CN108073865A - 一种基于卫星资料的飞机尾迹云识别方法 - Google Patents
一种基于卫星资料的飞机尾迹云识别方法 Download PDFInfo
- Publication number
- CN108073865A CN108073865A CN201611016138.6A CN201611016138A CN108073865A CN 108073865 A CN108073865 A CN 108073865A CN 201611016138 A CN201611016138 A CN 201611016138A CN 108073865 A CN108073865 A CN 108073865A
- Authority
- CN
- China
- Prior art keywords
- cloud
- satellite
- stream
- image
- jet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000002156 mixing Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 241000475481 Nebula Species 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000000750 progressive effect Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 7
- 230000005855 radiation Effects 0.000 abstract description 6
- 230000003287 optical effect Effects 0.000 description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000005436 troposphere Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10041—Panchromatic 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于卫星资料的飞机尾迹云识别方法,包括如下步骤:步骤1、融合卫星的红外和可见光通道的云图;步骤2、采用显著性分析方法,在融合后的卫星云图中,识别出具有线性特征的线性尾迹云;步骤3、利用线性尾迹云图像的像素点统计线性尾迹云的覆盖率;本发明通过对卫星高分辨率资料的分析,准确地识别线性尾迹云,并计算尾迹云的覆盖率从而用于其辐射特性,将会进一步完善尾迹云对区域和全球气候影响的研究,对研究尾迹云的辐射强迫有重要意义。
Description
技术领域
本发明涉及一种飞机尾迹云识别方法,尤其涉及一种基于卫星云图资料的飞机尾迹云识别方法。
背景技术
云是大气辐射系统中重要的组成部分,云覆盖率的改变会影响整个大气辐射的收支平衡,进而对气候系统产生影响。尾迹云是飞机飞行期间排出的废气与周围环境的冷空气经过混合后,由于相对湿度的增加,水汽凝结形成的一种特殊的云系。通常来说,自然状态下卷云的形成需要相对湿度达到145%-165%甚至更高,而尾迹云在弱的冰相过饱和(相对湿度100%-110%)的空气中就可以存在。这种差异意味着,在对流层高层的很大一片区域,尾迹云能够生成并长时间持续存在,从而改变高层卷云的覆盖率。另外,在尾迹云的生成和持续过程中,通过降低空气中的水汽含量,可以影响自然卷云的生成和持续,从而改变自然卷云的覆盖率及光学厚度。
目前已有研究表明,尾迹云通过自身的直接作用以及改变自然卷云的间接作用,对地球的辐射强迫已经超过了飞机排放的二氧化碳的辐射强迫。近年来,随着我国及周边地区经济和贸易的不断交流与发展,东亚地区的民用和商用航班日益增多,这些航空活动对气候的影响也在逐渐增大。可迄今为止,有关东亚地区飞机尾迹云的分布特征及其辐射强迫的研究甚少。线性尾迹云的识别对于线性尾迹云的覆盖率和光学厚度的计算至关重要。
发明内容
本发明为了解决现有技术中存在的问题,提供一种本发明是通过卫星图像进行飞机尾迹云识别的方法,通过对卫星高分辨率资料的分析,准确地识别线性尾迹云,并计算尾迹云的覆盖率从而用于研究其辐射特性,将会进一步完善尾迹云对区域和全球气候影响的研究,对研究尾迹云的辐射强迫有重要意义。
为了达到上述目的,本发明提出的技术方案为:一种基于卫星资料的飞机尾迹云识别方法,可以通过以下技术方案来实现:一种基于卫星资料的飞机尾迹云识别方法,包括如下步骤:
步骤1、融合卫星资料中的红外和可见光通道的云图;
步骤2、采用显著性分析方法,在融合后的卫星云图中,识别出具有线性特征的线性尾迹云;
步骤3、利用线性尾迹云图像的像素点统计线性尾迹云的覆盖率。
对上述技术方案的进一步改进为:所述步骤1中对卫星云图的融合方案如下:
(1)采用尺度不变特征变换算子配准红外和可见光通道卫星云图;
(2)对配准后的红外和可见光通道的卫星云图进行Tetrolet变换,将红外和可见光卫星云图分解为低频和高频子图;
(3)对变换后红外和可见光通道的低频子图按照区域能量设计规则融合;
(4)对变换后红外和可见光通道的高频子图基于模糊推理设计规则融合;
(5)在Tetrolet变换的变换域中利用SURE无偏估计方法修改Tetrolet系数对(3)和(4)融合后的图像实现去噪;
(6)再对去噪后的图像进行Tetrolet逆变换,得到融合后的卫星图像。
所述步骤2的实现方案为:
(1)利用卫星资料中两个不同红外通道的亮温图像,得到两个红外通道的亮温差值图像;
(2)将亮温差值图像每个像素都重新投影到兰伯特等面积方位图上,并使用渐进概率式霍夫变换来提取线性尾迹云的边缘,再用不同二元掩模检测具有这些线性的特征的图像是否是真实的线性尾迹云,从而得到识别结果;
(3)由步骤1得到的融合卫星云图作为输入图像,再利用基于对象先验知识的显著性检测模型生成融合图像的显著性图,然后通过显著性分割提取融合图像特征来完善和优化识别结果,以保存真实的线性尾迹云像素点;
(4)对识别结果进行傅里叶频谱校正,得到线性尾迹云图像。
所述卫星的两个不同红外通道的波段分别为, 10.3-11.3μm和11.5-12.5μm。
所述步骤3的实现方案为:
(1)对识别出的线性尾迹云的像素点进行分析,剔除由于环境影响及仪器误差得到的错误像素点;
(2)对于不连续的线性尾迹云像素进行亚像素插值,从而得到更完整的线性尾迹云轨迹图像;还可以进一步地利用计算机算法对上述修正过的图像进行统计和分析,得到线性尾迹云的覆盖率。
所述卫星采用风云3号卫星。
本发明具有以下优点:
(1)本发明利用融合卫星云图得可见光通道和红外通道图像来提取线性尾迹云特征因子,进行准确的线性尾迹云识别,该融合方案可实现红外和可见光通道云图融合的同时,能够有效的保留红外通道的亮温数据,可见光通道的高层语义特征以及其它与线性尾迹云识别密切相关的图像底层特征信息,并通过Tetrolet变换降低了噪声的影响,为后期基于融合云图的特征提取和显著性图的构建提供了更加丰富的信息。
(2)以往的线性尾迹云识别算法仅仅采用红外通道的亮温和亮温差图像来提取和识别线性尾迹云的线性特征,辅助于人工统计分析方法进行订正,错误识别率较高;本发明采用显著性分析方法,在融合后的卫星云图中,选出具有线性特征的云,剔除错误的噪音,提取线性尾迹云的线性特征信息,这样可以消除传统线性尾迹云识别算法的局限性,通过融合图像的显著性图和显著性分割,指导和完善线性尾迹云的识别,有效的去除环境和传感器因素导致的错误匹配和不连续线性尾迹云轨迹的情况,从而可得到相对准确的线性尾迹云覆盖率和光学厚度。
(3)本发明对识别得到的线性尾迹云资料,经过进一步的筛选和增补,得到更加准确的线性尾迹云像素点信息,从而可计算得到更为准确线性尾迹云覆盖率。
附图说明
图1为本发明的结构框图。
具体实施方式
下面结合附图以及具体实施例对本发明进行详细说明。
如图1所示,本发明的基于卫星云图资料的飞机尾迹云识别方法包括如下步骤:
步骤1、基于Tetrolet变换结合模糊算子的红外通道和可见光通道卫星云图融合
本步骤拟将10.3-11.3μm和11.5-12.5μm波段红外和可见光的多通道融合成一幅新的云图,研究线性尾迹云的识别方案。由于成像传感器,气候条件等因素,获得的卫星云图含有不同程度的噪声。为了提高线性尾迹云的识别准确率,需要考虑多通道卫星资料融合后的噪声处理。因此,本发明采用的卫星云图的融合方案如下:
(1)采用尺度不变特征变换算子(SIFT,scale invariant feature transform)配准两个红外和可见光通道卫星云图;
(2)对配准后的两个红外和可见光通道的卫星云图进行Tetrolet变换,将红外和可见光卫星云图分解为低频和高频子图;
(3)对变换后各通道的低频子图按照区域能量设计规则融合;
(4)对变换后各通道的高频子图基于模糊推理设计规则融合;
(5)在Tetrolet变换的变换域中利用SURE无偏估计方法修改Tetrolet系数对融合后的图像实现去噪;
(6)进行Tetrolet逆变换,将高频和低频子图转化为一张图像,得到融合后的卫星图像。
上述融合方案在实现红外和可见光通道云图融合的同时,能够有效的保留红外通道的亮温数据,可见光通道的高层语义特征以及其它与线性尾迹云识别密切相关的图像底层特征信息,并通过Tetrolet变换降低了噪声的影响,为后期基于融合云图的特征提取和显著性图的构建提供了更加丰富的信息。
步骤2、采用显著性分析方法,在融合后的卫星云图中,识别出具有线性特征的线性尾迹云;
线性尾迹云可以单独存在,但通常会出现在自然卷云的周围。由于线性尾迹云的光学厚度较薄,在卫星云图中不易直接观测得到,需要对卫星的原始数据进行处理。本发明对传统识别方法进行了改进,具体实施方案如下:
(1)利用卫星上波段为10.3-11.3μm的红外通道和波段为11.5-12.5μm的红外通道的亮温图像,得到两个红外通道的亮温差值图像;(2)为了减少视角超过50°时的失真,将亮温差图像每个像素都重新投影到兰伯特等面积方位图,并使用阈值来提取线性尾迹云的边缘,以及用不同二元掩模检测具有这些线性的特征的图像是否是真实的线性尾迹云,从而得到初步的识别结果,但其中可能包含部分误匹配的背景像素点,以及不连续的线性尾迹云信息;
(3)由步骤1得到的融合卫星云图作为输入图像,利用基于对象先验知识的显著性检测模型生成融合图像的显著性图;再通过显著性分割提取融合图像特征来完善和优化上述识别结果,保存真实的线性尾迹云像素点,剔除背景环境的误匹配点以及建立基于种子区域的生长模型完善;
(4)对识别结果进行傅里叶频谱校正;通过傅里叶变换和反变换,尽可能地保留线性的特征,消除噪音影响,从而可有效的识别线性尾迹云;
(5)以人工主观评价的线性尾迹云识别和统计结果作为基准,与传统的仅依靠亮温差图像的线性尾迹云识别算法比较,以不断完善上述图像融合和显著性特征提取的方法,并优选一种合理的参数订正方法确定上述识别匹配所需阈值;
上述线性尾迹云识别方案,可以消除传统线性尾迹云识别算法的局限性,通过融合图像的显著性图和显著性分割,指导和完善线性尾迹云的识别,有效的去除环境和传感器因素导致的错误匹配和不连续线性尾迹云轨迹的情况,从而得到相对准确的线性尾迹云覆盖率和光学厚度。
步骤3、利用线性尾迹云图像的像素点统计线性尾迹云的覆盖率;
本步骤对融合的卫星云图和通过自动识别得到的线性尾迹云定位资料,经过进一步的筛选和增补,得到更加准确的线性尾迹云像素点信息,计算得到线性尾迹云在东亚地区的覆盖率,具有实施方案如下:
(1)结合环境场以及飞行数据,对表征线性尾迹云的像素点进行分析,剔除由于环境影响及仪器误差得到的错误像素点,比如赤道地区由于对流形成的线性薄卷云会在线性尾迹云图像中产生错误像素点;
(2)由于线性尾迹云老化和仪器精度等问题往往会造成线性尾迹云像素点的断裂和缺失,本方案对于不连续的线性尾迹云像素进行亚像素插值,从而得到更完整的线性尾迹云轨迹图像;
(3)利用纠正过的图像和计算机智能算法对修改过的图像进行统计,求得线性尾迹云的覆盖率,并统计和分析覆盖率的季节及年际变化。
为了进一步提高尾迹云识别的准确性,还可采用分辨率较高的风云3号卫星的云图资料进行分析,从而准确地识别线性尾迹云,并计算尾迹云的覆盖率从而用于其辐射特性,将会进一步完善尾迹云对区域和全球气候影响的研究,对研究尾迹云的辐射强迫有重要意义。
本发明的基于卫星云图资料的飞机尾迹云识别方法不局限于上述实施例,凡采用等同替换方式得到的技术方案均落在本发明要求保护的范围内。
Claims (6)
1.一种基于卫星资料的飞机尾迹云识别方法,其特征在于:包括如下步骤:步骤1、融合卫星资料中的红外和可见光通道的云图;
步骤2、采用显著性分析方法,在融合后的卫星云图中,识别出具有线性特征的线性尾迹云;
步骤3、利用线性尾迹云图像的像素点统计线性尾迹云的覆盖率。
2.根据权利要求1所述基于卫星资料的飞机尾迹云识别方法,其特征在于:所述步骤1中对卫星云图的融合方案如下:
(1)采用尺度不变特征变换算子配准红外和可见光通道卫星云图;
(2)对配准后的红外和可见光通道的卫星云图进行Tetrolet变换,将红外和可见光卫星云图分解为低频和高频子图;
(3)对变换后红外和可见光通道的低频子图按照区域能量设计规则融合;
(4)对变换后红外和可见光通道的高频子图基于模糊推理设计规则融合;
(5)在Tetrolet变换的变换域中利用SURE无偏估计方法修改Tetrolet系数对(3)和(4)融合后的图像实现去噪;
(6)再对去噪后的图像进行Tetrolet逆变换,得到融合后的卫星图像。
3.根据权利要求2所述基于卫星资料的飞机尾迹云识别方法,其特征在于:所述步骤2的实现方案为:
(1)利用卫星资料中两个不同红外通道的亮温图像,得到两个红外通道的的亮温差值图像;
(2)将亮温差值图像每个像素都重新投影到兰伯特等面积方位图上,并使用渐进概率式霍夫变换来提取线性尾迹云的边缘,再用不同二元掩模检测具有这些线性的特征的图像是否是真实的线性尾迹云,从而得到识别结果;
(3)由步骤1得到的融合卫星云图作为输入图像,再利用基于对象先验知识的显著性检测模型生成融合图像的显著性图,然后通过显著性分割提取融合图像特征来完善和优化识别结果,以保存真实的线性尾迹云像素点;
(4)对识别结果进行傅里叶频谱校正,得到线性尾迹云图像。
4.根据权利要求3所述基于卫星资料的飞机尾迹云识别方法,其特征在于:所述卫星的两个不同红外通道的波段分别为,10.3-11.3μm和11.5-12.5μm。
5.根据权利要求4所述基于卫星资料的飞机尾迹云识别方法,其特征在于:所述步骤3的实现方案为:
(1)对识别出的线性尾迹云图像中的像素点进行分析,剔除错误像素点;
(2)对于不连续的线性尾迹云像素进行亚像素插值,从而得到完整的线性尾迹云轨迹图像。
6.根据权利要求1至5之一所述基于卫星资料的飞机尾迹云识别方法,其特征在于:所述卫星为风云3号卫星。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611016138.6A CN108073865B (zh) | 2016-11-18 | 2016-11-18 | 一种基于卫星资料的飞机尾迹云识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611016138.6A CN108073865B (zh) | 2016-11-18 | 2016-11-18 | 一种基于卫星资料的飞机尾迹云识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108073865A true CN108073865A (zh) | 2018-05-25 |
CN108073865B CN108073865B (zh) | 2021-10-19 |
Family
ID=62160515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611016138.6A Active CN108073865B (zh) | 2016-11-18 | 2016-11-18 | 一种基于卫星资料的飞机尾迹云识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108073865B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921210A (zh) * | 2018-06-26 | 2018-11-30 | 南京信息工程大学 | 一种基于卷积神经网络的云分类方法 |
CN112883857A (zh) * | 2021-02-05 | 2021-06-01 | 南京恩瑞特实业有限公司 | 一种nriet卫星识别低云大雾落区方法 |
CN113487529A (zh) * | 2021-07-12 | 2021-10-08 | 吉林大学 | 一种基于Yolo的气象卫星云图目标检测方法 |
CN116258932A (zh) * | 2023-03-09 | 2023-06-13 | 中国人民解放军海军潜艇学院 | 一种用于水下运动目标尾迹的红外融合探测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090107232A1 (en) * | 2005-02-28 | 2009-04-30 | Tele-Ip Limited | Characterization of aircraft wake vortices |
CN102646272A (zh) * | 2012-02-23 | 2012-08-22 | 南京信息工程大学 | 基于局部方差和加权相结合的小波气象卫星云图融合方法 |
CN103839243A (zh) * | 2014-02-19 | 2014-06-04 | 浙江师范大学 | 基于Shearlet变换的多通道卫星云图融合方法 |
US9311539B1 (en) * | 2009-12-09 | 2016-04-12 | The Boeing Company | Aircraft contrail detection |
CN105976345A (zh) * | 2016-04-27 | 2016-09-28 | 北京航空航天大学 | 一种可见光遥感图像合成方法 |
-
2016
- 2016-11-18 CN CN201611016138.6A patent/CN108073865B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090107232A1 (en) * | 2005-02-28 | 2009-04-30 | Tele-Ip Limited | Characterization of aircraft wake vortices |
US9311539B1 (en) * | 2009-12-09 | 2016-04-12 | The Boeing Company | Aircraft contrail detection |
CN102646272A (zh) * | 2012-02-23 | 2012-08-22 | 南京信息工程大学 | 基于局部方差和加权相结合的小波气象卫星云图融合方法 |
CN103839243A (zh) * | 2014-02-19 | 2014-06-04 | 浙江师范大学 | 基于Shearlet变换的多通道卫星云图融合方法 |
CN105976345A (zh) * | 2016-04-27 | 2016-09-28 | 北京航空航天大学 | 一种可见光遥感图像合成方法 |
Non-Patent Citations (3)
Title |
---|
BO-CAI GAO等: "Case studies of aircraft contrails using the 1.375-micron channel and IR emission channels on MODIS", 《IGARSS 2001. SCANNING THE PRESENT AND RESOLVING THE FUTURE. PROCEEDINGS. IEEE 2001 INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (CAT. NO.01CH37217)》 * |
HERMANN MANNSTEIN等: "Operational detection of contrails from NOAA-AVHRR-data", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
R. MEYER等: "Regional radiative forcing by line‐shaped contrails derived from satellite data", 《OURNAL OF GEOPHYSICAL RESEARCH》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921210A (zh) * | 2018-06-26 | 2018-11-30 | 南京信息工程大学 | 一种基于卷积神经网络的云分类方法 |
CN108921210B (zh) * | 2018-06-26 | 2021-03-26 | 南京信息工程大学 | 一种基于卷积神经网络的云分类方法 |
CN112883857A (zh) * | 2021-02-05 | 2021-06-01 | 南京恩瑞特实业有限公司 | 一种nriet卫星识别低云大雾落区方法 |
CN113487529A (zh) * | 2021-07-12 | 2021-10-08 | 吉林大学 | 一种基于Yolo的气象卫星云图目标检测方法 |
CN116258932A (zh) * | 2023-03-09 | 2023-06-13 | 中国人民解放军海军潜艇学院 | 一种用于水下运动目标尾迹的红外融合探测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108073865B (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740759B (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
CN108073865A (zh) | 一种基于卫星资料的飞机尾迹云识别方法 | |
CN114463403A (zh) | 一种基于点云数据和图像识别技术的树木碳汇量计算方法 | |
CN110645961B (zh) | 基于遥感和ndvi的森林资源动态变化检测方法 | |
Baofeng et al. | Digital surface model applied to unmanned aerial vehicle based photogrammetry to assess potential biotic or abiotic effects on grapevine canopies | |
CN105894520B (zh) | 一种基于高斯混合模型的卫星影像自动云检测方法 | |
CN109635827A (zh) | 基于含有红边谱段高分辨率卫星影像的甘蔗地块提取方法 | |
CN108681715A (zh) | 海南热带天然林植被型组分类方法 | |
CN106778640B (zh) | 一种三维可视化环境下地表植被覆盖模型的生成方法 | |
US11151377B2 (en) | Cloud detection method based on landsat 8 snow-containing image | |
CN107516068A (zh) | 一种从无人机高分辨率影像中提取单木树冠的方法 | |
CN106875407A (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
CN115240089A (zh) | 一种航空遥感图像的车辆检测方法 | |
CN107657206B (zh) | 一种基于遥感技术估算绿地覆盖率的方法 | |
CN106354157B (zh) | 一种无人机自主飞行系统 | |
Zou et al. | The fusion of satellite and unmanned aerial vehicle (UAV) imagery for improving classification performance | |
CN111695606A (zh) | 一种多类型城市绿地分类方法 | |
CN112257531A (zh) | 基于多样性特征联合的林地变化遥感监测方法 | |
CN111325076B (zh) | 一种基于U-net与Seg-net网络融合的航空地面建筑物提取方法 | |
Majidi et al. | Real time aerial natural image interpretation for autonomous ranger drone navigation | |
Letsoin et al. | Analysing Maize Plant Height Using Unmanned Aerial Vehicle (UAV) RGB based on Digital Surface Models (DSM) | |
Majidi et al. | Aerial tracking of elongated objects in rural environments | |
Shen et al. | High spatial resolution hyperspectral mapping for forest ecosystem at tree species level | |
CN107657631B (zh) | 一种基于植被分布的微波光谱混合图像的生成方法 | |
Hosingholizade et al. | The effect of segmentation parameters on extracting the crown area of Tehran pine trees (Pinus eldarica) |
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 |