CN110070513A - 遥感影像的辐射校正方法及系统 - Google Patents
遥感影像的辐射校正方法及系统 Download PDFInfo
- Publication number
- CN110070513A CN110070513A CN201910364696.9A CN201910364696A CN110070513A CN 110070513 A CN110070513 A CN 110070513A CN 201910364696 A CN201910364696 A CN 201910364696A CN 110070513 A CN110070513 A CN 110070513A
- Authority
- CN
- China
- Prior art keywords
- image data
- remote sensing
- atural object
- sensing image
- correction
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 211
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000005855 radiation Effects 0.000 title claims abstract description 48
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims abstract description 190
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 239000000284 extract Substances 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 27
- 238000002310 reflectometry Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000004611 spectroscopical analysis Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000003702 image correction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000012925 reference material Substances 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
-
- 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
- G06T2207/20081—Training; 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (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)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种遥感影像的辐射校正方法及系统，所述辐射校正方法包括：构建一标准地物库；获取待校正的遥感影像数据；依次对单张遥感影像数据进行预处理，得到与单张遥感影像数据对应的辐亮度影像数据；基于机器学习算法检测对应的辐亮度影像数据，提取一目标标准地物；从对应的辐亮度影像数据中提取目标标准地物的辐亮度影像数据；查询标准地物库，得到目标标准地物的目标反射特征；根据目标反射特征和目标标准地物的辐亮度影像数据构建目标标准地物的辐射校正模型；根据辐射校正模型对对应的单张遥感影像数据进行辐射校正。本发明通过影像中的标准地物替代人造靶标，节约成本，遥感作业更易实施，且校正精确到单张影像，提高了体校正精度。
Description
技术领域
本发明属于遥感图像处理领域，特别涉及一种遥感影像的辐射校正方法及系统。
背景技术
辐射校正是建立遥感传感器的数字量化输出值DN(Digital Number，遥感影像像元亮度值)与其所对应的视场中实际地物反射率之间的定量回归关系的过程；而相对辐射校正则利用遥感影像中的标准参考物，建立标准参考物的DN与其已知反射率的回归关系，并将这一关系应用于影像中反射率未知的地物DN值上，得到后者的实际反射率。现有辐射校正方法中，标准参考物通常使用人造靶标，这些人造靶标的反射率等各项光学特征已知，但是造价高，另外用于辐射校正时往往需人工布设于遥感测区，一旦遥感测区较大，导致布设效率低，继而影响整个遥感检测的效率。
发明内容
本发明要解决的技术问题是为了克服现有技术中需人工布设人造靶标导致造价高、布设效率低的缺陷，提供一种遥感影像的辐射校正方法及系统。
本发明是通过下述技术方案来解决上述技术问题：
一种遥感影像的辐射校正方法，所述辐射校正方法包括：
构建一标准地物库，所述标准地物库存储有多个标准地物、每个标准地物的反射特征；
获取待校正的遥感影像数据；
依次对单张遥感影像数据进行预处理，得到与所述单张遥感影像数据对应的辐亮度影像数据；
基于机器学习算法检测所述对应的辐亮度影像数据，提取一目标标准地物；
从所述对应的辐亮度影像数据中提取所述目标标准地物的辐亮度影像数据；
查询所述标准地物库，得到所述目标标准地物的目标反射特征；
根据所述目标反射特征和所述目标标准地物的辐亮度影像数据构建所述目标标准地物的辐射校正模型；
根据所述辐射校正模型对对应的单张遥感影像数据进行辐射校正。
较佳地，所述机器学习算法包括监督学习算法，所述基于模式识别算法检测所述辐亮度影像数据，提取一目标标准地物的步骤具体包括：
获取历史遥感影像数据；
依次对每张历史遥感影像数据进行预处理，得到与所述每张历史遥感影像数据对应的历史辐亮度影像数据；
对所述历史辐亮度影像数据中的标准地物进行标注，生成与每个标准地物对应的标签；
将所述历史辐亮度影像数据和所述标签输入所述监督学习算法，训练得到标准地物识别模型；
将所述对应的辐亮度影像数据输入所述标准地物识别模型，识别得到所述目标标准地物。
较佳地，所述监督学习算法包括贝叶斯算法、支持向量机算法、条件随机场算法、全连接神经网络算法、全卷积神经网络算法中的任意一个。
较佳地，所述机器学习算法包括非监督学习算法，所述基于模式识别算法检测所述辐亮度影像数据，提取一目标标准地物的步骤具体包括：
基于所述非监督学习算法对所述对应的辐亮度影像数据进行聚类，得到多个分类目标；
从所述多个分类目标中提取所述目标标准地物。
较佳地，所述非监督学习算法包括K值聚类算法、均值漂移聚类算法、DBSCAN聚类算法、GMM-EM算法、凝聚层次聚类算法和图团体检测算法中的任意一个。
较佳地，所述反射特征包括所述标准地物的标准反射率光谱数据，所述目标标准地物的辐亮度影像数据包括所述目标标准地物在不同波段的DN值；
所述根据所述目标反射特征和所述目标标准地物的辐亮度影像数据构建所述目标标准地物的辐射校正模型的步骤具体包括：
根据所述目标标准地物的DN值和所述标准反射率光谱数据得到所述目标标准地物在不同波段的校正系数；
根据所述不同波段的校正系数构建不同波段下所述目标标准地物的DN值与所述目标标准地物的实际反射率的关系的辐射校正模型；
所述根据所述辐射校正模型对对应的单张遥感影像数据进行辐射校正的步骤具体包括：
对同一波段下的单张遥感影像数据，根据每个像素点的DN值和所述同一波段下的辐射校正模型得到所述每个像素点的实际反射率，以完成对所述对应的单张遥感影像数据的辐射校正。
较佳地，所述依次对单张遥感影像数据进行预处理，得到与所述单张遥感影像数据对应的辐亮度影像数据的步骤具体包括：
依次对所述单张遥感影像数据进行几何校正；
获取拍摄所述单张遥感影像数据的拍摄装置的拍摄参数，根据所述拍摄参数对几何校正后的单张遥感影像数据进行绝对辐射校正，得到所述对应的辐亮度影像数据。
较佳地，所述根据所述辐射校正模型对对应的单张遥感影像数据进行辐射校正的步骤之前，所述遥感影像的辐射校正方法还包括：
将包含同一目标标准地物的单张遥感影像数据划分为同一类遥感影像数据；
所述根据所述辐射校正模型对对应的单张遥感影像数据进行辐射校正的步骤具体包括：
根据所述辐射校正模型对对应的同一类遥感影像数据进行辐射校正。
一种遥感影像的辐射校正系统，所述辐射校正系统包括标准地物库构建模块、遥感影像数据获取模块、预处理模块、目标标准地物提取模块、辐亮度影像数据提取模块、查询模块、辐射校正模型构建模块和辐射校正模块；
所述标准地物库构建模块用于构建一标准地物库，所述标准地物库存储有多个标准地物、每个标准地物的反射特征；
所述遥感影像数据获取模块用于获取待校正的遥感影像数据；
所述预处理模块用于依次对单张遥感影像数据进行预处理，得到与所述单张遥感影像数据对应的辐亮度影像数据；
所述目标标准地物提取模块用于基于机器学习算法检测所述对应的辐亮度影像数据，提取一目标标准地物；
所述辐亮度影像数据提取模块用于从所述对应的辐亮度影像数据中提取所述目标标准地物的辐亮度影像数据；
所述查询模块用于查询所述标准地物库，得到所述目标标准地物的目标反射特征；
所述辐射校正模型构建模块用于根据所述目标反射特征和所述目标标准地物的辐亮度影像数据构建所述目标标准地物的辐射校正模型；
所述辐射校正模块用于根据所述辐射校正模型对对应的单张遥感影像数据进行辐射校正。
较佳地，所述机器学习算法包括监督学习算法，所述目标标准地物提取模块包括标注单元和训练单元；
所述遥感影像数据获取模块还用于获取历史遥感影像数据；
所述预处理模块还用于依次对每张历史遥感影像数据进行预处理，得到与所述每张历史遥感影像数据对应的历史辐亮度影像数据；
所述标注单元用于对所述历史辐亮度影像数据中的标准地物进行标注，生成与每个标准地物对应的标签；
所述训练单元用于将所述历史辐亮度影像数据和所述标签输入所述监督学习算法，训练得到标准地物识别模型；
所述目标标准地物提取模块用于将所述对应的辐亮度影像数据输入所述标准地物识别模型，识别得到所述目标标准地物。
较佳地，所述机器学习算法包括非监督学习算法，所述目标标准地物提取模块包括聚类单元；
所述聚类单元用于基于所述非监督学习算法对所述对应的辐亮度影像数据进行聚类，得到多个分类目标；
所述目标标准地物提取模块用于从所述多个分类目标中提取所述目标标准地物。
较佳地，所述反射特征包括所述标准地物的标准反射率光谱数据，所述目标标准地物的辐亮度影像数据包括所述目标标准地物在不同波段的DN值，所述辐射校正模型构建模块包括校正系数获取单元和辐射校正模型获取单元；
所述校正系数获取单元用于根据所述目标标准地物的DN值和所述标准反射率光谱数据得到所述目标标准地物在不同波段的校正系数；
所述辐射校正模型获取单元用于根据所述不同波段的校正系数构建不同波段下所述目标标准地物的DN值与所述目标标准地物的实际反射率的关系的辐射校正模型；
所述辐射校正模块用于对同一波段下的单张遥感影像数据，根据每个像素点的DN值和所述同一波段下的辐射校正模型得到所述每个像素点的实际反射率，以完成对所述对应的单张遥感影像数据的辐射校正。
较佳地，所述预处理模块包括几何校正单元和绝对辐射校正单元；
所述几何校正单元用于依次对所述单张遥感影像数据进行几何校正；
所述绝对辐射校正单元用于获取拍摄所述单张遥感影像数据的拍摄装置的拍摄参数，根据所述拍摄参数对几何校正后的单张遥感影像数据进行绝对辐射校正，得到所述对应的辐亮度影像数据。
较佳地，所述遥感影像的辐射校正系统还包括分类模块；
所述分类模块用于将包含同一目标标准地物的单张遥感影像数据划分为同一类遥感影像数据；
所述辐射校正模块用于根据所述辐射校正模型对对应的同一类遥感影像数据进行辐射校正。
本发明的积极进步效果在于：本发明通过影像中的标准地物替代人造靶标，节约了制造和人工布设靶标的成本，也使遥感作业的规划更容易实施，整体上有效节约了低空遥感作业的成本，另外，校正可以精确到单张影像，很大程度上提高了遥感影像的整体校正精度。
附图说明
图1为本发明实施例1的遥感影像的辐射校正方法的流程框图。
图2为本发明实施例1的遥感影像的辐射校正方法中步骤12的流程框图。
图3为本发明实施例1的遥感影像的辐射校正方法的另一种实现方式的流程框图。
图4为本发明实施例2的遥感影像的辐射校正方法中步骤13的流程框图。
图5为本发明实施例3的遥感影像的辐射校正方法中步骤13的流程框图。
图6为本发明实施例4的遥感影像的辐射校正方法的流程框图。
图7为本发明实施例5的遥感影像的辐射校正系统的模块示意图。
图8为本发明实施例6的遥感影像的辐射校正系统的模块示意图。
图9为本发明实施例7的遥感影像的辐射校正系统的模块示意图。
图10为本发明实施例8的遥感影像的辐射校正系统的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
一种遥感影像的辐射校正方法，如图1所示，所述辐射校正方法包括：
步骤10、构建一标准地物库；所述标准地物库存储有多个标准地物、每个标准地物的反射特征；
需要说明的是，所述反射特征包括标准地物在大气窗口下的连续标准反射率光谱数据和标准地物的指标特征，所示指标特征包括所述标准地物的纹理特征、类别、地理分布范围、形态特征、分布特征、建造时间以及数据采集时的太阳方位与高度、天空云量、大气含水量及粉尘堆积量。其中，数据的获取采用实地光谱测量与网络公开数据集下载两种方式，其中，数据获取方式为网络公开数据集下载时，数据集选用美国地质勘探局(USGS)的开源地物光谱数据集。
步骤11、获取待校正的遥感影像数据；
步骤12、依次对单张遥感影像数据进行预处理，得到与单张遥感影像数据对应的辐亮度影像数据；
步骤13、基于机器学习算法检测对应的辐亮度影像数据，提取一目标标准地物；
步骤14、从对应的辐亮度影像数据中提取目标标准地物的辐亮度影像数据；
步骤15、查询标准地物库，得到目标标准地物的目标反射特征；
步骤16、根据目标反射特征和目标标准地物的辐亮度影像数据构建目标标准地物的辐射校正模型；
步骤17、根据辐射校正模型对对应的单张遥感影像数据进行辐射校正。
其中，如图2所示，步骤12具体包括：
步骤121、依次对单张遥感影像数据进行几何校正；
步骤122、获取拍摄单张遥感影像数据的拍摄装置的拍摄参数，根据拍摄参数对几何校正后的单张遥感影像数据进行绝对辐射校正，得到对应的辐亮度影像数据。
需要说明的是，待校正的遥感影像数据为多张影像，如果当前影像中未提取到目标标准地物，则选择曝光时间接近的其他影像来提取目标标准地物，并将其作为辐射校正的基准影像，更佳的，如果曝光时间接近的其他影像光学特性与当前影像的光学特征(如曝光增益、灰度均值、灰度散度等)差异性较大的，则选择光学特征近似的其他影像来提取目标标准地物；另外，若在多云天气进行观测，可根据待校正遥感影像的曝光时刻天顶云层散度在影像上的投影位置，将待校正遥感影像根据云层遮罩情况，分割成若干云层遮罩条件不同的子区域，使用包含有标准地物的子区域的遥感影像作为辐射校正的基准影。
本实施例中，如图3所示，提供遥感影像的辐射校正方法的另一种实现方式，步骤17之前，所述遥感影像的辐射校正方法还包括：
步骤1601、将包含同一目标标准地物的单张遥感影像数据划分为同一类遥感影像数据；
进一步的，步骤17具体包括：
步骤171、根据辐射校正模型对对应的同一类遥感影像数据进行辐射校正。
本实施例中，通过影像中的标准地物替代人造靶标，节约了制造和人工布设靶标的成本，也使遥感作业的规划更容易实施，整体上有效节约了低空遥感作业的成本，另外，校正可以精确到单张影像，很大程度上提高了遥感影像的整体校正精度。
实施例2
本实施例的遥感影像的辐射校正方法是在实施例1的基础上进一步改进，如图4所示，所述机器学习算法包括监督学习算法，步骤13具体包括：
步骤1311、获取历史遥感影像数据；
步骤1312、依次对每张历史遥感影像数据进行预处理，得到与每张历史遥感影像数据对应的历史辐亮度影像数据；
步骤1313、对历史辐亮度影像数据中的标准地物进行标注，生成与每个标准地物对应的标签；
步骤1314、将历史辐亮度影像数据和标签输入监督学习算法，训练得到标准地物识别模型；
步骤1315、将对应的辐亮度影像数据输入标准地物识别模型，识别得到目标标准地物。
所述监督学习算法包括贝叶斯算法、支持向量机算法、条件随机场算法、全连接神经网络算法、全卷积神经网络算法中的任意一个。
以道路路面作为目标标准地物，并以全卷积神经网络作为监督学习算法为例：
在训练过程中，对已有的遥感影像进行人工标注，标注出道路部分，将标注好的影像与原始影像结合，即得到一个训练样本；重复上述过程直至建立起训练样本数量满足需求的数据集，在数据集上根据k折交叉验证算法对神经网络重复进行训练并验证，根据每次验证精度与最终精度的方差判断神经网络存在的问题是有偏还是过拟合：若训练完成后网络表现为有偏，则改进网络结构，增加网络深度，重新训练；若是过拟合，则从下列方案中选择其一或若干进行改进：减小网络层数，增大训练数据集，对网络添加正则化等，并重新训练网络。当最后取得的训练和验证精度都较高且满足应用需求时，识别模型训练完成，该识别模型可以用于标准地物为道路的识别与提取。
使用训练好的识别模型进行道路提取，同时对提取结果进行人工检核，若结果精度降低，则在原数据集中添加新的数据对网络再次进行训练，并调节网络参数使提取精度达到要求，当连续多次使用神经网络在新的遥感影像上分类精度都能达到要求时，可在之后减少或省去人工检校的工作。对于提取精度，可以采用P/R/F指标进行评价。具体地：
P(分类正确率)＝分类正确的道路像素数量/分类为道路的像素总数量
R(分类召回率)＝分类正确的道路像素数量/实际为道路的像素总数量
在本实施例中，F值达到经验阈值90％时为满足要求，否则不满足要求。
实施例3
本实施例的遥感影像的辐射校正方法是在实施例1的基础上进一步改进，如图5所示，所述机器学习算法包括非监督学习算法，步骤13具体包括：
步骤1321、基于非监督学习算法对对应的辐亮度影像数据进行聚类，得到多个分类目标；
步骤1322、从多个分类目标中提取目标标准地物。
所述非监督学习算法包括K值聚类算法、均值漂移聚类算法、DBSCAN聚类算法、GMM-EM算法、凝聚层次聚类算法和图团体检测算法中的任意一个。
以道路路面作为目标标准地物，并以DBSCAN算法作为非监督学习算法为例：
在辐亮度影像上应用DBSCAN算法实现影像的密度聚类，其中，DBSCAN算法的关键参数包括MinPts和Eps，前者用于限定核心对象邻域内的样本点个数，后者用于限定邻域范围。聚类时先预设MinPts和Eps的初始值，并观察道路的聚类精度能否满足应用需求，若不满足要求，当道路不能被完整提取出时，适当减小MinPts和Eps，反之当道路聚类结果中混淆了其他地形地物时，适当增大MinPts和Eps。其中，DBSCAN算法的输出结果是包含道路类别在内的多个分类目标，在完成聚类之后可以依靠人工判读聚类结果，从中选取出道路部分。
实施例4
本实施例的遥感影像的辐射校正方法是在实施例1的基础上进一步改进，所述反射特征包括所述标准地物的标准反射率光谱数据，所述目标标准地物的辐亮度影像数据包括所述目标标准地物在不同波段的DN值，如图6所示，步骤16具体包括：
步骤161、根据目标标准地物的DN值和标准反射率光谱数据得到目标标准地物在不同波段的校正系数；
步骤162、根据不同波段的校正系数构建不同波段下目标标准地物的DN值与目标标准地物的实际反射率的关系的辐射校正模型；
进一步的，步骤17具体包括：
步骤172、对同一波段下的单张遥感影像数据，根据每个像素点的DN值和同一波段下的辐射校正模型得到每个像素点的实际反射率，以完成对对应的单张遥感影像数据的辐射校正。
具体的，利用目标标准地物的提取结果，逐相片、逐波段地建立目标标准地物在辐亮度相片中的DN值与该种类的道路路面之理论反射率R的关系：
式中：表示第i张相片中第j个波段的校正系数，是校正过程的待求参数；Rj表示第j个波段的目标标准地物的理论反射率，表示第i张相片上第j个波段的目标标准地物的辐亮度值均值。
目标标准地物的理论反射率R是通过查询标准地物库得到，从标准反射率光谱数据上寻找多光谱相片中第j个波段的中心波长所对应的反射率，即为该波段上目标标准地物的理论反射率Rj。优选地，若数据库中对于同一类目标标准地物有多条记录的情况下，根据待校正影像的拍摄环境与记录中指标特征的符合程度选择最接近的若干数据，理论反射率Rj则取这若干数据的均值。
求得校正系数后，利用下述公式对整张影像分波段进行校正处理：
式中：i表示第i张相片，j表示第j个波段，(r，c)表示相片中位于第r行第c列的像素，表示相片上一个非目标标准地物的像素的辐亮度，表示该像素校正后的反射率。
对于待校正的所有遥感影像，重复上述过程，即完成对全部遥感影像的辐射校正。
实施例5
一种遥感影像的辐射校正系统，如图7所示，所述辐射校正系统包括标准地物库构建模块1、遥感影像数据获取模块2、预处理模块3、目标标准地物提取模块4、辐亮度影像数据提取模块5、查询模块6、辐射校正模型构建模块7和辐射校正模块8；
所述标准地物库构建模块1用于构建一标准地物库，所述标准地物库存储有多个标准地物、每个标准地物的反射特征；
需要说明的是，所述反射特征包括标准地物在大气窗口下的连续标准反射率光谱数据和标准地物的指标特征，所示指标特征包括所述标准地物的纹理特征、类别、地理分布范围、形态特征、分布特征、建造时间以及数据采集时的太阳方位与高度、天空云量、大气含水量及粉尘堆积量。其中，数据的获取采用实地光谱测量与网络公开数据集下载两种方式，其中，数据获取方式为网络公开数据集下载时，数据集选用美国地质勘探局(USGS)的开源地物光谱数据集。
所述遥感影像数据获取模块2用于获取待校正的遥感影像数据；
所述预处理模块3用于依次对单张遥感影像数据进行预处理，得到与所述单张遥感影像数据对应的辐亮度影像数据；
所述目标标准地物提取模块4用于基于机器学习算法检测所述对应的辐亮度影像数据，提取一目标标准地物；
所述辐亮度影像数据提取模块5用于从所述对应的辐亮度影像数据中提取所述目标标准地物的辐亮度影像数据；
所述查询模块6用于查询所述标准地物库，得到所述目标标准地物的目标反射特征；
所述辐射校正模型构建模块7用于根据所述目标反射特征和所述目标标准地物的辐亮度影像数据构建所述目标标准地物的辐射校正模型；
所述辐射校正模块8用于根据所述辐射校正模型对对应的单张遥感影像数据进行辐射校正。
其中，所述预处理模块3包括几何校正单元31和绝对辐射校正单元32；
所述几何校正单元31用于依次对所述单张遥感影像数据进行几何校正；
所述绝对辐射校正单元32用于获取拍摄所述单张遥感影像数据的拍摄装置的拍摄参数，根据所述拍摄参数对几何校正后的单张遥感影像数据进行绝对辐射校正，得到所述对应的辐亮度影像数据。
需要说明的是，待校正的遥感影像数据为多张影像，如果当前影像中未提取到目标标准地物，则选择曝光时间接近的其他影像来提取目标标准地物，并将其作为辐射校正的基准影像，更佳的，如果曝光时间接近的其他影像光学特性与当前影像的光学特征(如曝光增益、灰度均值、灰度散度等)差异性较大的，则选择光学特征近似的其他影像来提取目标标准地物；另外，若在多云天气进行观测，可根据待校正遥感影像的曝光时刻天顶云层散度在影像上的投影位置，将待校正遥感影像根据云层遮罩情况，分割成若干云层遮罩条件不同的子区域，使用包含有标准地物的子区域的遥感影像作为辐射校正的基准影。
本实施例中，所述遥感影像的辐射校正系统还包括分类模块9；
所述分类模块9用于将包含同一目标标准地物的单张遥感影像数据划分为同一类遥感影像数据；
所述辐射校正模块用于根据所述辐射校正模型对对应的同一类遥感影像数据进行辐射校正。
本实施例中，通过影像中的标准地物替代人造靶标，节约了制造和人工布设靶标的成本，也使遥感作业的规划更容易实施，整体上有效节约了低空遥感作业的成本，另外，校正可以精确到单张影像，很大程度上提高了遥感影像的整体校正精度。
实施例6
本实施例的遥感影像的辐射校正系统是在实施例5的基础上进一步改进，如图8所示，所述机器学习算法包括监督学习算法，所述目标标准地物提取模块4包括标注单元411和训练单元412；
所述遥感影像数据获取模块2还用于获取历史遥感影像数据；
所述预处理模块3还用于依次对每张历史遥感影像数据进行预处理，得到与所述每张历史遥感影像数据对应的历史辐亮度影像数据；
