CN112906514A - 一种顾及不同极化的时序sar影像地物类别变化检测方法 - Google Patents

一种顾及不同极化的时序sar影像地物类别变化检测方法 Download PDF

Info

Publication number
CN112906514A
CN112906514A CN202110152039.5A CN202110152039A CN112906514A CN 112906514 A CN112906514 A CN 112906514A CN 202110152039 A CN202110152039 A CN 202110152039A CN 112906514 A CN112906514 A CN 112906514A
Authority
CN
China
Prior art keywords
time sequence
time
sar image
ground object
similarity measure
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
CN202110152039.5A
Other languages
English (en)
Inventor
赵金奇
汪磊
王童童
谢永虎
殷继先
隋娟
李强
李健存
刘英杰
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.)
Beijing Guanwei Technology Co ltd
Original Assignee
Beijing Guanwei Technology Co ltd
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 Beijing Guanwei Technology Co ltd filed Critical Beijing Guanwei Technology Co ltd
Priority to CN202110152039.5A priority Critical patent/CN112906514A/zh
Publication of CN112906514A publication Critical patent/CN112906514A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种顾及不同极化的时序SAR影像地物类别变化检测方法，包括：对时序SAR影像进行预处理，设置进行相应极化参数；利用Omnibus假设检验对不同极化SAR影像进行时序相似度测度的提取，获得该区域不同时相的相似度测度；构建备选概率统计分布，联合单样本Cramer‑Von Mises检验和Kolmogorov–Smirnov检验估计时序相似度测度统计分布特征，对最小误差阈值选取方法进行优化；利用相似度测度和最优阈值提取时序SAR影像不变区域，获取不同时相地物类别信息和时序地物类别变化信息。本发明能够有效地挖掘地物目标丰富的时空信息，为提升后续类别变化检测的精度提供基础。

Description

一种顾及不同极化的时序SAR影像地物类别变化检测方法
技术领域
本发明属于遥感图像处理技术领域，更具体的说是涉及一种顾及不同极化的时序SAR影像地物类别变化检测方法。
背景技术
在遥感影像处理过程中，变化检测是通过多次对目标地物进行观测，达到提取目标变化信息的一种重要技术手段。作为一种先进的主动式遥感传感器，合成孔径雷达(Synthetic Aperture Radar，SAR)不受光照、云雾及恶劣环境的影响，为开展目标地物长时间、大范围、周期性的监测提供了可能。随着国内外星/机载SAR平台的不断发展，为研究区域提供了不同类型海量的数据基础。根据卫星收发方式的不同，SAR数据主要包括单极化，双极化和全极化，如何构建一套适用于不同极化SAR变化检测的方法框架是高效解决相同区域海量数据处理的关键。现有变化检测技术主要包括无监督和监督变化检测，目前无监督变化检测方法主要针对单极化和双极化SAR数据，包括：差/比值法、特征融合、GoogleEarth Engine分析等方法，有着设计简单，能够直接、高效的提取变化和未变化区域的优势，但不能获取地物类别变化信息。监督变化检测方法通过分类技术能够有效地获取地物类别变化信息，但未利用时间信息且易受分类误差累积的影响，影响类别变化检测的精度。
因此，如何提供一种顾及不同极化的时序SAR影像地物类别变化检测方法是本领域技术人员亟需解决的问题。
发明内容
针对当前时序SAR影像变化检测方法研究中存在的时空信息挖掘不充分、方法适用性不强等问题，本发明充分利用时序不同极化SAR海量数据的优势，提出了一种适用性强的SAR影像类别变化检测方法流程。相较于传统的变化检测方法，本发明结合了无监督和监督变化检测方法的优势，能够更为有效地挖掘地物目标丰富的时空信息，为提升后续类别变化检测的精度提供了基础。
为了实现上述目的，本发明采用如下技术方案：
一种顾及不同极化的时序SAR影像地物类别变化检测方法，包括如下步骤：
S1：对待处理的时序SAR影像进行预处理，并设置相应极化参数；
S2：利用Omnibus假设检验对不同极化SAR影像进行时序相似度测度的提取，获得该区域不同时相的相似度测度；
S3：构建备选概率统计分布，融合单样本Cramer-Von Mises检验和Kolmogorov–Smirnov检验估计时序相似度测度统计分布特征，并利用提取的相似度测度概率统计分布模型对最小误差阈值选取方法进行优化；获得对应时序不同极化SAR相似度测度的最优阈值；
S4：利用相似度测度和最优阈值提取时序SAR影像不变区域，获取不同时相地物类别信息和时序地物类别变化信息。
优选的，步骤S1中，对待处理的时序SAR影像进行预处理，包括：辐射校正，几何校正，配准和滤波。
优选的，步骤S1中，极化参数包括单极化SAR影像p＝1，双极化SAR影像p＝2，全极化SAR影像p＝3。
优选的，步骤S2中，不同时相的相似度测度
Figure BDA0002931885090000021
表示为：
Figure BDA0002931885090000031
其中，p表示参与计算的第i个时相SAR影像Ii的类型；n、m分别表示参与计算时序SAR影像的个数和视数；k表示参与处理影像的起始位置，默认k＝1。
优选的，结合SAR影像数据特征，选择多个概率统计分布构建备选概率统计分布，联合单样本Cramer-Von Mises检验和Kolmogorov–Smirnov检验对时序相似度测度统计分布特征进行拟合，具体方法：
1)首先选择高斯分布、广义高斯分布、负指数分布、Gamma分布、Weibull分布等概率统计分布作为拟合相似度测度的备选概率统计分布；
2)利用单样本Cramer-Von Mises检验，通过对相似度测度灰度直方图
Figure BDA0002931885090000032
和同均值、同方差的备选概率统计分布
Figure BDA0002931885090000033
的平方距离进行积分，自适应的估计最适合相似度测度的概率密度函数：
Figure BDA0002931885090000034
其中C代表拟合积分结果，C越小表示拟合的越准确，C越大则表示假设不成立；
3)利用Kolmogorov–Smirnov检验，通过对对相似度测度灰度直方图
Figure BDA0002931885090000035
和同均值、同方差的备选概率统计分布
Figure BDA0002931885090000036
的累积概率之差的上界，自适应的估计最适合相似度测度的概率密度函数：
Figure BDA0002931885090000037
其中KS代表概率拟合结果绝对值的最小上界，KS越小表示拟合的越准确，KS越大则表示假设不成立；
综合利用单样本Cramer-Von Mises检验和Kolmogorov–Smirnov检验联合的方式估计从备选概率分布函数中选择最优的概率密度函数描述时序相似度测度的统计特性。
优选的，步骤S3中，对最小误差阈值选取方法进行优化，获得优化后的判别函数为：
Figure BDA0002931885090000041
其中c(·)表示的为代价函数，
Figure BDA0002931885090000042
分别表示在阈值T和相似度测度灰度直方图
Figure BDA0002931885090000043
条件下，未变化类别u和变化类别c的后验概率密度函数，L代表相似度测度的灰度级。
优选的，通过计算判别函数J的最小值，来获得对应时序不同极化SAR相似度测度的最优阈值T*：
Figure BDA0002931885090000044
优选的，步骤S4中，利用相似度测度和最优阈值提取时序SAR影像不变区域，将该时间特征、不同极化SAR影像强度信息和相位信息作为先验知识输入随机森林分类器中，获取不同时相地物类别信息和时序地物类别变化信息。
本发明的有益效果在于：
本发明从根本上克服了海量SAR数据类型不统一带来的处理困难，同时顾及了时序SAR影像的时间信息，提出了利用针对不同极化全适用的目标相似度检测方法，能够更好的获取不同极化、不同时相、相同区域地物的相似程度。进一步，结合集成学习技术的优势，解决了累积分类误差导致检测精度的下降，高效且精准的提取地物类型的变化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅附图1，本发明提供了一种顾及不同极化的时序SAR影像地物类别变化检测方法，包括如下步骤：
1)对待处理的时序SAR影像进行预处理，并设置相应极化参数，包括：辐射校正，几何校正，配准和滤波；相应参数：单极化SAR影像p＝1，双极化SAR影像p＝2，全极化SAR影像p＝3；
2)利用Omnibus假设检验对不同极化SAR影像进行时序相似度测度的提取，获得该区域不同时相的相似度测度
Figure BDA0002931885090000051
其中时序不同极化SAR影像相似度测度表达式为：
Figure BDA0002931885090000052
其中，p表示参与计算的第i个时相SAR影像Ii的类型(单、双、全极化)；n、m分别表示参与计算时序SAR影像的个数和视数。
3)构建备选概率统计分布，融合单样本Cramer-Von Mises检验和Kolmogorov–Smirnov检验估计时序相似度测度统计分布特征，并利用提取的相似度测度概率统计分布模型对最小误差阈值选取方法进行优化；获得对应时序不同极化SAR相似度测度的最优阈值。其中，优化后的判别函数为：
Figure BDA0002931885090000061
其中
Figure BDA0002931885090000062
其中c(·)表示的为代价函数，
Figure BDA0002931885090000063
分别表示在阈值T和差异影像灰度直方图
Figure BDA0002931885090000064
条件下，未变化类别(u)和变化类别(c)的后验概率密度函数；
结合SAR影像数据特征，选择多个概率统计分布构建备选概率统计分布，联合单样本Cramer-Von Mises检验和Kolmogorov–Smirnov检验对时序相似度测度统计分布特征进行拟合，具体方法：
1)首先选择高斯分布、广义高斯分布、负指数分布、Gamma分布、Weibull分布等概率统计分布作为拟合相似度测度的备选概率统计分布；
2)利用单样本Cramer-Von Mises检验，通过对相似度测度灰度直方图
Figure BDA0002931885090000065
和同均值、同方差的备选概率统计分布
Figure BDA0002931885090000066
的平方距离进行积分，自适应的估计最适合相似度测度的概率密度函数：
Figure BDA0002931885090000067
其中C代表拟合积分结果，C越小表示拟合的越准确，C越大则表示假设不成立；
3)利用Kolmogorov–Smirnov检验，通过对对相似度测度灰度直方图
Figure BDA0002931885090000068
和同均值、同方差的备选概率统计分布
Figure BDA0002931885090000069
的累积概率之差的上界，自适应的估计最适合相似度测度的概率密度函数：
Figure BDA0002931885090000071
其中KS代表概率拟合结果绝对值的最小上界，KS越小表示拟合的越准确，KS越大则表示假设不成立；
综合利用单样本Cramer-Von Mises检验和Kolmogorov–Smirnov检验联合的方式估计从备选概率分布函数中选择最优的概率密度函数描述时序相似度测度的统计特性。
4)计算判别函数J的最小值，并获得对应时序不同极化SAR相似度测度的最优阈值T*：
Figure BDA0002931885090000072
5)利用相似度测度和最优阈值提取时序SAR影像不变区域，将该时间特征以及时序SAR影像预处理后获得的不同极化SAR影像强度信息和相位信息作为先验知识输入随机森林分类器中，获取不同时相地物类别信息和时序地物类别变化信息。
针对当前时序SAR影像变化检测方法研究中存在的时空信息挖掘不充分、方法适用性不强等问题，本发明充分利用时序不同极化SAR海量数据的优势，提出了一种适用性强的顾及不同极化的时序SAR影像地物类别变化检测方法。相较于传统的变化检测方法，本发明结合了无监督和监督变化检测方法的优势，能够更为有效地挖掘地物目标丰富的时空信息，为提升后续类别变化检测的精度提供了基础。同时，该方法不仅适合单、双极化SAR数据，且适合全极化SAR数据，为海量数据变化检测的处理提供有效支撑。
本发明从根本上克服了海量SAR数据类型不统一带来的处理困难，同时顾及了时序SAR影像的时间信息，提出了利用针对不同极化全适用的目标相似度检测方法，能够更好的获取不同极化、不同时相、相同区域地物的相似程度。进一步，结合集成学习技术的优势，解决了累积分类误差导致检测精度的下降，高效且精准的提取地物类型的变化。
本发明联合无监督和监督的变化检测方法，能够有效获取地物类别变化信息；构建备选概率统计分布，融合单样本Cramer-Von Mises检验和Kolmogorov–Smirnov检验精准反映相似度测度统计分布特性；采用顾及时间信息、不同极化强度信息与相干信息的随机森林分类方法，精准提取地物类别变化检测。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种顾及不同极化的时序SAR影像地物类别变化检测方法，其特征在于，包括如下步骤：
S1：对待处理的时序SAR影像进行预处理，并设置相应极化参数；
S2：利用Omnibus假设检验对不同极化SAR影像进行时序相似度测度的提取，获得该区域不同时相的相似度测度；
S3：构建备选概率统计分布，联合单样本Cramer-Von Mises检验和Kolmogorov–Smirnov检验估计时序相似度测度统计分布特征，并利用提取的相似度测度概率统计分布模型对最小误差阈值选取方法进行优化；获得对应时序不同极化SAR相似度测度的最优阈值；
S4：利用相似度测度和最优阈值提取时序SAR影像不变区域，结合随机森林分类器获取不同时相地物类别信息和时序地物类别变化信息。
2.根据权利要求1所述的一种顾及不同极化的时序SAR影像地物类别变化检测方法，其特征在于，步骤S1中，对待处理的时序SAR影像进行预处理，包括：辐射校正，几何校正，配准和滤波。
3.根据权利要求1所述的一种顾及不同极化的时序SAR影像地物类别变化检测方法，其特征在于，步骤S1中，极化参数包括参数单极化SAR影像p＝1，双极化SAR影像p＝2，全极化SAR影像p＝3。
4.根据权利要求1所述的一种顾及不同极化的时序SAR影像地物类别变化检测方法，其特征在于，步骤S2中，不同时相的相似度测度
Figure FDA0002931885080000011
表示为：
Figure FDA0002931885080000012
其中，p表示参与计算的第i个时相SAR影像Ii的类型；n、m分别表示参与计算时序SAR影像的个数和视数；k表示参与处理影像的起始位置，默认k＝1。
5.根据权利要求1所述的一种顾及不同极化的时序SAR影像地物类别变化检测方法，其特征在于，构建备选概率统计分布，融合单样本Cramer-Von Mises检验和Kolmogorov–Smirnov检验估计时序相似度测度统计分布特征的方法：
优选的，结合SAR影像数据特征，选择多个概率统计分布构建备选概率统计分布，联合单样本Cramer-Von Mises检验和Kolmogorov–Smirnov检验对时序相似度测度统计分布特征进行拟合，具体方法：
1)首先选择高斯分布、广义高斯分布、负指数分布、Gamma分布、Weibull分布等概率统计分布作为拟合相似度测度的备选概率统计分布；
2)利用单样本Cramer-Von Mises检验，通过对相似度测度灰度直方图
Figure FDA0002931885080000021
和同均值、同方差的备选概率统计分布
Figure FDA0002931885080000022
的平方距离进行积分，自适应的估计最适合相似度测度的概率密度函数：
Figure FDA0002931885080000023
其中C代表拟合积分结果，C越小表示拟合的越准确，C越大则表示假设不成立；
3)利用Kolmogorov–Smirnov检验，通过对对相似度测度灰度直方图
Figure FDA0002931885080000024
和同均值、同方差的备选概率统计分布
Figure FDA0002931885080000025
的累积概率之差的上界，自适应的估计最适合相似度测度的概率密度函数：
Figure FDA0002931885080000026
其中KS代表概率拟合结果绝对值的最小上界，KS越小表示拟合的越准确，KS越大则表示假设不成立；
综合利用单样本Cramer-Von Mises检验和Kolmogorov–Smirnov检验联合的方式从备选概率分布函数中选择最优的概率密度函数描述时序相似度测度的统计特性。
6.根据权利要求4所述的一种顾及不同极化的时序SAR影像地物类别变化检测方法，其特征在于，步骤S3中，对最小误差阈值选取方法进行优化，获得优化后的判别函数为：
Figure FDA0002931885080000031
其中c(·)表示的为代价函数，
Figure FDA0002931885080000032
分别表示在阈值T和相似度测度灰度直方图
Figure FDA0002931885080000033
条件下，未变化类别u和变化类别c的后验概率密度函数，L代表相似度测度的灰度级。
7.根据权利要求6所述的一种顾及不同极化的时序SAR影像地物类别变化检测方法，其特征在于，通过计算判别函数J的最小值，来获得对应时序不同极化SAR相似度测度的最优阈值T*：
Figure FDA0002931885080000034
8.根据权利要求7所述的一种顾及不同极化的时序SAR影像地物类别变化检测方法，其特征在于，步骤S4中，利用相似度测度和最优阈值提取时序SAR影像不变区域，将该时间特征、不同极化SAR影像强度信息和相位信息作为先验知识输入随机森林分类器中，获取不同时相地物类别信息和时序地物类别变化信息。
CN202110152039.5A 2021-02-03 2021-02-03 一种顾及不同极化的时序sar影像地物类别变化检测方法 Pending CN112906514A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110152039.5A CN112906514A (zh) 2021-02-03 2021-02-03 一种顾及不同极化的时序sar影像地物类别变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110152039.5A CN112906514A (zh) 2021-02-03 2021-02-03 一种顾及不同极化的时序sar影像地物类别变化检测方法

Publications (1)

Publication Number Publication Date
CN112906514A true CN112906514A (zh) 2021-06-04

Family

ID=76122047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110152039.5A Pending CN112906514A (zh) 2021-02-03 2021-02-03 一种顾及不同极化的时序sar影像地物类别变化检测方法

Country Status (1)

Country Link
CN (1) CN112906514A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610781A (zh) * 2021-07-21 2021-11-05 中山大学 一种时序sar图形的变化检测方法及装置
CN116503651A (zh) * 2023-04-25 2023-07-28 北京东方至远科技股份有限公司 一种极化sar农作物分类识别系统和方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105118065A (zh) * 2015-09-14 2015-12-02 中国民航大学 小波域极化距离变换的极化sar图像变化检测方法
CN107292920A (zh) * 2017-06-15 2017-10-24 武汉大学 一种联合分类的多时相全极化sar影像变化检测方法
CN108257154A (zh) * 2018-01-12 2018-07-06 西安电子科技大学 基于区域信息和cnn的极化sar图像变化检测方法
CN111429496A (zh) * 2020-03-05 2020-07-17 武汉大学 一种顾及统计特性的时序PolSAR影像无监督变化检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105118065A (zh) * 2015-09-14 2015-12-02 中国民航大学 小波域极化距离变换的极化sar图像变化检测方法
CN107292920A (zh) * 2017-06-15 2017-10-24 武汉大学 一种联合分类的多时相全极化sar影像变化检测方法
CN108257154A (zh) * 2018-01-12 2018-07-06 西安电子科技大学 基于区域信息和cnn的极化sar图像变化检测方法
CN111429496A (zh) * 2020-03-05 2020-07-17 武汉大学 一种顾及统计特性的时序PolSAR影像无监督变化检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢红卫等: "多阶段小样本数据条件下装备试验评估", 《多阶段小样本数据条件下装备试验评估》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610781A (zh) * 2021-07-21 2021-11-05 中山大学 一种时序sar图形的变化检测方法及装置
CN113610781B (zh) * 2021-07-21 2023-09-15 中山大学 一种时序sar图形的变化检测方法及装置
CN116503651A (zh) * 2023-04-25 2023-07-28 北京东方至远科技股份有限公司 一种极化sar农作物分类识别系统和方法
CN116503651B (zh) * 2023-04-25 2023-11-14 北京东方至远科技股份有限公司 一种极化sar农作物分类识别系统和方法

Similar Documents

Publication Publication Date Title
Zhan et al. Log-based transformation feature learning for change detection in heterogeneous images
Bazi et al. An unsupervised approach based on the generalized Gaussian model to automatic change detection in multitemporal SAR images
CN108761574A (zh) 基于多源信息融合的降雨量估算方法
Lv et al. Object-oriented key point vector distance for binary land cover change detection using VHR remote sensing images
Zhu et al. Roughness and vegetation change detection: A pre-processing for soil moisture retrieval from multi-temporal SAR imagery
CN112906514A (zh) 一种顾及不同极化的时序sar影像地物类别变化检测方法
CN108594226B (zh) 一种顾及地形的山区sar图像输电塔架检测方法
CN111429496B (zh) 一种顾及统计特性的时序PolSAR影像无监督变化检测方法
CN108230375B (zh) 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法
CN115236655A (zh) 基于全极化sar的滑坡识别方法、系统、设备及介质
He et al. ICESat-2 data classification and estimation of terrain height and canopy height
Veracini et al. Fully unsupervised learning of Gaussian mixtures for anomaly detection in hyperspectral imagery
Zhong et al. Multi-factor intensity estimation for tropical cyclones in the western North Pacific based on the deviation angle variance technique
CN116719241A (zh) 一种基于3d可视化技术的信息化智能闸门自动控制方法
Gao et al. Retrieving forest canopy height from ICESat-2 data by an improved DRAGANN filtering method and canopy top photons classification
CN116385866B (zh) 基于sar图像的铁路沿线彩钢房变化检测方法和装置
CN114545410B (zh) 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法
CN103903258B (zh) 基于次序统计量谱聚类的遥感图像变化检测方法
Krylov et al. Change detection with synthetic aperture radar images by Wilcoxon statistic likelihood ratio test
US20220222497A1 (en) Method for identifying dry salt flat based on sentinel-1 data
CN114494282A (zh) 融合极化信息的复杂背景下滑坡识别方法及装置
CN112215146B (zh) 基于随机有限集的弱小目标联合检测与跟踪系统及方法
CN103198478A (zh) 基于协整理论的光谱匹配检测方法
Krishnamurthy et al. Target detection performance bounds in compressive imaging
Faur et al. An information theory based image processing chain for change detection in Earth Observation

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: 20210604