CN113408547B - 一种多时相多极化sar滑坡提取方法 - Google Patents
一种多时相多极化sar滑坡提取方法 Download PDFInfo
- Publication number
- CN113408547B CN113408547B CN202110783793.9A CN202110783793A CN113408547B CN 113408547 B CN113408547 B CN 113408547B CN 202110783793 A CN202110783793 A CN 202110783793A CN 113408547 B CN113408547 B CN 113408547B
- Authority
- CN
- China
- Prior art keywords
- landslide
- sar
- backscattering
- area
- composite image
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多时相多极化SAR滑坡提取方法,包括以下步骤:S1、获取滑坡与背景区域不同时相、不同极化方式SAR数据的时序后向散射系数并对其进行分析;S2、将滑坡与背景区域后向散射系数特征差异性达到设定值的不同时相、不同极化方式SAR数据进行组合处理,形成滑坡与背景区域的复合图像;S3、基于复合图像中滑坡与背景区域的后向散射系数特征统计结果,获取滑坡与背景区域的后向散射系数特征值,确定复合图像的中存在的地物类别并对其进行分割处理;S4、采用二值形态学方法消除分割处理后的结果中所存在的伪目标或伪背景信息。本发明提取到了较为完整的滑坡区域。
Description
技术领域
本发明涉及杯垫技术领域,更具体地说,特别涉及一种多时相多极化SAR滑坡提取方法。
背景技术
SAR传感器的发展极大的增加了SAR数据所包含的地物特征信息,驱动着SAR应用领域的深刻变革。极化SAR(Polarimetric SAR,PolSAR)技术的不断成熟,发展基于典型地物的电磁散射机理建模从而实现目标区域快速提取的技术受到了广泛关注。PolSAR 除了保持单一极化的优势,它还包含更多的地物信息,如任意极化状态下的后向散射系数、极化度、同极化比、交叉极化比、散射熵及极化相位差等,同一地物与不同的极化电磁波会产生不同的反应,多极化SAR数据可以记录详尽的地物散射差别。因此,极化信息的引入极大的提升了SAR图像对信息的辨识能力,目前极化SAR数据在舰船识别、土地分类、海冰探测等领域展现出了较好的应用潜力。
滑坡作为一种突发性强、隐蔽性高、不确定性因素大的自然地质灾害,如何利用SAR 影像数据实现滑坡灾害位置、形态、面积等信息的获取是对滑坡进行准确灾害评估并采取正确应对措施的前提。在滑坡孕育的过程中,滑坡区域内的地物会逐渐发生变化,直至滑坡发生,区域内地物发生大量甚至绝对变化。到目前为止,在SAR滑坡灾害识别中主要包括以下几种:1、利用SAR影像的强度信息进行目标区域的识别与提取工作;2、利用 SAR与光学影像融合技术进行滑坡区域的识别;3、利用时序InSAR技术结合相干系数进行滑坡区域的提取。从上述分析可知,以往主要集中在利用SAR强度信息和光学影像结合或相干系数信息进行SAR滑坡提取,利用极化分解技术采取地物分类的方法进行滑坡提取也已实现,然而滑坡区域地物的复杂性与不确定性使得滑坡区域的极化特征复杂,因此选取有效且具有代表性的极化特征进行滑坡区域的识别是实现滑坡区域正确提取的重要前提。
大部分滑坡需要经过长时间的形变积累,在滑坡形成的过程中,其表面地物同样会发生各种变化,滑坡区域在发生垮塌之前,灾害区及其周边区域往往为植被覆盖,在极化SAR影像中的差异并不明显,滑坡发生后,滑坡区域内植被脱落,岩石砂砾脱落,地物发生了较大的变化,而滑坡边缘以外的区域地物变化并不明显,依然为植被覆盖,因此滑坡之后形成了背景(边缘以外的植被覆盖区域)和目标(滑坡区域)的差异。同时,不同时期的植被对雷达波具有不同的作用效果,反映在SAR影像中表现为强度、相位、后向散射系数等属性的差异。高效、综合运用地物在不同SAR影像中的细节特征,结合各影像中的互补信息,是获取包含地物更为全面信息的图像的有效手段。
在上述因素的基础上,有必要开发利用滑坡区域灾害发生前后在不同时相、不同极化方式SAR影像中的极化特征进行滑坡区域提取的方法。
发明内容
本发明的目的在于提供一种多时相多极化SAR滑坡提取方法,以克服现有技术所存在的缺陷。
为了达到上述目的,本发明采用的技术方案如下:
一种多时相多极化SAR滑坡提取方法,包括以下步骤:
S1、获取滑坡与背景区域不同时相、不同极化方式SAR数据的时序后向散射系数并对其进行分析;
S2、将滑坡与背景区域后向散射系数特征差异性达到设定值的不同时相、不同极化方式SAR数据进行组合处理,形成滑坡与背景区域的复合图像;
S3、基于复合图像中滑坡与背景区域的后向散射系数特征统计结果,获取滑坡与背景区域的后向散射系数特征值,确定复合图像的中存在的地物类别并对其进行分割处理;
S4、采用二值形态学方法消除分割处理后的结果中所存在的伪目标或伪背景信息。
进一步地,在步骤S1之前还包括:对时序全极化SAR影像进行多视、配准、地理编码和辐射定标预处理。
进一步地,在步骤S1中对滑坡与背景区域不同时相、不同极化方式SAR数据的时序后向散射系数进行分析的具体步骤包括:获取滑坡区域后向散射系数的时序变化曲线和周围地物像元点的后向散射系数变化曲线,再获取不同极化方式滑坡与背景区域的后向散射系数差异曲线。
进一步地,所述步骤S2具体包括:首先以SAR图像作为灰度图像,将灰度图像转换为彩色图像,然后采用SAR数据作为数据源进行RGB彩色合成运算,将各个连通区域的信息进行合并已形成复合图像。
进一步地,所述步骤S4中采用基于SVM的分割算法对复合图像进行分割。
进一步地,所述基于SVM的分割算法对复合图像进行分割的具体步骤包括:
根据根据复合图像内像素异质性生成训练样本,训练样本包括山体裸漏区域、滑坡区域、植被和水体四个类别;
提取训练样本的属性特征,以训练SVM分类器;
将获取滑坡与背景区域的后向散射系数特征值输入到SVM分类器中以得到目标识别结果。
进一步地,所述步骤S4具体为采用二值形态学方法中的闭运算对分割结果进行先膨胀后腐蚀的操作。
与现有技术相比,本发明的优点在于:本发明针对滑坡灾害所具有的突发性、复杂性、隐蔽性特点而造成的滑坡提取困难的问题,提出了使用不同极化SAR影像数据的滑坡极化特征进行滑坡提取的方法。首先,为了增加滑坡及其周围区域在SAR影像中的细节变化,首先,获取了滑坡发生后时间间隔最短的不同时相多极化SAR影像数据;其次,为了说明依据极化特征提取滑坡的有效性,本发明对SVM分割算法提取后的目标区域进行了形态学处理,提取到了较为完整的滑坡区域。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明多时相多极化SAR滑坡提取方法的具体流程图。
图2是本发明中不同时相、不同极化SAR影像中滑坡与背景区域的后向散射系数特征图。
图3a是本发明中不同时相、不同极化SAR影像复合图像,图3b是滑坡的形态及位置图。
图4本发明中基于支持向量机的图像分割算法流程图。
图5本发明中二值形态学结果图。
图6本发明中滑坡区域提取结果图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
参阅图1所示,本实施例公开了一种多时相多极化SAR滑坡提取方法,包括:首先获取经过多视、配准、地理编码和辐射定标等预处理SAR原始影像数据中目标地物的时序后向散射系数,随后分析滑坡与背景区域区域在不同时相多极化SAR影像中的后向散射系数特征,具体为:滑坡与背景区域区域在不同时相、不同极化方式SAR影像中的后向散射系数分析,首先获取滑坡区域后向散射系数的时序变化曲线和周围地物像元点的后向散射系数变化曲线,然后获取不同极化方式滑坡与背景区域区域的后向散射系数差异曲线;其次、根据滑坡区域与背景区域的后向散射系数特征,获取可以通过组合运算凸显滑坡与背景区域的差异性的不同时相、不同极化方式的SAR影像,并对其进行组合运算;然后、基于SVM的图像分割,基于复合影像中背景与目标区域的后向散射系数特征统计结果,获取目标于背景的后向散射系数特征值,确定复合图像的中存在的地物类别并对其进行分割处理;最后进行二值形态学处理,对阈值分割结果中存在目标空洞和背景区域存在的伪目标信息各自的拓扑信息和结构信息进行闭运算和开运算处理,填充并消除伪信息像元点。
下面通过具体实施例对本发明进行进一步介绍,本实施例的样本数据采用西南山区的滑坡灾害,本实施例之所以以后向散射系数作为滑坡识别的依据,主要是因为滑坡之后,随着植被等其他松散覆盖地物的脱落,取而代之的多为裸漏的岩石、沙砾等,滑坡区域在 SAR影像中的后向散射系数发生了较大的变化,而滑坡周围地物仅仅发生了有限的变化,依然多为植被覆盖,岩石与沙砾的后向散射系数偏高,而植被的后向散射系数偏低,因此形成了明显的背景与目标的属性对比。根据不同地物与不同极化雷达波作用而产生的差异性结果——后向散射系数特征,选取能够增强属性特征对比的不同时相、不同极化SAR数据进行后向散射组合运算,从而进一步增强了滑坡区域与周围背景区域差异性。
第一步、获取研究区域各个时相不同极化方式SAR数据的后向散射系数。地面目标是由多个散射体形成的,这些散射体对雷达入射波产生的各个方向的后向散射,各个散射体的后向散射波相干叠加使得SAR影像中产生斑点噪声。斑点噪声的存在不可避免的会出现噪声干扰以及地物后向散射系数特征提取的正确性。为了提高后续滑坡与背景区域后向散射系数提取和阈值分割的准确性,在进行本发明的操作流程之前,首先对时序全极化SAR影像进行多视、配准、地理编码和辐射定标等预处理处理,从而获取同一像素点对应同一地物分辨单元的时序多极化SAR影像。按照影像的时间序列进行排序,结合每一景影像数据像素点的后向散射系数进行时序分析,而得到研究区域内地物各个时相不同极化方式SAR数据的后向散射系数。
第二步、进行滑坡与背景区域时序后向散射系数分析。根据第一步中获取的滑坡与背景区域的后向散射系数特征进行不同时相多极化SAR数据的选取,本实施例所选取的滑坡区域为高速高位远程滑坡—碎屑流型。滑坡后缘裂缝所处的海拔高度高达3400m,后缘垮塌并向前滑动的水平距离长达3000m,长距离的向前滑动,使得后缘垮塌的下来的山体形成了碎屑流,碎屑流在新磨村堆积。因此本实施例滑坡整体分为三个段位:后缘垮塌区、中部碎屑流区和碎屑堆积区,三个段位基本为裸漏的岩石、沙砾等。根据研究区域背景与目标的时序后向散射系数可以看出,滑坡发生之后,随着时间的延长背景和目标区域的后向散射系数差异逐渐减小,如图2所示,整体分布在-20db~5db之间,其中6月19 日和5月26日VV极化SAR数据中目标区域后向散射系数最低,值分布在-15db~-10db 之间,主要是因为此间为滑坡发生之前,滑坡区域植被生长茂盛,因此后向散射系数较低。 2017年7月11日,滑坡与背景区域区域的后向散射系数具有明显的差异,滑坡区域后向散射系数分布在6db~10db之间,周围背景区域依然分布在-15db~-10db,此时VH极化SAR 数据目标区域的后向散射系数最高为10db,主要是因为滑坡发生之后,滑坡区域植被脱落,地物发生明显变化,新生植被未出现,因此导致了滑坡区域后向散射系数的大幅增加。根据图2中各极化、各时相位后向散射系数的特征,本发明选取对应时相为5月26日、6 月19日和7月11日对应的VV和VH极化SAR数据作为第三步的源数据。
第三步、对不同时相、不同极化方式SAR影像组合处理。根据第一步获取的各个时间段内的多种极化SAR数据内目标区域与背景区域后向散射系数的不同,选取0526、 0619、0711时相对应的VV、VH极化SAR数据当作一个多波段图像进行分析,即基于同一地物在不同时相、不同极化SAR影像中的差异性进行目标区域突出或背景区域削弱的方法。本发明通过不同极化、不同时相SAR影像的假彩色合成使得滑坡与背景区域区域呈现出特定的颜色,以此来达到突出目标信息的目的。具体实施步骤如下:首先SAR 影像作为灰度图像,将灰度图像转换为彩色影像依据以下公式:
(i,j)=α1R(i,j)+α2G(i,j)+α3B(i,j) (1)
其中,R(i,j)、G(i,j、B(i,j)分别代表对应彩色合成影像,I(i,j)三通道的颜色:红色、绿色和蓝色的亮度值,α1、α2、α3分别为各亮度值在彩色图像中的贡献量。
采用第一步中筛选出的0526、0619、0711时相对应的VV、VH极化SAR数据作为本步骤的数据源进行RGB彩色合成运算,将各个连通区域的信息进行合并。因为各个影像已事先进行过配准,所以此处仅需要依据各待合成影像中目标与地物的后向散射系数特征进行R、G、B通道指定即可,其中7月份目标区域后向散射系数最大,显示为红色, 5月份和6月份影像分别对应为蓝色和绿色。复合图像如图3a所示,图3b是滑坡的形态及位置图。
第四步、基于SVM的图像分割。图像分割就是将图像中的滑坡与背景区域信息分割开来,本发明利用支持向量机对步骤三所得复合影像中的像素点进行分类。SVM属于监督分类,具体分类流程如图4所示。首先选取训练样本,根据复合图像内像素的异质性,本发明将训练样本类别设置为4类,分别对应山体裸漏区域、滑坡区域、植被、水体,最终的分类结果如图5所示。基于SVM算法实现复合影像中的不同属性像素点的分类,需要确定区分每个类别之间的超平面,该函数中需要确定各变量之间的参数αi,其中,αi的求解公式一般为:
其中,xi,xj为输入变量值,K(xi,xj)为核函数,yi为输入变量值的类标记,当其为+1时为某一类别所具有的特征,当为-1时则代表非类别特征。继而在此基础上,获取分类决策函数:
具体操作如下:
输入训练集T={(x1,y1),(x2,y2),...,(xn,yn)},其中xi为第i个特征向量,yi为类标记,当其为+1时为某一类别所具有的特征,当为-1时则代表非类别特征。以这些输入变量分离超平面和分类决策树。本发明在训练过程中选取核函数K(x,z) 类型为高斯核函数类型:惩罚函数设置为10,依据公式构造并求解分类器中的最优参数:
在确定核函数类型并获取以上参数的基础上,确定分类决策函数,本实施例所采用的分类决策函数如下:
第五步、分割结果的二值形态学处理。由于第三步获取的分割结果含有大量的伪目标或伪背景像素点信息,同时滑坡区域存在大量的缺失像元,因此本实施例首先采用二值形态学方法中的闭运算对分割结果进行先膨胀后腐蚀的操作,该方法可以弥补较窄的间断和细长的沟壑,分割结果存在部分缺失的像元,膨胀运算方法可以填补目标区域缺失的像元,消除物体间小的空洞,填补轮廓线段中的断裂。腐蚀运算和膨胀运算相反,腐蚀在消除离散点的同时会细化影像中目标物的轮廓,并对图像轮廓进行平滑,去除部分突起区域,进而减少目标区域的冗余区域。具体操作表达式如下:
dst=close(src,elemennt)=erode(src,element) (8)
其中,src为基于SVM的分割图像,element为结构元素,首先用结构元素的散射,扫描srt的每一个像素;在此基础上,用结构元素的反射与其覆盖的二值图进行“或”运算;根据像素值判据该像素是否为0或255。膨胀运算结束后,进行腐蚀运算,同样使用结构元素扫描图像的每一个元素;用结构元素与其覆盖的二值图做“与”运算;当像素均为1时,则像素值为1,否则为0。本发明的二值形态运算结果如图5所示。将目标区域叠加在研究区域的复合影像中,如图6所示。
本发明的主要优点在于:本发明以后向散射系数作为滑坡识别的依据,主要是因为滑坡之后,随着植被等其他松散覆盖地物的脱落,取而代之的多为裸漏的岩石、沙砾等,滑坡区域在SAR影像中的后向散射系数发生了较大的变化,而滑坡周围地物仅仅发生了有限的变化,依然多为植被覆盖,岩石与沙砾的后向散射系数偏高,而植被的后向散射系数偏低,因此形成了明显的背景与目标的属性对比。根据不同地物与不同极化雷达波作用而产生的差异性结果——后向散射系数特征,选取能够增强属性特征对比的不同时相、不同极化SAR数据进行后向散射组合运算,从而进一步增强了滑坡区域与周围背景区域差异性。
本发明采用SVM分割算法通过统计复合影像中目标与背景的后向散射系数,获取背景与目标各自的后向散射系数特征值,进而确定复合影像中需要分割的类别,以此来对目标与背景区域进行分割。本发明考虑到目标与背景区域的拓扑信息和结构信息,采用二值形态学处理方法极大的消除了伪目标和伪背景像元点对阈值分割精度的干扰。目标区域与背景区域后向散射系数相近的像元点在二值形态学的处理下,能够有效的进行分离,继而提高了目标区域的完整性,提取结果更为饱满。
虽然结合附图描述了本发明的实施方式,但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改,只要不超过本发明的权利要求所描述的保护范围,都应当在本发明的保护范围之内。
Claims (4)
1.一种多时相多极化SAR滑坡提取方法,其特征在于,包括以下步骤:
S1、获取滑坡与背景区域不同时相、不同极化方式SAR数据的时序后向散射系数并对其进行分析;
S2、将滑坡与背景区域后向散射系数特征差异性达到设定值的不同时相、不同极化方式SAR数据进行组合处理,形成滑坡与背景区域的复合图像;
S3、基于复合图像中滑坡与背景区域的后向散射系数特征统计结果,获取滑坡与背景区域的后向散射系数特征值,确定复合图像的中存在的地物类别并对其进行分割处理;
S4、采用二值形态学方法消除分割处理后的结果中所存在的伪目标或伪背景信息;
在步骤S1之前还包括:对时序全极化SAR影像进行多视、配准、地理编码和辐射定标预处理;
在步骤S1中对滑坡与背景区域不同时相、不同极化方式SAR数据的时序后向散射系数进行分析的具体步骤包括:获取滑坡区域后向散射系数的时序变化曲线和周围地物像元点的后向散射系数变化曲线,再获取不同极化方式滑坡与背景区域的后向散射系数差异曲线;
所述步骤S2具体包括:首先以SAR图像作为灰度图像,将灰度图像转换为彩色图像,然后采用SAR数据作为数据源进行RGB彩色合成运算,将各个连通区域的信息进行合并以形成复合图像。
2.根据权利要求1所述的多时相多极化SAR滑坡提取方法,其特征在于,所述步骤S4中采用基于SVM的分割算法对复合图像进行分割。
3.根据权利要求2所述的多时相多极化SAR滑坡提取方法,其特征在于,所述基于SVM的分割算法对复合图像进行分割的具体步骤包括:
根据复合图像内像素异质性生成训练样本,训练样本包括山体裸漏区域、滑坡区域、植被和水体四个类别;
提取训练样本的属性特征,以训练SVM分类器;
将获取滑坡与背景区域的后向散射系数特征值输入到SVM分类器中以得到目标识别结果。
4.根据权利要求2所述的多时相多极化SAR滑坡提取方法,其特征在于,所述步骤S4具体为采用二值形态学方法中的闭运算对分割结果进行先膨胀后腐蚀的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783793.9A CN113408547B (zh) | 2021-07-12 | 2021-07-12 | 一种多时相多极化sar滑坡提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783793.9A CN113408547B (zh) | 2021-07-12 | 2021-07-12 | 一种多时相多极化sar滑坡提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408547A CN113408547A (zh) | 2021-09-17 |
CN113408547B true CN113408547B (zh) | 2023-05-23 |
Family
ID=77686076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110783793.9A Active CN113408547B (zh) | 2021-07-12 | 2021-07-12 | 一种多时相多极化sar滑坡提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408547B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187533B (zh) * | 2022-02-15 | 2022-05-03 | 西南交通大学 | 一种基于随机森林时序分类的GB-InSAR大气改正方法 |
JPWO2023223483A1 (zh) * | 2022-05-19 | 2023-11-23 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440489A (zh) * | 2013-09-16 | 2013-12-11 | 南京大学 | 基于像素级sar影像时间序列相似性分析的水体提取方法 |
EP2767849A2 (en) * | 2014-01-13 | 2014-08-20 | Institute of Electronics, Chinese Academy of Sciences | Method and apparatus for processing polarimetric synthetic aperture radar image |
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 |
CN107689051A (zh) * | 2017-09-08 | 2018-02-13 | 浙江环球星云遥感科技有限公司 | 一种基于变化因子的多时相sar影像变化检测方法 |
CN109389049A (zh) * | 2018-09-19 | 2019-02-26 | 中国科学院东北地理与农业生态研究所 | 基于多时相sar数据与多光谱数据的作物遥感分类方法 |
CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
CN110516552A (zh) * | 2019-07-29 | 2019-11-29 | 南京航空航天大学 | 一种基于时序曲线的多极化雷达图像分类方法及系统 |
CN112257515A (zh) * | 2020-09-29 | 2021-01-22 | 河南大学 | 一种基于复杂地形的sar图像地物分类方法及装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103885046A (zh) * | 2012-12-20 | 2014-06-25 | 河南省电力勘测设计院 | 基于GPS的InSAR大气延迟改正方法 |
JP6349937B2 (ja) * | 2014-05-09 | 2018-07-04 | 日本電気株式会社 | 変動検出装置、変動検出方法および変動検出用プログラム |
JP6349938B2 (ja) * | 2014-05-09 | 2018-07-04 | 日本電気株式会社 | 測定点情報提供装置、変動検出装置、方法およびプログラム |
CN104217426A (zh) * | 2014-08-18 | 2014-12-17 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR与Landsat TM遥感数据面向对象提取水体的方法 |
US10613214B2 (en) * | 2015-07-08 | 2020-04-07 | Conocophillips Company | Terrestrial imaging using multi-polarization Synthetic Aperture Radar |
CN105785364B (zh) * | 2016-02-26 | 2019-04-02 | 民政部国家减灾中心 | 一种倒塌建筑物信息获取方法及获取设备 |
CN105809194B (zh) * | 2016-03-08 | 2019-02-26 | 华中师范大学 | 一种sar影像翻译为光学影像的方法 |
CN106897741B (zh) * | 2017-02-20 | 2019-06-14 | 中国人民解放军国防科学技术大学 | 结合旋转域极化相干特征的极化sar地物分类方法 |
CN107292317B (zh) * | 2017-06-26 | 2020-07-28 | 西安电子科技大学 | 基于浅层特征与t矩阵深度学习的极化sar分类方法 |
CN110516646B (zh) * | 2019-09-02 | 2022-02-15 | 南京大学 | 一种结合极化分解与地形特征的表碛覆盖型冰川识别方法 |
-
2021
- 2021-07-12 CN CN202110783793.9A patent/CN113408547B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440489A (zh) * | 2013-09-16 | 2013-12-11 | 南京大学 | 基于像素级sar影像时间序列相似性分析的水体提取方法 |
EP2767849A2 (en) * | 2014-01-13 | 2014-08-20 | Institute of Electronics, Chinese Academy of Sciences | Method and apparatus for processing polarimetric synthetic aperture radar image |
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 |
CN107689051A (zh) * | 2017-09-08 | 2018-02-13 | 浙江环球星云遥感科技有限公司 | 一种基于变化因子的多时相sar影像变化检测方法 |
CN109389049A (zh) * | 2018-09-19 | 2019-02-26 | 中国科学院东北地理与农业生态研究所 | 基于多时相sar数据与多光谱数据的作物遥感分类方法 |
CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
CN110516552A (zh) * | 2019-07-29 | 2019-11-29 | 南京航空航天大学 | 一种基于时序曲线的多极化雷达图像分类方法及系统 |
CN112257515A (zh) * | 2020-09-29 | 2021-01-22 | 河南大学 | 一种基于复杂地形的sar图像地物分类方法及装置 |
Non-Patent Citations (2)
Title |
---|
Multi-temporal and Dual-polarization Interferometric SAR for Land Cover Type Classification;Xinshuang, Wang等;《Acta Geodaetica et Cartographica Sinica》;第44卷(第5期);第533-540页 * |
基于多时相双极化 SAR 数据的作物种植面积提取;古丽努尔·依沙克 买买提·沙吾提等;《作物学报》;第46卷(第7期);第1099-1111页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113408547A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080629B (zh) | 一种图像拼接篡改的检测方法 | |
CN111640159B (zh) | 一种基于孪生卷积神经网络的遥感影像变化检测方法 | |
Xiao et al. | Making of night vision: Object detection under low-illumination | |
CN113408547B (zh) | 一种多时相多极化sar滑坡提取方法 | |
CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
CN110516606A (zh) | 高分辨率卫星影像任意方向舰船目标检测方法 | |
CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
CN111832504A (zh) | 一种面向卫星在轨应用的空间信息智能一体化生成方法 | |
CN114612769A (zh) | 一种融入局部结构信息的集成感知红外成像舰船检测方法 | |
CN108492288B (zh) | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 | |
Kwon et al. | ETVOS: An enhanced total variation optimization segmentation approach for SAR sea-ice image segmentation | |
CN111476723B (zh) | 一种Landsat-7扫描线纠正器失效的遥感图像丢失像素恢复方法 | |
CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
Babu et al. | An efficient image dahazing using Googlenet based convolution neural networks | |
CN111667498B (zh) | 一种面向光学卫星视频的运动舰船目标自动检测方法 | |
CN112330562B (zh) | 一种异构遥感图像变换方法及系统 | |
CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
Aytekin et al. | Automatic and unsupervised building extraction in complex urban environments from multi spectral satellite imagery | |
Wang et al. | An improved spatiotemporal fusion algorithm for monitoring daily snow cover changes with high spatial resolution | |
Liu et al. | An automatic high confidence sets selection strategy for SAR images change detection | |
CN112419266B (zh) | 一种地表覆盖类别约束的遥感影像变化检测方法 | |
Shi et al. | Intelligent perception of coseismic landslide migration areas along Sichuan–Tibet railway | |
CN110211124B (zh) | 一种基于MobileNetV2的红外成像结冰湖泊检测方法 | |
Zhang et al. | Style transformation-based change detection using adversarial learning with object boundary constraints |
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 |