CN111696054A - 基于全极化sar图像的橡胶坝体检测方法 - Google Patents
基于全极化sar图像的橡胶坝体检测方法 Download PDFInfo
- Publication number
- CN111696054A CN111696054A CN202010433219.6A CN202010433219A CN111696054A CN 111696054 A CN111696054 A CN 111696054A CN 202010433219 A CN202010433219 A CN 202010433219A CN 111696054 A CN111696054 A CN 111696054A
- Authority
- CN
- China
- Prior art keywords
- image
- river
- dam
- sar image
- carrying
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000010287 polarization Effects 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 230000010339 dilation Effects 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000004075 alteration Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 1
- 241000872198 Serjania polyphylla Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于全极化SAR图像的橡胶坝体检测方法,包括:采集SAR图像;对SAR图像进行预处理;将预处理后的图像进行目标极化分解;提取河道河流;将图像中的河流连通;提取河流主干道;将提取的河道河流图像和河流主干道图像进行逻辑异或运算,并将得到的结果与河流主干道图像进行逻辑与运算,获得桥或坝上的像素点;求其中心点,绘制出包含桥坝的矩形框;对预处理后的SAR图像中HH通道的图像进行图像滤波和图像增强,提取矩形框的内部区域并进行二值化识别出橡胶坝。本发明的方法采用多种图像处理算法有效地检测橡胶坝,有助于对橡胶坝进行及时维护和检修,并为地质观测中其他目标提供有效的先验参照信息。
Description
技术领域
本发明涉及图像处理,具体涉及一种基于全极化SAR图像的橡胶坝体检测方法。
背景技术
橡胶坝又称橡胶水闸,是用高强度合成纤维为骨架,外涂橡胶为保护层加工成胶布,锚固于底板形成坝袋,再经充胀形成的档水坝,是一种新型的挡水建筑物,已经被广泛用于河道治理工程中,不仅具有良好的治水效果,而且能减少经济消耗。
全极化合成孔径雷达(Polarimetric SAR,PolSAR)通过交替发射-接收水平(H)-垂直(V)极化电磁波获取地物对应的全极化散射矩阵。与传统单极化SAR相比,PolSAR系统工作在H,V不同的收发极化组合下,能够比较地物在HH,HV,VH,VV极化通道的观测影像,获取地物的随机程度、散射类型等物理信息。SAR图像中的橡胶坝同道路,机场,桥梁,河流等地面目标一样,不仅在军事上具有战略意义,而且对国民经济发展也具有重要意义,SAR图像橡胶坝的提取对地图更新,目标识别,影像配准等方面具有重要的辅助意义。
现有技术中,虽然PolSAR对地观测技术已经被广泛应用,,然而大多数工作都集中在对桥梁的检测,但很少有对坝体进行检测:一方面坝相对而言比桥的数量少,且坝的形状功能各式各样:另一方面桥和坝结构形状相似,坝的特征很难找出,这给坝的检测带来了困难。上述现状导致橡胶坝的维护和检修存在及时性不够,且无法有效为地质观测中其他目标提供有效的先验参照信息。
发明内容
发明目的:本申请的目的在于提供一种基于全极化SAR图像的橡胶坝体检测方法,解决现有技术中橡胶坝检测准确率低,不利于检修和进行相关地质观测的缺陷。
技术方案:本发明提供了一种基于全极化SAR图像的橡胶坝体检测方法,包括:
(1)采集待检测区域的全极化SAR图像;
(2)对全极化SAR图像进行预处理,得到预处理后的SAR图像;
(3)将预处理后的SAR图像进行目标极化分解,提取图像ph分量;
(4)采用二值化法从图像ph分量中提取河道河流图像;
(5)基于提取的河道河流,采用形态学膨胀腐蚀算法(闭运算)将图像中的河流连通;
(6)基于联通的河流图像,采用图像细化算法进行多次细化,以提取河流主干道图像;
(7)将提取的河道河流图像和河流主干道图像进行逻辑异或运算,并将得到的异或结果与河流主干道图像进行逻辑与运算,以获得桥或坝上的像素点;
(8)针对所有像素点,求其中心点、确定桥或坝的长度和宽度、桥或坝相对水平的斜率,绘制出包含桥或坝的矩形框;
(9)对预处理后的SAR图像中HH通道的图像进行图像滤波和图像增强,裁剪(提取)矩形框的内部区域并进行二值化处理;
(10)利用橡胶坝在SAR图像上呈现间隔相当的连续的白色点状的特征识别出橡胶坝,将白色点状相连即可识别出橡胶坝。
进一步地,步骤(2)中的预处理包括辐射定标、正射矫正和地形矫正。
进一步地,辐射定标包括:消除传感器自身的误差,确定传感器入口处的准确辐射值,将记录的原始DN值转换为大气外层表面反射率。
进一步地,正射矫正包括:
在全极化SAR图像上选取多个地面控制点,并利用图像范围内的数字高程模型(DEM)数据,对全极化SAR图像同时进行倾斜改正和投影差改正,将其重采样成正射影像。
进一步地,地形矫正包括:
将全极化SAR图像中所有像元的辐射亮度变换到某一参考平面,以消除由于地形起伏而引起的图像辐亮度值的变化,使图像更好地反映地物的光谱特征。
进一步地,步骤(3)包括对预处理后的SAR图像进行Yamaguchi极化分解,提取ph分量。
进一步地,在步骤(4)中,采用最大类间方差法(OSTU)作为二值化法从全极化SAR图像中提取河道河流图像。
进一步地,在步骤(6)中,采用Hilditch算法作为图像细化算法,提取河流主干道图像。
进一步地,在步骤(9)中,图像滤波采用Kuan滤波,图像增强采用拉普拉斯增强。
有益效果:与现有技术相比,本申请提出的基于全极化SAR图像的橡胶坝体检测方法,有效利用的极化散射信息和空间信息对SAR图像极化分解,综合运用了图像的二值化算法、图像逻辑运算、图像滤波算法、图像增强算法、图像细化算法、图像形态学算法等多种图像处理算法快速有效的对橡胶坝进行检测。有助于及时对橡胶坝进行维护和检修,并为地质观测中其他目标提供有效的先验参照信息。
附图说明
图1为本发明的橡胶坝检测方法流程图;
图2为本发明实施例的检测效果图;
图3为本发明实施例中检测出的橡胶坝。
具体实施方式
下面结合附图和实施例对本发明做进一步描述:
本发明提供了一种基于全极化SAR图像的橡胶坝体检测方法,如图1所示,包括:
(1)采集待检测区域的全极化SAR图像;在本实施例中采用采集到的高分三号全极化SAR图像进行检测。
(2)对采集的高分三号全极化SAR图像进行预处理,得到预处理后的SAR图像。预处理部分可在专业软件ENVI中进行,预处理包括辐射定标、正射矫正和地形矫正。
辐射定标包括:消除传感器自身的误差,确定传感器入口处的准确辐射值,将记录的原始DN值转换为大气外层表面反射率(或称辐射亮度值)。此处传感器主要是合成孔径雷达,安装在高分三号卫星上,用于成像。
正射矫正包括:在采集的全极化SAR图像上选取多个地面控制点,并利用图像范围内的数字高程模型(DEM)数据,对全极化SAR图像同时进行倾斜改正和投影差改正,将其重采样成正射影像。
地形矫正包括:通过各种变换(如余弦校正法),将全极化SAR图像中所有像元的辐射亮度变换到某一参考平面(本实施例中取水平面作为参考面),以消除由于地形起伏而引起的图像辐亮度值的变化,使图像更好地反映地物的光谱特征。
(3)将步骤(2)预处理后的SAR图像进行Yamaguchi极化分解,提取ph分量;Yamaguchi四分量分解可将相干矩阵看成表面散射、偶次散射、体散射以及螺旋散射四分量的加权和,分解过程可以用如下公式表示:
<Tθ>=Ps<Todd>+Pd<Tdbl>+Pv<Tvol>+Ph<Thelix>
其中,Ps、Pd、Pv、Ph分别表示表面散射,偶次散射,体散射和螺旋体散射,<Todd>,<Tdbl>,<Tvol>,<Thelix>分别表示表面散射,偶次散射,体散射和螺旋体散射的基本模型。
(4)对步骤(3)处理得到的图像ph分量,采用最大类间方差法(OSTU)从中提取河道河流图像;
对于特定某幅图像,设当前景与背景的分割阈值为t,
整个图像的均值:μ=μ1*ω1+μ2*ω2
分割阈值为t时的类间方差表达式为:
g(t)=ω1*(μ-μ1)2+ω2*(μ-μ2)2
其中,N1是前景(灰度值大于阈值)像素点个数,N2是背景(灰度值小于阈值)像素点个数,sum是整幅图像像素点总数;i是灰度级,Pi是灰度级为i像素点个数,M是灰度级个数,单通道图像M=256级。
OTSU算法使得g(t)取得全局最大值,当g(t)为最大时所对应的t称为最佳阈值。
(5)对于步骤(4)获得的图像。基于提取的河道轮廓,采用形态学先膨胀后腐蚀(闭运算)将图像中的河流连通。其闭运算的逻辑运算公式如下:
(6)对于步骤(5)处理后的图像,基于联通的河流图像,采用Hilditch算法进行多次细化(二值图像的骨架提取),以提取河流主干道图像。对其处理过程举例说明如下:
假设某图像的一个3*3的区域,对其中各点标记名称P1,P2,...,P8,如表1所示。
表1
P3 | P2 | P9 |
P4 | P1 | P8 |
P5 | P6 | P7 |
设定以1表示黑色,0表示白色,则如果中心P1=1(黑点),下面四个条件同时满足则删除P1(令P1=0):
(1)2≤NZ(P1)≤6;
(2)Z0(P1)=1;
(3)P2*P4*P8=0或者Z0(P2)≠1;
(4)P2*P4*P6=0或者Z0(P4)≠1;
其中的标记NZ(P)表示P的8领域中1的数目,Z0(P)可按照如下方式计算:
1)令nCount=0
2)若P-1,0=0且P-1,-1=1,nCount++;
3)若P-1,-1=0且P0,-1=0,nCount++;
4)若P0,-1=0且P1,-1=1,nCount++;
5)若P1,-1=0且P1,0=1,nCount++;
6)若P1,0=0且P1,1=1,nCount++;
7)若P1,1=0且P0,1=1,nCount++;
8)若P0,1=0且P-1,1=1,nCount++;
9)若P-1,1=0且P-1,0=1,nCount++;
10)Z0(P)=nCount
P<sub>-1,-1</sub> | P<sub>-1,0</sub> | P<sub>-1,1</sub> |
P<sub>0,-1</sub> | P<sub>0,0</sub> | P<sub>0,1</sub> |
P<sub>1,-1</sub> | P<sub>1,0</sub> | P<sub>1,1</sub> |
对图像中的每一个点重复上述步骤,直到所有的点都不可删除为止。
(7)将步骤(4)提取的河道河流图像和步骤(6)河流主干道图像进行逻辑异或运算,并将得到的异或结果与步骤(6)得到的河流主干道图像进行逻辑与运算,以获得桥或坝上的像素点。逻辑运算公式如下:
p(x,y)=g(x,y)∧h(x,y)
其中,f(x,y)为提取的河道河流图像,h(x,y)为河流主干道图像,g(x,y)为异或运算的结果图像,p(x,y)为逻辑与运算的结果图像。
(8)针对步骤(7)中获取的桥坝所有像素点,确定所有像素点的中心、桥或坝的长度和宽度、桥或坝相对水平的斜率,绘制出包含桥或坝的矩形框;在本实施例中,以桥坝像素中心点为中心,以两倍桥坝宽度为宽、十倍桥坝宽度为长绘制出矩形框。如图2所示,在本实施例中已经所采集的全极化SAR图像中的桥或坝用矩形框标识出。
(9)对步骤(2)预处理后的SAR图像中HH通道的图像进行Kuan滤波以及拉普拉斯增强,提取矩形框的内部区域并进行二值化处理。
Kuan滤波数学公式如下:
由于Kuan滤波算法存在着边缘等细节信息不佳的问题,因此需要对图像进行增强。
拉普拉斯图像增强算子数学公式如下:
实现上式的滤波器模板为:
0 | 1 | 0 |
1 | -4 | 1 |
0 | 1 | 0 |
(10)利用橡胶坝在SAR图像上呈现间隔相当的连续的白色点状的特征识别出橡胶坝,将白色点状相连即可识别出橡胶坝。如图3所示,矩形框中相连的点状即为在采集的全极化SAR图像中检测出的橡胶坝
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (9)
1.一种基于全极化SAR图像的橡胶坝体检测方法,其特征在于,包括:
(1)采集待检测区域的全极化SAR图像;
(2)对所述全极化SAR图像进行预处理,得到预处理后的SAR图像;
(3)将预处理后的SAR图像进行目标极化分解,提取图像ph分量;
(4)采用二值化法从所述图像ph分量中提取河道河流图像;
(5)基于提取的河道河流,采用形态学膨胀腐蚀算法(闭运算)将图像中的河流连通;
(6)基于联通的河流图像,采用图像细化算法进行多次细化,以提取河流主干道图像;
(7)将提取的所述河道河流图像和所述河流主干道图像进行逻辑异或运算,并将得到的异或结果与所述河流主干道图像进行逻辑与运算,以获得桥或坝上的像素点;
(8)针对所有所述像素点,求其中心点、确定桥或坝的长度和宽度、桥或坝相对水平的斜率,绘制出包含桥或坝的矩形框;
(9)对预处理后的SAR图像中HH通道的图像进行图像滤波和图像增强,裁剪(提取)所述矩形框的内部区域并进行二值化处理;
(10)利用橡胶坝在SAR图像上呈现间隔相当的连续的白色点状的特征识别出橡胶坝,将白色点状相连即可识别出橡胶坝。
2.根据权利要求1所述的方法,其特征在于,步骤(2)中的预处理包括辐射定标、正射矫正和地形矫正。
3.根据权利要求2所述的方法,其特征在于,所述辐射定标包括:
消除传感器自身的误差,确定传感器入口处的准确辐射值,将记录的原始DN值转换为大气外层表面反射率。
4.根据权利要求2所述的方法,其特征在于,所述正射矫正包括:
在所述全极化SAR图像上选取多个地面控制点,并利用图像范围内的数字高程模型(DEM)数据,对所述全极化SAR图像同时进行倾斜改正和投影差改正,将其重采样成正射影像。
5.根据权利要求2所述的方法,其特征在于,所述地形矫正包括:
将所述全极化SAR图像中所有像元的辐射亮度变换到某一参考平面,以消除由于地形起伏而引起的图像辐亮度值的变化,使图像更好地反映地物的光谱特征。
6.根据权利要求1所述的方法,其特征在于,步骤(3)包括对预处理后的SAR图像进行Yamaguchi极化分解,提取ph分量。
7.根据权利要求1所述的方法,其特征在于,在步骤(4)中,采用最大类间方差法(OSTU)作为所述二值化法从所述全极化SAR图像中提取河道河流图像。
8.根据权利要求1所述的方法,其特征在于,在步骤(6)中,采用Hilditch算法作为所述图像细化算法,提取河流主干道图像。
9.根据权利要求1所述的方法,其特征在于,在步骤(9)中,图像滤波采用Kuan滤波,图像增强采用拉普拉斯增强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010433219.6A CN111696054B (zh) | 2020-05-21 | 2020-05-21 | 基于全极化sar图像的橡胶坝体检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010433219.6A CN111696054B (zh) | 2020-05-21 | 2020-05-21 | 基于全极化sar图像的橡胶坝体检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111696054A true CN111696054A (zh) | 2020-09-22 |
CN111696054B CN111696054B (zh) | 2022-08-26 |
Family
ID=72477056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010433219.6A Active CN111696054B (zh) | 2020-05-21 | 2020-05-21 | 基于全极化sar图像的橡胶坝体检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111696054B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019180A (zh) * | 2022-07-28 | 2022-09-06 | 北京卫星信息工程研究所 | Sar图像舰船目标检测方法、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951789A (zh) * | 2015-07-15 | 2015-09-30 | 电子科技大学 | 一种基于全极化sar图像的快速滑坡提取方法 |
US20170010353A1 (en) * | 2015-07-08 | 2017-01-12 | Conocophillips Company | Terrestrial imaging using multi-polarization synthetic aperture radar |
CN107169492A (zh) * | 2017-05-26 | 2017-09-15 | 西安电子科技大学 | 基于fcn‑crf主从网络的极化sar目标检测方法 |
CN110853050A (zh) * | 2019-10-21 | 2020-02-28 | 中国电子科技集团公司第二十九研究所 | 一种sar图像河流分割方法、装置及介质 |
-
2020
- 2020-05-21 CN CN202010433219.6A patent/CN111696054B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170010353A1 (en) * | 2015-07-08 | 2017-01-12 | Conocophillips Company | Terrestrial imaging using multi-polarization synthetic aperture radar |
CN104951789A (zh) * | 2015-07-15 | 2015-09-30 | 电子科技大学 | 一种基于全极化sar图像的快速滑坡提取方法 |
CN107169492A (zh) * | 2017-05-26 | 2017-09-15 | 西安电子科技大学 | 基于fcn‑crf主从网络的极化sar目标检测方法 |
CN110853050A (zh) * | 2019-10-21 | 2020-02-28 | 中国电子科技集团公司第二十九研究所 | 一种sar图像河流分割方法、装置及介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019180A (zh) * | 2022-07-28 | 2022-09-06 | 北京卫星信息工程研究所 | Sar图像舰船目标检测方法、电子设备及存储介质 |
CN115019180B (zh) * | 2022-07-28 | 2023-01-17 | 北京卫星信息工程研究所 | Sar图像舰船目标检测方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111696054B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409292B (zh) | 基于精细化特征优化提取的异源图像匹配方法 | |
CN107301661B (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
CN108416784B (zh) | 城市建成区边界快速提取方法、装置及终端设备 | |
CN102169581A (zh) | 一种基于特征向量的快速高精度鲁棒性匹配方法 | |
CN110428425B (zh) | 一种基于海岸线矢量数据的sar图像海陆分离方法 | |
CN108564532B (zh) | 大尺度地距星载sar图像镶嵌方法 | |
Yu et al. | High-performance SAR image matching using improved SIFT framework based on rolling guidance filter and ROEWA-powered feature | |
CN103871039A (zh) | 一种sar图像变化检测差异图生成方法 | |
CN114463286A (zh) | 一种基于移动窗口的路面点云平滑及裂缝信息处理方法 | |
CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
CN111696054B (zh) | 基于全极化sar图像的橡胶坝体检测方法 | |
Huang et al. | SAR and optical images registration using shape context | |
CN114494371A (zh) | 基于多尺度相位一致性的光学图像和sar图像配准方法 | |
Wan et al. | An assessment of shadow enhanced urban remote sensing imagery of a complex city–Hong Kong | |
Dowman | Automating image registration and absolute orientation: solutions and problems | |
Wu et al. | Research on crack detection algorithm of asphalt pavement | |
CN105303538A (zh) | 一种基于nsct和pca的高斯噪声方差估计方法 | |
CN109886988B (zh) | 一种微波成像仪定位误差的度量方法、系统、装置及介质 | |
Jang et al. | Topographic information extraction from KOMPSAT satellite stereo data using SGM | |
CN114565653A (zh) | 一种存在旋转变化和尺度差异的异源遥感图像匹配方法 | |
Wolff et al. | Dsm generation from early alos/prism data using sat-pp | |
Crespi et al. | Radiometric quality and DSM generation analysis of CartoSat-1 stereo imagery | |
Cheng et al. | Generation of pixel-level SAR image time series using a locally adaptive matching technique |
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 |