CN111239734B - 一种适用于深层黄土稳定面散射体的提取方法 - Google Patents
一种适用于深层黄土稳定面散射体的提取方法 Download PDFInfo
- Publication number
- CN111239734B CN111239734B CN202010113103.4A CN202010113103A CN111239734B CN 111239734 B CN111239734 B CN 111239734B CN 202010113103 A CN202010113103 A CN 202010113103A CN 111239734 B CN111239734 B CN 111239734B
- Authority
- CN
- China
- Prior art keywords
- pixel
- pixels
- loess
- test
- statistical homogeneity
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种适用于深层黄土稳定面散射体的提取方法,有效解决了深层黄土区域SAR影像难以获得稳定点信息的问题;通过联合非参数检验与区间估计方法,既避免了传统面散射体提取中非参数检验方法耗时过久配置要求过高的缺点,也避免了区间估计方法需要先验信息假设整体分布的缺点。本发明可保证在小数量集的条件下,仍能获取足够高密度的面散射体像素,为后续的滤波和形变解算等步骤提供支持,能够扩展时序InSAR技术在黄土区域的应用范围,提高合成孔径雷达在黄土区域的形变提取精度。
Description
技术领域
本发明属于合成孔径雷达干涉测量技术领域,具体涉及一种适用于深层黄土稳定面散射体的提取方法。
背景技术
黄土是干旱与半干旱气候条件下形成的一种特殊的第四纪陆相沉淀物,由未经固结的粉土颗粒组成。黄土一般有灰黄色,质地均匀,不成层,空隙度高等特性,遇水浸润后易崩解并发生沉陷。由于黄土结构的特殊性,其力学强度会急剧降低,因此黄土区域容易产生地质灾害和工程灾害。我国的黄土区域仅黄土高原面积就有64万平方千米,约占我国领土面积的6.64%,所以监测黄土区域的地表形变无论是对于工程建设还是地质灾害研究都具有十分重要的意义。
面散射体是在一定时间内具有相对稳定回波的面状地物,例如裸地、低矮灌木等,面散射体广泛的存在于非城市区域。虽然单个像素的面散射体信噪比不如永久散射体(Persistent Scatterer,PS),不足以支撑起PS-InSAR毫米级的监测精度。但是由于同一的面状地物具有类似的反射特性,若将整个面散射体视为一个整体,那么这个整体在长时序的后向散射信息的统计特性将会相当稳定,将具有可以媲美PS的信噪比。因此,基于分布式散射体(Distributed Scatterer,DS,也被称为面散射体)的时序InSAR形变监测方法不仅在技术上能够拓宽传统PS-InSAR方法的应用领域,在实践上也能有效的服务于黄土区域长时序形变监测,满足对我国大面积黄土区域灾前预警或灾后监测的需求,具有重要的研究价值。
但已有面散射体提取方法一般是基于统计学上的非参数检验中的同质性检验方法,例如双样本的K-S检验与A-D检验。非参数检验的优势在于,不用考虑两个样本所服从的是哪种总体分布,不需要对样本具有先验知识,仅仅从样本本身的数据来判断二者是否服从同一分布。但因此同质性检验也存在一定的缺陷:对于时序SAR影像来说,样本量太大,完成检验所需要的时间太久,对计算机处理性能也要求较高。而参数估计方法虽然能够快速提取面散射体,但由于需要对样本总体分布类型进行假设,若真实地物总体分布与假设不符,则参数估计所提取的面散射体将不对应真实地物的面散射体。
发明内容
针对现有技术中的上述不足,本发明提供的适用于深层黄土稳定面散射体的提取方法解决了深层黄土区域SAR影像难以获得稳定点信息的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种适用于深层黄土稳定面散射体的提取方法,包括以下步骤:
S1、以深层黄土区域的SAR影像强度图序列中任意类型的像素A为中心构造一个估计窗口,并通过K-S检验对SAR影像中的待定点和像素A进行统计同质性像素检验;
其中,待定点为构造的估计窗口中除像素A以外的像素;
S2、根据统计同质性像素检验结果,构造像素A的统计同质性像素集合SA;
S3、对像素A和统计同质性像素集合SA中像素的强度数据进行区间估计,构造置信度为1-α的像素A的置信区间CA;
其中,α为显著性水平;
