CN111667432A - 一种基于物理模型的遥感影像阴影去除方法 - Google Patents
一种基于物理模型的遥感影像阴影去除方法 Download PDFInfo
- Publication number
- CN111667432A CN111667432A CN202010526204.4A CN202010526204A CN111667432A CN 111667432 A CN111667432 A CN 111667432A CN 202010526204 A CN202010526204 A CN 202010526204A CN 111667432 A CN111667432 A CN 111667432A
- Authority
- CN
- China
- Prior art keywords
- shadow
- remote sensing
- sensing image
- pixel
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000005855 radiation Effects 0.000 claims abstract description 24
- 238000002834 transmittance Methods 0.000 claims abstract description 21
- 230000003595 spectral effect Effects 0.000 claims abstract description 14
- 238000005286 illumination Methods 0.000 claims description 35
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于物理模型的遥感影像阴影去除方法,属于遥感图像处理技术领域。该方法首先获取遥感影像成像时刻的太阳天顶角、水平能见度和水汽含量,并利用6S模型模拟该气象条件下的天空下行直射光透过率和下行散射光透过率,以各波段最小值作为程辐射值;然后综合以上参数估计阴影区域各波段需要补偿的亮度。此外,对于半阴影区域,以该半阴影像素为中心,在一定窗口内利用最小光谱角度量搜索光照端元和阴影端元,以此估计半阴影区域各波段需要补偿的亮度。该方法能够在恢复各波段亮度的同时,保持各种地物的光谱特性。
Description
技术领域
本发明属于遥感图像智能处理以及遥感影像质量增强技术领域,特别是指一种基于物理模型的遥感影像阴影去除方法。
背景技术
地表覆盖、大气、云和地形等地球系统极度复杂,总是会给对地观测带来大量误差,如几何误差、大气效应、无效观测和地形效应等。这些误差都可以使用影像预处理操作或其他特定的模型来减弱甚至消除。而由高大建筑、云和地形等导致的阴影对影像而言也是非常严重的问题,其效应甚至可以和大气污染像比。阴影是影像误分类、土地利用变化检测的主要误差来源;同时也是光能利用率、植被冠层结构等定量参数反演的重要误差来源。除此之外,处于阴影下的目标也会丢失纹理和形状信息,导致目标检测算法失效。半阴影区——光照区和阴影区的边界,也是非常难以处理的。当前,现有技术中已经提出了部分阴影去除算法,总结如下:
1、影像处理方法
1.1直方图匹配法
该方法假设光照区和阴影区的DN值直方图分布相同,然后使用直方图匹配的方法将阴影区的DN值直方图调整至光照区DN值直方图分布。但这种方法对于直方图分布统计的窗口尺寸是敏感的,一些研究针对窗口尺寸选择进行了研究。但同时有研究人员指出仅仅调整亮度分布不能消除阴影效应,因为该方法的假设暗含了地表覆盖分布是相同的,而该假设通常是不能满足的。
1.2线性模型
该方法假设光照区和阴影区的DN值呈固定线性关系;部分学者使用各种方法去估计该线性模型的斜率和截距;但另一部分学者认为,只有在阴影内外的地表覆盖相同的时候,该线性模型才成立。然而该模型忽略了地表覆盖的异质性,该假设本身可能是无效的。
2、物理模型
部分学者认为阴影去除之前应该对阴影是如何形成的有深入的理解,所以可以利用辐射传输模型对阴影区域的光子成分进行分析。部分学者使用不同光条件下的像素值估计天空散射光和直射光的比例,然后再进行阴影去除,但该方法为了简化模型而未考虑程辐射。也有学者使用物理模型去模拟阴影生成过程,然后反演地表真实反射率,但未对真实影像进行实验。
3、其他方法
除了上述方法外,还有学者探索了其他类型的方法。如通过假设阴影区域像素和距离阴影最近的光照像素有相同亮度,通过最小化阴影内外差异方程来求解阴影去除参数;通过搜索相似像元来进行连续统去除,最后重建阴影区光谱。
4、边界处理
对于暗目标来说,当背景是亮度较高的物体时,邻域效应不可忽视,尤其是对于高分辨率遥感影像,所以半阴影区需要单独处理。中值滤波、线性插值等方法已经被用于处理半阴影区过渡的不自然现象。但该方法忽略了半阴影区自身的特征。
发明内容
本发明的目的在于解决当前阴影去除算法的不足,提出一种基于物理模型的遥感影像阴影去除方法,该方法能够完成阴影区和半阴影区的阴影去除,提高阴影去除精度。
本发明的目的是这样实现的:
一种基于物理模型的遥感影像阴影去除方法,包括以下步骤:
(1)使用下式对阴影区的阴影进行去除:
(2)在以目标半阴影像素为中心的窗口内,遍历阴影像素,以最小光谱角度量来选择阴影端元,遍历光照像素,以最小光谱角度量来选择光照端元;
(3)通过估计半阴影目标像元中光照端元和阴影端元的比例,确定需要进行亮度恢复的遥感影像像元亮度值,然后使用下式对半阴影区进行阴影去除:
其中,Rpenumbra是目标半阴影区像素的遥感影像像元亮度值,α是目标半阴影区像素的阴影端元比例。
进一步的,所述步骤(1)中天空下行直射光占全部光的比例V的计算方式为:
使用6S大气辐射传输模型,结合水平能见度和太阳天顶角,估计在遥感卫星波段设置情况下的下行散射光透过率和下行直射光透过率;然后依据下式计算天空下行直射光辐照度占全部光辐照度的比例V:
其中,Rshadow是阴影区的遥感影像像元亮度值,Rsunlit是光照区与Rshadow具有相同地表覆盖像元的遥感影像像元亮度值,Rpath是程辐射值,为天空下行散射光辐亮度,为天空下行直射光辐亮度,为下行散射光大气透过率,为下行直射光大气透过率。
进一步的,所述步骤(3)中目标半阴影区像素的阴影端元比例α的计算方式为:
进一步的,所述阴影区和半阴影区的获取方式为:
对遥感影像进行分割,并依据视觉选取最优分割尺度;然后使用波段平均亮度、与邻域对象的亮度差异、对象面积作为特征进行分类,并提取阴影,获得阴影区,阴影区最外侧的3层像素区域作为半阴影区。
本发明与背景技术相比具有如下有益效果:
1、本发明方法相对于现有技术更加精确地分析了阴影和半阴影的形成机制,从而能够更有针对性地去除阴影,去阴影效果良好。
2、本发明能够在恢复各波段亮度的同时,保持各种地物的光谱特性。
附图说明
图1是本发明实施例中阴影去除方法的流程图。
图2是本发明实施例中的阴影去除目标图。
图3是针对图2的阴影区域提取结果图。
图4是阴影形成原理图。
图5是本发明实施例中光照端元和阴影端元的选择方式原理图。
图6是针对图2的阴影去除效果图。
图7是本发明实施例中的验证结果数据图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
一种基于物理模型的遥感影像阴影去除方法,包括以下步骤:
(1)使用下式对阴影区的阴影进行去除:
(2)在以目标半阴影像素为中心的窗口内,遍历阴影像素,以最小光谱角度量来选择阴影端元,遍历光照像素,以最小光谱角度量来选择光照端元;
(3)通过估计半阴影目标像元中光照端元和阴影端元的比例,确定需要进行亮度恢复的遥感影像像元亮度值,然后使用下式对半阴影区进行阴影去除:
其中,Rpenumbra是目标半阴影区像素的遥感影像像元亮度值,α是目标半阴影区像素的阴影端元比例。
进一步的,所述步骤(1)中天空下行直射光占全部光的比例V的计算方式为:
使用6S大气辐射传输模型,结合水平能见度和太阳天顶角,估计在遥感卫星波段设置情况下的下行散射光透过率和下行直射光透过率;然后依据下式计算天空下行直射光辐照度占全部光辐照度的比例V:
进一步的,所述步骤(3)中目标半阴影区像素的阴影端元比例α的计算方式为:
进一步的,所述阴影区和半阴影区的获取方式为:
对遥感影像进行分割,并依据视觉选取最优分割尺度;然后使用波段平均亮度、与邻域对象的亮度差异、对象面积作为特征进行分类,并提取阴影,获得阴影区,阴影区最外侧的3层像素区域作为半阴影区。
具体来说,该方法包括以下步骤:
(1)水平能见度和太阳天顶角估计。在历史气象记录网站上,根据遥感影像地理位置以及拍摄日期/时间确定水平能见度距离。在高分二号影像头文件中获取太阳入射天顶角。
(2)估计下行直射光辐照度与全部光辐照度的比例。地表接收到的直射光辐照度依赖于光照条件和大气透过率;而大气透过率依赖于气溶胶厚度。下行散射光来源于光子在地面和大气中的多次散射,主要由太阳天顶角、水平能见度和水汽含量决定。使用6S大气辐射传输模型,模拟在特定气象条件下,高分2号波段设置条件下的天空下行直射光透过率与全部光透过率的比值。
(3)各波段程辐射值确定。在忽略多次散射的条件下,暗目标的反射率应该是0,故其非0部分的辐照度来源于程辐射。故选择每个波段的最小值作为该波段的程辐射。
(4)阴影区域提取。使用面向对象分割算法将遥感影像进行分割,并依据视觉选取最优分割尺度;然后使用波段平均亮度、与邻域对象的亮度差异、对象面积作为特征进行分类,并提取阴影。该方法定义阴影区域最外层的3个像素作为半阴影区。
(5)阴影区的阴影去除。阴影是由于地表只接收到了大气散射光而直射光被物体遮挡形成的,所以如果要去除阴影,就要为阴影区恢复直射光(图4)。直射光的恢复比例需要依赖于直射光辐照度占全部光辐照度的比例。故使用如下公式对阴影区的阴影进行去除:
其中,Rshadow是阴影区像元的DN值,Rsunlit是光照区与Rshadow具有相同地表覆盖像元的DN值,Rpath是程辐射值,V是下行直射光占全部光的比例。
(6)光照端元和阴影端元的选取。在7×7窗口内,按照最小光谱距离求取目标半阴影像元的光照端元和阴影端元。
(7)半阴影区的阴影去除。使用如下公式对半阴影区的阴影进行去除:
其中,Rpenumbra是目标半阴影区像素的DN值,Rpath是程辐射,V是天空下行直射光占全部光的比例,α是目标半阴影区像素的阴影端元比例。
该方法首先获取遥感影像成像时刻的太阳天顶角、水平能见度和水汽含量,并利用6S模型模拟该气象条件下的天空下行直射光透过率和下行散射光透过率,以各波段最小值作为程辐射值;然后综合以上参数估计阴影区域各波段需要补偿的亮度。此外,对于半阴影区域,以该半阴影像素为中心,在一定窗口内利用最小光谱角度量搜索光照端元和阴影端元,以此估计半阴影区域各波段需要补偿的亮度。
下面是一个更具体的例子:
如图1所示,一种基于物理模型的遥感影像阴影去除方法,包括以下步骤:
1、水平能见度和太阳天顶角确定
在后知气象网站(http://hz.zc12369.com/home/)上查询图2影像拍摄时刻的大气水平能见度,对图2而言,水平能见度为30km。
在图2的头文件中获取太阳天顶角信息,对图2而言,太阳天顶角为11.16°。
2、下行直射光比例估计
使用6S大气辐射传输模型,模拟在该图2影像拍摄时的气象条件下,高分2号波段设置条件下的天空下行直射光透过率与下行散射光透过率比值,进一步估计天空下行散射光占全部光强的比例V。对图2而言,蓝光波段的V为0.2830,绿光波段的V为0.2100,红光波段的V为0.1590,近红外波段的V为0.1010。
3、各波段程辐射值估计。对图2影像每个波段的DN值进行直方图统计,获取每个波段的最小值作为程辐射值。对图2而言,蓝光波段的程辐射为295,绿光波段的程辐射为160,红光波段的程辐射为83,近红外波段的程辐射为35。
4、阴影区域提取。使用面向对象分割算法将遥感影像进行分割,并依据视觉选取最优分割尺度为20;然后使用波段平均亮度、与邻域对象的亮度差异、对象面积作为特征进行分类,最终提取出阴影(提取效果见图3)。
5、半阴影区域提取。该方法定义每个阴影区斑块的最外层3个像素为半阴影区。
6、阴影区域的阴影去除。使用如下公式对阴影区的阴影进行去除:
7、光照端元和阴影端元的选取。在7×7窗口内,按照最小光谱距离求取目标半阴影像元的光照端元和阴影端元,如图5所示。
8、半阴影区域的阴影去除。使用如下公式对半阴影区的阴影进行去除:
阴影区和半阴影区的阴影全部去除完成后的效果如图6所示。
为了验证本发明的有效性,从图2和图6中分别选取了成组的光照像素、阴影像素和半阴影像素样本,这些样本的地表覆盖类型相同,然后统计在阴影去除前后光照样本亮度与阴影样本亮度的差异。验证结果如图7所示。阴影去除后,阴影像素和半阴影像素的各个波段的亮度明显提升。同时,通过计算这些阴影样本在阴影去除前后与对应组光照样本的光谱角相似度可见,阴影像素和半阴影像素的相似度分别提高了0.16和0.04。
总之,本发明实现了遥感影像的阴影去除,其采用阴影区与光照区的DN值差异与光谱角相似度作为阴影去除的评价指标,其中DN值差异体现阴影区域的亮度被提升了多少,光谱角相似度体现了在亮度提升的同时,光谱信息是否被保留并恢复了。本方法能够显著提升阴影区域的亮度,并恢复阴影地区的纹理和形状信息,且在阴影去除后,能够很好地恢复地物的光谱信息。
尽管上面对本发明说明性的具体实施方式进行了描述,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。
Claims (4)
1.一种基于物理模型的遥感影像阴影去除方法,其特征在于,包括以下步骤:
(1)使用下式对阴影区的阴影进行去除:
(2)在以目标半阴影像素为中心的窗口内,遍历阴影像素,以最小光谱角度量来选择阴影端元,遍历光照像素,以最小光谱角度量来选择光照端元;
(3)通过估计半阴影目标像元中光照端元和阴影端元的比例,确定需要进行亮度恢复的遥感影像像元亮度值,然后使用下式对半阴影区进行阴影去除:
其中,Rpenumbra是目标半阴影区像素的遥感影像像元亮度值,α是目标半阴影区像素的阴影端元比例。
4.根据权利要求1所述的一种基于物理模型的遥感影像阴影去除方法,其特征在于:所述阴影区和半阴影区的获取方式为:
对遥感影像进行分割,并依据视觉选取最优分割尺度;然后使用波段平均亮度、与邻域对象的亮度差异、对象面积作为特征进行分类,并提取阴影,获得阴影区,阴影区最外侧的3层像素区域作为半阴影区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010526204.4A CN111667432B (zh) | 2020-06-09 | 2020-06-09 | 一种基于物理模型的遥感影像阴影去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010526204.4A CN111667432B (zh) | 2020-06-09 | 2020-06-09 | 一种基于物理模型的遥感影像阴影去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667432A true CN111667432A (zh) | 2020-09-15 |
CN111667432B CN111667432B (zh) | 2022-08-02 |
Family
ID=72386746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010526204.4A Active CN111667432B (zh) | 2020-06-09 | 2020-06-09 | 一种基于物理模型的遥感影像阴影去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667432B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118038191A (zh) * | 2024-04-11 | 2024-05-14 | 山东农业大学 | 融合阴影动态变化的城市下垫面识别方法、系统、装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101034477A (zh) * | 2007-03-29 | 2007-09-12 | 上海大学 | 遥感数字图像上阴影消除和阴影中像元遥感值恢复方法 |
CN101034474A (zh) * | 2007-03-29 | 2007-09-12 | 上海大学 | 声纳遥感数字图像上阴影消除和阴影中像元遥感值恢复方法 |
CN102622738A (zh) * | 2012-03-08 | 2012-08-01 | 北京师范大学 | 一种Landsat TM/ETM+图像中山体阴影区的光谱信息恢复方法 |
US20140035915A1 (en) * | 2012-08-01 | 2014-02-06 | Microsoft Corporation | Single pass radiosity from depth peels |
CN108305217A (zh) * | 2017-12-28 | 2018-07-20 | 北京大学深圳研究生院 | 图像阴影消除方法和装置 |
CN110132223A (zh) * | 2019-04-29 | 2019-08-16 | 中国科学院遥感与数字地球研究所 | 一种图像地形辐射校正方法及装置 |
CN110428380A (zh) * | 2019-08-01 | 2019-11-08 | 重庆师范大学 | 紫色土土壤图像阴影增强方法 |
-
2020
- 2020-06-09 CN CN202010526204.4A patent/CN111667432B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101034477A (zh) * | 2007-03-29 | 2007-09-12 | 上海大学 | 遥感数字图像上阴影消除和阴影中像元遥感值恢复方法 |
CN101034474A (zh) * | 2007-03-29 | 2007-09-12 | 上海大学 | 声纳遥感数字图像上阴影消除和阴影中像元遥感值恢复方法 |
CN102622738A (zh) * | 2012-03-08 | 2012-08-01 | 北京师范大学 | 一种Landsat TM/ETM+图像中山体阴影区的光谱信息恢复方法 |
US20140035915A1 (en) * | 2012-08-01 | 2014-02-06 | Microsoft Corporation | Single pass radiosity from depth peels |
CN108305217A (zh) * | 2017-12-28 | 2018-07-20 | 北京大学深圳研究生院 | 图像阴影消除方法和装置 |
CN110132223A (zh) * | 2019-04-29 | 2019-08-16 | 中国科学院遥感与数字地球研究所 | 一种图像地形辐射校正方法及装置 |
CN110428380A (zh) * | 2019-08-01 | 2019-11-08 | 重庆师范大学 | 紫色土土壤图像阴影增强方法 |
Non-Patent Citations (2)
Title |
---|
HONGYA ZHANG,ET AL: "《Object-Oriented Shadow Detection and Removal From Urban High-Resolution Remote Sensing Images》", 《GEOSCIENCE AND REMOTE SENSING》 * |
焦俊男等: "《多光谱影像NDVI阴影影响去除模型》", 《遥感学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118038191A (zh) * | 2024-04-11 | 2024-05-14 | 山东农业大学 | 融合阴影动态变化的城市下垫面识别方法、系统、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111667432B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109613513B (zh) | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 | |
WO2020015326A1 (zh) | 一种地表类型数据支持的遥感图像云阴影检测方法 | |
Chen et al. | An automated cloud detection method for daily NOAA-14 AVHRR data for Texas, USA | |
CN108986040B (zh) | 一种基于遥感多光谱影像的ndvi阴影影响去除方法 | |
CN108537795A (zh) | 一种山区河流信息提取方法 | |
CN102436643A (zh) | 面向大气散射邻近效应的图像去雾方法 | |
CN111738916B (zh) | 一种基于统计学的遥感影像广义阴影光谱重建方法和系统 | |
CN114005042A (zh) | 基于阴影补偿和U-net的遥感影像城市建筑提取方法 | |
CN109300133B (zh) | 一种城市河网区水体提取方法 | |
CN112285710A (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
US11151377B2 (en) | Cloud detection method based on landsat 8 snow-containing image | |
Zhang et al. | Quantitative assessment of a haze suppression methodology for satellite imagery: Effect on land cover classification performance | |
CN111667432B (zh) | 一种基于物理模型的遥感影像阴影去除方法 | |
CN104881659B (zh) | 一种不透水层的提取方法及装置 | |
CN104616253B (zh) | 一种利用独立成分分析技术的光学遥感图像薄云去除方法 | |
CN103824260A (zh) | 一种高分辨率遥感图像薄雾快速去除技术 | |
Adler-Golden et al. | Shadow-insensitive material detection/classification with atmospherically corrected hyperspectral imagery | |
CN109993104B (zh) | 一种遥感图像对象层次的变化检测方法 | |
CN109033984B (zh) | 一种夜间雾快速自动检测方法 | |
CN116682024A (zh) | 一种基于四波段遥感影像的快速云检测方法 | |
CN115294183A (zh) | 一种基于多源遥感数据的碟型子湖水体时序提取方法 | |
CN116246272A (zh) | 针对国产卫星多光谱图像质量标记的云雪区分方法 | |
CN116229459A (zh) | 国产卫星多光谱图像逐像素质量标记方法 | |
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 | |
CN114399514A (zh) | 一种基于Sentinel-2影像的山区水体提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |