CN112085098A - 极轨高分辨率卫星全通道资料条纹噪声滤除方法 - Google Patents

极轨高分辨率卫星全通道资料条纹噪声滤除方法 Download PDF

Info

Publication number
CN112085098A
CN112085098A CN202010942888.6A CN202010942888A CN112085098A CN 112085098 A CN112085098 A CN 112085098A CN 202010942888 A CN202010942888 A CN 202010942888A CN 112085098 A CN112085098 A CN 112085098A
Authority
CN
China
Prior art keywords
principal component
matrix
mode
stripe noise
polar orbit
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
Application number
CN202010942888.6A
Other languages
English (en)
Inventor
董慧杰
秦正坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202010942888.6A priority Critical patent/CN112085098A/zh
Publication of CN112085098A publication Critical patent/CN112085098A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Image Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)
  • Computing Systems (AREA)

Abstract

本发明公开了一种极轨高分辨率卫星全通道资料条纹噪声滤除方法，该方法不仅适用于大气高层探测通道同样也可用于大气窗区通道，实现全通道资料条纹噪声的有效去除。本发明的条纹噪声滤除方法，利用自适应性的波动提取方法‑集合经验模态分析EEMD方法将观测亮温资料中的高频大梯度值分离，并利用主成分分析方法PCA和EEMD对剩余亮温场进行处理来消除条纹噪音，该方法在有效去除条纹噪声的同时，较好地保留了地表和天气信号，并可避免窗区通道资料中海陆边界及降水云边界的影响，能够完成极轨高分辨率卫星全通道资料的条纹噪声去除。

