CN108761397B - 基于电磁散射模拟的极化sar模型分解评价方法 - Google Patents
基于电磁散射模拟的极化sar模型分解评价方法 Download PDFInfo
- Publication number
- CN108761397B CN108761397B CN201810536823.4A CN201810536823A CN108761397B CN 108761397 B CN108761397 B CN 108761397B CN 201810536823 A CN201810536823 A CN 201810536823A CN 108761397 B CN108761397 B CN 108761397B
- Authority
- CN
- China
- Prior art keywords
- calculating
- formula
- dielectric constant
- model
- 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.)
- Active
Links
Images
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于电磁散射模拟的极化SAR模型分解评价方法,步骤S1:设置地表电磁几何参数、飞机飞行参数和雷达卫星位置参数,并采用经典正演模型计算目标场景的地表真实β值;步骤S2:利用待评价极化SAR模型分解方法,对目标场景的极化SAR模拟数据进行处理,反演得到反演β值;步骤S3:计算反演β值与地表真实β值的均方根误差,以均方根误差越小,分解方法的效果越好为原则,对待评价极化SAR模型分解方法进行评价。本发明方案将电磁散射模拟理论与极化SAR模型分解理论进行有机结合,从电磁波模拟的角度和模型分解的角度对分解算法进行评价,该方法公平、公正,可为不同的应用场景选择相应较优的模型分解方法提供参考。
Description
技术领域
本发明涉及微波遥感技术领域,尤其涉及一种基于电磁散射模拟的极化SAR模型分解评价方法。
背景技术
极化SAR(Synthetic Aperture Radar的缩写,中文名称为合成孔径雷达)模型分解是极化SAR数据与极化SAR应用的桥梁,同时也是极化SAR数据解译的重要环节。极化SAR广泛应用于地物分类、地质灾害监测以及海洋环境监测等方面,对国家经济建设、社会发展有重要意义。
在过去的几十年里,微波遥感技术随着硬件系统、信号处理技术和解释理论的发展迅速发展。微波遥感器可以昼夜工作,几乎不受天气和大气条件的影响。极化SAR是微波遥感技术的主流成像系统之一。极化SAR模型分解在极化SAR图像解译中具有重要意义。模型分解方法的评价可为在不同场景中选择相应较优的模型分解方法提供参考。
目前主要的极化SAR模型分解评价方法有:1)基于经验的散射分量定性描述;2)散射分量出现负值的像素占总像素的比例;3)基于蒙特卡罗模拟的定量评价;4)基于具体应用的二次评价等方法。经过大量研究发现,上述的分解评价方法都存在一些缺陷:由于无法定量测量地表某种散射分量的占比,定性描述的评价方法无法确定到底那种分解方法更好;部分分解方法限制散射分量为正值,不存在散射分量为负值的情况,使得利用散射分量负值比例进行评价没有意义;基于蒙特卡罗模拟的定量评价受到分解模型框架的制约,不同框架的模型无法进行公平公正的评价;二次评价需要大量的财力和物力去开展外业测量。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于电磁散射模拟的极化SAR模型分解评价方法,将电磁散射模拟理论与极化SAR模型分解理论进行有机结合,弥补了传统模型分解评价方法的缺陷,从电磁波模拟的角度和模型分解的角度对分解算法进行评价,该方法公平、公正,可为不同的应用选择相应较优的模型分解方法提供参考,同时也能为地表定量参数反演提供参考。
本发明提供了一种基于电磁散射模拟的极化SAR模型分解评价方法,包括:步骤S1:设置地表电磁几何参数、飞机飞行参数和雷达卫星位置参数,并采用经典正演模型计算目标场景的地表真实β值;
步骤S2:利用待评价极化SAR模型分解方法,对所述目标场景的极化SAR模拟数据进行处理,反演得到反演β值;
步骤S3:计算所述反演β值与地表真实β值的均方根误差,以所述均方根误差越小,分解方法的效果越好的原则,对所述待评价极化SAR模型分解方法进行评价;
其中,所述地表电磁集合参数包括:地表粗糙度、地表湿度、地表方位向坡度、地表距离向坡度和地表面积;
所述飞机飞行参数包括:入射角、方位向坡度、距离向坡度、飞机飞行高度和雷达电磁波频率;
所述经典正演模型包括半经验混合模块和一阶微扰模型;
所述目标场景包括森林场景、低矮植被场景和/或裸地场景;
相干矩阵形式下的β值为:
式中,RH为HH极化的后向散射系数,RV为VV极化的后向散射系数;
所述均方根误差RMSE的计算公式为:
式中,n为影像的像元数。
本发明方案通过分别计算地表真实β值和反演β值,并求取两者的均方根误差,并通过均方根误差大小来评价模型分解方法,通过将电磁散射模拟理论与极化SAR模型分解理论进行有机结合,(即利用电磁散射模拟理论得到地表真实β值,利用极化SAR模型分解理论得到反演β值,对二者进行对比,对极化SAR模型分解算法进行评价)弥补了传统模型分解评价方法的缺陷,从电磁波模拟的角度和模型分解的角度对分解算法进行评价,该方法公平、公正,可为不同的应用选择相应较优的模型分解方法提供参考。
由于不能武断地说某种分解方法优于另一种分解方法,需要考虑不同分解方法在不同场景中的适用性,因此,基于电磁散射模拟的极化SAR模型分解评价方法对不同的地表场景的全极化模拟数据进行分解处理。首先分别对不同湿度等级、不同电磁波频率下,对不同林种的全极化模拟数据进行分解处理;接着在不同湿度等级、不同电磁波频率下,不同的低矮植被高度下,对不同低矮植被类型下的全极化模拟数据进行处理;最后在不同湿度等级、不同电磁波频率下,不同距离向坡度下,对不同的方位向坡度的裸地场景下全极化模拟数据进行处理。
在本发明方案中,步骤S2具体而言,是将目标场景的极化SAR模拟数据与待评价极化SAR模型分解方法进行匹配后,通过计算机程序计算得到表面散射矩阵,再通过该矩阵反演得到反演β值。
进一步的,步骤S1中所述地表真实β值的计算步骤为:
步骤S11:根据地表电磁几何参数和雷达电磁波频率,计算地表介电常数εr;
步骤S12:根据地表电磁几何参数和雷达卫星位置参数,计算地表的局部入射角θ;
步骤S13:根据所述地表介电常数和地表的局部入射角,计算HH极化的后向散射系数RH和VV极化的后向散射系数RV;
步骤S14:根据所述HH极化的后向散射系数RH和VV极化的后向散射系数RV,计算相干矩阵形式下的β值。
在步骤S11中,在计算地表介电常数时,我们只考虑介电常数的实数部分,因为介电常数的虚部对实验结果的影响非常小。步骤S12计算的是地表局部入射角,而不是飞机的入射角,因此在求解局部入射角时,需要综合考虑卫星或者飞机的入射角和地表的地形。对于步骤S13而言,从电磁波模拟的角度,计算地表真实的后向散射系数,求解出来的后向散射系数,不会受极化SAR模型分解算法的干扰,使得本发明方案得到的结果更加可靠。
进一步的,步骤S11计算地表介电常数εr的具体步骤为:
步骤S111:计算自由水的介电常数εfw;
步骤S112:计算土壤纹理参数γ;
步骤S113:根据地表湿度mv以及介电常数εfw和土壤纹理参数γ,采用半经验混合模型计算地表介电常数实部ε′r;
步骤S114:根据地表介电常数实部ε′r,采用线性化模型计算地表介电常数εr;
其中,计算自由水的介电常数εfw的公式为:
式中,f为电磁波的频率,εw∞为水介电常数实部的高频限制、εw0为水的静态介电常数、τw为水的松弛时间;
计算土壤纹理参数γ的公式为:
γ=1.2748-0.00519S-0.00152C;
式中,S为沙土占土壤总含量的比重,C为黏土占土壤总含量的比重;
计算地表介电常数实部ε′r的半经验混合模型公式为:
式中,ρb为土壤的体密度,ρs为坚固土壤的体密度,取ρs=2.66g/cm3,εs为坚固土壤的介电常数,α为通过实验得到的经验值,为常数,取α=0.65,mv为地表湿度;
采用线性化模型计算地表介电常数εr的公式为:
εr=1.15ε′r-0.68。
在步骤S112中,不同的土壤得到的土壤纹理参数不同,为得到更为准确的土壤纹理参数,可对不同的土壤进行实地调研。
在步骤S114中,由利用半经验混合模型求得的地表介电常数实部构成的地表介电常数,对真实地表的介电常数的模拟效果不够好,需要再采用线性化模型进行修正,计算最终的地表介电常数。
进一步的,步骤S12计算地表的局部入射角θ的具体步骤为:
步骤S121:计算地表法线矢量n1;
步骤S122:计算卫星天线矢量t1;
步骤S123:根据所述地表法线矢量和卫星天线矢量,计算地表的局部入射角θ;
其中,计算地表法线矢量n1的公式为:
计算卫星天线矢量t1的公式为:
t1=(0,H,L);
式中,H为卫星天线距离目标点的高度,L为卫星天线与目标点的水平距离;
计算地表的局部入射角θ的公式为:
由于一个像素的对应地物的范围较大,一次将一个像素分成四个部分可以较为准确的求得局部入射角。在该步骤中,首先将一个像素分成四份,在每1/4个像素上寻找3个三维坐标已知的点,由这三个点求得两个矢量,两个矢量叉积求得地表的法线。局部入射角θ即为天线矢量与地表法线的夹角。因为每一个像素点被分成了4份,所以,在计算该像素点的地表真实β值时,需要计算4个不同的地表真实β值,再求取这4个值的平均值,该平均值才为该像素点对应的地表真实β值。
有益效果
本发明提供了一种基于电磁散射模拟的极化SAR模型分解评价方法,该方法通过将电磁散射模拟理论与极化SAR模型分解理论进行有机结合,弥补了传统模型分解评价方法的缺陷,从电磁波模拟的角度和模型分解的角度对分解算法进行评价,该方法公平、公正,可为不同的应用选择相应较优的模型分解方法提供参考,同时也能为地表定量参数反演提供参考;而且不需要外业测量,节省财力和物力;不受分解模型框架的制约,任何基于模型的极化SAR分解都可用本专利提出的极化SAR模型分解评价方法进行评价;同时不受分解方法限制散射分量为负值的限制,可被广泛采用。
附图说明
图1是本发明实施例提供的一种基于电磁散射模拟的极化SAR模型分解评价方法的流程示意图;
图2是本发明实施例中局部入射角示意图;
图3是本发明实施例中基于电磁散射模拟的极化SAR模型分解评价方法的算法流程图;
图4是本发明实施例中L波段下球形冠状的针叶林的实验结果图;
图5是本发明实施例中L波段下锥形冠状的针叶林的实验结果图;
图6是本发明实施例中L波段下50%球形冠状与50%锥形冠状混合的针叶林实验结果图。
具体实施方式
为了方便理解本发明方案的内容,下面结合具体实施例予以详细阐述。
为了使本发明的目的、技术方案及优点更加清楚明白,实验采用Freeman-Durden三分量分解方法(FD3),Yamaguchi四分量分解方法(Y40)以及附加物理约束的极化SAR模型分解方法(PCGMD)作为待评价极化SAR模型分解方法来对本发明方案进行验证。
为了验证不同模型分解方法在不同场景中的表现,本发明实验采用如下Polsarpro模拟数据:1)球形冠状的针叶林场景;2)锥形冠状的针叶林场景;3)50%球形冠状与50%锥形冠状混合的针叶林场景;4)阔叶林场景;未做特殊说明,下文实例讨论的都为阔叶类型的低矮植被。
分解方法建模有表面散射、二面角散射、体散射和螺旋散射,本实施例以表面散射模型来阐述。其中相干矩阵形式下的表面散射模型如下所示:
具体步骤为:
步骤1:首先根据输入的地表电磁几何参数,雷达电磁波频率,计算地表的介电常数。
计算介电常数的方法如下:
首先计算自由水的介电常数,公式如下:
此处L波段的电磁波频率取1.3Hz,考虑在20℃情况下,取εw∞=4.9,εw0=80.1和2πτw=0.58×10-10s。
再计算土壤纹理参数γ:
γ=1.2748-0.00519S-0.00152C
式中,S=5.02%,C=47.38%。
之后,根据地表湿度以及上述计算得到的自由水的介电常数和土壤纹理参数,计算地表的介电常数的实部,其半经验混合公式如下:
式中,mv的取值为0.1,ρb=1.1g/cm3,εs=4.5,α=0.65,ρs=2.66g/cm3。
最后计算得到地表介电常数为:
εr=1.15ε′r-0.68。
步骤2:计算完地表介电常数之后,接着依据地表的电磁几何参数和雷达卫星的位置参数,计算地表的法线,用数值模拟方法模拟地表,由于地表的三维坐标是已知的,选取在1/4个像素大小作为计算单元。首先在计算单元内选取3个三维坐标已知的点A、B、C,记它们坐标分别为A(xa1,xa2,xa3),B(xb1,xb2,xb3),C(xc1,xc2,xc3)。由三个点计算可得两个矢量:
通过上述两个矢量,可以计算单元内地表法线矢量n1为:
接着计算卫星天线矢量t1为:
t1=(0,H,L),
式中,H为卫星天线距离目标点的高度,L为卫星天线与目标点的水平距离;
通过地表法线矢量和卫星天线矢量计算得到地表的局部入射角θ为:
步骤3:根据上述计算得到的地表介电常数和局部入射角,可以计算出HH极化的后向散射系数RH和VV极化的后向散射系数RV为:
步骤4:根据HH极化的后向散射系数RH和VV极化的后向散射系数RV计算得到值为:
步骤5:利用Polsarpro软件模拟不同目标场景的数据,使用待评价极化SAR模型分解方法对数据进行处理,反演得到反演β值。
步骤6:对于不同场景的全极化模拟数据进行模型分解时,待评价极化SAR模型分解方法中,部分模型分解方法是在相干矩阵下进行的,而另一些模型分解方法是在协方差矩阵形式下进行的。为了方便后续利用统一的β值进行模型分解评价,需要将协方差矩阵形式下定义的β'值转换为相干矩阵形式下定义的β值。
在本实施例中,协方差矩阵形式下的表面散射模型如下:
式中,f′s为协方差矩阵形式下表面散射的系数。
将协方差矩阵形式下的表面散射模型转换为相干矩阵的酉矩阵形式为:
之后,即可求解β值为:
式中,T3S(2,1)指中的第2行第1个元素,T3S(1,1)指中的第1行第1个元素。
步骤7:计算不同目标场景反演得到的反演β值与地表真实β值的均方根误差:
步骤8:根据计算得到的不同均方根误差,以11个等级的湿度为横坐标,以均方根误差为纵坐标作图,不同的模型分解方法得到的不同曲线,如图4-6所示。
步骤9:根据“均方根误差越小,模型分解算法效果越好”的原则,分析不同的分解算法在不同场景下的优势:
1)从实验结果图可以看出,无论哪种森林或是哪种低矮植被高度,附加物理约束的极化SAR模型分解方法反演得到的反演β值与地表真实β值更加贴近。对于这些场景来说,附加物理约束的极化SAR模型分解方法更适用。2)对于针叶林的场景,Freeman-Durden三分量分解方法效果是最好的,Yamaguchi四分量分解方法效果较差。3)对于阔叶林场景,Yamaguchi四分量分解方法效果最好,Freeman-Durden三分量分解方法效果较差。
综上所述,本发明提供了一种基于电磁散射模拟的极化SAR模型分解评价方法,该方法通过将电磁散射模拟理论与极化SAR模型分解理论进行有机结合,弥补了传统模型分解评价方法的缺陷,从电磁波模拟的角度和模型分解的角度对分解算法进行评价,该方法公平、公正,可为不同的应用选择相应较优的模型分解方法提供参考,同时也能为地表定量参数反演提供参考;而且不需要外业测量,节省财力和物力;不受分解模型框架的制约,任何基于模型的极化SAR分解都可用本专利提出的极化SAR模型分解评价方法进行评价;同时不受分解方法限制散射分量为负值的限制,可被广泛采用。
以上所述仅为本发明的实施例而已,并不用以限制本发明,凡在本发明精神和原则之内,所作任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于电磁散射模拟的极化SAR模型分解评价方法,其特征在于,包括:
步骤S1:设置地表电磁几何参数、飞机飞行参数和雷达卫星位置参数,并采用经典正演模型计算目标场景的地表真实β值;
步骤S2:利用待评价极化SAR模型分解方法,对所述目标场景的极化SAR模拟数据进行处理,反演得到反演β值;
步骤S3:计算所述反演β值与地表真实β值的均方根误差RMSE,以所述均方根误差RMSE越小,分解方法的效果越好为原则,对所述待评价极化SAR模型分解方法进行评价;
其中,所述地表电磁集合参数包括:地表粗糙度、地表湿度、地表方位向坡度、地表距离向坡度和地表面积;
所述飞机飞行参数包括:入射角、方位向坡度、距离向坡度、飞机飞行高度和雷达电磁波频率;
所述经典正演模型包括半经验混合模块和一阶微扰模型;
所述目标场景包括森林场景、低矮纸杯场景和/或裸地场景;
所述地表真实β值和反演β值均为相干矩阵形式下的β值为:
式中,RH为HH极化的后向散射系数,RV为VV极化的后向散射系数;
所述均方根误差RMSE的计算公式为:
式中,n为影像的像元数。
2.根据权利要求1所述的方法,其特征在于,步骤S1中所述地表真实β值的计算步骤为:
步骤S11:根据地表电磁几何参数和雷达电磁波频率,计算地表介电常数εr;
步骤S12:根据地表电磁几何参数和雷达卫星位置参数,计算地表的局部入射角θ;
步骤S13:根据所述地表介电常数和地表的局部入射角,计算HH极化的后向散射系数RH和VV极化的后向散射系数RV;
步骤S14:根据所述HH极化的后向散射系数RH和VV极化的后向散射系数RV,计算相干矩阵形式下的β值。
3.根据权利要求2所述的方法,其特征在于,步骤S11计算地表介电常数εr的具体步骤为:
步骤S111:计算自由水的介电常数εfw;
步骤S112:计算土壤纹理参数γ;
步骤S113:根据地表湿度mv以及介电常数εfw和土壤纹理参数γ,采用半经验混合模型计算地表介电常数实部ε′r;
步骤S114:根据所述地表介电常数实部ε′r,采用线性化模型计算地表介电常数εr;
其中,计算自由水的介电常数εfw的公式为:
式中,f为电磁波的频率,εw∞为水介电常数实部的高频限制、εw0为水的静态介电常数、τw为水的松弛时间;
计算土壤纹理参数γ的公式为:
γ=1.2748-0.00519S-0.00152C;
式中,S为沙土占土壤总含量的比重,C为黏土占土壤总含量的比重;
计算地表介电常数实部ε′r的半经验混合模型公式为:
式中,ρb为土壤的体密度,ρs为坚固土壤的体密度,取ρs=2.66g/cm3,εs为坚固土壤的介电常数,α为通过实验得到的经验值,为常数,取α=0.65,mv为地表湿度;
计算地表介电常数εr的公式为:
εr=1.15ε′r-0.68。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810536823.4A CN108761397B (zh) | 2018-05-30 | 2018-05-30 | 基于电磁散射模拟的极化sar模型分解评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810536823.4A CN108761397B (zh) | 2018-05-30 | 2018-05-30 | 基于电磁散射模拟的极化sar模型分解评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108761397A CN108761397A (zh) | 2018-11-06 |
CN108761397B true CN108761397B (zh) | 2022-05-27 |
Family
ID=64004072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810536823.4A Active CN108761397B (zh) | 2018-05-30 | 2018-05-30 | 基于电磁散射模拟的极化sar模型分解评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108761397B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110109118B (zh) * | 2019-05-31 | 2020-11-20 | 东北林业大学 | 一种森林冠层生物量的预测方法 |
CN110334474A (zh) * | 2019-07-17 | 2019-10-15 | 大港油田集团有限责任公司 | 一种适用于fdtd建模的拟真土壤构建算法 |
CN111239736B (zh) * | 2020-03-19 | 2022-02-11 | 中南大学 | 基于单基线的地表高程校正方法、装置、设备及存储介质 |
CN117876467A (zh) * | 2024-03-13 | 2024-04-12 | 广东海纬地恒空间信息技术有限公司 | 基于立体空间定位的地表面积测量方法及其测量装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6826284B1 (en) * | 2000-02-04 | 2004-11-30 | Agere Systems Inc. | Method and apparatus for passive acoustic source localization for video camera steering applications |
