CN111145351B - 考虑地物类型的Minnaert地形校正模型优化方法 - Google Patents
考虑地物类型的Minnaert地形校正模型优化方法 Download PDFInfo
- Publication number
- CN111145351B CN111145351B CN201911379280.0A CN201911379280A CN111145351B CN 111145351 B CN111145351 B CN 111145351B CN 201911379280 A CN201911379280 A CN 201911379280A CN 111145351 B CN111145351 B CN 111145351B
- Authority
- CN
- China
- Prior art keywords
- terrain
- data
- remote sensing
- minnarert
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种考虑地物类型的Minnaert地形校正模型优化方法。包括:根据遥感图像的地物类型设计分类体系,对遥感图像进行分类;结合遥感图像的成像时间和辅助的数字高程模型,获取遥感图像各像元的太阳角度和地形参数;进行Minnaert地校正模型各波段各地物类型系数k的求解;使用各波段各地物类型系数k对相应波段、相应地物类型的辐亮度进行Minnaert模型应用,并通过拼接处理,得到各波段辐亮度地形校正后的图像数据;使用辐亮度数据与太阳入射角余弦值的拟合斜率、拟合决定系数R2作为评价指标,对各地物类型地形校正后的辐亮度进行整体的地形校正效果评价。利用本发明,可以在遥感图像地形校正场景中,提高校正精度,避免过校正。
Description
技术领域
本发明涉及遥感图像地形校正技术领域,具体涉及一种考虑地物类型的Minnaert地形校正模型优化方法。
背景技术
地形复杂区域的影像受到辐射畸变的现象叫做地形效应,这种效应使影像中地物的光谱信息受到了严重干扰,进而在对图像进行分类时出现地物误分、错分的问题,使得图像的分类精度、信息提取精度大大降低,因此需要对遥感数据进行地形校正以便消除地形效应产生的影响。现有的地形校正模型有很多,主要包括基于波段比、基于超球面和基于DEM三种模型,然而受地面光谱反射特性和计算量的限制,目前基于DEM的地形校正方法应用更为广泛。基于DEM的地形校正模型又可分为统计-经验模型、地形归一化模型、朗伯体反射率模型和非朗伯体反射率模型。前述3种模型均为经验模型或者理想的物理模型,不能真实表达现实环境,且易导致过校正现象;而非朗伯体反射率地形校正模型在消除地形因素影响的同时,也兼顾了成像几何变化引起的地物二向性反射差异。
1941年,比利时天体物理学家Minnaert提出了Minnaert函数对地表的非朗伯体反射进行归一化处理,在同一研究区内,Minnaert函数的校正系数k是一个常值。Minnaert地形校正模型公式如下:
LH=LT cose/(cos e cos i)k
式中,LH为地形校正后的辐亮度值,LT为原始遥感图像的辐亮度值;e为像元所在平面的坡度角,i为太阳入射角(太阳光线与坡面法线的夹角),cos i为太阳入射角的余弦值;k为Minnaert常数,其值介于0~1之间。cos i计算公式如下:
对Minnaert地形校正模型公式通过取对数的方式进行变换则可得到如下线性方程:
log(LT cos e)=log LH+k·log(cos e cos i)
则由上述方程式可得,将log(LT cos e)作为因变量,log(cos e cos i)作为自变量,选取一定的样本数据进行一元线性拟合则可得到Minnaert地形校正模型系数k。
需要注意的是,常规的单幅遥感影像在进行k值求解时,是将影像中所有地物类型的待校正数据进行一次线性回归分析得到的,改进型的Minnaert地形校正模型则以坡度分级的形式对k值进行多项式拟合,以此来更好地代表地形的变化,但是上述两种地形校正模型都忽略了地物类型的反射特性对k值的影响。
因此,现有地形校正技术存在校正精度不高、过校正问题。
发明内容
本发明要解决的技术问题是:克服现有技术缺点,提出一种考虑地物类型的Minnaert地形校正模型优化方法。
为了解决以上技术问题,本发明提供的考虑地物类型的Minnaert地形校正模型优化方法,包括以下步骤:
第一步、根据遥感图像的地物类型设计分类体系,并依据分类体系对遥感图像进行分类;
第二步、结合遥感图像的成像时间和辅助的数字高程模型DEM,获取遥感图像各像元的太阳角度和地形参数;
第三步、基于太阳角度、地形参数,以及各地物类型的遥感数据,进行Minnaert地校正模型各波段各地物类型系数k的求解;
第四步、使用各波段各地物类型系数k对相应波段、相应地物类型的辐亮度进行Minnaert模型应用,并通过拼接处理,得到各波段辐亮度地形校正后的图像数据;
第五步、使用辐亮度数据与太阳入射角余弦值的拟合斜率、拟合决定系数R2作为评价指标,根据评价标准对各地物类型地形校正后的辐亮度进行整体的地形校正效果评价。
第一步包括:
根据遥感图像的成像时间和成像区域信息,制定相应层级的分类体系;
采用分类体系,使用监督分类方法对遥感图像分类,并获得各像元对应的地物类型。
第二步包括:
将DEM数据的投影方式转换为UTM投影,使之与遥感数据的投影方式一致;
将DEM数据与遥感图像进行几何配准;
对DEM数据进行重采样,提取地形参数,地形参数包括坡度和坡向;
根据成像时间和成像区域的地理位置,计算成像区域内太阳角度的变化范围,太阳角度包括太阳天顶角和方位角。
第三步包括:
使用掩膜方法提取各波段各地物类型的遥感辐亮度数据,同时保存各像元对应的行列号;
单波段单一地物类型系数k的求解:取一地物类型的遥感辐亮度数据和相关角度信息代入Minnaert地形校正模型系数k的求解公式,求取单波段单一地物类型的系数k;
单波段各地物类型系数k的求解:遍历所有地物类型,获得单波段各地物类型的系数k;
遍历所有波段进行单波段各地物类型系数k的求解,获得各波段各地物类型的系数k。
第四步包括:
单波段单一地物类型Minnaert模型应用:取一地物类型的遥感辐亮度数据LT、相关角度信息和对应的Minnaert地形校正模型系数k代入Minnaert地形校正模型公式,求取地形校正后的辐亮度值LH;
单波段各地物类型Minnaert模型应用:遍历所有地物类型进行单波段单一地物类型Minnaert模型应用,获得单波段各地物类型辐亮度地形校正数据;
地形校正后单波段图像的生成:使用各像元的原始行列号,对单波段各地物类型的辐亮度地形校正数据进行拼接,形成原始行列的地形校正后单波段图像;
遍历所有波段进行单波段各地物类型Minnaert模型应用以及地形校正后单波段图像的生成处理,获得各波段辐亮度地形校正后的图像数据。
第五步包括:
对各波段原始辐亮度数据与太阳入射角余弦值进行线性拟合,求得拟合斜率和拟合决定系数R2,评价单波段辐亮度数据角度相关性,拟合决定系数R2越大代表辐亮度数据角度相关性越大;
使用地形校正后单波段图像数据与太阳入射角余弦值进行线性拟合,求得拟合斜率和拟合R2;
遍历所有波段,计算所有波段各地物类型辐亮度地形校正数据与太阳入射角余弦值的拟合斜率和拟合决定系数R2,得到各波段各地物类型Minnaert地形校正模型的应用评价指标;
评价标准为:拟合斜率为正且拟合决定系数R2小于原始辐亮度数据对应的拟合R2,则地形校正效果好。
第一步还包括:使用监督分类方法对遥感图像分类,需保证一级分类精度在95%以上,二级分类精度在85%以上,三级分类精度在75%以上,否则,需要调整分类样本和验证样本并重新进行监督分类。
第二步还包括:若所有像元太阳角度差异在0.01°范围内,则所有像元使用中心像元的太阳角度,否则使用各像元的原始太阳角度。
本发明的有益效果在于:
本发明的考虑地物类型的Minnaert地形校正模型优化方法可以兼顾各地物类型的二向性反射特性,以提高遥感图像地形校正的精度,同时避免过校正现象的出现。
附图说明
图1为考虑地物类型的Minnaert地形校正模型优化方法流程图;
图2为遥感图像分类流程图;
图3为地形参数和太阳角度获取示意图;
图4为单波段各地物类型系数k求解示意图;
图5为单波段各地物类型Minnaert地形校正模型应用示意图;
图6为Minnaert地形校正模型的应用评价指标示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图以及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种考虑地物类型的Minnaert地形校正模型优化方法。如图1所示,为本发明考虑地物类型的Minnaert地形校正模型优化方法流程图。下面通过具体实施例来进行说明。
实施例一:
考虑地物类型的Minnaert地形校正模型优化方法,该方法包括以下步骤:
第一步,遥感图像分类。
具体地,根据遥感图像的成像时间和成像区域信息,制定相应层级的分类体系;采用分类体系,使用监督分类方法对遥感图像分类,并获得各像元对应的地物类型。
遥感图像分类的流程如图2所示。结合图2对遥感图像分类进行详细说明。首先,选取实验区。在选定实验区后,根据实验区遥感图像的成像时间及区域数据,参考土地利用分类体系确定实验区的地物类型为林地、居民用地、未利用土地、水域四大类型。以谷歌地球Google Earth的历史影像作为参考数据,在实验区辐亮度图像上建立各地物类型的感兴趣区域。随后选择监督分类方法对实验区进行图像分类,本实施例选择SVM(Support vectormachine,支持向量机)监督分类方法对遥感图像进行分类,获得各像元对应的地物类型。分类后利用主成分分析法去除分类结果中的小斑块区域,并计算分类总体精度用来评价分类结果。
使用监督分类方法对遥感图像分类,需保证一级分类精度在95%以上,二级分类精度在85%以上,三级分类精度在75%以上,否则需要调整分类样本和验证样本并重新进行监督分类。
本步骤中,确定感兴趣区后对各四种地物类型感兴趣区进行可分离性分析,各地物类型可分离性指标均在1.96以上,即该分类体系可用作地物分类。经过SVM分类和主成分分析法处理后,实验区图像总体分类精度达到了97.8%,分类精度较高,可用作后续研究。
第二步,遥感图像各像元太阳角度和地形参数的获取。
结合遥感图像的成像时间和辅助的数字高程模型DEM(Digital ElevationModel),获取遥感图像各像元的太阳天顶角和方位角以及坡度和坡向两个地形参数信息。数字高程模型是根据地形的高程数据创建的地形表面数字化模拟。
首先,将DEM数据的投影方式转换为UTM投影,使之与遥感数据的投影方式一致。UTM投影即Universal Transverse Mercator Projection。然后,将DEM数据与遥感图像进行几何配准。DEM数据与遥感影像进行几何配准时,需将误差控制在0.5个像元内,否则,需要重新选择同名点对DEM数据和遥感影像进行几何配准。
图3为地形参数和太阳角度获取示意图。参阅图3,研究区即实验区。在DEM数据与遥感图像进行几何配准后,对配准后的DEM数据进行重采样,并基于重采样后的DEM数据计算出所需的地形参数(坡度和坡向),并根据像元的太阳天顶角和方位角,利用cosi的计算公式得到实验区太阳入射角余弦值图像。
在本实施例中,以遥感图像为基准数据,DEM数据为待配准数据,选取了实验区附近的10个同名点对DEM数据和遥感图像进行了几何配准。
进一步地,若所有像元太阳角度差异在0.01°范围内,则所有像元使用中心像元的太阳角度,否则使用各像元的原始太阳角度。在获取太阳角度时,成像区域内太阳角度的变化范围在0.01°内,因此后续计算中,实验区所有像元均使用中心像元的太阳角度。
第三步,各地物类型系数k的求解。采用第一步遥感图像分类得到的各地物类型的遥感数据及第二步计算得到的各种地形参数和太阳角度值,进行Minnaert地形校正模型系数k的求解。
图4为单波段各地物类型系数k求解示意图。利用系数k的求解公式,对单一波段各地物类型分别求出系数k的值;然后重复该步骤,求出各波段各地物类型的系数k。在本实施例中,利用掩膜方法提取各波段各地物类型的遥感辐亮度数据以便用作系数k的计算。
具体地,各地物类型系数k的求解方法如下:使用掩膜方法提取各波段各地物类型的遥感辐亮度数据,同时保存各像元对应的行列号;单波段单一地物类型系数k的求解:取一地物类型的遥感辐亮度数据和相关角度信息代入Minnaert地形校正模型系数k的求解公式,求取单波段单一地物类型系数k;单波段各地物类型系数k的求解:遍历所有地物类型,求取单波段各地物类型的系数k;遍历所有波段,获得各波段各地物类型的系数k。
保存各像元对应的行列号,是为了方便后续利用各波段各地物类型进行影像拼接得到地形校正后各波段实验区图像。
第四步,Minnaert地形校正模型的应用。图5为单波段各地物类型Minnaert地形校正模型应用示意图。请参阅图5,使用前三步求解得到的太阳入射角余弦值、坡度信息、单波段各地物类型系数k以及单波段各地物类型的辐亮度值,结合Minnaert地形校正模型公式,对单波段各地物类型进行地形校正,并根据各地物类型的行列号进行图像拼接,得到单波段校正后的实验区图像。重复图5的过程,得到实验区各波段校正后的图像。
具体地,Minnaert地形校正模型的应用方法如下:
单波段单一地物类型Minnaert模型应用:取一地物类型的遥感辐亮度数据LT、相关角度信息和对应的Minnaert地形校正模型系数k代入Minnaert地形校正模型公式,求取LH;单波段辐亮度数据的Minnaert地形校正模型应用:遍历所有地物类型,获得单波段各地物类型辐亮度地形校正数据;地形校正后单波段图像的生成:使用各像元的原始行列号,对单波段各地物类型的辐亮度地形校正数据进行拼接,形成原始行列的地形校正后单波段图像;遍历所有波段,获得各波段辐亮度地形校正后的图像数据。
第五步,Minnaert地形校正模型的应用评价。
使用辐亮度数据与太阳入射角余弦值拟合斜率、拟合决定系数R2作为指标,对遥感辐亮度数据Minnaert地形校正模型的应用进行评价。像元光谱辐亮度与cosi的相关程度是评价地形校正效果的重要指标,其值越低,校正效果越好。
具体地,评价方法如下:
单波段辐亮度数据角度相关性评价:使用各波段原始辐亮度数据与太阳入射角余弦值进行线性拟合,求得拟合斜率和拟合决定系数R2,拟合决定系数R2越大代表辐亮度数据角度相关性越大;
单波段辐亮度数据地形校正效果评价:使用所获得的地形校正后单波段图像数据与太阳入射角余弦值进行线性拟合,求得拟合斜率和拟合R2;
遥感辐亮度数据Minnaert地形校正模型的应用评价:遍历所有波段,计算所有波段各地物类型辐亮度地形校正数据与太阳入射角余弦值的拟合斜率和拟合决定系数R2,获得所有波段遥感辐亮度数据Minnaert地形校正模型的应用评价指标。
各波段辐亮度值和太阳入射角余弦值拟合斜率和拟合R2共同决定了地形校正效果的好坏。校正效果评价标准包括:拟合斜率为正的情况下,校正后拟合R2小于原始辐射亮度的拟合R2,则代表地形校正效果好;拟合斜率为负的情况,则代表出现了过校正现象。
进一步地,可以将评价标准细化为:拟合斜率为正数情况下,拟合斜率趋近于0且拟合R2小于原始影像拟合R2代表地形校正效果好。
如图6所示,经过Minnaert校正和考虑地物类型的Minnaert校正后,实验区单波段的辐亮度值和太阳入射角余弦值的拟合R2由原始影像的0.051分别降到了0.024和0.009,拟合斜率分别为-0.898和0.601,根据拟合斜率为正数情况下拟合斜率趋近于0且拟合R2小于原始影像拟合R2的评价指标可以看出,考虑地物类型的Minnaert地形校正模型对遥感影像起到了地形校正的作用且校正效果优于传统的Minnaert地形校正模型。
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他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种考虑地物类型的Minnaert地形校正模型优化方法,其特征在于,该方法包括以下步骤:
第一步、根据遥感图像的地物类型设计分类体系,并依据分类体系对遥感图像进行分类;
第二步、结合遥感图像的成像时间和辅助的数字高程模型DEM,获取遥感图像各像元的太阳角度和地形参数;
第三步、基于太阳角度、地形参数,以及各地物类型的遥感数据,进行Minnaert地校正模型各波段各地物类型系数k的求解;
第四步、使用各波段各地物类型系数k对相应波段、相应地物类型的辐亮度进行Minnaert模型应用,并通过拼接处理,得到各波段辐亮度地形校正后的图像数据;
第五步、使用辐亮度数据与太阳入射角余弦值的拟合斜率、拟合决定系数R2作为评价指标,根据评价标准对各地物类型地形校正后的辐亮度进行整体的地形校正效果评价。
2.如权利要求1所述的考虑地物类型的Minnaert地形校正模型优化方法,其特征在于,所述第一步包括:
根据遥感图像的成像时间和成像区域信息,制定相应层级的分类体系;
采用分类体系,使用监督分类方法对遥感图像分类,并获得各像元对应的地物类型。
3.如权利要求1所述的考虑地物类型的Minnaert地形校正模型优化方法,其特征在于,所述第二步包括:
将DEM数据的投影方式转换为UTM投影,使之与遥感数据的投影方式一致;
将DEM数据与遥感图像进行几何配准;
对DEM数据进行重采样,提取地形参数,地形参数包括坡度和坡向;
根据成像时间和成像区域的地理位置,计算成像区域内太阳角度的变化范围,太阳角度包括太阳天顶角和方位角。
4.如权利要求1所述的考虑地物类型的Minnaert地形校正模型优化方法,其特征在于,所述第三步包括:
使用掩膜方法提取各波段各地物类型的遥感辐亮度数据,同时保存各像元对应的行列号;
单波段单一地物类型系数k的求解:取一地物类型的遥感辐亮度数据和相关角度信息代入Minnaert地形校正模型系数k的求解公式,求取单波段单一地物类型的系数k;
单波段各地物类型系数k的求解:遍历所有地物类型,获得单波段各地物类型的系数k;
遍历所有波段进行单波段各地物类型系数k的求解,获得各波段各地物类型的系数k。
5.如权利要求1所述的考虑地物类型的Minnaert地形校正模型优化方法,其特征在于,所述第四步包括:
单波段单一地物类型Minnaert模型应用:取一地物类型的遥感辐亮度数据LT、相关角度信息和对应的Minnaert地形校正模型系数k代入Minnaert地形校正模型公式,求取地形校正后的辐亮度值LH;
单波段各地物类型Minnaert模型应用:遍历所有地物类型进行单波段单一地物类型Minnaert模型应用,获得单波段各地物类型辐亮度地形校正数据;
地形校正后单波段图像的生成:使用各像元的原始行列号,对单波段各地物类型的辐亮度地形校正数据进行拼接,形成原始行列的地形校正后单波段图像;
遍历所有波段进行单波段各地物类型Minnaert模型应用以及地形校正后单波段图像的生成处理,获得各波段辐亮度地形校正后的图像数据。
6.如权利要求5所述的考虑地物类型的Minnaert地形校正模型优化方法,其特征在于,所述第五步包括:
对各波段原始辐亮度数据与太阳入射角余弦值进行线性拟合,求得拟合斜率和拟合决定系数R2,评价单波段辐亮度数据角度相关性,拟合决定系数R2越大代表辐亮度数据角度相关性越大;
使用地形校正后单波段图像数据与太阳入射角余弦值进行线性拟合,求得拟合斜率和拟合R2,评价单波段辐亮度数据地形校正效果;
遍历所有波段,计算所有波段各地物类型辐亮度地形校正数据与太阳入射角余弦值的拟合斜率和拟合决定系数R2,得到各波段各地物类型Minnaert地形校正模型的应用评价指标;
评价标准为:拟合斜率为正且拟合决定系数R2小于原始辐亮度数据对应的拟合决定系数R2,则地形校正效果好。
7.如权利要求2所述的考虑地物类型的Minnaert地形校正模型优化方法,其特征在于,所述第一步还包括:使用监督分类方法对遥感图像分类,需保证一级分类精度在95%以上,二级分类精度在85%以上,三级分类精度在75%以上,否则,需要调整分类样本和验证样本并重新进行监督分类。
8.如权利要求3所述的考虑地物类型的Minnaert地形校正模型优化方法,其特征在于,所述第二步还包括:若所有像元太阳角度差异在0.01°范围内,则所有像元使用中心像元的太阳角度,否则使用各像元的原始太阳角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911379280.0A CN111145351B (zh) | 2019-12-27 | 2019-12-27 | 考虑地物类型的Minnaert地形校正模型优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911379280.0A CN111145351B (zh) | 2019-12-27 | 2019-12-27 | 考虑地物类型的Minnaert地形校正模型优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111145351A CN111145351A (zh) | 2020-05-12 |
CN111145351B true CN111145351B (zh) | 2021-07-23 |
Family
ID=70521090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911379280.0A Active CN111145351B (zh) | 2019-12-27 | 2019-12-27 | 考虑地物类型的Minnaert地形校正模型优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145351B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592737B (zh) * | 2021-07-27 | 2024-04-30 | 武汉理工大学 | 一种基于熵权法的遥感影像地形校正效果评价方法 |
CN113870147A (zh) * | 2021-10-19 | 2021-12-31 | 北京航空航天大学 | 一种考虑阴影区域的遥感图像brdf校正方法 |
CN113989664A (zh) * | 2021-10-21 | 2022-01-28 | 中铁第四勘察设计院集团有限公司 | 一种遥感影像的分类方法、装置、设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105242247A (zh) * | 2015-09-08 | 2016-01-13 | 首都师范大学 | 一种改进的地形辐射校正方法 |
-
2019
- 2019-12-27 CN CN201911379280.0A patent/CN111145351B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105242247A (zh) * | 2015-09-08 | 2016-01-13 | 首都师范大学 | 一种改进的地形辐射校正方法 |
Non-Patent Citations (5)
Title |
---|
DEM辅助的卫星光学遥感影像山体阴影检测与地形辐射校正;岳照溪 等;《测绘学报》;20180131;第47卷(第1期);全文 * |
LAND COVER VARIATION OF MINNAERT CONSTANT FOR TOPOGRAPHIC CORRECTION OF THEMATIC MAPPER DATA;José Marinaldo Gleriani 等;《IEEE》;20121112;全文 * |
Landsat TM/ETM+ topographic correction method based on smoothed terrain and semi-empirical model;JIANG Kang 等;《Journal of Remote Sensing 遥感学报》;20141231;全文 * |
不同地形校正方法对刺槐林遥感提取的影响;刘时城 等;《北京林业大学学报》;20170530;第39卷(第5期);全文 * |
基于不同地形校正模型的影像反射率对比分析;吕利利 等;《遥感技术与应用》;20170831;第32卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111145351A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145351B (zh) | 考虑地物类型的Minnaert地形校正模型优化方法 | |
CN108333148B (zh) | 一种黑臭水体的识别方法及装置 | |
US11227367B2 (en) | Image processing device, image processing method and storage medium | |
CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
CN110100262B (zh) | 用于从图像移除云的图像处理设备、方法和存储介质 | |
CN109974854B (zh) | 一种框幅式fpi高光谱图像的辐射校正方法 | |
CN103630091A (zh) | 一种基于激光与图像处理技术的叶面积测量方法 | |
CN116519557B (zh) | 一种气溶胶光学厚度反演方法 | |
CN113970376A (zh) | 一种基于海洋区域再分析资料的卫星红外载荷定标方法 | |
Collings et al. | Empirical models for radiometric calibration of digital aerial frame mosaics | |
CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
Wierzbicki et al. | Method of radiometric quality assessment of NIR images acquired with a custom sensor mounted on an unmanned aerial vehicle | |
CN113379759A (zh) | 一种光学遥感卫星影像水体自动提取方法 | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
CN111008664A (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN113326807A (zh) | 一种黑臭水体识别方法、装置及电子设备 | |
CN111144350B (zh) | 一种基于参考底图的遥感影像定位精度评价方法 | |
CN115187481A (zh) | 一种机载推扫式高光谱影像辐射扰动校正方法 | |
CN106482673A (zh) | 多角度草地植被叶面积指数观测方法及仪器 | |
Wan et al. | Cloud classification for ground-based sky image using random forest | |
KR101842154B1 (ko) | 정량적 평가방법을 이용한 지형효과 보정 영상 제작 장치 및 그 방법 | |
CN115988334B (zh) | 一种自校正的数字化相机移动遥感系统及方法 | |
CN111257854B (zh) | 一种通用的基于遥感影像分割单元的地形校正优化方法 | |
CN114792322A (zh) | 一种检测山地国产高分辨率卫星影像云与云阴影的方法 | |
CN117726915B (zh) | 遥感数据空谱融合方法及装置、存储介质与终端 |
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 |