所述标注单元411用于对所述历史辐亮度影像数据中的标准地物进行标注，生成与每个标准地物对应的标签；
所述训练单元412用于将所述历史辐亮度影像数据和所述标签输入所述监督学习算法，训练得到标准地物识别模型；
所述目标标准地物提取模块4用于将所述对应的辐亮度影像数据输入所述标准地物识别模型，识别得到所述目标标准地物。
所述监督学习算法包括贝叶斯算法、支持向量机算法、条件随机场算法、全连接神经网络算法、全卷积神经网络算法中的任意一个。
以道路路面作为目标标准地物，并以全卷积神经网络作为监督学习算法为例：
在训练过程中，对已有的遥感影像进行人工标注，标注出道路部分，将标注好的影像与原始影像结合，即得到一个训练样本；重复上述过程直至建立起训练样本数量满足需求的数据集，在数据集上根据k折交叉验证算法对神经网络重复进行训练并验证，根据每次验证精度与最终精度的方差判断神经网络存在的问题是有偏还是过拟合：若训练完成后网络表现为有偏，则改进网络结构，增加网络深度，重新训练；若是过拟合，则从下列方案中选择其一或若干进行改进：减小网络层数，增大训练数据集，对网络添加正则化等，并重新训练网络。当最后取得的训练和验证精度都较高且满足应用需求时，识别模型训练完成，该识别模型可以用于标准地物为道路的识别与提取。
使用训练好的识别模型进行道路提取，同时对提取结果进行人工检核，若结果精度降低，则在原数据集中添加新的数据对网络再次进行训练，并调节网络参数使提取精度达到要求，当连续多次使用神经网络在新的遥感影像上分类精度都能达到要求时，可在之后减少或省去人工检校的工作。对于提取精度，可以采用P/R/F指标进行评价。具体地：
P(分类正确率)＝分类正确的道路像素数量/分类为道路的像素总数量
R(分类召回率)＝分类正确的道路像素数量/实际为道路的像素总数量
在本实施例中，F值达到经验阈值90％时为满足要求，否则不满足要求。
实施例7
本实施例的遥感影像的辐射校正系统是在实施例5的基础上进一步改进，如图9所示，所述机器学习算法包括非监督学习算法，所述目标标准地物提取模块4包括聚类单元421；
所述聚类单元421用于基于所述非监督学习算法对所述对应的辐亮度影像数据进行聚类，得到多个分类目标；
所述目标标准地物提取模块4用于从所述多个分类目标中提取所述目标标准地物。
所述非监督学习算法包括K值聚类算法、均值漂移聚类算法、DBSCAN聚类算法、GMM-EM算法、凝聚层次聚类算法和图团体检测算法中的任意一个。
以道路路面作为目标标准地物，并以DBSCAN算法作为非监督学习算法为例：
在辐亮度影像上应用DBSCAN算法实现影像的密度聚类，其中，DBSCAN算法的关键参数包括MinPts和Eps，前者用于限定核心对象邻域内的样本点个数，后者用于限定邻域范围。聚类时先预设MinPts和Eps的初始值，并观察道路的聚类精度能否满足应用需求，若不满足要求，当道路不能被完整提取出时，适当减小MinPts和Eps，反之当道路聚类结果中混淆了其他地形地物时，适当增大MinPts和Eps。其中，DBSCAN算法的输出结果是包含道路类别在内的多个分类目标，在完成聚类之后可以依靠人工判读聚类结果，从中选取出道路部分。
实施例8
本实施例的遥感影像的辐射校正系统是在实施例5的基础上进一步改进，如图10所示，所述反射特征包括所述标准地物的标准反射率光谱数据，所述目标标准地物的辐亮度影像数据包括所述目标标准地物在不同波段的DN值，所述辐射校正模型构建模块7包括校正系数获取单元71和辐射校正模型获取单元72；
所述校正系数获取单元71用于根据所述目标标准地物的DN值和所述标准反射率光谱数据得到所述目标标准地物在不同波段的校正系数；
所述辐射校正模型获取单元72用于根据所述不同波段的校正系数构建不同波段下所述目标标准地物的DN值与所述目标标准地物的实际反射率的关系的辐射校正模型；
进一步的，所述辐射校正模块8用于对同一波段下的单张遥感影像数据，根据每个像素点的DN值和所述同一波段下的辐射校正模型得到所述每个像素点的实际反射率，以完成对所述对应的单张遥感影像数据的辐射校正。
具体的，利用目标标准地物的提取结果，逐相片、逐波段地建立目标标准地物在辐亮度相片中的DN值与该种类的道路路面之理论反射率R的关系：
式中：表示第i张相片中第j个波段的校正系数，是校正过程的待求参数；Rj表示第j个波段的目标标准地物的理论反射率，表示第i张相片上第j个波段的目标标准地物的辐亮度值均值。
目标标准地物的理论反射率R是通过查询标准地物库得到，从标准反射率光谱数据上寻找多光谱相片中第j个波段的中心波长所对应的反射率，即为该波段上目标标准地物的理论反射率Rj。优选地，若数据库中对于同一类目标标准地物有多条记录的情况下，根据待校正影像的拍摄环境与记录中指标特征的符合程度选择最接近的若干数据，理论反射率Rj则取这若干数据的均值。
求得校正系数后，利用下述公式对整张影像分波段进行校正处理：
式中：i表示第i张相片，j表示第j个波段，(r，c)表示相片中位于第r行第c列的像素，表示相片上一个非目标标准地物的像素的辐亮度，表示该像素校正后的反射率。
对于待校正的所有遥感影像，重复上述过程，即完成对全部遥感影像的辐射校正。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (14)
1.一种遥感影像的辐射校正方法，其特征在于，所述辐射校正方法包括：
构建一标准地物库，所述标准地物库存储有多个标准地物、每个标准地物的反射特征；
获取待校正的遥感影像数据；
依次对单张遥感影像数据进行预处理，得到与所述单张遥感影像数据对应的辐亮度影像数据；
基于机器学习算法检测所述对应的辐亮度影像数据，提取一目标标准地物；
从所述对应的辐亮度影像数据中提取所述目标标准地物的辐亮度影像数据；
查询所述标准地物库，得到所述目标标准地物的目标反射特征；
根据所述目标反射特征和所述目标标准地物的辐亮度影像数据构建所述目标标准地物的辐射校正模型；
根据所述辐射校正模型对对应的单张遥感影像数据进行辐射校正。
2.如权利要求1所述的遥感影像的辐射校正方法，其特征在于，所述机器学习算法包括监督学习算法，所述基于模式识别算法检测所述辐亮度影像数据，提取一目标标准地物的步骤具体包括：
获取历史遥感影像数据；
依次对每张历史遥感影像数据进行预处理，得到与所述每张历史遥感影像数据对应的历史辐亮度影像数据；
对所述历史辐亮度影像数据中的标准地物进行标注，生成与每个标准地物对应的标签；
将所述历史辐亮度影像数据和所述标签输入所述监督学习算法，训练得到标准地物识别模型；
将所述对应的辐亮度影像数据输入所述标准地物识别模型，识别得到所述目标标准地物。
3.如权利要求2所述的遥感影像的辐射校正方法，其特征在于，所述监督学习算法包括贝叶斯算法、支持向量机算法、条件随机场算法、全连接神经网络算法、全卷积神经网络算法中的任意一个。
4.如权利要求1所述的遥感影像的辐射校正方法，其特征在于，所述机器学习算法包括非监督学习算法，所述基于模式识别算法检测所述辐亮度影像数据，提取一目标标准地物的步骤具体包括：
基于所述非监督学习算法对所述对应的辐亮度影像数据进行聚类，得到多个分类目标；
从所述多个分类目标中提取所述目标标准地物。
5.如权利要求4所述的遥感影像的辐射校正方法，其特征在于，所述非监督学习算法包括K值聚类算法、均值漂移聚类算法、DBSCAN聚类算法、GMM-EM算法、凝聚层次聚类算法和图团体检测算法中的任意一个。
6.如权利要求1所述的遥感影像的辐射校正方法，其特征在于，所述反射特征包括所述标准地物的标准反射率光谱数据，所述目标标准地物的辐亮度影像数据包括所述目标标准地物在不同波段的DN值；
所述根据所述目标反射特征和所述目标标准地物的辐亮度影像数据构建所述目标标准地物的辐射校正模型的步骤具体包括：
根据所述目标标准地物的DN值和所述标准反射率光谱数据得到所述目标标准地物在不同波段的校正系数；
根据所述不同波段的校正系数构建不同波段下所述目标标准地物的DN值与所述目标标准地物的实际反射率的关系的辐射校正模型；
所述根据所述辐射校正模型对对应的单张遥感影像数据进行辐射校正的步骤具体包括：
对同一波段下的单张遥感影像数据，根据每个像素点的DN值和所述同一波段下的辐射校正模型得到所述每个像素点的实际反射率，以完成对所述对应的单张遥感影像数据的辐射校正。
7.如权利要求1所述的遥感影像的辐射校正方法，其特征在于，所述依次对单张遥感影像数据进行预处理，得到与所述单张遥感影像数据对应的辐亮度影像数据的步骤具体包括：
依次对所述单张遥感影像数据进行几何校正；
获取拍摄所述单张遥感影像数据的拍摄装置的拍摄参数，根据所述拍摄参数对几何校正后的单张遥感影像数据进行绝对辐射校正，得到所述对应的辐亮度影像数据。
8.如权利要求1所述的遥感影像的辐射校正方法，其特征在于，所述根据所述辐射校正模型对对应的单张遥感影像数据进行辐射校正的步骤之前，所述遥感影像的辐射校正方法还包括：
将包含同一目标标准地物的单张遥感影像数据划分为同一类遥感影像数据；
所述根据所述辐射校正模型对对应的单张遥感影像数据进行辐射校正的步骤具体包括：
根据所述辐射校正模型对对应的同一类遥感影像数据进行辐射校正。
9.一种遥感影像的辐射校正系统，其特征在于，所述辐射校正系统包括标准地物库构建模块、遥感影像数据获取模块、预处理模块、目标标准地物提取模块、辐亮度影像数据提取模块、查询模块、辐射校正模型构建模块和辐射校正模块；
所述标准地物库构建模块用于构建一标准地物库，所述标准地物库存储有多个标准地物、每个标准地物的反射特征；
所述遥感影像数据获取模块用于获取待校正的遥感影像数据；
所述预处理模块用于依次对单张遥感影像数据进行预处理，得到与所述单张遥感影像数据对应的辐亮度影像数据；
所述目标标准地物提取模块用于基于机器学习算法检测所述对应的辐亮度影像数据，提取一目标标准地物；
所述辐亮度影像数据提取模块用于从所述对应的辐亮度影像数据中提取所述目标标准地物的辐亮度影像数据；
所述查询模块用于查询所述标准地物库，得到所述目标标准地物的目标反射特征；
所述辐射校正模型构建模块用于根据所述目标反射特征和所述目标标准地物的辐亮度影像数据构建所述目标标准地物的辐射校正模型；
所述辐射校正模块用于根据所述辐射校正模型对对应的单张遥感影像数据进行辐射校正。
10.如权利要求9所述的遥感影像的辐射校正系统，其特征在于，所述机器学习算法包括监督学习算法，所述目标标准地物提取模块包括标注单元和训练单元；
所述遥感影像数据获取模块还用于获取历史遥感影像数据；
所述预处理模块还用于依次对每张历史遥感影像数据进行预处理，得到与所述每张历史遥感影像数据对应的历史辐亮度影像数据；
所述标注单元用于对所述历史辐亮度影像数据中的标准地物进行标注，生成与每个标准地物对应的标签；
所述训练单元用于将所述历史辐亮度影像数据和所述标签输入所述监督学习算法，训练得到标准地物识别模型；
所述目标标准地物提取模块用于将所述对应的辐亮度影像数据输入所述标准地物识别模型，识别得到所述目标标准地物。
11.如权利要求9所述的遥感影像的辐射校正系统，其特征在于，所述机器学习算法包括非监督学习算法，所述目标标准地物提取模块包括聚类单元；
所述聚类单元用于基于所述非监督学习算法对所述对应的辐亮度影像数据进行聚类，得到多个分类目标；
所述目标标准地物提取模块用于从所述多个分类目标中提取所述目标标准地物。
12.如权利要求9所述的遥感影像的辐射校正系统，其特征在于，所述反射特征包括所述标准地物的标准反射率光谱数据，所述目标标准地物的辐亮度影像数据包括所述目标标准地物在不同波段的DN值，所述辐射校正模型构建模块包括校正系数获取单元和辐射校正模型获取单元；
所述校正系数获取单元用于根据所述目标标准地物的DN值和所述标准反射率光谱数据得到所述目标标准地物在不同波段的校正系数；
所述辐射校正模型获取单元用于根据所述不同波段的校正系数构建不同波段下所述目标标准地物的DN值与所述目标标准地物的实际反射率的关系的辐射校正模型；
所述辐射校正模块用于对同一波段下的单张遥感影像数据，根据每个像素点的DN值和所述同一波段下的辐射校正模型得到所述每个像素点的实际反射率，以完成对所述对应的单张遥感影像数据的辐射校正。
13.如权利要求9所述的遥感影像的辐射校正系统，其特征在于，所述预处理模块包括几何校正单元和绝对辐射校正单元；
所述几何校正单元用于依次对所述单张遥感影像数据进行几何校正；
所述绝对辐射校正单元用于获取拍摄所述单张遥感影像数据的拍摄装置的拍摄参数，根据所述拍摄参数对几何校正后的单张遥感影像数据进行绝对辐射校正，得到所述对应的辐亮度影像数据。
14.如权利要求9所述的遥感影像的辐射校正系统，其特征在于，所述遥感影像的辐射校正系统还包括分类模块；
所述分类模块用于将包含同一目标标准地物的单张遥感影像数据划分为同一类遥感影像数据；
所述辐射校正模块用于根据所述辐射校正模型对对应的同一类遥感影像数据进行辐射校正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910364696.9A CN110070513B (zh) | 2019-04-30 | 2019-04-30 | 遥感影像的辐射校正方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910364696.9A CN110070513B (zh) | 2019-04-30 | 2019-04-30 | 遥感影像的辐射校正方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110070513A true CN110070513A (zh) | 2019-07-30 |
| CN110070513B CN110070513B (zh) | 2021-10-01 |
Family
ID=67369815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910364696.9A Active CN110070513B (zh) | 2019-04-30 | 2019-04-30 | 遥感影像的辐射校正方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110070513B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113656608A (zh) * | 2021-08-18 | 2021-11-16 | 中国科学院软件研究所 | 一种面向软件定义卫星的大数据系统及数据自动处理方法 |
| CN114544006A (zh) * | 2022-01-07 | 2022-05-27 | 上海同繁勘测工程科技有限公司 | 一种基于环境光照条件的低空遥感影像校正系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7061510B2 (en) * | 2001-03-05 | 2006-06-13 | Digimarc Corporation | Geo-referencing of aerial imagery using embedded image identifiers and cross-referenced data sets |
| CN102222238A (zh) * | 2011-05-17 | 2011-10-19 | 中国科学院遥感应用研究所 | 一种高空间分辨率遥感影像自然色产品自动模拟方法 |
| CN105957086A (zh) * | 2016-05-09 | 2016-09-21 | 西北工业大学 | 一种基于优化神经网络模型的遥感图像变化检测方法 |
| CN106940887A (zh) * | 2017-03-09 | 2017-07-11 | 中国科学院遥感与数字地球研究所 | 一种gf‑4卫星序列图像云与云下阴影检测方法 |
| CN108053426A (zh) * | 2017-12-26 | 2018-05-18 | 武汉隆瑞地理信息技术有限公司 | 基于北斗定位技术在图像的对象结构变化检测方法 |
| CN109472237A (zh) * | 2018-11-02 | 2019-03-15 | 中国资源卫星应用中心 | 一种可见光遥感卫星影像的大气订正方法和系统 |
-
2019
- 2019-04-30 CN CN201910364696.9A patent/CN110070513B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7061510B2 (en) * | 2001-03-05 | 2006-06-13 | Digimarc Corporation | Geo-referencing of aerial imagery using embedded image identifiers and cross-referenced data sets |
| CN102222238A (zh) * | 2011-05-17 | 2011-10-19 | 中国科学院遥感应用研究所 | 一种高空间分辨率遥感影像自然色产品自动模拟方法 |
| CN105957086A (zh) * | 2016-05-09 | 2016-09-21 | 西北工业大学 | 一种基于优化神经网络模型的遥感图像变化检测方法 |
| CN106940887A (zh) * | 2017-03-09 | 2017-07-11 | 中国科学院遥感与数字地球研究所 | 一种gf‑4卫星序列图像云与云下阴影检测方法 |
| CN108053426A (zh) * | 2017-12-26 | 2018-05-18 | 武汉隆瑞地理信息技术有限公司 | 基于北斗定位技术在图像的对象结构变化检测方法 |
| CN109472237A (zh) * | 2018-11-02 | 2019-03-15 | 中国资源卫星应用中心 | 一种可见光遥感卫星影像的大气订正方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 朱述龙，朱宝山: "《遥感图像处理与应用》", 1 February 2006, 科学出版社 * |
| 清华大学出版社: "《遥感图像获取与处理》", 25 September 2014, 清华大学出版社 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113656608A (zh) * | 2021-08-18 | 2021-11-16 | 中国科学院软件研究所 | 一种面向软件定义卫星的大数据系统及数据自动处理方法 |
| CN113656608B (zh) * | 2021-08-18 | 2023-10-24 | 中国科学院软件研究所 | 一种面向软件定义卫星的大数据系统及数据自动处理方法 |
| CN114544006A (zh) * | 2022-01-07 | 2022-05-27 | 上海同繁勘测工程科技有限公司 | 一种基于环境光照条件的低空遥感影像校正系统及方法 |
| CN114544006B (zh) * | 2022-01-07 | 2023-12-05 | 上海同繁勘测工程科技有限公司 | 一种基于环境光照条件的低空遥感影像校正系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110070513B (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Esch et al. | Improvement of image segmentation accuracy based on multiscale optimization procedure | |
| CN111738165B (zh) | 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法 | |
| US7058197B1 (en) | Multi-variable model for identifying crop response zones in a field | |
| Aboutalebi et al. | Assessment of different methods for shadow detection in high-resolution optical imagery and evaluation of shadow impact on calculation of NDVI, and evapotranspiration | |
| CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
| CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
| CN109478232A (zh) | 自然环境中的杂草的识别 | |
| CN110020635A (zh) | 基于无人机影像与卫星影像的种植区农作物精细分类方法和系统 | |
| CN110363246B (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
| CN110414738B (zh) | 一种农作物产量预测方法及系统 | |
| CN113850139B (zh) | 一种基于多源遥感的森林年际物候监测方法 | |
| CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
| CN107895136B (zh) | 一种煤矿区域识别方法及系统 | |
| CN109919250B (zh) | 考虑土壤水分的蒸散发时空特征融合方法及装置 | |
| Balcik et al. | Greenhouse mapping using object based classification and sentinel-2 satellite imagery | |
| CN112766417A (zh) | 一种利用现场照片识别目标地块土地利用现状地类的方法及系统 | |
| CN109671038A (zh) | 一种基于伪不变特征点分类分层的相对辐射校正方法 | |
| CN110070513A (zh) | 遥感影像的辐射校正方法及系统 | |
| Jónsson | RGB and Multispectral UAV image classification of agricultural fields using a machine learning algorithm | |
| Ming et al. | Cropland extraction based on OBIA and adaptive scale pre-estimation | |
| Gauci et al. | A Machine Learning approach for automatic land cover mapping from DSLR images over the Maltese Islands | |
| CN110427961B (zh) | 一种基于规则和样本融合的建筑信息提取方法及系统 | |
| Nimbalkar et al. | Optimal band configuration for the roof surface characterization using hyperspectral and LiDAR imaging | |
| KR102125723B1 (ko) | 영상의 상대 방사 보정 방법 및 수행 장치 | |
| Alexandridis et al. | LAI measurement with hemispherical photographs at variable conditions for assessment of remotely sensed estimations |
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 |