CN113505764B - 顾及局部入射角的高山峡谷区sar几何畸变识别方法 - Google Patents
顾及局部入射角的高山峡谷区sar几何畸变识别方法 Download PDFInfo
- Publication number
- CN113505764B CN113505764B CN202111053000.4A CN202111053000A CN113505764B CN 113505764 B CN113505764 B CN 113505764B CN 202111053000 A CN202111053000 A CN 202111053000A CN 113505764 B CN113505764 B CN 113505764B
- Authority
- CN
- China
- Prior art keywords
- geometric distortion
- sar
- satellite
- identifying
- local
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了顾及局部入射角的高山峡谷区SAR几何畸变识别方法,其目的是解决传统方法中,识别几何畸变存在遗漏和未能精细识别各类几何畸变的问题,从而能够精确定量识别出各类几何畸变,可以更加全面精细定量识别出包括:透视收缩、主动叠掩、被动叠掩、主动阴影与被动阴影这五类常见的SAR几何畸变;从而进一步推动InSAR技术在地质灾害隐患早期识别与监测领域的应用与发展。
Description
技术领域
本发明属于技术行业的形变监测领域,具体涉及顾及局部入射角的高山峡谷区SAR几何畸变识别方法。
背景技术
我国山地丘陵区约占国土面积的65%,地质条件复杂,构造活动频繁,导致地质灾害频发。据灾后调查发现:致灾难性后果的地质灾害70%以上都不在已知的地质灾害隐患点范围内,因此对地质灾害隐患点进行早期识别与监测是最为有效的防灾减灾措施。但是,许多地质灾害隐患点,人不易至甚至人不能至,具备高位、隐蔽性的特点,导致传统的方法无法派上用场。
合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar, InSAR)技术是近三十年来迅速发展起来的一种基于星载传感器对地观测的大地测量技术。该技术具备全大范围、高精度、全天时与全天候的形变监测能力。随着SAR(合成孔径雷达)影像的时间分辨率与空间分辨率的不断提升、多源多时相的SAR影像可供选择与InSAR时序算法的不断发展与进步,InSAR技术在地质灾害隐患早期识别与监测领域正在开展广泛的应用,该技术可以有效地弥补传统的方法的不足。
但是,在开展地质灾害隐患InSAR早期识别与监测时,由于SAR卫星侧视成像的特征,导致在地形变化复杂的区域(例如我国西部高山峡谷区),会存在严重几何畸变问题,将会对于地质灾害隐患的识别与监测造成严重影响。现有的几何畸变识别方法根据其特点可以归纳为:(1)通过SAR卫星的参数信息与观测目标在SAR系统的成像时间来识别几何畸变。(2)利用SAR影像成像时斜距与地距的比值来识别几何畸变。(3)根据卫星局部入射角与观测地物坡度坡向的关系来识别几何畸变。(4)利用山体阴影模型等空间分析方法,来模拟估算几何畸变。但是目前SAR几何畸变识别方法存在的主要问题有:(1)对于SAR影像几何畸变的类型划分较为混乱,并未精细定量识别考虑各类几何畸变情况(2)现有的方法无法识别所有类型的几何畸变,存在识别遗漏的问题。(3)现有方法未考虑影像局部入射角变化。
发明内容
针对现有技术中的上述不足,本发明提供的顾及局部入射角的高山峡谷区SAR几何畸变识别方法解决了传统识别几何畸变存在遗漏,未能精细识别各类几何畸变的问题。
为了达到上述发明目的,本发明采用的技术方案为:顾及局部入射角的高山峡谷区SAR几何畸变识别方法,包括以下步骤:
S1、收集覆盖目标区域的SAR数据和DEM数据,提取出SAR卫星参数信息和地形参数信息,并计算SAR卫星的局部入射角;
