CN110991738A - 一种基于npp/viirs夜间灯光遥感数据的经济发展研究方法 - Google Patents
一种基于npp/viirs夜间灯光遥感数据的经济发展研究方法 Download PDFInfo
- Publication number
- CN110991738A CN110991738A CN201911203194.4A CN201911203194A CN110991738A CN 110991738 A CN110991738 A CN 110991738A CN 201911203194 A CN201911203194 A CN 201911203194A CN 110991738 A CN110991738 A CN 110991738A
- Authority
- CN
- China
- Prior art keywords
- data
- npp
- remote sensing
- image
- economic development
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
Abstract
本发明提供一种基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法。所述基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法包括以下步骤:S1:获取NPP/VIIRS夜间遥感灯光数据影像,在Erdas中使用省域矢量图对其进行裁剪,得到研究区域数据;S2:使用阈值法去除背景噪声,对图像进行几何校正和重采样等预处理;S3:在ArcGIS中将月度数据图像进行均值合成,生成季度数据图像。通过本发明构建的模型可用于经济发展评估与预测,弥补了传统数据统计法在时间性、空间性等方面的不足,此外,经过实验对比,本发明提供的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法具有使用的新经济参量与GDP的相关性更强,模型性能、精度相比于传统模型进一步提升的优点。
Description
技术领域
本发明涉及夜间灯光遥感、图像处理技术领域,主要涉及一种基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法。
背景技术
夜间灯光遥感图像能够排除大部分自然和人为因素干扰,使人类经济活动得到有效的反映,能够辅助传统数据统计方法,研究经济发展的时间连续性和空间相关性等问题。使用NPP/VIIRS夜间灯光数据进行经济发展研究的主要优势表现在:1)加强了对经济发展时间性和空间性方面的考量,弥补了数据统计方法的不足;2)能够较好地反映经济参量的时空演变规律,反映各区域之间的内部差异3)相比复杂繁琐的数据统计,夜间灯光数据能够定期快速获取大范围灯光辐射数据,相比统计普查更加高效便捷,易于快速统计制图和提取经济参量;4)相比于各省区统计数据,夜间灯光数据能够反映地表空间细节信息,有助于开展空间异质性研究。
夜间灯光遥感数据(NTL)与经济发展有着密切的相关性,传统研究主要采用定量分析的方法,即在完成数据预处理后,从中提取灯光指标,与经济参量(GDP)进行相关性分析并建立回归模型。常用的灯光指标有灯光总强、灯光均值、归一化辐射值等,研究方法参见[郭永德,高金环,马洪兵.Suomi-NPP夜间灯光数据与GDP的空间关系分析[J].清华大学学报(自然科学版),2016,56(10):1122-1130.]。传统研究方法未对图像进行深入分析处理,提取得到的灯光指标也较为单一,没有对夜间灯光数据进行充分利用,无法很好的适用于夜间灯光与经济发展问题的研究,因此,有必要提供一种新的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法解决上述技术问题。
发明内容
本发明解决的技术问题是提供一种与GDP的相关性更强,模型性能、精度相比于传统模型进一步提升的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法。
为解决上述技术问题,本发明提供的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法包括以下步骤:
S1:获取NPP/VIIRS夜间遥感灯光数据影像,在Erdas中使用省域矢量图对其进行裁剪,得到研究区域数据;
S2:使用阈值法剔除背景噪声,并进行了几何校正和重采样等预处理:
阈值法去噪:在研究区域中寻找稳定且特征明显的固定区域,采集其中的特征点,计算得到灯光数据低阈值,用于过滤背景噪声。
几何校正&重采样:原始数据采用WGS 84椭球地理坐标系,其影像网格化会造成地表轻微形变,对DN值计算造成一定影响。在裁剪之前考虑将数据转换成符合我国地图地形的兰伯特方位角投影坐标系(Asia Lambert Conformal Conic),并将空间分辨率重采样为0.5km网格大小;
S3:将月度数据图进行均值合成,生成季度数据图(GDP一般以季度为统计单位);
S4:使用ENVI中的二阶概率统计滤波,计算得到灰度共生矩阵(GLCM)图像,其计算式如下:
GLCM=m{[(x1,y1),(x2,y2)]∈A|f(x1,y1)=ug&f(x2,y2)=vg}
式中,(x1,y1)和(x2,y2)为两个特定点的坐标位置,ug和vg分别为这两个点的DN值,m为集合之中符合位置要求的像素对的个数,在ENVI中可通过上式计算八种特征量,生成的GLCM图像共八个波段;
S5:在ArcGIS中对灰度共生矩阵图像进行波段分离,得到各特征量对应的八张新图像;
S6:在ArcGIS中按区域统计各特征量DN总值和均值,作为新的灯光指标;
S7:在ArcGIS中利用省域矢量图、GDP数据、提取的新型灯光指标数据建立地理加权回归模型,通过新型模型R平方值、AICc等值与传统灯光指标、传统模型进行比对,验证本方法的优越性;
S8:使用新型模型进行经济预测,与传统模型对比预测精度。
优选的,所述S3中对月度数据进行了均值合成,生成了季度数据图像,方便与以季度为单位统计的GDP数据构建回归模型。
优选的,所述S4中使用灰度共生矩阵法对NPP/VIIRS图像进行纹理分析,生成了新的数据图像——GLCM多波段图像。
优选的,所述S5和所述S6中对多波段图像进行波段分离,得到各特征量对应的八张图像,并统计得到了八种GLCM特征量DN值作为新的灯光指标。
优选的,所述S7中使用了地理加权回归(GWR)模型,与最小二乘法(OLS)、二次项回归(QRM)、Logistic曲线模型相比,地理加权回归(GWR)模型兼顾空间异质性,以适应夜间灯光与经济发展数据分析。
与相关技术相比较,本发明提供的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法具有如下有益效果:
本发明提供一种基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法,引入了灰度共生矩阵法,对原始夜间灯光数据进行了纹理分析,计算得到灰度共生矩阵GLCM图像并对图像进行了多波段分离,通过原始图像生成了八张新的图像,从中提取了八种新的特征参量:均值(MEA)、同质性(HOM)、对比度(CON)、相异性(DIS)、熵(ENT)、角二阶矩(ASM)、方差(VAR)、相关性(COR),通过相关性分析筛选出六种适合夜间灯光研究的特征量:
1)均值(MEA),用于反映各像素之间分布的规则程度,其值越大图像规律性越强。
2)同质性(HOM),用于描述像素的位置到对角线分布密集的程度,取值范围为0~1,其值越接近1说明分布越紧密。
3)对比度(CON),用于描述相邻像素之间的亮度差异情况,像素值差异越大其值越大。
4)相异性(DIS),与对比度类似,线性关系增强,区域对比度值越高其非相似度也越高。
5)熵(ENT),用于描述图像随机分布情况,度量纹理特征复杂性。其值越大说明像素分布越不均。
6)角二阶矩(ASM),用于描述图像灰度分布稳定程度和纹理粗细情况,图像纹理越细致、灰度分布越均匀,角二阶矩值越大。
计算公式依次如下:
统计各特征量DN值作为新的灯光指标与GDP建立回归模型,通过实验证明了新参量与经济参量的相关性更强,新模型对经济发展预测精度更高。
此外,实验中使用了考虑空间异质性的地理加权回归(GWR)模型,相比于传统模型有着更强的拟合优度,综合各项参数分析,GWR模型明显优于OLS模型,表明了灯光指数对经济参量的影响存在着空间异质性,这进一步证实了,由于空间异质性影响,经济要素的变化必然呈现出一种复杂的空间模式,而GWR模型更适合反映这种空间变化。
附图说明
图1为本发明提供的基于NPP/VIIRS夜间灯光遥感数据的GWR模型相关性渲染图;
图2为本发明提供的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法的省域矢量图;
图3为本发明提供的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法的预处理后的研究区域图;
图4为本发明提供的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法的GLCM多波图像;
图5为本发明提供的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法的波段分离后的均值(MEA)特征量图像;
图6为本发明提供的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法的波段分离后的对比度(CON)特征量图像;
图7为本发明提供的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法的波段分离后的熵(ENT)特征量图像;
图8为本发明提供的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法的波段分离后的角二阶矩(ASM)特征量图像
图9为本发明提供的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法的MEA相关性验证图;
图10为本发明提供的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法的传统模型的空间尺度拟合曲线图;
图11为本发明提供的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法的传统模型的时间尺度拟合曲线图;
图12为本发明提供的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法的原始数据图像与研究区域图;
图13为本发明提供的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法的流程图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
请结合参阅图1-图13,基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法包括以下步骤:
S1:获取NPP/VIIRS夜间遥感灯光数据影像,在Erdas中使用中国省域矢量图对其进行裁剪,得到研究区域数据;
S2:使用阈值法去除背景噪声,并在ArcGIS中进行了几何校正;
S3:将月度数据图进行均值合成,生成季度数据,由于GDP一般以季度作为统计单位,因此生成季度数据方便与GDP对应;
S4:使用ENVI二阶概率统计滤波,计算得到灰度共生矩阵(GLCM)图像,在ENVI中可计算八种特征量,生成图像共八个波段;
S5:在ArcGIS中对灰度共生矩阵图像进行波段分离,得到各特征量对应的八张新图像;
S6:使用省域矢量图,在ArcGIS中按区域统计各特征量DN总值和均值,作为新的灯光指标;
S7:在ArcGIS中利用省域矢量图、GDP数据、提取的灯光指标数据建立地理加权回归(GWR)模型,通过模型R平方值、AICc等值与传统灯光指标、传统模型进行比对,验证本方法的优越性;
S8:使用地理加权回归(GWR)模型进行经济预测,对比预测精度。
空间尺度各灯光指标模型参数对比表
上表展示了实验中各灯光指标与GDP建立不同回归模型输出的参数情况,从中可以看出传统灯光指标中灯光总强SUM拟合性良好,使用地理加权回归(GWR)模型时R平方值在0.8以上,很多相关研究证实这种灯光值是空间尺度上与经济参量相关性最强的指标,而本发明中优度最高的灯光指标是灰度共生矩阵均值特征量(MEA),其OLS模型R平方值为0.781(高于灯光总强0.673),而GWR模型R平方值达到了0.876(高于灯光总强0.855),均值(MEA)用于反映图像的规则程度,图像越规则、易于描述其值越大。
2017年MEA与SUM的GWR模型参数对比表
进一步对比MEA、SUM两种灯光指标与GDP建立GWR模型的输出结果:1)通过比较R平方值,MEA与GDP相关性更强,所有模型中拟合优度最好的是2013年MEA与GDP地理加权回归(GWR)模型,R平方值为0.876179051,说明解释变量可解释约87.6%的自变量变化;2)带宽(Bandwidth)方面,MEA为解释变量输出结果的带宽值普遍较高,说明在平滑程度上,MEA为解释变量的GWR模型更有优势;3)残差平方和(ResidualSquares)方面,MEA对应的GWR模型值相对较小,更拟合观测数据;4)AICc值方面,对比各表中对应两种AICc值之差都大于3。且每年的两种模型中,都是MEA为解释变量的GWR模型AICc值较小,说明MEA模型拟合性上更优越。
综上分析,本发明引入了灰度共生矩阵特征量后,与GDP的相关性更强;引入GWR模型后,模型性能、精度相比于传统模型进一步提升。
与相关技术相比较,本发明提供的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法具有如下有益效果:
本发明提供一种基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法,引入了灰度共生矩阵法,对原始夜间灯光数据进行了纹理分析,计算得到灰度共生矩阵GLCM图像并对图像进行了多波段分离,通过原始图像生成了八张新的图像,从中提取了八种新的特征参量:均值(MEA)、同质性(HOM)、对比度(CON)、相异性(DIS)、熵(ENT)、角二阶矩(ASM)、方差(VAR)、相关性(COR),通过相关性分析筛选出六种适合夜间灯光研究的特征量:
1)均值(MEA),用于反映各像素之间分布的规则程度,其值越大图像规律性越强。
2)同质性(HOM),用于描述像素的位置到对角线分布密集的程度,取值范围为0~1,其值越接近1说明分布越紧密。
3)对比度(CON),用于描述相邻像素之间的亮度差异情况,像素值差异越大其值越大。
4)相异性(DIS),与对比度类似,线性关系增强,区域对比度值越高其非相似度也越高。
5)熵(ENT),用于描述图像随机分布情况,度量纹理特征复杂性。其值越大说明像素分布越不均。
6)角二阶矩(ASM),用于描述图像灰度分布稳定程度和纹理粗细情况,图像纹理越细致、灰度分布越均匀,角二阶矩值越大。
计算公式依次如下:
统计各特征量DN值作为新的灯光指标与GDP建立回归模型,通过实验证明了新参量与经济参量的相关性更强,新模型对经济发展预测精度更高。
此外,实验中使用了考虑空间异质性的地理加权回归(GWR)模型,相比于传统模型有着更强的拟合优度,综合各项参数分析,GWR模型明显优于OLS模型,表明了灯光指数对经济参量的影响存在着空间异质性,这进一步证实了,由于空间异质性影响,经济要素的变化必然呈现出一种复杂的空间模式,而GWR模型更适合反映这种空间变化。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法,其特征在于,包括以下步骤:
S1:获取NPP/VIIRS夜间遥感灯光数据影像,在Erdas中使用省域矢量图对其进行裁剪,得到研究区域数据;
S2:使用阈值法剔除背景噪声,并进行了几何校正和重采样预处理;
S3:将月度数据图进行均值合成,生成季度数据图;
S4:使用ENVI中的二阶概率统计滤波,计算得到灰度共生矩阵图像,其计算式如下:
GLCM=m{[(x1,y1),(x2,y2)]∈A|f(x1,y1)=ug&f(x2,y2)=vg}
式中,(x1,y1)和(x2,y2)为两个特定点的坐标位置,ug和vg分别为这两个点的DN值,m为集合之中符合位置要求的像素对的个数,在ENVI中通过上式计算八种特征量,生成的GLCM图像共八个波段;
S5:在ArcGIS中对灰度共生矩阵图像进行波段分离,得到各特征量对应的八张新图像;
S6:在ArcGIS中按区域统计各特征量DN总值和均值,作为新的灯光指标;
S7:在ArcGIS中利用省域矢量图、GDP数据、提取的新型灯光指标数据建立地理加权回归模型,通过新型模型R平方值、AICc值与传统灯光指标、传统模型进行比对,验证本方法的优越性;
S8:使用新型模型进行经济预测,与传统模型对比预测精度。
2.根据权利要求1所述的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法,其特征在于,所述S3中对月度数据进行了均值合成,生成了季度数据图像,方便与以季度为单位统计的GDP数据构建回归模型。
3.根据权利要求1所述的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法,其特征在于,所述S4中使用灰度共生矩阵法对NPP/VIIRS图像进行纹理分析,生成了新的数据图像——GLCM多波段图像。
4.根据权利要求1所述的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法,其特征在于,所述S5和所述S6中对多波段图像进行波段分离,得到各特征量对应的八张图像,并统计得到了八种GLCM特征量DN值作为新的灯光指标。
5.根据权利要求1所述的基于NPP/VIIRS夜间灯光遥感数据的经济发展研究方法,其特征在于,所述S7中使用了地理加权回归模型,与最小二乘法、二次项回归、Logistic曲线模型相比,地理加权回归模型兼顾空间异质性,以适应夜间灯光与经济发展数据分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911203194.4A CN110991738A (zh) | 2019-11-29 | 2019-11-29 | 一种基于npp/viirs夜间灯光遥感数据的经济发展研究方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911203194.4A CN110991738A (zh) | 2019-11-29 | 2019-11-29 | 一种基于npp/viirs夜间灯光遥感数据的经济发展研究方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110991738A true CN110991738A (zh) | 2020-04-10 |
Family
ID=70088472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911203194.4A Pending CN110991738A (zh) | 2019-11-29 | 2019-11-29 | 一种基于npp/viirs夜间灯光遥感数据的经济发展研究方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991738A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966925A (zh) * | 2021-03-02 | 2021-06-15 | 哈尔滨工业大学 | 一种基于遥感时序变化分析的村镇垃圾增量风险分析系统 |
CN113033277A (zh) * | 2020-12-02 | 2021-06-25 | 湖南科技大学 | 基于夜光遥感数据的国家经济估算方法和装置 |
CN113570528A (zh) * | 2020-10-15 | 2021-10-29 | 北京四象爱数科技有限公司 | 一种夜光遥感月度影像合成方法 |
CN115205708A (zh) * | 2022-09-14 | 2022-10-18 | 北华航天工业学院 | 基于npp/viirs的夜间大气pm2.5浓度估算方法及系统 |
CN116957622A (zh) * | 2023-07-06 | 2023-10-27 | 成都理工大学 | 结合夜光遥感的城市群城市经济发展特征变化分析方法 |
-
2019
- 2019-11-29 CN CN201911203194.4A patent/CN110991738A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570528A (zh) * | 2020-10-15 | 2021-10-29 | 北京四象爱数科技有限公司 | 一种夜光遥感月度影像合成方法 |
CN113570528B (zh) * | 2020-10-15 | 2022-03-08 | 北京四象爱数科技有限公司 | 一种夜光遥感月度影像合成方法 |
CN113033277A (zh) * | 2020-12-02 | 2021-06-25 | 湖南科技大学 | 基于夜光遥感数据的国家经济估算方法和装置 |
CN112966925A (zh) * | 2021-03-02 | 2021-06-15 | 哈尔滨工业大学 | 一种基于遥感时序变化分析的村镇垃圾增量风险分析系统 |
CN115205708A (zh) * | 2022-09-14 | 2022-10-18 | 北华航天工业学院 | 基于npp/viirs的夜间大气pm2.5浓度估算方法及系统 |
CN115205708B (zh) * | 2022-09-14 | 2023-01-06 | 北华航天工业学院 | 基于npp/viirs的夜间大气pm2.5浓度估算方法及系统 |
CN116957622A (zh) * | 2023-07-06 | 2023-10-27 | 成都理工大学 | 结合夜光遥感的城市群城市经济发展特征变化分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991738A (zh) | 一种基于npp/viirs夜间灯光遥感数据的经济发展研究方法 | |
CN105787937B (zh) | 一种基于osm的高分辨遥感影像道路变化检测方法 | |
CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
CN110097101B (zh) | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 | |
CN108428220B (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 | |
CN103761742B (zh) | 一种基于同质指数的高光谱遥感图像稀疏解混方法 | |
CN103632363A (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
CN103646395B (zh) | 一种基于格网法的高精度影像配准方法 | |
CN107688776B (zh) | 一种城市水体提取方法 | |
CN103839243A (zh) | 基于Shearlet变换的多通道卫星云图融合方法 | |
CN110363053B (zh) | 一种遥感影像居民地提取方法及装置 | |
CN104616026A (zh) | 一种面向智能视频监控的监控场景类型辨识方法 | |
CN109727279A (zh) | 一种矢量数据与遥感影像的自动配准方法 | |
CN110992366A (zh) | 一种图像语义分割方法、装置及存储介质 | |
CN102609721B (zh) | 遥感影像的聚类方法 | |
Zhang et al. | A study on coastline extraction and its trend based on remote sensing image data mining | |
CN102938148A (zh) | 一种基于v-glcm的高光谱影像纹理分析方法 | |
CN107578406A (zh) | 基于网格与韦泊统计特性的无参考立体图像质量评价方法 | |
CN116310802A (zh) | 一种基于多尺度融合模型的宅基地变化监测方法和装置 | |
CN115147726A (zh) | 城市形态图的生成方法、装置、电子设备和可读存储介质 | |
CN110874833B (zh) | 基于超图匹配的sar图像变化检测方法 | |
CN103246867B (zh) | 一种手背静脉结构提取方法 | |
Liu et al. | Superpixel segmentation of high-resolution remote sensing image based on feature reconstruction method by salient edges | |
CN109389052A (zh) | 基于聚类算法的全极化sar图像城市识别提取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |