CN108830846B - 一种高分辨率全波段超光谱遥感图像仿真方法 - Google Patents

一种高分辨率全波段超光谱遥感图像仿真方法 Download PDF

Info

Publication number
CN108830846B
CN108830846B CN201810598123.8A CN201810598123A CN108830846B CN 108830846 B CN108830846 B CN 108830846B CN 201810598123 A CN201810598123 A CN 201810598123A CN 108830846 B CN108830846 B CN 108830846B
Authority
CN
China
Prior art keywords
image
spectral
images
atmospheric
reflectivity
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
Application number
CN201810598123.8A
Other languages
English (en)
Other versions
CN108830846A (zh
Inventor
张寅�
许祯瑜
闫钧华
黄伟
蔡旭阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201810598123.8A priority Critical patent/CN108830846B/zh
Publication of CN108830846A publication Critical patent/CN108830846A/zh
Application granted granted Critical
Publication of CN108830846B publication Critical patent/CN108830846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06T2207/10036—Multispectral image; Hyperspectral image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了一种高分辨率全波段超光谱遥感图像仿真方法，包括如下步骤：输入少量波段超光谱图像，对输入图像进行预处理，将图像本身的灰度值转化为图像中各个点的光谱反射率值；针对图像中不同的光谱反射率值，对图像进行分类；将图像中各点的光谱反射率与标准地物反射率数据库中的对应波段的地物光谱反射率数据进行比对，通过误差函数匹配出每一个分类块所对应的真实地物；再借由标准地物反射率数据库，计算出所匹配地物在仿真波段的光谱反射率；将地物光谱反射率转化为光谱辐射亮度值，完成对全波段图像的仿真；输出仿真图像。本发明可在仅有少量波段图像信息的基础上，从物质本征的反射率出发，实现对高分辨率全波段超光谱图像的仿真。

Description

一种高分辨率全波段超光谱遥感图像仿真方法
技术领域
本发明涉及图像处理技术领域，尤其是一种高分辨率全波段超光谱遥感图像仿真方法。
背景技术
随着各国航空航天研究与企业的发展，地外空间的战略地位日益提高，在全球空间科技竞赛愈加激烈的形势下，天基遥感作为空间探测平台的重要应用之一，成为各国研究的重点。其中超光谱遥感数据蕴含大量的目标信息，不仅包含了目标在可见光波段的空间特性，也涵盖了目标在非可见波段的各种辐射特性，能够为研究者进行目标检测识别提供更为完备的依据。
然而超光谱图像的生成无疑对卫星的探测器性能提出了巨大的要求，如果只采用天基实测超光谱图像和实验室小场景超光谱图像来检验性能，一方面数据稀少必然导致极大的增加了研究成本；一方面难以对实际中各种复杂场景超光谱数据无遗漏的采集，不利于科研事业的发展；另一方面现如今卫星数据并不能覆盖全波段数据，适用范围大大缩减。所以，一种能够通过少量光谱波段图像数据对全波段超光谱遥感图像仿真的技术是迫切需求的。
发明内容
本发明所要解决的技术问题在于，提供一种高分辨率全波段超光谱遥感图像仿真方法，能够在仅有少量波段图像信息的基础上，实现对高分辨率全波段超光谱图像的仿真。
为解决上述技术问题，本发明提供一种高分辨率全波段超光谱遥感图像仿真方法，包括如下步骤：
(1)输入少量波段超光谱图像，对输入图像进行预处理，将图像本身的灰度值转化为图像中各个点的光谱反射率值；
(2)针对图像中不同的光谱反射率值，对图像进行分类；
(3)将图像中各点的光谱反射率与标准地物反射率数据库中的对应波段的地物光谱反射率数据进行比对，通过误差函数匹配出每一个分类块所对应的真实地物；
(4)再借由标准地物反射率数据库，计算出所匹配地物在仿真波段的光谱反射率；
(5)对已有的中、远红外波段利用普朗克黑体模型对温度参数进行反演；
(6)对特定的大气吸收波段采用FLAASH模型进行大气校正并结合暗目标像元法对大气参数进行反演；；
(7)将地物光谱反射率转化为光谱辐射亮度值，完成对全波段图像的仿真；
(8)输出仿真图像。
优选的，步骤(1)中，对输入图像进行预处理具体包括如下步骤：
(11)对输入图像进行辐射定标，将图像中每个点的灰度值转化为当前波段的光谱辐射亮度值；
(12)对辐射定标后的图像进行大气校正，利用MODTRAN对大气传输透过率和后向散射大气参数进行计算，将图像中各点光谱辐射亮度值转化为光谱反射率。
优选的，步骤(2)中，对图像进行分类，具体为：对图像进行分类采用无监督聚类的方式，例如：K-means聚类，C-fuzzy聚类，高斯混合聚类等算法均可适用。
优选的，步骤(3)中，误差函数匹配具体为：匹配过程中采用相对均方根误差作为匹配误差的判定函数，相对均方根误差最小的一组即为成功匹配结果，公式如下：
Figure BDA0001692522460000021
式中，K为波段数目；ri为反演出的物质光谱反射率；ri′为标准地物反射率数据库的物质光谱反射率。
优选的，步骤(4)中，计算出所匹配地物在仿真波段的光谱反射率具体包括如下步骤：
(41)借由无监督聚类得到每一个单独类别的聚类中心点uj；
(42)计算图像中每一个样本点到所有聚类中心点距离的倒数g(ij)，归一化处理作为样本点出现于该类别的条件概率
Figure BDA0001692522460000022
(43)根据条件概率，计算当前样本点在所有类别中的加权辐射亮度值作为最终的混合像元辐射亮度值Li；
(44)通过大气校正模型，将仿真波段的光谱辐射亮度值转换为光谱反射率r(λi)。
优选的，大气参数包括气溶胶光学厚度、温度、水汽含量、后向散射和大气程辐射等；来源于软件模拟、遥感产品数据资料或直接基于反演图像信息。
优选的，温度反演信息包括如下步骤：
(1)若已有波段不包含热红外波段，则可使用默认的经验参数来定义温度参数；
(2)若已知波段包括热红外波段，则对图像进行辐射定标，将原始灰度值图像转化为光谱辐射亮度值；
(3)根据普朗克黑体辐射公式，将图像中每一个点的光谱辐射亮度值转化为温度值；
(4)利用大气透过率，对地表温度的计算进行修正，得到实际地表温度。
优选的，大气参数反演包括如下步骤：
(1)若输入波段不包含940nm、1140nm、1580nm、2010-2060nm、2160nm等大气吸收波段，则采用MODTRAN等软件对相关大气参数进行计算；
(2)若输入波段包含940nm、1140nm、1580nm、2010-2060nm、2160nm等大气吸收波段，则输入这些波段图像，使用FLAASH大气校正模块对图像进行大气校正，将图像的灰度值转化为地物光谱反射率值；
(3)结合使用暗目标像元法，可在知道地物光谱反射率的基础上，反演包括气溶胶光学厚度等其他大气参数的值。
本发明的有益效果为：本发明可在仅有少量波段图像信息的基础上，从物质本征的反射率出发，实现对高分辨率全波段超光谱图像的仿真。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
如图1所示，一种高分辨率全波段超光谱遥感图像仿真方法，包括如下步骤：
(1)输入少量波段超光谱图像，对输入图像进行预处理，将图像本身的灰度值转化为图像中各个点的光谱反射率值；
(2)针对图像中不同的光谱反射率值，对图像进行分类；
(3)将图像中各点的光谱反射率与标准地物反射率数据库中的对应波段的地物光谱反射率数据进行比对，通过误差函数匹配出每一个分类块所对应的真实地物；
(4)再借由标准地物反射率数据库，计算出所匹配地物在仿真波段的光谱反射率；
(5)对已有的中、远红外波段利用普朗克黑体模型对温度参数进行反演；
(6)对特定的大气吸收波段采用FLAASH模型进行大气校正并结合暗目标像元法对大气参数进行反演；
(7)将地物光谱反射率转化为光谱辐射亮度值，完成对全波段图像的仿真；
(8)输出仿真图像。
本发明提出一种高分辨率全波段超光谱遥感图像仿真技术，借助经典的遥感链路方程：
Figure BDA0001692522460000041
式中，Lλ表示天基传感设备接收到的对地遥感λ谱段的辐射强度；E′sλ表示到达大气外层的太阳光照辐射强度，受太阳方位角控制；σ′表示太阳天顶角；r(λ)表示典型地物在λ波段的光谱反射率；rd(λ)位地物漫反射率；τ1(λ)表示太阳到地面的大气透过率，τ2(λ)表示地面到传感器的大气透过率；F表示天空形状参数；ε(λ)为地物特有的光谱发射率；LTλ为温度为T的黑体辐射光谱亮度；Edsλ为地表反射大气散射太阳光的辐射照度；Edελ为大气下行热辐射被地表反射的辐照度；Lusλ为大气散射的太阳光的辐射亮度；Luελ为大气上行热辐射亮度。
具体的实施方法可以分为以下4个步骤：
1.预处理
1.1辐射定标
对输入图像进行进行辐射定标，将图像灰度值转化为当前波段的光谱辐射亮度值：
Lλ＝Gain·DN+Offset
式中，Lλ为转换后的辐射亮度值，单位是W·m-2·sr-1·μm-1；DN为卫星载荷观测值，也就是记录的地物的灰度值；Gain为定标斜率，单位是W·m-2·sr-1·μm-1；Offset为绝对定标系数偏移量，单位也是：W·m-2·sr-1·μm-1，两个参数均为卫星探测器参数，查表可得。
1.2大气校正
对于辐射定标后的图像，利用MODTRAN对全波段大气传输透过率和后向散射等大气参数进行计算，消除大气吸收，大气散射等干扰因素造成的误差，将图像中各点光谱辐射亮度值转化为光谱反射率。
2.图像区域分类
根据反射率不同对定标完成图像进行进行区域分类，采用无监督聚类的方式，以K-MEANS聚类为例，即随机选择k个聚类质心点，为u1,u2,...uk。重复以下过程直至收敛：
Figure BDA0001692522460000051
Figure BDA0001692522460000052
其中c(i)表示第I个样本到当前簇心的距离，uj表示第j个簇的簇心。
3.地物匹配
通过将分类完成图像中各点的光谱反射率与标准地物反射率数据中对应波段的物质反射率数据进行匹配，完成对物质类别的判定工作。匹配过程中采用相对均方根误差作为匹配误差的判定函数，相对均方根误差最小的一组即为成功匹配结果，公式如下：
Figure BDA0001692522460000053
式中，K为波段数目；ri为反演出的物质光谱反射率；ri′为标准地物反射率数据库的物质光谱反射率。
4.扩展光谱图像仿真
4.1光谱反射率计算
首先利用端元提取的方式确定纯净像元与混合像元，通过像元解混的方式确定每一个混合像元的地物组成成分，根据标准反射率数据库的地物光谱反射率数据，计算每种物质在仿真波段的光谱反射率r(λi)。本发明对像元解混算法鲁棒性较强，可适用于多种像元解混方式，现以如下方法为例。
具体算法如下：
(1)借由图像聚类得到每一个单独类别的聚类中心点；
Figure BDA0001692522460000061
(2)计算图像中每一个样本点到所有聚类中心点距离的倒数g(ij)，归一化处理作为样本点出现于该类别的条件概率
Figure BDA0001692522460000062
Figure BDA0001692522460000063
(3)根据条件概率，计算当前样本点在所有类别中的加权辐射亮度值作为最终的混合像元辐射亮度值。
Figure BDA0001692522460000064
式中，Lj代表第j个地物在目标波段的光谱辐射亮度值；C是所有j的集合。
(4)通过大气校正模型，将目标波段的光谱辐射亮度值转换为光谱反射率r(λi)。
4.2温度反演
若已有波段图像中不含有中红外或远红外波段的图像，则采用经验参数或者查阅相关资料得到的参数作为输入的温度参数；若含有这些波段图像，则采用如下的步骤对温度参数进行反演：
(1)对图像进行辐射定标，将原始灰度值图像转化为光谱辐射亮度值Lλ；
Lλ＝MLQcal+AL
式中Lλ为波段λ的大气光谱辐射值；ML为增益参数，Qcal是指像元的灰度值，AL为偏移参数，其中ML和AL可由数据源文件直接读取
(2)根据普朗克黑体辐射公式，将图像中每一个点的光谱辐射亮度值转化为温度值；
T＝K2/ln(K1/L+1)
式中，T为亮度温度；L为热红外波段辐射亮度值，K1,K2为常量，查表可知.
(3)利用大气透过率，对地表温度的计算进行修正，得到实际地表温度。
Ts＝A0+A1Ti+A2Tj
式中，Ts为地表温度；Ti和Tj分别表示两个波段的亮度温度；A0,A1,A2均为转换参数，通过大气透过率确定。
4.3大气参数反演
若输入波段不包含940nm,1140nm,1580nm,2010-2060nm，2160nm等大气吸收波段，则采用MODTRAN等软件对相关大气参数进行计算；若输入波段中含有以上波段数据，则采用如下步骤对大气参数进行反演：
(1)若输入波段包含940nm、1140nm、1580nm、2010-2060nm、2160nm等大气吸收波段，则输入这些波段图像，使用FLAASH大气校正模块对图像进行大气校正，将图像的灰度值转化为地物光谱反射率值；
Figure BDA0001692522460000071
式中：Lλ为遥感器如同光谱辐射亮度值，ρ为对应像元的地表反射率，ρe为对应像元与其临近像元的混合反射率，S为大起底层半球反照率，La为大气程辐射。A、B为由大气条件决定的系数。各项参数均可由大气软件进行计算。
(2)结合使用暗目标像元法，可在知道地物光谱反射率的基础上，反演包括气溶胶光学厚度等其他大气参数的值。
4.4图像仿真
在得到图像中每一点的光谱反射率后，就可以对图像进行仿真。在不考虑地面形状的基础上，通过公式：
Figure BDA0001692522460000072
就能实现将图像中任意一点的地物光谱反射率r(λi)转换为对应波段的光谱辐射亮度值Lλi，从而达到对全波段图像进行仿真的结果。
本发明可在仅有少量波段图像信息的基础上，从物质本征的反射率出发，实现对高分辨率全波段超光谱图像的仿真。

Claims (3)

1.一种高分辨率全波段超光谱遥感图像仿真方法，其特征在于，包括如下步骤：
(1)输入少量波段超光谱图像，对输入图像进行预处理，将图像本身的灰度值转化为图像中各个点的光谱反射率值；
(2)针对图像中不同的光谱反射率值，对图像进行分类；
(3)将图像中各点的光谱反射率与标准地物反射率数据库中的对应波段的地物光谱反射率数据进行比对，通过误差函数匹配出每一个分类块所对应的真实地物；
(4)再借由标准地物反射率数据库，计算出所匹配地物在仿真波段的光谱反射率；
(5)对已有的中、远红外波段利用普朗克黑体模型对温度参数进行反演；
(6)对特定的大气吸收波段采用FLAASH模型进行大气校正并结合暗目标像元法对大气参数进行反演；大气参数包括气溶胶光学厚度、温度、水汽含量、后向散射和大气程辐射；来源于软件模拟、遥感产品数据资料或直接基于反演图像信息；
温度反演信息的处理具体包括如下步骤：
(a)若已有波段不包含热红外波段，则使用NASA、地理国情监测云平台网站直接下载的地表温度数据来定义温度参数；
(b)若已知波段包括热红外波段，则对图像进行辐射定标，将原始灰度值图像转化为光谱辐射亮度值；
(c)根据普朗克黑体辐射公式，将图像中每一个点的光谱辐射亮度值转化为温度值；
(d)利用大气透过率，对地表温度的计算进行修正，得到实际地表温度；
大气参数反演具体包括如下步骤：
(e)若输入波段不包含940nm、1140nm、1580nm、2010-2060nm大气吸收波段，则采用MODTRAN软件对相关大气参数进行计算；
(f)若输入波段包含940nm、1140nm、1580nm、2010-2060nm大气吸收波段，则输入这些波段图像，使用FLAASH大气校正模块对图像进行大气校正，将图像的灰度值转化为地物光谱反射率值；
(g)结合使用暗目标像元法，在知道地物光谱反射率的基础上，反演包括气溶胶光学厚度的其他大气参数的值；
(7)将地物光谱反射率转化为光谱辐射亮度值，完成对全波段图像的仿真；
(8)输出仿真图像。
2.如权利要求1所述的高分辨率全波段超光谱遥感图像仿真方法，其特征在于，步骤(1)中，对输入图像进行预处理具体包括如下步骤：
(11)对输入图像进行辐射定标，将图像中每个点的灰度值转化为当前波段的光谱辐射亮度值；
(12)对辐射定标后的图像进行大气校正，利用MODTRAN对大气传输透过率和后向散射大气参数进行计算，将图像中各点光谱辐射亮度值转化为光谱反射率。
3.如权利要求1所述的高分辨率全波段超光谱遥感图像仿真方法，其特征在于，步骤(3)中，误差函数匹配具体为：匹配过程中采用相对均方根误差作为匹配误差的判定函数，相对均方根误差最小的一组即为成功匹配结果，公式如下：
Figure FDA0003323192350000021
式中，K为波段数目；ri为反演出的物质光谱反射率；ri′为标准地物反射率数据库的物质光谱反射率。
CN201810598123.8A 2018-06-12 2018-06-12 一种高分辨率全波段超光谱遥感图像仿真方法 Active CN108830846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810598123.8A CN108830846B (zh) 2018-06-12 2018-06-12 一种高分辨率全波段超光谱遥感图像仿真方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810598123.8A CN108830846B (zh) 2018-06-12 2018-06-12 一种高分辨率全波段超光谱遥感图像仿真方法

Publications (2)

Publication Number Publication Date
CN108830846A CN108830846A (zh) 2018-11-16
CN108830846B true CN108830846B (zh) 2022-02-08

Family

ID=64144580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810598123.8A Active CN108830846B (zh) 2018-06-12 2018-06-12 一种高分辨率全波段超光谱遥感图像仿真方法

Country Status (1)

Country Link
CN (1) CN108830846B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977609B (zh) * 2019-04-16 2022-08-23 哈尔滨工业大学 一种基于真实遥感数据的地面高温热源红外图像仿真方法
CN110188727B (zh) * 2019-06-05 2021-11-05 中煤航测遥感集团有限公司 海洋溢油量估算方法及装置
CN110987821B (zh) * 2019-11-12 2020-12-25 中国科学院西安光学精密机械研究所 一种高光谱快速大气校正参数化方法
CN111353937B (zh) * 2020-02-28 2023-09-29 南京航空航天大学 一种遥感图像的超分辨率重构方法
CN112150452B (zh) * 2020-09-30 2022-04-15 西南交通大学 一种基于毫米波成像的铁路轨枕缺陷检测方法
CN114324226B (zh) * 2021-11-30 2023-06-23 中国科学技术大学 一种大气污染物立体分布无人机载超光谱遥测系统
CN114894737A (zh) * 2021-12-06 2022-08-12 西安电子科技大学 一种基于红外图像的光谱反射率重建方法
CN114862846B (zh) * 2022-07-04 2022-10-25 武汉精立电子技术有限公司 一种筛分方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102176001A (zh) * 2011-02-10 2011-09-07 哈尔滨工程大学 一种基于透水波段比值因子的水深反演方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102176001A (zh) * 2011-02-10 2011-09-07 哈尔滨工程大学 一种基于透水波段比值因子的水深反演方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
光谱特征扩展的时间序列Landsat数据;胡勇 等;《遥感学报》;20150430;第648-654页 *
基于航空图像的航天光学遥感器成像的仿真;顾有林 等;《系统仿真学报》;20080731;第20卷(第14期);第86-92页 *
多时相Landsat影像地表亮温辐射归一化方法;王璟睿 等;《遥感信息》;20160430;第31卷(第2期);第3730-3732页 *

Also Published As

Publication number Publication date
CN108830846A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
CN108830846B (zh) 一种高分辨率全波段超光谱遥感图像仿真方法
Jiang et al. Improved near-infrared ocean reflectance correction algorithm for satellite ocean color data processing
Fougnie et al. PARASOL in-flight calibration and performance
Adler-Golden et al. Long-wave infrared surface reflectance spectra retrieved from Telops Hyper-Cam imagery
AU2007217794A1 (en) Method for spectral data classification and detection in diverse lighting conditions
Liu et al. Spectral calibration of hyperspectral data observed from a hyperspectrometer loaded on an unmanned aerial vehicle platform
CN116519557B (zh) 一种气溶胶光学厚度反演方法
Schläpfer et al. Cast shadow detection to quantify the aerosol optical thickness for atmospheric correction of high spatial resolution optical imagery
Cazorla et al. Using a sky imager for aerosol characterization
Sun et al. Automatic atmospheric correction for shortwave hyperspectral remote sensing data using a time-dependent deep neural network
Ariza et al. Empirical line model for the atmospheric correction of sentinel-2A MSI images in the Caribbean Islands
Wang et al. A cloud detection scheme for the Chinese Carbon Dioxide Observation Satellite (TANSAT)
Eismann et al. Airborne hyperspectral detection of small changes
Yeom et al. Estimation of the hourly aerosol optical depth from GOCI geostationary satellite data: deep neural network, machine learning, and physical models
Yousefi et al. Continuum removal for ground-based LWIR hyperspectral infrared imagery applying non-negative matrix factorization
Zhang et al. A back propagation neural network-based radiometric correction method (BPNNRCM) for UAV multispectral image
Peddle et al. Radiometric image processing
Olmo et al. Retrieval of the optical depth using an all-sky CCD camera
Salzano et al. On the seasonality of the snow optical behaviour at Ny Ålesund (Svalbard Islands, Norway)
Chen et al. Integrating a crop growth model and radiative transfer model to improve estimation of crop traits based on deep learning
Meng et al. An analytical model for optical polarimetric imaging systems
CN109472237B (zh) 一种可见光遥感卫星影像的大气订正方法和系统
Lind et al. Hyperspectral imaging of asteroids using an FPI-based sensor
Liu et al. Vicarious calibration of the formosat-2 remote sensing instrument
CA3077923C (en) Methods for in-scene compensation using water vapor content

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