S4、将SAR影像中所有落入置信区间CA的像素加入集合UA;
S5、移动构造的估计窗口,并根据集合UA对置信区间CA进行参数更新;
S6、遍历SAR影像强度图序列,根据步骤S1~S5,确定每种类型的像素对应的置信区间;
S7、设置数量阈值和相关系数阈值,根据双阈值法,将每种类型的像素对应的置信区间中的统计同质性像素个数高于数量阈值且其相关系数高于相关系数阈值的像素作为面散射体,完成面散射体的提取。
进一步地,所述步骤S1中通过K-S检验对SAR影像强度图序列中的待定点和像素A进行统计同质性像素检验的方法为:
A1、依次计算构造的估计窗口中的待定点与像素A进行K-S检验时的检验统计量DN;
A2、判断检验统计量DN是否服从Kolmogorov分布;
若是,则该待定点与像素A来自同一总体分布,通过统计同质性像素检验;
若否,未通过统计同质性像素检验。
进一步地,所述步骤A1中的检验统计量DN的计算公式为:
式中,sup为由待定点组成的集合R中的上确界;
N为SAR影像强度图序列中的影像景数;
所述步骤A2中的Kolmogorov分布的表达式为:
式中,P(·)为Kolmogorov累计分布函数;
t为Kolmogorov累计分布函数中的自变量。
进一步地,所述步骤S2中的统计同质性像素集合SA中的像素包括通过统计同质性像素检验并与像素A相邻的像素和通过完成统计同质性像素检验的像素与像素A连通的像素。
进一步地,所述步骤S3中构造置信度为1-α的像素A的置信区间CA的过程表达式为:
式中,P{·}为为符合{·}中条件的概率;
E为集合SA中像素的强度均值;
σ为标准差;
μ(p)为像素p的强度值;
z1-α/2为标准正态分布位于置信度1-α处的概率。
进一步地,所述步骤S5中移动估计窗口后,对置信区间CA进行参数更新的方法具体为:
B1、判断移动后的估计窗口中的中心像素B是否属于集合UA;
若是,则进入步骤B2;
若否,则进入步骤B3;
B2、依次判断移动后的估计窗口中的属于集合UA的像素是否与中心像素B相邻或通过集合UA的像素连通;
若是,则进入步骤B4;
若否,则进入步骤B5;
B3、继续移动估计窗口,并返回步骤B1;
B4、将对应的像素加入到集合SB中,进入步骤B6;
B5、将对应的像素从集合UA中剔除;;
B6、将SA与SB的像素重复步骤三和四,更新CA的参数。
进一步地,所述步骤S7中的数量阈值和相关系数阈值的设置方法为:
根据待提取面散射体的SAR影像强度图序列集数据情况人工设定或将这个SAR影像强度图序列集中的统计同质性像素个数中值及其像素相关系数中值分别作为数量阈值和相关系数阈值。
本发明的有益效果为:
本发明提供了一种适用于深层黄土稳定面散射体的提取方法,有效解决了深层黄土区域SAR影像难以获得稳定点信息的问题;通过联合非参数检验与区间估计方法,既避免了传统面散射体提取中非参数检验方法耗时过久配置要求过高的缺点,也避免了区间估计方法需要先验信息假设整体分布的缺点。本发明可保证在小数量集的条件下,仍能获取足够高密度的面散射体像素,为后续的滤波和形变解算等步骤提供支持,能够扩展时序InSAR技术在黄土区域的应用范围,提高合成孔径雷达在黄土区域的形变提取精度。
附图说明
图1为本发明提供的适用于深层黄土稳定面散射体的提取方法流程图。
图2为本发明提供的根据置信区间参数方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种适用于深层黄土稳定面散射体的提取方法,包括以下步骤:
S1、以深层黄土区域的SAR影像强度图序列中任意类型的像素A为中心构造一个估计窗口,并通过K-S检验对SAR影像强度图序列中的待定点和像素A进行统计同质性像素(Statistically Homogeneous Pixel,SHP)检验;
其中,待定点为构造的估计窗口中除像素A以外的像素;
S2、根据统计同质性像素检验结果,构造像素A的统计同质性像素集合SA;
S3、对像素A和统计同质性像素集合SA中像素的强度数据进行区间估计,构造置信度为1-α的像素A的置信区间CA(Confidence interval of A,A像素的置信区间);
其中,α为显著性水平;
S4、将SAR影像强度图序列中所有落入置信区间CA的像素加入集合UA(Universe ofSA,A像素SHP的全集);
S5、移动构造的估计窗口,并根据集合UA对置信区间CA进行参数更新;
S6、遍历SAR影像强度图序列,根据步骤S1~S5,确定每种类型的像素对应的置信区间;
S7、设置数量阈值和相关系数阈值,根据双阈值法,将每种类型的像素对应的置信区间中的统计同质性像素个数高于数量阈值且其相关系数高于相关系数阈值的像素作为面散射体,完成面散射体的提取。
上述步骤S1中的K-S检验为双样本检验,用于判断任意待定点与像素A是否互为SHP,其检验的方法为:
A1、依次计算构造的估计窗口中的待定点与像素A进行K-S检验时的检验统计量DN;
A2、判断检验统计量DN是否服从Kolmogorov分布;
若是,则该待定点与像素A来自同一总体分布,通过统计同质性像素检验;
若否,未通过统计同质性像素检验。
在本发明中的面散射体探测中,每组数据就是每个像素的强度序列所对应的N维列向量中的N个元素(N景影像的情况下),将这N哥元素从小到大排列。可以形成一个能代表这个像素统计特性的累计分布函数SN(x)为:
K-S检验是通过计算两个累计经验分布函数差值的最大值DN作为检验统计量从而来判断两个分布是否相似,该DN为:
式中,sup为由待定点组成的集合R中的上确界;
N1与N2为两个样本集的样本个数;
在时序InSAR影像中,每个像素都是N维向量,样本个数都为N个,即N1=N2=N。所以上述步骤A1中,针对时序InSAR像素的K-S检验的检验统计量可以改写为:
式中,sup为由待定点组成的集合R中的上确界;
N为SAR影像强度图序列中的影像景数;
如果DN服从Kolmogorov分布的话,则零假设成立,即两个样本来自于同一总体分布,上述步骤A2中的Kolmogorov分布的表达式为:
式中,P(·)为Kolmogorov累计分布函数;
t为Kolmogorov累计分布函数中的自变量。
上述步骤S2中在构建集合SA时,显著性水平α=1-P(DN≤t),一般可设为0.05,即当α≤0.05时,接受原假设,即原假设成立,P1和P2两个像素的振幅值服从同一分布,从而认为P1和P2是统计同质性像素,即通过检验,能够作为面散射体的候选点;另外根据面散射体在真实地物上总是空间相邻的特征,反应在影像上对应像素也需要是连通的,所以要剔除与中心像素不连通的孤立像素;因此,步骤S2中的统计同质性像素集合SA中的像素包括通过统计同质性像素检验并与像素A相邻的像素和通过完成统计同质性像素检验的像素与像素A连通的像素。
上述步骤S3中,对于在步骤S2中探测出的SA来说,作为A的SHP的集合,理论上都属于地表同一类地物,则通过SA中元素的值可以去估计总体可能属于的分布类型,一般来说则服从高斯分布;因此,上述步骤S3中构造置信度为1-α的像素A的置信区间CA的过程表达式为:
式中,P{·}为为符合{·}中条件的概率;
E为集合SA中像素的强度均值;
σ为标准差;
μ(p)为像素p的强度值;
z1-α/2为标准正态分布位于置信度1-α处的概率。
其中,区间估计中显著性水平α通常也设为0.05,至此我们构造出了以像素A为特征点的95%置信度的区间CA,即落入CA范围内的像素,至少有95%可能性是像素A的SHP。
上述步骤S4中,当我们构造出CA后,就不再需要利用双样本的K-S检验来判断某像素是否和像素A为SHP了,只需判断该像素是否落入CA即可。而对整幅影像的判断,最终就能够提取出在整幅影像中与A为同一地物类型的像素集合UA。
如步骤S2所言,UA中与A连通的像素就可以认为是像素A的最终SHP,在步骤S5中,为了结果的精确性,随着被标记为A的最终SHP的像素的变化,可以对CA的参数进行更新,以保证对A像素所属地物的各种参数的高精度估计,就能够确保最后提取的这类面散射体所对应的像素的精确性。我们对像素A的置信区间进行参数更新时,移动估计窗口后,对置信区间CA进行参数更新的方法具体为:
B1、判断移动后的估计窗口中的中心像素B是否属于集合UA;
若是,则进入步骤B2;
若否,则进入步骤B3;
B2、依次判断移动后的估计窗口中的属于集合UA的像素是否与中心像素B相邻或通过集合UA的像素连通;
若是,则进入步骤B4;
若否,则进入步骤B5;
B3、继续移动估计窗口,并返回步骤B1;
步骤B3中,若该像素不属于UA,则说明它与像素A不是同一种地物,在和面就需要对该新的地物像素的SHP进行探测;
B4、将对应的像素加入到集合SB中,进入步骤B6;
B5、将对应的像素从集合UA中剔除;;
B6、将SA与SB的像素重复步骤三和四,更新CA的参数。
在步骤B6中对CA的参数进行更新时,因为像素B属于UA,即B与A是同质性像素,所以SA和SB将会是高度相似的集合,可能只有少数像素增减的变化,对CA的更新就是将SA与SB并集中的像素作为样本去求置信区间。
上述步骤S7中的数量阈值和相关系数阈值的设置方法为:
根据待提取面散射体的SAR影像强度图序列集数据情况人工设定或将这个SAR影像强度图序列集中的统计同质性像素个数中值及其像素相关系数中值分别作为数量阈值和相关系数阈值。另外也可以根据自己的需求进行增减阈值类型与数量,自由调节。
在本发明的一个实施例中,利用20景Sentinel 1-a影像进行了实验,验证了本发明提出的面散射体提取算法能够较好的提取研究区域的稳定目标,在较严格的SHP数目阈值与相干系数阈值下,点目标数量仍旧能够达到影像总像素个数的21.41%,远高于ADI阈值为0.5时提取的PS点比例的0.31%,说明本方法能够有效弥补黄土覆盖区域PS点密度不足的缺陷,从而完成时序形变解算任务。
Claims (7)
1.一种适用于深层黄土稳定面散射体的提取方法,其特征在于,包括以下步骤:
S1、以深层黄土区域的SAR影像强度图序列中任意类型的像素A为中心构造一个估计窗口,并通过K-S检验对SAR影像中的待定点和像素A进行统计同质性像素检验;
其中,待定点为构造的估计窗口中除像素A以外的像素;
S2、根据统计同质性像素检验结果,构造像素A的统计同质性像素集合SA;
S3、对像素A和统计同质性像素集合SA中像素的强度数据进行区间估计,构造置信度为1-α的像素A的置信区间CA;
其中,α为显著性水平;
S4、将SAR影像中所有落入置信区间CA的像素加入集合UA;
S5、移动构造的估计窗口,并根据集合UA对置信区间CA进行参数更新;
S6、遍历SAR影像强度图序列,根据步骤S1~S5,确定每种类型的像素对应的置信区间;
S7、设置数量阈值和相关系数阈值,根据双阈值法,将每种类型的像素对应的置信区间中的统计同质性像素个数高于数量阈值且其相关系数高于相关系数阈值的像素作为面散射体,完成面散射体的提取。
2.根据权利要求1所述的适用于深层黄土稳定面散射体的提取方法,其特征在于,所述步骤S1中通过K-S检验对SAR影像强度图序列中的待定点和像素A进行统计同质性像素检验的方法为:
A1、依次计算构造的估计窗口中的待定点与像素A进行K-S检验时的检验统计量DN;
A2、判断检验统计量DN是否服从Kolmogorov分布;
若是,则该待定点与像素A来自同一总体分布,通过统计同质性像素检验;
若否,未通过统计同质性像素检验。
4.根据权利要求1所述的适用于深层黄土稳定面散射体的提取方法,其特征在于,所述步骤S2中的统计同质性像素集合SA中的像素包括通过统计同质性像素检验并与像素A相邻的像素和通过完成统计同质性像素检验的像素与像素A连通的像素。
6.根据权利要求5所述的适用于深层黄土稳定面散射体的提取方法,其特征在于,所述步骤S5中移动估计窗口后,对置信区间CA进行参数更新的方法具体为:
B1、判断移动后的估计窗口中的中心像素B是否属于集合UA;
若是,则进入步骤B2;
若否,则进入步骤B3;
B2、依次判断移动后的估计窗口中的属于集合UA的像素是否与中心像素B相邻或通过集合UA的像素连通;
若是,则进入步骤B4;
若否,则进入步骤B5;
B3、继续移动估计窗口,并返回步骤B1;
B4、将对应的像素加入到集合SB中,进入步骤B6;
B5、将对应的像素从集合UA中剔除;
B6、将SA与SB的像素重复步骤S3和S4,更新CA的参数。
7.根据权利要求1所述的适用于深层黄土稳定面散射体的提取方法,其特征在于,所述步骤S7中的数量阈值和相关系数阈值的设置方法为:
根据待提取面散射体的SAR影像强度图序列集数据情况人工设定或将这个SAR影像强度图序列集中的统计同质性像素个数中值及其像素相关系数中值分别作为数量阈值和相关系数阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010113103.4A CN111239734B (zh) | 2020-02-24 | 2020-02-24 | 一种适用于深层黄土稳定面散射体的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010113103.4A CN111239734B (zh) | 2020-02-24 | 2020-02-24 | 一种适用于深层黄土稳定面散射体的提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111239734A CN111239734A (zh) | 2020-06-05 |
CN111239734B true CN111239734B (zh) | 2022-09-13 |
Family
ID=70875049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010113103.4A Active CN111239734B (zh) | 2020-02-24 | 2020-02-24 | 一种适用于深层黄土稳定面散射体的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111239734B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008125929A2 (en) * | 2007-02-14 | 2008-10-23 | Universita' Di Pisa | Method for processing multi-pass radar data for sensing and analysing multiple components of non-stationary scatterers |
CN106023157A (zh) * | 2016-05-10 | 2016-10-12 | 电子科技大学 | 一种基于sar图像的山区地表微形变信息提取方法 |
CN106950556A (zh) * | 2017-05-03 | 2017-07-14 | 三亚中科遥感研究所 | 基于分布式散射体时序干涉sar技术的遗产地形变监测方法 |
CN108051810A (zh) * | 2017-12-01 | 2018-05-18 | 南京市测绘勘察研究院股份有限公司 | 一种InSAR分布式散射体相位优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT1393687B1 (it) * | 2009-04-03 | 2012-05-08 | Tele Rilevamento Europa T R E S R L | Procedimento per l'identificazione di pixel statisticamente omogenei in immagini sar acquisite sulla stessa area. |
-
2020
- 2020-02-24 CN CN202010113103.4A patent/CN111239734B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008125929A2 (en) * | 2007-02-14 | 2008-10-23 | Universita' Di Pisa | Method for processing multi-pass radar data for sensing and analysing multiple components of non-stationary scatterers |
CN106023157A (zh) * | 2016-05-10 | 2016-10-12 | 电子科技大学 | 一种基于sar图像的山区地表微形变信息提取方法 |
CN106950556A (zh) * | 2017-05-03 | 2017-07-14 | 三亚中科遥感研究所 | 基于分布式散射体时序干涉sar技术的遗产地形变监测方法 |
CN108051810A (zh) * | 2017-12-01 | 2018-05-18 | 南京市测绘勘察研究院股份有限公司 | 一种InSAR分布式散射体相位优化方法 |
Non-Patent Citations (5)
Title |
---|
A Ground Surface Deformation Monitoring InSAR Method Using Improved Distributed Scatterers Phase Estimation;Changjun Zhao,et al;《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》;20191231;p1-11 * |
Landslide Deformation Monitoring by Adaptive Distributed Scatterer Interferometric Synthetic Aperture Radar;Hongguo Jia,et al;《remote sensing》;20190929;p1-18 * |
基于分布式目标雷达干涉测量的滑坡形变监测;刘路遥;《中国优秀硕士学位论文全文数据库 基础科学辑》;20180915;全文 * |
基于点面散射体的多时相雷达干涉模型与形变探测方法;李涛;《中国博士学位论文全文数据库 基础科学辑》;20151115;全文 * |
夏远鑫.Homogeneous Pixel Selection for Distributed Scatterers using Multitemporal SAR Data Stacks .《中国优秀硕士学位论文全文数据库 基础科学辑》.2018, * |
Also Published As
Publication number | Publication date |
---|---|
CN111239734A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349160B (zh) | 一种基于超像素与模糊c均值聚类sar图像分割方法 | |
CN108171193B (zh) | 基于超像素局部信息度量的极化sar舰船目标检测方法 | |
CN105389799B (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
CN108319963B (zh) | 基于约束鲁棒主成分分析的城市道路地下病害识别方法 | |
CN110110675A (zh) | 一种融合边缘信息的小波域分形红外卷云检测方法 | |
Zhou et al. | Adaptive model for the water depth bias correction of bathymetric LiDAR point cloud data | |
CN105549009A (zh) | 一种基于超像素的sar图像cfar目标检测方法 | |
CN105160648A (zh) | 基于小波和恒虚警率的雷达目标及阴影分割方法 | |
CN116012364B (zh) | Sar图像变化检测方法和装置 | |
CN109583284A (zh) | 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 | |
CN106600607B (zh) | 一种基于水平集分割极化sar影像的水体精确提取方法 | |
CN113281749A (zh) | 一种顾及同质性的时序InSAR高相干点选取方法 | |
Jiang et al. | Delineation of built-up land change from SAR stack by analysing the coefficient of variation | |
Volkov et al. | Object selection in computer vision: from multi-thresholding to percolation based scene representation | |
Wang et al. | Modified statistically homogeneous pixels’ selection with multitemporal SAR images | |
CN111239734B (zh) | 一种适用于深层黄土稳定面散射体的提取方法 | |
CN112989940B (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
Huang et al. | Change detection method based on fractal model and wavelet transform for multitemporal SAR images | |
CN112857312A (zh) | 依据沉降速率的不同时序差分干涉地面沉降测量融合方法 | |
CN107977968A (zh) | 基于建筑物阴影信息挖掘的建筑物分层检测方法 | |
CN108932520B (zh) | 结合先验概率估计的sar影像水体概率制图方法 | |
CN112130148B (zh) | 基于土地类型的InSAR时序分析中DS自适应选取方法 | |
CN114528729A (zh) | 一种基于多尺度耦合的潜山裂缝气藏产量预测方法 | |
Shimoni et al. | An urban expansion model for African cities using fused multi temporal optical and SAR data | |
CN108776968B (zh) | 基于深度森林的sar图像变化检测方法 |
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 |