Description

极轨高分辨率卫星全通道资料条纹噪声滤除方法
技术领域：
本发明涉及一种极轨高分辨率卫星全通道资料条纹噪声滤除方法，属于卫星遥感技术领域。
背景技术：
高空间分辨率是新一代极轨卫星微波仪器的主要特征，但是高分辨率的观测仪器也伴随着较大的噪声。2015年，研究人员发现极轨卫星微波探测仪 ATMS(AdvancedTechnology Microwave Sounder)资料中存在明显的条纹噪音。随后，在其他高分辨率微波观测资料中也发现存在明显的条纹噪音。极轨卫星风云FY-3C/D的微波温度、湿度探测仪以及微波成像仪中都存在明显的条纹噪音，而且远大于同类仪器噪音，严重影响了卫星资料的有效利用。
已有研究表明，条纹噪声的存在会对卫星资料的有效同化及气象参数反演构成较大影响。然而，目前已有的一种条纹噪声去除算法(专利号： ZL201711465323.8)仅适用于大气高层探测通道，在对大气窗区通道的条纹噪声进行去除时受到海陆边界及降水云边界影响，无法在应用于窗区通道，而极轨卫星窗区通道资料在地表信息监测和降水信息反演方面有重要作用，因此亟需发展能够满足业务应用需求的、适用于包含大气窗区通道的全通道条纹噪声去除方法。同时，要求这种去噪方案在有效去除条纹噪声的同时，较好地保留地表和天气信息。
发明内容：
为了解决现有技术中存在的问题，本发明提出一种极轨高分辨率卫星全通道资料条纹噪声滤除方法，其技术方案如下：
一种极轨高分辨率卫星全通道资料条纹噪声滤除方法，包括如下步骤：
1)由极轨高分辨率卫星资料形成观测亮温矩阵，再利用集合经验模态分解方法分解所述观测亮温矩阵，得到亮温大梯度矩阵CM×N和剩余亮温矩阵T′M×N；其中，M为极轨高分辨率卫星资料中单根扫描线的视场总数；N为极轨高分辨率卫星资料中扫描线总数；
2)利用主成分分析方法按下式对所述剩余亮温矩阵T′M×N进行分解分析，得到各个主成分模态和对应的时间系数：
Figure BDA0002674246140000021
其中，E为模态矩阵；U为模态系数矩阵；
Figure BDA0002674246140000022
为第i个主成分模态；
Figure BDA0002674246140000023
为第 i个主成分模态对应的时间系数；i为主成分模态序号，i＝1，2，...，M；
3)利用集合经验模态分解法对前Npca个主成分模态的时间系数进行分解，每个分解为由高频到低频的多个本征模态分量；对于分解后的该Npca个主成分模态的时间系数逐个去除前Nimf个高频本征模态分量，得到平滑后的该Npca个主成分模态的时间系数；其中，Npca和Nimf的取值范围均为[1，3]；
4)将步骤3中平滑后的主成分模态的时间系数和未进行分解的主成分模态的时间系数与步骤2)中的各个主成分模态进行重构，得到去除条纹噪声后的剩余亮温矩阵t′reb，再按下式得到去掉条纹噪声后的观测亮温矩阵Treb:
Treb＝T′reb+CM×N。
优选地，步骤1)中所述观测亮温矩阵为
Figure BDA0002674246140000024
Figure BDA0002674246140000025
其中，第k个视场沿卫星行进方向的亮温序列记为
Figure BDA0002674246140000026
Figure BDA0002674246140000027
经集合经验模态分解方法分解后得到的高频项和剩余项分别为
Figure BDA0002674246140000028
和
Figure BDA0002674246140000029
所述亮温大梯度矩阵CM×N为
Figure BDA00026742461400000210
所述剩余亮温矩阵T′M×N为
Figure BDA00026742461400000211
Figure BDA00026742461400000212
Figure BDA00026742461400000213
其中，k为极轨高分辨率卫星资料中视场序号；j为极轨高分辨率卫星资料中扫描线序号；index为大梯度阈值。
本技术方案的设计思路为：
为了有效滤除大气窗区通道观测资料的条纹噪音，首先必须将影响条纹噪声去除的海陆边界及降水云边界附近的亮温大梯度值有效识别出来，由于这些信息出现是无规律的，无法用指定波动频率的统计方法将其提取出来。本发明利用有自适应性能的分析方法，集合经验模态分析方法(EEMD，Ensemble Empirical Mode Decomposition)先将高频分量提取出来，再通过设置合理的阈值，将大于该阈值的高频分量进行进一步分离。集合经验模态分析方法可以通过集合分解方法同时提取多种时间尺度的高频波动。由极轨高分辨率卫星资料形成的观测亮温矩阵经EEMD分解得到的亮温大梯度矩阵和剩余亮温矩阵。
集合经验模态分析方法分解可以表示成如下形式，对于第k个视场的亮温序列
Figure BDA0002674246140000034
可以分解成一系列本征模态分量IMFs(Intrinsic Mode Functions)，
Figure BDA0002674246140000031
其中，
Figure BDA0002674246140000032
为经分解后得到的高频项；T′k(j)为经分解后得到的剩余项；本发明中L＝1。在强降水区和海岸线附近，第一个IMF的振幅远大于噪音信号。因此，在沿轨方向亮温中减去大于某个阈值的第一个IMF值，就能分离这些对后续去噪过程有显著影响的高频大梯度值。
经过分离高频大梯度值后，剩余亮温矩阵中的条纹噪声就可以利用主成分分析方法和集合经验模态分析方法进行进一步去除。利用主成分分析方法(PCA， PrincipalComponent Analysis)可以将剩余亮温矩阵分解为表示沿扫描线方向不同视场的亮温变化矩阵E和沿卫星行进方向不同扫描线间的亮温变化矩阵U。E 和U也被称为PCA方法分解得到的模态矩阵和模态系数矩阵。条纹噪音特征在于在卫星扫描方向上基本不变，在卫星行进方向上的高频小幅抖动。根据主成分分析方法的特征可以知道，主成分分析方法提取的前几个主成分模态是观测方差较大的模态，基本代表了观测亮温中稳定变化的部分，所以条纹噪音就能够被提取到前几个主成分模态中。根据条纹噪音沿扫描线方向基本不变的特征，我们可以知道条纹噪音只是出现在时间系数向量
Figure BDA0002674246140000033
中。同时由于大气的连续性，主成分分析方法提取的前几个主成分模态代表了大气稳定变化部分，所以亮温中实际观测信息是连续变化的，不存在高频信息，所以通过提取前几个主成分模态对应的时间系数中的高频噪音，就可以很好地分离条纹噪音和实际天气和地表变化信息。
再次利用集合经验模态分析方法对前几个主成分模态对应的时间系数进行分解，减去前Nimf个高频IMF后，就可以得到较为平滑的时间系数。将平滑后的主成分模态的时间系数和和未进行分解的主成分模态的时间系数与对应的主成分模态重构，再加上最初分离的亮温大梯度矩阵，就得到去除条纹噪声后的观测亮温矩阵。去除条纹噪声后的观测亮温矩阵可以很好的消除亮温中的条纹噪音，而且并不影响亮温中的实际大气和地表观测信息。
本发明相比于现有技术具有如下有益效果
本发明的极轨高分辨率卫星全通道资料条纹噪声滤除方法不仅适用于大气高层探测通道同样也可用于大气窗区通道，实现全通道资料条纹噪声的有效去除。
本发明的条纹噪声滤除方法，利用自适应性的波动提取方法-集合经验模态分析EEMD方法将观测亮温资料中的高频大梯度值分离，并利用主成分分析方法 PCA和EEMD对剩余亮温场进行处理来消除条纹噪音，该方法在有效去除条纹噪声的同时，较好地保留了地表和天气信号，并可避免窗区通道资料中海陆边界及降水云边界的影响，能够完成极轨高分辨率卫星全通道资料的条纹噪声去除。
附图说明：
图1为实施例中条纹噪声滤除方法流程图；
图2(a)为本实施例观测亮温空间分布图；
图2(b)为亮温高频大梯度值分布图；
图2(c)为去除高频大梯度值后的剩余亮温场图；
图3(a)为剩余亮温场PCA第一模态空间分布图；
图3(b)为剩余亮温场PCA第二模态空间分布图；
图3(c)为剩余亮温场PCA第三模态空间分布图；
图3(d)为剩余亮温场前三个PCA模态亮温之和的空间分布图；
图3(e)为剩余亮温场前三个PCA重构模态亮温之和的空间分布图；
图3(f)为剩余亮温场减去前三个PCA模态后的亮温空间分布图；
图4(a)为剔除条纹噪声前的台风浣熊附近的观测亮温与模拟亮温之差空间分布图；
图4(b)为剔除条纹噪声后的台风浣熊附近的观测亮温与模拟亮温之差空间分布图；
图4(c)为台风浣熊附近条纹噪声空间分布图；
图4(d)为剔除条纹噪声前的非洲大陆的观测亮温与模拟亮温之差空间分布图；
图4(e)为剔除条纹噪声后的非洲大陆的观测亮温与模拟亮温之差空间分布图；
图4(f)为非洲大陆附近条纹噪声空间分布图。
具体实施方式：
下面结合具体实施例及对应附图对本发明作进一步说明。
实施例一：
本实施例的极轨高分辨率卫星全通道资料条纹噪声滤除方法，如图1所示，该方法首先利用自适应的波动提取方法将亮温资料中的亮温大梯度区域分离，接下来再对剩余资料进行条纹噪声去除，可直接应用于全通道卫星亮温资料的条纹噪音滤除，该方法包括如下具体步骤：
步骤1)由极轨高分辨率卫星资料形成观测亮温矩阵
Figure BDA0002674246140000051
Figure BDA0002674246140000052
其中，第k个视场沿卫星进行方向的亮温序列记为
Figure BDA0002674246140000053
再利用集合经验模态分解方法逐个分解
Figure BDA0002674246140000054
得到M个大梯度序列和剩余亮温序列，组成亮温大梯度矩阵CM×N和剩余亮温矩阵T′M×N；上述极轨高分辨率卫星资料为极轨高分辨率卫星任一需要进行条纹噪声去除的通道资料，本实施例选取FY-3C微波成像仪(MWRI，MicrowaveRadiationImager)通道10资料，其中M＝254，N＝1700。
集合经验模态分解方法(Ensemble Empirical Mode Decomposition，EEMD)可以通过集合分解方法同时提取多种时间尺度的高频波动，该分解方法有如下表示形式，对于第k个视场的亮温序列
Figure BDA0002674246140000055
按下式分解成一系列本征模态分量IMFs (Intrinsic ModeFunctions)：
Figure BDA0002674246140000056
其中，
Figure BDA0002674246140000061
为经分解后得到的高频项；T′k(j)为经分解后得到的剩余项；本发明中L＝1。在强降水区和海岸线附近，第一个IMF的振幅远大于噪音信号。因此，在沿轨方向亮温中减去大于某个阈值的第一个IMF值，就能分离这些对后续去噪过程有显著影响的高频大梯度值。
Figure BDA0002674246140000062
经集合经验模态分解方法分解后得到的高频项和剩余项分别为
Figure BDA0002674246140000063
和
Figure BDA0002674246140000064
则得到的亮温大梯度矩阵CM×N为
Figure BDA0002674246140000065
剩余亮温矩阵T′M×N为
Figure BDA0002674246140000066
Figure BDA0002674246140000067
Figure BDA0002674246140000068
其中，M为极轨高分辨率卫星资料中视场总数；N为极轨高分辨率卫星资料中扫面线总数；k为极轨高分辨率卫星资料中视场序号；j为极轨高分辨率卫星资料中扫描线序号；index为大梯度阈值，根据具体探测仪器的不同进行设定，本实施例中index取5。
2)利用主成分分析方法按下式对所述剩余亮温矩阵CM×N进行分解分析，得到各个主成分模态和对应的系数：
Figure BDA0002674246140000069
其中，E为模态矩阵；U为模态系数矩阵；
Figure BDA00026742461400000610
为第i个主成分模态；
Figure BDA00026742461400000611
为第 i个主成分模态对应的时间系数；i为主成分模态序号，i＝1，2，...，M；
3)利用集合经验模态分解法对前Npca个主成分模态的时间系数进行分解，每个分解为由高频到低频的多个本征模态分量；对于分解后的该Npca个主成分模态的时间系数逐个去除前Nimf个高频本征模态分量，得到平滑后的该Npca个主成分模态的时间系数；其中，Npca和Nimf的取值范围均为[1，3]；Npca和Nimf依据探测仪器的不同进行取值，取值范围均为[1，3]；本实施例中Npca取3，Nimf取1。
4)将步骤3中平滑后的主成分模态的时间系数和未进行分解的主成分模态的时间系数与步骤2)中的各个主成分模态进行重构，得到去除条纹噪声后的剩余亮温矩阵T′reb，再按下式得到去掉条纹噪声后的观测亮温矩阵Treb:
Treb＝T′reb+CM×N。
去掉条纹噪声后的观测亮温矩阵可以很好的消除亮温中的条纹噪音，而且并不影响亮温中的实际大气观测信息。
应用实施例一：
本应用实施例对2014年7月7日台风“浣熊”FY-3C MWRI通道10资料实施本发明的条纹噪声滤除方法，其中，MWRI探测仪器通道均为窗区通道，MWRI 探测仪器的视场总数M＝254，N＝1700。
步骤1)以MWRI探测仪器的254个视场所有扫描线的观测亮温构建254 个数据序列，该254个数据序列形成观测亮温矩阵，利用EEMD方法对分别对 254个序列进行分解，并将分解后的序列组成亮温大梯度矩阵和剩余亮温矩阵。图2(a)给出MWRI在台风浣熊附近的观测亮温分布，其中在台风云带附近亮温梯度较大。图2(b)是提取出来的高频大梯度值，主要出现在台风云带附近。图2(c)是原始亮温去掉高频大梯度值后的剩余场，可以看出台风右侧的条纹噪声仍存在，不影响后续的去噪处理。
步骤2)对剩余亮温矩阵进行PCA分解，获得各个主成分模态和对应的时间系数。图3(a)～图3(c)为PCA第1到3主成分模态分布以及前三个模态之和，可见其中存在明显条纹噪声。
步骤3)再次利用EEMD方法分别对前三个主成分模态的时间系数进行平滑，即Npca取3，该步骤中Nimf取1。再将平滑后的主成分模态的时间系数与对应的主成分模态模态相乘，得到平滑后的PCA模态分布。图3(d)显示时间系数平滑前，PCA1、PCA2、PCA3之和中出现明显条纹噪声，剩余主成分模态中没有条纹噪声出现，如图3(f)，故只需要对前三个主成分模态进行处理即可消除条纹噪声。图3(e)为时间系数平滑后的前三个PCA模态之和，可见其中无高频条纹出现。
步骤4)将平滑后的前三个主成分模态的时间系数和未进行分解的主成分模态的时间系数和相对应的主成分模态进行重构得到去除条纹后的剩余场，即剩余亮温矩阵，再将该剩余亮温矩阵与步骤1)中分离的亮温大梯度矩阵进行相加，最终得到去除条纹噪声后的大气窗区亮温分布，即观测亮温矩阵。图4为选取的台风浣熊附近和非洲大陆区域的去噪效果对比。其中图4(a)和4(d)为去除条纹噪声前，可见其中存在显著条纹噪声，图4(b)和图4(e)为去除条纹后，条纹噪声消失；图4(c)和图4(f)为提取出的条纹噪声，可见噪声再沿卫星行进方向呈随机变化，并未体现出天气信息。另外，通过图4还显示了本方法较好的适用于大气窗区通道观测亮温，适用于各种下垫面情况。
本实用新型不局限于上述各实施例，凡采用等同替换方式得到的技术方案均落在本实用新型要求保护的范围内。

Claims (2)

1.一种极轨高分辨率卫星全通道资料条纹噪声滤除方法，其特征在于，包括如下步骤：
1)由极轨高分辨率卫星资料形成观测亮温矩阵，再利用集合经验模态分解方法分解所述观测亮温矩阵，得到亮温大梯度矩阵CM×N和剩余亮温矩阵T′M×N；其中，M为极轨高分辨率卫星资料中单根扫描线的视场总数；N为极轨高分辨率卫星资料中扫描线总数；
2)利用主成分分析方法按下式对所述剩余亮温矩阵T′M×N进行分解分析，得到各个主成分模态和对应的时间系数：
Figure FDA0002674246130000011
其中，E为模态矩阵；U为模态系数矩阵；
Figure FDA0002674246130000012
为第i个主成分模态；
Figure FDA0002674246130000013
为第i个主成分模态对应的时间系数；i为主成分模态序号，i＝1，2，...，M；
3)利用集合经验模态分解法对前Npca个主成分模态的时间系数进行分解，每个分解为由高频到低频的多个本征模态分量；对于分解后的该Npca个主成分模态的时间系数逐个去除前Nimf个高频本征模态分量，得到平滑后的该Npca个主成分模态的时间系数；其中，Npca和Nimf的取值范围均为[1，3]；
4)将步骤3中平滑后的主成分模态的时间系数和未进行分解的主成分模态的时间系数与步骤2)中的各个主成分模态进行重构，得到去除条纹噪声后的剩余亮温矩阵T′reb，再按下式得到去掉条纹噪声后的观测亮温矩阵Treb：
Treb＝Treb+CM×N。
2.根据权利要求1所述的极轨高分辨率卫星全通道资料条纹噪声滤除方法，其特征在于：步骤1)中所述观测亮温矩阵为
Figure FDA0002674246130000014
Figure FDA0002674246130000015
其中，第k个视场沿卫星行进方向的亮温序列记为
Figure FDA0002674246130000016
Figure FDA0002674246130000017
经集合经验模态分解方法分解后得到的高频项和剩余项分别为
Figure FDA0002674246130000018
和
Figure FDA0002674246130000019
所述亮温大梯度矩阵CM×N为
Figure FDA00026742461300000110
所述剩余亮温矩阵T′M×N为
Figure FDA00026742461300000111
Figure FDA0002674246130000021
Figure FDA0002674246130000022
其中，k为极轨高分辨率卫星资料中视场序号；j为极轨高分辨率卫星资料中扫描线序号；index为大梯度阈值。
CN202010942888.6A 2020-09-09 2020-09-09 极轨高分辨率卫星全通道资料条纹噪声滤除方法 Pending CN112085098A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010942888.6A CN112085098A (zh) 2020-09-09 2020-09-09 极轨高分辨率卫星全通道资料条纹噪声滤除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010942888.6A CN112085098A (zh) 2020-09-09 2020-09-09 极轨高分辨率卫星全通道资料条纹噪声滤除方法

Publications (1)

Publication Number Publication Date
CN112085098A true CN112085098A (zh) 2020-12-15

Family

ID=73732506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010942888.6A Pending CN112085098A (zh) 2020-09-09 2020-09-09 极轨高分辨率卫星全通道资料条纹噪声滤除方法

Country Status (1)

Country Link
CN (1) CN112085098A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113503879A (zh) * 2021-07-09 2021-10-15 北京航空航天大学 一种基于集合经验模态分解的动态自适应卡尔曼滤波器方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978751A (zh) * 2015-06-16 2015-10-14 电子科技大学 基于摄像头角度的越界检测方法
CN107247933A (zh) * 2017-05-27 2017-10-13 北京理工大学 一种烟雾环境中fmcw激光定距系统差频信号提取方法
CN108387326A (zh) * 2017-12-28 2018-08-10 南京信息工程大学 极轨卫星高分辨率卫星资料条纹噪音滤除方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978751A (zh) * 2015-06-16 2015-10-14 电子科技大学 基于摄像头角度的越界检测方法
CN107247933A (zh) * 2017-05-27 2017-10-13 北京理工大学 一种烟雾环境中fmcw激光定距系统差频信号提取方法
CN108387326A (zh) * 2017-12-28 2018-08-10 南京信息工程大学 极轨卫星高分辨率卫星资料条纹噪音滤除方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
董慧杰: "星载微波成像仪资料中条带噪音的去除及该资料在气候分析上的应用", 《中国博士学位论文全文数据库 基础科学辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113503879A (zh) * 2021-07-09 2021-10-15 北京航空航天大学 一种基于集合经验模态分解的动态自适应卡尔曼滤波器方法

Similar Documents

Publication Publication Date Title
CN109934815B (zh) 一种结合atv约束的张量恢复红外弱小目标检测方法
CN109583378A (zh) 一种植被覆盖度提取方法及系统
Cihlar et al. Detection and removal of cloud contamination from AVHRR images
CN109101955A (zh) 基于多源卫星遥感数据的工业热异常区域识别方法
Petty et al. Improved passive microwave retrievals of rain rate over land and ocean. Part I: Algorithm description
TW200908748A (en) Method and apparatus for decompression of SAR images
CN113033670A (zh) 一种基于Sentinel-2A/B数据的水稻种植面积提取方法
CN106504214B (zh) 小波变换和局部插值融合的高光谱图像条带噪声消除方法
CN112085098A (zh) 极轨高分辨率卫星全通道资料条纹噪声滤除方法
CN112014542B (zh) 植被覆盖区土壤水分图制作方法、装置、储存介质及设备
Qi et al. Research on the image segmentation of icing line based on NSCT and 2-D OSTU
CN112784419A (zh) 一种提取积雪层相关长度的方法
CN110991463B (zh) 一种超像素图引导下的多尺度引导滤波特征提取方法
CN111861905A (zh) 基于Gamma-Lee滤波的SAR影像斑点噪声抑制方法
Yamagata et al. Classification of wetland vegetation by texture analysis methods using ERS-1 and JERS-1 images
CN109389063B (zh) 基于波段相关性的遥感影像条带噪声去除方法
CN110991285B (zh) 基于modis光学数据的湖冰物候信息提取方法和装置
CN110796677B (zh) 一种基于多波段特性的卷云虚警源检测方法
CN116740579A (zh) 一种国土空间规划数据智能采集方法
CN109471084B (zh) 一种电磁散射机理分解方法
CN111461999A (zh) 一种基于超像素相似性测量的sar图像相干斑抑制方法
Meier et al. Evaluation of operational SSM/I ice-concentration algorithms
CN110706212A (zh) 矿化蚀变信息提取方法、终端设备及存储介质
CN113780232B (zh) 一种城市湿地动态监测方法
ZHU et al. Dim small targets detection based on horizontal-vertical multi-scale grayscale difference weighted bilateral filtering

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: 20201215