EP1780658A1 (en) * | 1998-01-20 | 2007-05-02 | AT&T Corp. | Compression of partially-masked image data |
CN101251595A (zh) * | 2008-04-03 | 2008-08-27 | 南京航空航天大学 | 基于非抽样Contourlet变换的SAR图像目标方位角估计方法 |
CN101483777A (zh) * | 2008-12-19 | 2009-07-15 | 西安电子科技大学 | 基于自适应多尺度Bandelet包的SAR图像去噪压缩方法 |
CN102540157A (zh) * | 2010-12-08 | 2012-07-04 | 中国科学院电子学研究所 | 一种基于简缩极化合成孔径雷达数据的地物分类方法 |
CN103235301A (zh) * | 2013-05-14 | 2013-08-07 | 中南大学 | 基于复数域平差理论的POLInSAR植被高度反演方法 |
CN103365985A (zh) * | 2013-06-25 | 2013-10-23 | 西安电子科技大学 | 一种类别自适应的极化sar分类方法 |
CN103593669A (zh) * | 2013-11-22 | 2014-02-19 | 中国电子科技集团公司第五十四研究所 | 一种极化合成孔径雷达影像四分量分解的方法 |
CN103617344A (zh) * | 2013-11-02 | 2014-03-05 | 西安电子科技大学 | 基于雷达后向散射实测数据对单层地表介电参数与粗糙度参数快速反演的联合优化算法 |
CN103886335A (zh) * | 2014-04-09 | 2014-06-25 | 西安电子科技大学 | 基于模糊粒子群和散射熵的极化sar图像分类方法 |
CN104463227A (zh) * | 2014-12-25 | 2015-03-25 | 西安电子科技大学 | 基于fqpso和目标分解的极化sar图像分类方法 |
CN104865572A (zh) * | 2015-05-21 | 2015-08-26 | 武汉大学 | 一种基于感兴趣目标增强的极化合成方法 |
CN105445712A (zh) * | 2015-11-11 | 2016-03-30 | 中国测绘科学研究院 | 极化sar多成分目标分解方法 |
CN106127221A (zh) * | 2016-06-12 | 2016-11-16 | 西安电子科技大学 | 基于极化‑纹理特征与dpl的极化sar图像分类方法 |
CN107229933A (zh) * | 2017-05-11 | 2017-10-03 | 西安电子科技大学 | 自适应体散射模型的freeman/特征值分解方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9025640B2 (en) * | 2012-06-18 | 2015-05-05 | The United States Of America As Represented By The Secretary Of The Air Force | Global navigation satellite system signal decomposition and parameterization algorithm |
CN106199742B (zh) * | 2016-06-29 | 2018-02-02 | 吉林大学 | 一种频率域航空电磁法2.5维带地形反演方法 |
CN106258686B (zh) * | 2016-08-11 | 2019-10-08 | 中国科学院遥感与数字地球研究所 | 一种改进的水云模型及应用该模型的水稻参数反演方法 |
-
2018
- 2018-05-30 CN CN201810536823.4A patent/CN108761397B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1780658A1 (en) * | 1998-01-20 | 2007-05-02 | AT&T Corp. | Compression of partially-masked image data |
US6826284B1 (en) * | 2000-02-04 | 2004-11-30 | Agere Systems Inc. | Method and apparatus for passive acoustic source localization for video camera steering applications |
CN101251595A (zh) * | 2008-04-03 | 2008-08-27 | 南京航空航天大学 | 基于非抽样Contourlet变换的SAR图像目标方位角估计方法 |
CN101483777A (zh) * | 2008-12-19 | 2009-07-15 | 西安电子科技大学 | 基于自适应多尺度Bandelet包的SAR图像去噪压缩方法 |
CN102540157A (zh) * | 2010-12-08 | 2012-07-04 | 中国科学院电子学研究所 | 一种基于简缩极化合成孔径雷达数据的地物分类方法 |
CN103235301A (zh) * | 2013-05-14 | 2013-08-07 | 中南大学 | 基于复数域平差理论的POLInSAR植被高度反演方法 |
CN103365985A (zh) * | 2013-06-25 | 2013-10-23 | 西安电子科技大学 | 一种类别自适应的极化sar分类方法 |
CN103617344A (zh) * | 2013-11-02 | 2014-03-05 | 西安电子科技大学 | 基于雷达后向散射实测数据对单层地表介电参数与粗糙度参数快速反演的联合优化算法 |
CN103593669A (zh) * | 2013-11-22 | 2014-02-19 | 中国电子科技集团公司第五十四研究所 | 一种极化合成孔径雷达影像四分量分解的方法 |
CN103886335A (zh) * | 2014-04-09 | 2014-06-25 | 西安电子科技大学 | 基于模糊粒子群和散射熵的极化sar图像分类方法 |
CN104463227A (zh) * | 2014-12-25 | 2015-03-25 | 西安电子科技大学 | 基于fqpso和目标分解的极化sar图像分类方法 |
CN104865572A (zh) * | 2015-05-21 | 2015-08-26 | 武汉大学 | 一种基于感兴趣目标增强的极化合成方法 |
CN105445712A (zh) * | 2015-11-11 | 2016-03-30 | 中国测绘科学研究院 | 极化sar多成分目标分解方法 |
CN106127221A (zh) * | 2016-06-12 | 2016-11-16 | 西安电子科技大学 | 基于极化‑纹理特征与dpl的极化sar图像分类方法 |
CN107229933A (zh) * | 2017-05-11 | 2017-10-03 | 西安电子科技大学 | 自适应体散射模型的freeman/特征值分解方法 |
Non-Patent Citations (4)
Title |
---|
Evaluation and Bias Removal of Multilook Effect on Entropy/Alpha/Anisotropy in Polarimetric SAR Decomposition;Jong-Sen Lee;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20081231;第46卷(第10期);3039-3052 * |
Quantitative Analysis of Polarimetric Model-Based Decomposition Methods;Qinghua Xie;《remote sensing》;20161231;1-28 * |
基于IEM的裸露随机地表土壤水分反演研究;高婷婷;《中国优秀博硕士学位论文全文数据库(硕士) 农业科技辑》;20110215;30-31 * |
基于目标分解及纹理信息的全极化SAR影像分类;刘雨思;《地理空间信息》;20161231;第16卷(第4期);11-17 * |
Also Published As
Publication number | Publication date |
---|---|
CN108761397A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108761397B (zh) | 基于电磁散射模拟的极化sar模型分解评价方法 | |
Chappell et al. | Using albedo to reform wind erosion modelling, mapping and monitoring | |
Luini et al. | MultiEXCELL: A new rain field model for propagation applications | |
CN108681652A (zh) | 一种基于高分三号数据的植被覆盖区土壤水分反演方法 | |
Olson et al. | The microwave radiative properties of falling snow derived from nonspherical ice particle models. Part II: Initial testing using radar, radiometer and in situ observations | |
Sano et al. | Transitioning from CRD to CDRD in Bayesian retrieval of rainfall from satellite passive microwave measurements: Part 1. Algorithm description and testing | |
Mugnai et al. | CDRD and PNPR satellite passive microwave precipitation retrieval algorithms: EuroTRMM/EURAINSAT origins and H-SAF operations | |
Lei et al. | Automated estimation of forest height and underlying topography over a Brazilian tropical forest with single-baseline single-polarization TanDEM-X SAR interferometry | |
Munchak et al. | An active–passive microwave land surface database from GPM | |
Anderson et al. | Analysis of ASCAT ocean backscatter measurement noise | |
Kim et al. | The framework for assimilating all-sky GPM microwave imager brightness temperature data in the NASA GEOS data assimilation system | |
Jia et al. | Rice biomass estimation using radar backscattering data at S-band | |
Mu et al. | The fusion of physical, textural, and morphological information in SAR imagery for hurricane wind speed retrieval based on deep learning | |
Olson et al. | GPM combined radar-radiometer precipitation algorithm theoretical basis document (version 4) | |
Jaruwatanadilok et al. | Trends and variation in Ku-band backscatter of natural targets on land observed in QuikSCAT data | |
Hugenholtz et al. | Estimating aerodynamic roughness (z0) from terrestrial laser scanning point cloud data over un-vegetated surfaces | |
CN106950551B (zh) | 基于辐射稳定特性挖掘的sar辐射定标方法 | |
Meng et al. | Cloud-dependent piecewise assimilation based on a hydrometeor-included background error covariance and its impact on regional Numerical Weather Prediction | |
Paloscia et al. | A comparison between two algorithms for the retrieval of soil moisture using AMSR-E data | |
Colliander | Analysis of coincident L-band radiometer and radar measurements with respect to soil moisture and vegetation conditions | |
Han et al. | Comparisons of bin and bulk microphysics schemes in simulations of topographic winter precipitation with radar and radiometer measurements | |
Sumareke | Modelling and mapping aboveground biomass and carbon stock using ALOS-2 PALSAR-2 data in Ayer Hitam tropical rainforest reserve in Malaysia | |
Khati et al. | Combining L-band Synthetic Aperture Radar backscatter and TanDEM-X canopy height for forest aboveground biomass estimation | |
Brauer et al. | Hurricane Laura (2020): A comparison of drop size distribution moments using ground and radar remote sensing retrieval methods | |
CN108564098B (zh) | 基于散射全卷积模型的极化sar分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |