提取精度。
第一方面,本发明实施例提供了一种建筑物震害信息提取方法,包括:
获取震害区域的全极化合成孔径雷达数据中的影像信息,所述影像信息包括极化信息和纹理信息;
对所述极化信息进行极化方位角偏移量估计和补偿,得到极化方位角补偿数据;
对所述极化方位角补偿数据进行Yamaguchi极化分解,得到二面角散射占优地物和体散射占优地物;其中,所述体散射占优地物是倒塌建筑和倾斜建筑两种建筑物的混合地物;
从所述纹理信息中提取能够有效区分倒塌建筑和倾斜建筑的纹理特征信息;
利用基于精度加权的多特征融合方法对所述纹理特征信息进行融合,并对所述体散射占优地物进行分类,得到所述倒塌建筑和所述倾斜建筑。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,在所述对所述极化信息进行极化方位角偏移量估计和补偿,得到极化方位角补偿数据步骤之前,该方法还包括:
对所述影像信息进行预处理。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,在所述利用基于精度加权的多特征融合方法对所述纹理特征信息进行融合,并对所述体散射占优地物进行分类,提取得到所述倒塌建筑和所述倾斜建筑步骤之前,该方法还包括:
采用OPCE算法对所述倒塌建筑和所述倾斜建筑进行对比度增强,得到OPCE功率图像,并对所述OPCE功率图像的纹理信息进行纹理特征信息提取和对比度分析。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述基于精度加权的多特征融合方法,具体为:
选择n个已知类别样本,采用m个特征F1,F2,…,Fm对所述n个已知类别样本进行分类,并进行精度评价,得到的F1,F2,…,Fm的分类精度分别为a1,a2,…,am;
利用m个特征F1,F2,…,Fm对影像进行分类,分别得到m个分类结果RF1,RF2,…,RFm;
对所述影像中的每个待分类点循环执行以下步骤:根据m个分类结果RF1,RF2,…,RFm,结合每个特征的分类精度a1,a2,…,am对所述待分类点进行分类精度累加,将所述待分类点的累加精度最大值所在的类别作为所述待分类点的归属类别。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,该方法还包括:
利用震害指数BBCR在街区尺度上对所述震害区域进行建筑物震害评估,得到评估结果。
第二方面,本发明实施例还提供一种建筑物震害信息提取装置,包括:
影像获取模块,用于获取震害区域的全极化合成孔径雷达数据中的影像信息,所述影像信息包括极化信息和纹理信息;
补偿模块,用于对所述极化信息进行极化方位角偏移量估计和补偿,得到极化方位角补偿数据;
极化分解模块,用于对所述极化方位角补偿数据进行Yamaguchi极化分解,得到二面角散射占优地物和体散射占优地物;其中,所述体散射占优地物是倒塌建筑和倾斜建筑两种建筑物的混合地物;
纹理特征提取模块,用于从所述纹理信息中提取能够有效区分倒塌建筑和倾斜建筑的纹理特征信息;
分类提取模块,用于利用基于精度加权的多特征融合方法对所述纹理特征信息进行融合,并对所述体散射占优地物进行分类提取,得到所述倒塌建筑和所述倾斜建筑。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,该装置还包括预处理模块,用于对所述影像信息进行预处理。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,该装置还包括对比度增强模块,用于采用OPCE算法对所述倒塌建筑和所述倾斜建筑进行对比度增强,得到OPCE功率图像,并对所述OPCE功率图像的纹理信息进行纹理特征信息提取和对比度分析。
结合第二方面,本发明实施例提供了第二方面的第三种可能的实施方式,其中,所述基于精度加权的多特征融合方法,具体为:
选择n个已知类别样本,采用m个特征F1,F2,…,Fm对所述n个已知类别样本进行分类,并进行精度评价,得到的F1,F2,…,Fm的分类精度分别为a1,a2,…,am;
利用m个特征F1,F2,…,Fm对影像进行分类,分别得到m个分类结果RF1,RF2,…,RFm;
对所述影像中的每个待分类点循环执行以下步骤:根据m个分类结果RF1,RF2,…,RFm,结合每个特征的分类精度a1,a2,…,am对所述待分类点进行分类精度累加,将所述待分类点的累加精度最大值所在的类别作为所述待分类点的归属类别。
结合第二方面,本发明实施例提供了第二方面的第四种可能的实施方式,其中,该装置还包括震害评估模块,用于利用震害指数BBCR在街区尺度上对所述震害区域进行建筑物震害评估,得到评估结果。
本发明实施例带来了以下有益效果:
本发明实施例提供的建筑物震害信息提取方法中,首先获取震害区域的全极化合成孔径雷达数据中的影像信息,其中,影像信息包括极化信息和纹理信息;然后对极化信息进行极化方位角偏移量估计和补偿,得到极化方位角补偿数据;接着对极化方位角补偿数据进行Yamaguchi极化分解,得到二面角散射占优地物和体散射占优地物;其中,体散射占优地物是倒塌建筑和倾斜建筑两种建筑物的混合地物;其次,从上述纹理信息中提取能够有效区分倒塌建筑和倾斜建筑的纹理特征信息;最后利用基于精度加权的多特征融合方法对纹理特征信息进行融合,并对体散射占优地物进行分类,提取出倒塌建筑和倾斜建筑。本发明实施例提供的上述方法,以收集或上报汇交等途径获取的地震震后一景PolSAR数据资料为对象,对影像中的极化信息和纹理信息两种信息分别进行解析和处理—对极化信息进行极化方位角偏移量估计、补偿,而后进行极化分解;对纹理信息进行提取、分析、计算、融合,最后将两者进行结合,对体散射占优地物进行分类,提取得到倒塌建筑和倾斜建筑。该方法充分考虑到PolSAR数据中的影像信息并对其进行综合分析,通过精度加权融合多种特征的分类方法能够改善建筑物震害信息的提取精度。此外,采用本发明实施例提供的所获得信息提取方法具有通用性,提高了建筑物震害信息提取的精度和准确性。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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他的附图。
图1为本发明实施例一提供的第一种建筑物震害信息提取方法的流程图;
图2为本发明实施例一提供的基于精度加权的多特征融合方法的原理示意图;
图3为本发明实施例一提供的利用基于精度加权的多特征融合方法提取倒塌建筑和倾斜建筑的流程图;
图4为本发明实施例二提供的第二种建筑物震害信息提取方法的流程图;
图5为本发明实施例三提供的建筑物震害信息提取装置的示意图;
图6为本发明实施例三提供的建筑物震害信息提取装置用于建筑物震害评估的简要流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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他实施例,都属于本发明保护的范围。
针对目前传统的极化分类方法容易将倾斜建筑误分为倒塌建筑,造成震害信息提取精度较差的技术缺陷,基于此,本发明实施例提供的建筑物震害信息提取方法及装置,能够改善建筑物震害信息的提取精度。
实施例一:
图1示出了本发明实施例提供的一种建筑物震害信息提取方法的流程图,可应用于地震灾区的震害评估,能够改善建筑物震害信息的提取精度,该方法包括以下步骤:
S101:获取震害区域的全极化合成孔径雷达数据中的影像信息,该影像信息包括极化信息和纹理信息。
其中,上述全极化合成孔径雷达数据为震后的单时相PolSAR影像,可以是由机载SAR传感器获取,也可以是星载SAR传感器获取,对此本发明实施例不作具体限定。
考虑到多时相PolSAR影像识别建筑物震害信息的方法中,获取震前相匹配的PolSAR数据和震前震后PolSAR影像配准,不仅会存在一定的困难,还会耗费更多的时间,有时甚至不存在相匹配的震前影像的问题。本发明实施例仅使用震后一景PolSAR影像,即单时相PolSAR影像进行建筑物震害信息提取,具有快速方便的优势,适应地震应急需求。
全极化SAR影像包含极化特征和丰富的纹理特征,而建筑物在全极化SAR影像中具有显著的纹理特征,并且在震后PolSAR影像中,未倒塌建筑具有明显的外形轮廓,呈现有规律排列分布,在SAR影像中表现为规则分布的几何形状和具有一定走向的排列形式,纹理特征清晰显著。而倒塌建筑规则的几何结构受到破坏,楼群空间关系模糊,二面角效应亦不明显,纹理的规则性、密度、方向以及空间展布等参量都与未倒塌建筑有明显区别,即倒塌建筑与未倒塌建筑(倾斜建筑属于未倒塌建筑)在外形轮廓和空间排列分布等特性上都有较大的差异,使得它们具有明显的纹理特征差异。
S102:对极化信息进行极化方位角偏移量估计和补偿,得到极化方位角补偿数据。
具体的,采用圆极化计算方法对极化信息进行极化方位角偏移量估计,然后基于极化方位角偏移量对极化方位角进行补偿,从而得到极化方位角补偿数据。
S103:对极化方位角补偿数据进行Yamaguchi极化分解,得到二面角散射占优地物和体散射占优地物。
其中,上述体散射占优地物是倒塌建筑和倾斜建筑两种建筑物的混合地物。当得到二面角散射占优地物后,直接将上述二面角散射占优地物划分为平行建筑。
S104:从纹理信息中提取能够有效区分倒塌建筑和倾斜建筑的纹理特征信息。
具体的,从纹理信息中提取分析影像的多种纹理特征,并遴选出能够有效区分倒塌建筑和倾斜建筑的纹理特征信息。
本发明实施例提取纹理特征信息,并用于改善倒塌建筑和倾斜建筑的混分情况,上述纹理特征信息主要是指PolSAR数据中的总功率(SPAN)图像中的均值(Mean)、同质性(Homogeneity)、熵(Entropy)和相关性(Correlation)四种基于灰度共生矩阵(GLCM)的纹理特征参数。
此外,选择合适的窗口(该处选择15×15)和角度参数(具体为45°方向)对SPAN图像的上述四种纹理特征参数进行计算发现,两种建筑物样本在四种纹理特征中均表现出明显差异。其中,Mean与图像灰度值的大小有关,倒塌建筑物的Mean值明显大于倾斜建筑物;Homogeneity度量影像局部纹理变化的大小,Homogeneity值大说明图像纹理的不同区域间变化小,图像均匀,由于倒塌建筑分布散乱,丧失了楼群排列特征,没有复杂的纹理,在图像上灰度分布较均匀,因此倒塌建筑的Homogeneity值比倾斜建筑物大;Entropy表征图像中纹理的复杂程度和非均匀程度,纹理越复杂,熵值越大;灰度分布越均匀,则熵值越小,因此倒塌建筑的Entropy值比倾斜建筑小;Correlation反映图像中局部灰度相关性,当像元值差别小时,相关值大;像元值相差大时,相关值就小。由于倒塌建筑灰度分布均匀、像元值差别小,因此Correlation值比倾斜建筑大。本实施例采用的纹理特征信息包括均值、同质性、熵和相关性4种纹理特征参数。
需要说明的是,纹理特征信息可以根据实际情况(例如不同的数据、个人能力、经验等)进行选取,还可以使用其它纹理特征或基于其它方法和其它思想提取纹理特征信息,以能够有效区分倒塌建筑和倾斜建筑为基准,并不一定均采用这四种纹理特征,也不一定采用基于GLCM的纹理特征。因此,上述纹理特征只是示例性说明,并不应理解为对本发明的限制。
S105:利用基于精度加权的多特征融合方法对多种纹理特征信息进行融合,并对体散射占优地物进行分类,得到倒塌建筑和倾斜建筑。
在PWMF(Precision Weighted Multi-feature Fusion,中文全称:基于精度加权的多特征融合)方法中,对已知样本所采用的分类方法和对整个影像(或未知样本)所采用的分类方法应保持一致,而且均应采用非监督分类方法。这里基于非监督分类方法,采用K近邻分类器对倒塌建筑和倾斜建筑进行分类。需要说明的是,PWMF方法中提及的上述影像也可以是一个数据集。
下面结合图2所示的原理示意图说明该基于精度加权的多特征融合方法:
(1)选择n个已知类别样本,采用m个特征F1,F2,…,Fm对n个已知类别样本进行分类,并进行精度评价,得到F1,F2,…,Fm的分类精度分别为a1,a2,…,am。
(2)利用m个特征F1,F2,…,Fm对影像进行分类,分别得到m个分类结果RF1,RF2,…,RFm,这里的影像指的是PolSAR影像。
(3)根据m个分类结果RF1,RF2,…,RFm,结合每个特征的分类精度a1,a2,…,am对影像中的某个待分类点进行分类精度累加,将该待分类点的累加精度最大值所在的类别作为该待分类点的归属类别。
下面以图2中所示的P点为例进行详细描述:
设有m个融合特征F1,F2,…,Fm,F1,F2,…,Fm对已知分类样本的分类精度分别为a1,a2,…,am,RF1,RF2,…,RFm分别是F1,F2,…,Fm对影像的分类结果,目标类别数为K,R(x)代表影像中点x的最终分类结果,P是影像中的所有待分类点中的某一点,ti(x)是特征对影像中点x所分类别的指示因子。
在特征Fi的分类结果RFi中,如果点P被分为第j类,则ti(P)=1,否则ti(P)=0。对K个类别中的每个类别{1,2,…,K}分别计算j∈{1,2,…,K},得到K个精度加权值,这K个精度加权值中的最大值所对应的类别g就成为P点的归属类别(最终类别)。
依次类推,对影像中所有的待分类点都执行上述点P的操作,得到影像的最终分类结果。即对影像中的每个待分类点循环执行步骤(3)根据m个分类结果RF1,RF2,…,RFm,结合每个特征的分类精度a1,a2,…,am对某个待分类点进行分类精度累加,将该待分类点的累加精度最大值所在的类别作为该待分类点的归属类别,从而得到影像的最终分类结果。
图3示出了本发明实施例提供的利用基于精度加权的多特征融合方法提取倒塌建筑和倾斜建筑的流程图,参照图3对利用该方法融合均值(Mean)、同质性(Homogeneity)、熵(Entropy)和相关性(Correlation)四种纹理特征提取倒塌建筑和倾斜建筑的过程:
S301:选取1000个已知倒塌建筑和倾斜建筑类别的体散射样本。
S302:用F1,F2,F3,F4四个特征分别对选取的1000个体散射样本进行分类,得到四个特征的分类精度a1,a2,a3,a4。
S303:用F1,F2,F3,F4四个特征对全部体散射样本进行分类,倾斜建筑标记为-1类,倒塌建筑标记为1类。
S304:对每个样本点的四种特征分类结果分别赋权值ai,i∈{1,2,…,K},若是倒塌建筑即为ai×1,反之ai×(-1),如果|Σai×1|>|Σai×(-1)|,则该点确定为倒塌建筑,反之确定为倾斜建筑。
具体的,倒塌建筑和倾斜建筑均呈现体散射特征,在S104提取出体散射占优地物后,从中选取已知类别的包括倒塌建筑和倾斜建筑在内的1000个体散射样本,本发明实施例从经过极化方位角补偿的PolSAR数据中分别选择了540个倒塌建筑样本和460个倾斜建筑样本。
将均值、同质性、熵和相关性四种纹理特征分别记为F1,F2,F3,F4,用这四个特征分别对这1000个样本进行分类,并计算分类精度,F1,F2,F3,F4的分类精度分别为a1,a2,a3,a4。
由于此处的目标类别只有倒塌建筑和倾斜建筑两类,将倒塌建筑标记为1类,倾斜建筑标记为-1类。用F1,F2,F3,F4对所有待分类的体散射占优地物进行分类,得到四种分类结果RF1,RF2,RF3,RF4。
依据这四种分类结果,对每个待分类样本点赋权值ai,i∈{1,2,3,4},如果某点在RFi中被分为倒塌建筑,则对该点赋值为ai×1,若被分为倾斜建筑则对该点赋值为ai×(-1)。将该点所有的ai×1和ai×(-1)分别相加,即∑ai×1和∑ai×(-1),对相加的和分别取绝对值,即|∑ai×1|和|∑ai×(-1)|。如果|∑ai×1|>|∑ai×(-1)|,该点就被划分为倒塌建筑,如果|∑ai×1|<|∑ai×(-1)|,该点就被划分为倾斜建筑。
本发明实施例提供的建筑物震害信息提取方法中,首先获取震害区域的全极化合成孔径雷达数据中的影像信息,其中,影像信息包括极化信息和纹理信息;其次对极化信息进行极化方位角偏移量估计和补偿,得到极化方位角补偿数据;接着对极化方位角补偿数据进行Yamaguchi极化分解,得到二面角散射占优地物和体散射占优地物;其中,体散射占优地物是倒塌建筑和倾斜建筑两种建筑物的混合地物;然后分析提取PolSAR影像中纹理信息的多种纹理特征,即从所述纹理信息中提取能够有效区分倒塌建筑和倾斜建筑的纹理特征信息;最后利用基于精度加权的多特征融合方法对纹理特征信息进行融合,并对体散射占优地物进行分类,提取出倒塌建筑和倾斜建筑。本发明实施例提供的上述方法,以收集或上报汇交等途径获取的地震震后一景PolSAR数据资料为对象,对影像中的极化信息和纹理信息两种信息分别进行解析和处理—对极化信息进行极化方位角偏移量估计、补偿,而后进行极化分解;对纹理信息进行提取、计算、融合,最后将两者进行结合,对体散射占优地物进行分类,得到倒塌建筑和倾斜建筑。该方法充分考虑到PolSAR数据中的影像信息并对其进行综合分析,通过精度加权融合多种特征的分类方法能够改善建筑物震害信息的提取精度。此外,采用本发明实施例提供的所获得信息提取方法具有通用性,提高了建筑物震害信息提取的精度和准确性。
实施例二:
图4示出了本发明实施例提供的第二种建筑物震害信息提取方法的流程图,基于实施例一,该方法包括:
S401:获取震害区域的全极化合成孔径雷达数据中的影像信息,该影像信息包括极化信息和纹理信息。
考虑到全极化SAR数据中的影像信息通常存在斑点噪声的缺陷,基于此,本实施例提供的建筑物震害信息提取方法还包括预处理步骤S101。
S402:对影像信息进行预处理。
本步骤主要采用极化SAR影像滤波算法(例如精致Lee滤波算法)的方式对上述影像信息进行斑点去噪,以减小斑点噪声对后续结果的影响,提高提取精度,从而提高分类结果的准确性。
S403:对极化信息进行极化方位角偏移量估计和补偿,得到极化方位角补偿数据。
S404:对极化方位角补偿数据进行Yamaguchi极化分解,得到二面角散射占优地物和体散射占优地物。
其中,上述体散射占优地物是倒塌建筑和倾斜建筑两种建筑物的混合地物;
进一步的,直接将上述二面角散射占优地物划分为平行建筑。
考虑到极化方位角补偿技术并不能将具有较大极化方位角偏移量的倾斜建筑的二次散射功率(二面角散射功率)增强到跟平行建筑一样,因此经过极化方位角补偿的PolSAR数据中很多倾斜建筑的二次散射功率仍然较低,仍为体散射占优地物,倾斜建筑和倒塌建筑之间依然存在比较严重的混分问题。鉴于此,本发明实施例中的建筑物震害信息提取方法,为了更完整地提取出倾斜建筑,该方法还包括对倾斜建筑和倒塌建筑进行最优极化对比度增强的步骤,以增强倾斜建筑和倒塌建筑的纹理特征差异。
S405:从纹理信息中提取能够有效区分倒塌建筑和倾斜建筑的纹理特征信息。
为了进一步的提高提取精度,同时为了与实施例一的结果进行对比,本发明实施例还包括对比度增强步骤:
S406:采用OPCE算法对倒塌建筑和倾斜建筑进行对比度增强,得到OPCE功率图像,并对该OPCE功率图像的纹理信息进行纹理特征信息提取和对比度分析。
上述OPCE(Optimization of Polarimetric Contrast Enhancement,最优极化对比度增强),又称为相对最优极化,是通过选取一组接收天线和发射天线的最优极化组合状态,增强感兴趣目标的天线接收功率,同时抑制杂波的散射回波功率,从而增大目标和杂波的功率对比度。该方法采用OPCE算法中的“期望目标”和“背景杂波”对应到震害区域建筑物中,即将倒塌建筑作为“期望目标”、倾斜建筑对应为“背景杂波”,增强两种建筑物的对比度,增大倒塌建筑和倾斜建筑的分离度,进而提高倾斜建筑和倒塌建筑的提取精度。
实际应用中,该步骤主要通过以下方式实现:(a)在PolSAR影像中选取倒塌建筑(目标)样本和倾斜建筑(杂波)样本,得到目标样本数据的Stokes矩阵(M1)和杂波样本数据的Stokes矩阵(M2);(b)寻找一组发射天线和接收天线的极化状态(g1,g2,g3;h1,h2,h3)使得目标和杂波的功率比C达到最大,其中Jt(Jt=[1g1g2g3]T)和Jr(Jr=[1h1h2h3]T)分别是发射天线和接收天线的Stokes矢量,并且具有g1 2+g2 2+g3 2=1和h1 2+h2 2+h3 2=1的性质;(c)使用基于连续无约束最小化技术(Sequential Unconstrained MinimizationTechnique,SUMT)的数值解法求解(b)中提出的最优极化问题,得到接收天线和发射天线的最优极化组合状态,该极化状态能够使倒塌建筑和倾斜建筑的功率对比度达到最大。
使用OPCE方法增强倒塌建筑和倾斜建筑对比度之后,得到OPCE功率图像,然后选择合适的窗口和角度参数对OPCE功率图像进行纹理特征信息提取,本发明实施例采用与实施例一相同的窗口和角度参数,即在45°方向上15×15窗口下对OPCE功率图像进行纹理特征信息提取,考虑到基于灰度共生矩阵(GLCM)的纹理特征中,均值(Mean)、同质性(Homogeneity)、熵(Entropy)和相关性(Correlation)四种纹理特征参数对倾斜建筑和倒塌建筑具有较好的分离度,因此,此处提取的纹理特征信息主要包括均值纹理特征参数、同质性纹理特征参数、熵纹理特征参数和相关性纹理特征参数四种纹理特征参数。
需要说明的是,通过玉树地震震后一景国内机载高分辨率PolSAR数据对该方法进行验证,在相同情况下分别计算采用OPCE方法增强倒塌建筑和倾斜建筑对比度前后的功率对比度,发现经过OPCE对比度增强后,两种建筑的对比度提高了0.4。
该步骤通过采用最优极化对比度增强算法(OPCE)增强倒塌建筑和倾斜建筑的对比度,有利于更完整地提取出倾斜建筑,进一步提高了倒塌建筑的提取精度。
S407:利用基于精度加权的多特征融合方法对多种纹理特征信息进行融合,并对体散射占优地物进行分类,得到倒塌建筑和倾斜建筑。
考虑到在分辨率不是很高的雷达影像中,单体建筑的轮廓并不清晰,加之雷达影像中的斑点噪声影响,很难对每个单体建筑进行逐一评估,对单体建筑的评估会存在较大误差,为了避免在单体建筑尺度上进行震害评估的误差,同时为了便于和已有震害评估结果进行对比,本实施例中还包括在街区尺度上进行震害评估的步骤。
S408:利用震害指数BBCR在街区尺度上对震害区域进行建筑物震害评估,得到评估结果。
上述震害指数BBCR是将街区建筑物倒塌率(block building collapse rate)作为建筑物震害评估指数,上述建筑物倒塌率定义为倒塌建筑物占总体建筑物数量的比例,分别计算每个街区的BBCR取值大小,利用该震害指数BBCR对震害区域的每个街区进行建筑物震害评估,评估建筑物损毁情况,得到评估结果。其中,总体建筑物数量为倒塌建筑物和未倒塌建筑物的数量总和,平行建筑和倾斜建筑归为未倒塌建筑物。
需要说明的是,还可以根据每个街区的BBCR取值大小与预先设定的阈值比较,对街区震害等级进行划分。例如对于某个街区,当其BBCR值小于等于0.3,则将该街区分为轻度倒塌;当BBCR值大于0.3且小于等于0.5,将其确定为中度倒塌;当其BBCR值大于0.5,则将该街区归为重度倒塌。
通过在街区尺度上进行精度评价,对每个街区的震害等级进行验证评估的方式,能够适用于多种分辨率的雷达影像,拓展了应用范围,增加了灵活性,而且在应急救援过程中能够更有效地指导综合性部署方案的制定。
本发明实施例提供的建筑物震害信息提取方法,通过去噪预处理,减小了斑点噪声对结果的影响,再采用OPCE算法增强倾斜建筑和倒塌建筑的对比度,得到OPCE功率图像,提取分析OPCE功率图像中的多种纹理特征,选取均值、同质性、熵和相关性4种纹理特征参数提取倒塌建筑和倾斜建筑,增加了倾斜建筑和倒塌建筑的纹理特征差异,有利于更完整地提取出倾斜建筑,最后利用基于精度加权的多特征融合方法对经过OPCE算法增强后得到的OPCE功率图像提取计算的纹理特征信息进行融合,并对体散射占优地物进行分类,提取出倒塌建筑和倾斜建筑,进一步提高了倒塌建筑的提取精度,从而改善了建筑物震害信息的提取精度,并利用震害指数BBCR在街区尺度上对提取出的平行建筑、倒塌建筑和倾斜建筑进行震害评估,为制定震后救援工作提供有效的参考依据。
实施例三:
如图5所示,本发明实施例提供一种建筑物震害信息提取装置,包括影像获取模块10、补偿模块20、极化分解模块30、纹理特征提取模块40、分类提取模块50。
影像获取模块10用于获取震害区域的全极化合成孔径雷达数据中的影像信息,该影像信息包括极化信息和纹理信息。
补偿模块20用于对上述极化信息进行极化方位角偏移量估计和补偿,得到极化方位角补偿数据。
极化分解模块30用于对上述极化方位角补偿数据进行Yamaguchi极化分解,得到二面角散射占优地物和体散射占优地物;其中,该体散射占优地物是倒塌建筑和倾斜建筑两种建筑物的混合地物。具体的,极化分解模块30还用于将二面角散射占优地物直接划分为平行建筑。
纹理特征提取模块40用于从上述纹理信息中提取能够有效区分倒塌建筑和倾斜建筑的纹理特征信息,在本实施例中这些纹理特征信息是基于GLCM的纹理特征,包括均值纹理特征参数、同质性纹理特征参数、熵纹理特征参数和相关性纹理特征参数。
分类提取模块50用于利用基于精度加权的多特征融合方法对所述纹理特征信息进行融合,并对所述体散射占优地物进行分类,得到所述倒塌建筑和所述倾斜建筑。
具体的,基于精度加权的多特征融合方法可以根据以下步骤执行:
(1)选择n个已知类别样本,采用m个特征F1,F2,…,Fm对n个已知类别样本进行分类,并进行精度评价,得到F1,F2,…,Fm的分类精度分别为a1,a2,…,am;
(2)利用m个特征F1,F2,…,Fm对影像进行分类,分别得到m个分类结果RF1,RF2,…,RFm;
对影像中的每个待分类点循环执行步骤(3)根据m个分类结果RF1,RF2,…,RFm,结合每个特征的分类精度a1,a2,…,am对待分类点进行分类精度累加,将待分类点的累加精度最大值所在的类别作为待分类点的归属类别。
进一步的是,该装置还包括预处理模块12,用于对影像信息进行预处理。
优选的是,该装置还包括对比度增强模块45,用于采用OPCE算法对倒塌建筑和倾斜建筑进行对比度增强,得到OPCE功率图像,并对上述OPCE功率图像的纹理信息进行纹理特征信息提取和对比度分析;同样的,为了进行对比说明对比度增强后能够进一步提高提取精确,此处的纹理特征信息包括均值纹理特征参数、同质性纹理特征参数、熵纹理特征参数和相关性纹理特征参数。
进一步的是,该装置还包括震害评估模块60,用于利用震害指数BBCR在街区尺度上对震害区域进行建筑物震害评估,得到评估结果。
下面结合图6对本发明实施例提供的建筑物震害信息提取装置用于建筑物震害评估的流程进行简要说明:
(1)获取原始PolSAR数据,PolSAR数据中包括极化信息和纹理信息。
(2)对PolSAR数据进行预处理,滤除影像中的斑点噪声。
(3)采用圆极化方法计算极化方位角偏移量,进行极化方位角偏移量估计。
(4)基于极化方位角偏移量根据Lee等极化方位角补偿公式Tθ=R(θ)TR(θ)T,获得经过极化方位角补偿的PolSAR数据;式中,Tθ是经过极化方位角θ补偿的相干矩阵,矩阵T(中间)可以是单视或多视相干矩阵,上标T代表矩阵转置,R(θ)表示旋转矩阵,上述经过极化方位角补偿的PolSAR数据为[T3]矩阵。
(5)对经过极化方位角补偿的PolSAR数据([T3]矩阵),使用Yamaguchi四分量模型进行极化分解,获得二面角散射占优地物和体散射占优地物,将二次散射占优地物直接划分为平行建筑。
(6)对经过极化方位角补偿的PolSAR数据([T3]矩阵),采用OPCE方法增强倒塌建筑和倾斜建筑的功率对比度,得到OPCE功率图像,并提取OPCE功率图像的均值、同质性、熵和相关性四种基于GLCM的纹理特征参数。
(7)利用前述实施例中的基于精度加权的多特征融合方法融合这四种纹理特征,并对Yamaguchi极化分解得到的体散射占优地物进行分类,提取出倒塌建筑和倾斜建筑。
(8)将平行建筑和倾斜建筑划分为未倒塌建筑,将未倒塌建筑和倒塌建筑以外的地物划分为非建筑,采用震害指数BBCR计算震害区域的各个街区的建筑物损毁程度,得到基于街区的建筑物震害评估结果。
本发明实施例提供的建筑物震害信息提取装置,与上述实施例提供的建筑物震害信息提取方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种建筑物震害信息提取方法,其特征在于,包括:
获取震害区域的全极化合成孔径雷达数据中的影像信息,所述影像信息包括极化信息和纹理信息;
对所述极化信息进行极化方位角偏移量估计和补偿,得到极化方位角补偿数据;
对所述极化方位角补偿数据进行Yamaguchi极化分解,得到二面角散射占优地物和体散射占优地物;其中,所述体散射占优地物是倒塌建筑和倾斜建筑两种建筑物的混合地物;
从所述纹理信息中提取能够有效区分倒塌建筑和倾斜建筑的纹理特征信息;
利用基于精度加权的多特征融合方法对所述纹理特征信息进行融合,并对所述体散射占优地物进行分类,得到所述倒塌建筑和所述倾斜建筑。
2.根据权利要求1所述的方法,其特征在于,在对所述极化信息进行极化方位角偏移量估计和补偿,得到极化方位角补偿数据步骤之前,还包括:
对所述影像信息进行预处理。
3.根据权利要求1所述的方法,其特征在于,在所述利用基于精度加权的多特征融合方法对所述纹理特征信息进行融合,并对所述体散射占优地物进行分类,提取得到所述倒塌建筑和所述倾斜建筑步骤之前,还包括:
采用OPCE算法对所述倒塌建筑和所述倾斜建筑进行对比度增强,得到OPCE功率图像,并对所述OPCE功率图像的纹理信息进行纹理特征信息提取和对比度分析。
4.根据权利要求1所述的方法,其特征在于,所述基于精度加权的多特征融合方法,具体包括:
选择n个已知类别的样本,采用m个特征F1,F2,…,Fm对所述n个已知类别样本进行分类,并进行精度评价,得到F1,F2,…,Fm的分类精度分别为a1,a2,…,am;
利用m个特征F1,F2,…,Fm对影像进行分类,分别得到m个分类结果RF1,RF2,…,RFm;
对所述影像中的每个待分类点循环执行以下步骤:根据m个分类结果RF1,RF2,…,RFm,结合每个特征的分类精度a1,a2,…,am对所述待分类点进行分类精度累加,将所述待分类点的累加精度最大值所在的类别作为所述待分类点的归属类别。
5.根据权利要求1所述的方法,其特征在于,还包括:
利用震害指数BBCR在街区尺度上对所述震害区域进行建筑物震害评估,得到评估结果。
6.一种建筑物震害信息提取装置,其特征在于,包括:
影像获取模块,用于获取震害区域的全极化合成孔径雷达数据中的影像信息,所述影像信息包括极化信息和纹理信息;
补偿模块,用于对所述极化信息进行极化方位角偏移量估计和补偿,得到极化方位角补偿数据;
极化分解模块,用于对所述极化方位角补偿数据进行Yamaguchi极化分解,得到二面角散射占优地物和体散射占优地物;其中,所述体散射占优地物是倒塌建筑和倾斜建筑两种建筑物的混合地物;
纹理特征提取模块,用于从所述纹理信息中提取能够有效区分倒塌建筑和倾斜建筑的纹理特征信息;
分类提取模块,用于利用基于精度加权的多特征融合方法对所述纹理特征信息进行融合,并对所述体散射占优地物进行分类,得到所述倒塌建筑和所述倾斜建筑。
7.根据权利要求6所述的装置,其特征在于,还包括预处理模块,用于对所述影像信息进行预处理。
8.根据权利要求6所述的装置,其特征在于,还包括对比度增强模块,用于采用OPCE算法对所述倒塌建筑和所述倾斜建筑进行对比度增强,得到OPCE功率图像,并对所述OPCE功率图像的纹理信息进行纹理特征信息提取和对比度分析。
9.根据权利要求6所述的装置,其特征在于,所述基于精度加权的多特征融合方法,具体包括:
选择n个已知类别的样本,采用m个特征F1,F2,…,Fm对所述n个已知类别样本进行分类,并进行精度评价,得到的F1,F2,…,Fm的分类精度分别为a1,a2,…,am;
利用m个特征F1,F2,…,Fm对影像进行分类,分别得到m个分类结果RF1,RF2,…,RFm;
对所述影像中的每个待分类点循环执行以下步骤:根据m个分类结果RF1,RF2,…,RFm,结合每个特征的分类精度a1,a2,…,am对所述待分类点进行分类精度累加,将所述待分类点的累加精度最大值所在的类别作为所述待分类点的归属类别。
10.根据权利要求6所述的装置,其特征在于,还包括震害评估模块,用于利用震害指数BBCR在街区尺度上对所述震害区域进行建筑物震害评估,得到评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710754807.8A CN107527035A (zh) | 2017-08-28 | 2017-08-28 | 建筑物震害信息提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710754807.8A CN107527035A (zh) | 2017-08-28 | 2017-08-28 | 建筑物震害信息提取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107527035A true CN107527035A (zh) | 2017-12-29 |
Family
ID=60682648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710754807.8A Pending CN107527035A (zh) | 2017-08-28 | 2017-08-28 | 建筑物震害信息提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107527035A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710816A (zh) * | 2018-02-11 | 2018-10-26 | 河南科技大学 | 一种基于概率融合的极化sar图像建筑物检测方法 |
CN109241919A (zh) * | 2018-09-13 | 2019-01-18 | 甘肃省地震局(中国地震局兰州地震研究所) | 震区建筑物倒塌信息获取方法及装置 |
CN109543616A (zh) * | 2018-11-23 | 2019-03-29 | 北京师范大学 | 一种震后目标实物的损毁评估方法、装置、设备及介质 |
CN112101084A (zh) * | 2020-07-22 | 2020-12-18 | 甘肃省地震局(中国地震局兰州地震研究所) | 基于卷积神经网络的极化sar建筑物震害信息自动提取方法 |
CN112329675A (zh) * | 2020-11-12 | 2021-02-05 | 甘肃省地震局(中国地震局兰州地震研究所) | 一种基于傅里叶变换的极化sar数据识别倒塌建筑方法 |
CN115797768A (zh) * | 2022-11-30 | 2023-03-14 | 甘肃省地震局(中国地震局兰州地震研究所) | 一种新型纹理特征的sar建筑物震害估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761740A (zh) * | 2014-01-23 | 2014-04-30 | 武汉大学 | 基于震后单张polsar影像的建筑物损毁评估方法 |
CN105701481A (zh) * | 2016-02-26 | 2016-06-22 | 民政部国家减灾中心 | 一种倒塌建筑物提取方法 |
-
2017
- 2017-08-28 CN CN201710754807.8A patent/CN107527035A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761740A (zh) * | 2014-01-23 | 2014-04-30 | 武汉大学 | 基于震后单张polsar影像的建筑物损毁评估方法 |
CN105701481A (zh) * | 2016-02-26 | 2016-06-22 | 民政部国家减灾中心 | 一种倒塌建筑物提取方法 |
Non-Patent Citations (3)
Title |
---|
WEI ZHAI 等: "Building damage information investigation from a single post-earthquake polSAR image based on the fusion of multiple texture features", 《2017 IEEE INTERNATIONAL GEOSCIENCE & REMOTE SENSING SYMPOSIUM》 * |
杨汝良: "《极化微波成像》", 31 December 2016, 国防工业出版社 * |
翟玮等: "结合PolSAR影像纹理特征分析提取倒塌建筑物", 《遥感技术与应用》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710816A (zh) * | 2018-02-11 | 2018-10-26 | 河南科技大学 | 一种基于概率融合的极化sar图像建筑物检测方法 |
CN108710816B (zh) * | 2018-02-11 | 2021-05-18 | 河南科技大学 | 一种基于概率融合的极化sar图像建筑物检测方法 |
CN109241919A (zh) * | 2018-09-13 | 2019-01-18 | 甘肃省地震局(中国地震局兰州地震研究所) | 震区建筑物倒塌信息获取方法及装置 |
CN109241919B (zh) * | 2018-09-13 | 2020-11-10 | 甘肃省地震局(中国地震局兰州地震研究所) | 震区建筑物倒塌信息获取方法及装置 |
CN109543616A (zh) * | 2018-11-23 | 2019-03-29 | 北京师范大学 | 一种震后目标实物的损毁评估方法、装置、设备及介质 |
CN112101084A (zh) * | 2020-07-22 | 2020-12-18 | 甘肃省地震局(中国地震局兰州地震研究所) | 基于卷积神经网络的极化sar建筑物震害信息自动提取方法 |
CN112101084B (zh) * | 2020-07-22 | 2023-07-11 | 甘肃省地震局(中国地震局兰州地震研究所) | 基于卷积神经网络的极化sar建筑物震害信息自动提取方法 |
CN112329675A (zh) * | 2020-11-12 | 2021-02-05 | 甘肃省地震局(中国地震局兰州地震研究所) | 一种基于傅里叶变换的极化sar数据识别倒塌建筑方法 |
CN112329675B (zh) * | 2020-11-12 | 2023-04-25 | 甘肃省地震局(中国地震局兰州地震研究所) | 一种基于傅里叶变换的极化sar数据识别倒塌建筑方法 |
CN115797768A (zh) * | 2022-11-30 | 2023-03-14 | 甘肃省地震局(中国地震局兰州地震研究所) | 一种新型纹理特征的sar建筑物震害估计方法 |
CN115797768B (zh) * | 2022-11-30 | 2024-05-17 | 甘肃省地震局(中国地震局兰州地震研究所) | 一种基于纹理特征的sar建筑物震害估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107527035A (zh) | 建筑物震害信息提取方法及装置 | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN107895139B (zh) | 一种基于多特征融合的sar图像目标识别方法 | |
Ling et al. | Superresolution land cover mapping using spatial regularization | |
CN105718942B (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
CN109948593A (zh) | 基于结合全局密度特征的mcnn人群计数方法 | |
CN104809471B (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
CN103971364A (zh) | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 | |
CN109871884A (zh) | 一种融合多特征的支持向量机面向对象遥感影像分类方法 | |
CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
CN106600607B (zh) | 一种基于水平集分割极化sar影像的水体精确提取方法 | |
CN114140683A (zh) | 一种航拍图像目标检测的方法、设备与介质 | |
DE202014010866U1 (de) | Spekularitätsbestimmung von Bildern | |
CN108154511B (zh) | 基于子模字典学习的sar图像分割方法 | |
Ghasemi et al. | Urban classification using preserved information of high dimensional textural features of Sentinel-1 images in Tabriz, Iran | |
Ozdarici et al. | A comparison of SAR filtering techniques on agricultural area identification | |
CN114463637A (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
CN111458691B (zh) | 建筑物信息的提取方法、装置及计算机设备 | |
CN116563726A (zh) | 一种基于卷积神经网络的遥感图像舰船目标检测方法 | |
CN107239757A (zh) | 一种基于深度阶梯网的极化sar影像目标检测方法 | |
CN112989940B (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
CN110516552A (zh) | 一种基于时序曲线的多极化雷达图像分类方法及系统 | |
CN108446652A (zh) | 基于动态纹理特征的极化sar图像地物分类方法 | |
CN116843906A (zh) | 基于拉普拉斯特征映射的目标多角度本征特征挖掘方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171229 |
|
RJ01 | Rejection of invention patent application after publication |