S2、根据局部入射角和地形参数信息,利用LSM几何畸变算法识别目标区域的SAR影像中的几何畸变区域;
S3、根据SAR卫星参数信息和地形参数信息,利用顾及局部入射角的R指数算法识别SAR影像中的几何畸变区域和高适应性区域;
S4、通过融合LSM几何畸变算法和顾及局部入射角的R指数算法的识别结果,得到SAR影像的各类几何畸变区域,完成高山峡谷区SAR几何畸变识别。
进一步地:所述步骤S1具体为:
收集覆盖目标区域的SAR数据和DEM数据,根据SAR数据提取出SAR卫星参数信息,包括卫星飞行方向与正北方向的夹角ε、雷达卫星距离地心高度R H 、雷达卫星星下点处大地高R h 、近斜距L 1 和斜距分辨率p r ;
根据SAR卫星参数信息,得到SAR卫星的局部入射角;
根据DEM数据提取出地形参数数据,包括坡向α和坡度β。
上述进一步方案的有益效果为:本发明通过收集覆盖目标区域的SAR数据,可以获取各轨道数据的飞行方位角,可以计算出逐像元的视线向的卫星的局部入射角;根据DEM数据可以获取目标区域的坡度与坡向信息。
进一步地:根据SAR卫星参数信息,得到SAR卫星的局部入射角具体为:
根据SAR卫星参数信息,通过下式计算出逐像元的视线向的SAR卫星的局部入射角,
式中,i为第i列像素,θ为SAR影像的第i列像素视线向的卫星的局部入射角。
上述进一步方案的有益效果为:通过计算SAR影像逐像元的卫星的局部入射角,可用于LSM算法识别SAR影像区域的几何畸变。
进一步地:所述步骤S2中的几何畸变区域的种类包括主动叠掩、被动叠掩、主动阴影和被动阴影;
所述步骤S2具体为:
根据SAR卫星与观测地物构成的几何关系,通过LSM几何畸变算法识别目标区域的SAR影像的几何畸变,当观测地物面向卫星视线方向且坡度β大于卫星的局部入射角θ时,识别SAR影像区域为主动叠掩的几何畸变区域,并识别受主动叠掩影响的SAR影像区域为被动叠掩的几何畸变区域;
上述进一步方案的有益效果为:利用Kropatsch and Strobl提出的LSM几何畸变算法,根据SAR卫星与观测地物构成的几何关系,利用可视性的原理可以识别出SAR影像的几何畸变。
进一步地:所述步骤S3中的几何畸变区域的种类包括主动叠掩和透视收缩;
所述步骤S3包括以下分步骤:
S31、根据SAR卫星参数信息和地形参数信息,通过顾及局部入射角的R指数算法计算SAR影像区域的各像元的R指数;
S32、根据R指数识别SAR影像中的主动叠掩几何畸变区域、透视收缩几何畸变区域和高适用性区域。
上述进一步方案的有益效果为:本发明在顾及局部入射角的情况下,利用R指数的方法识别SAR影像的几何畸变区域。
进一步地:所述步骤S31中顾及局部入射角的R指数算法的表达式具体为:
式中,R为R指数,A为坡向校正系数,对于升轨SAR影像,A=α + ε +180;对于降轨SAR影像,A=α–ε。
上述进一步方案的有益效果为:R指数的值越高,代表越高的适用性,即SAR影像的几何畸变影响程度越低。
进一步地:所述步骤S32中,通过R指数识别SAR影像中的主动叠掩几何畸变区域、透视收缩几何畸变区域和高适用性区域,其中R指数与各类几何畸变区域的对应情况表达式具体为:
式中,T为识别SAR影像区域的结果。
上述进一步方案的有益效果为:可以依据R指数值将SAR影像各区域识别为主动叠掩、透视收缩的几何畸变区域和高适用性区域。
进一步地:所述步骤S4具体为:
通过下式融合LSM几何畸变算法和顾及局部入射角的R指数算法的识别结果,得到SAR影像的各类几何畸变区域,完成高山峡谷区SAR几何畸变识别;
式中,XKR ij 为融合LSM几何畸变算法和顾及局部入射角的R指数算法得到的第j行i列像素的几何畸变分析结果;XR ij 为R指数的几何畸变分析方法得到的第j行i列像素的几何畸变分析结果;XK ij 为LSM的几何畸变分析方法得到的第j行i列像素的几何畸变分析结果。
上述进一步方案的有益效果为:利用融合LSM几何畸变算法和顾及局部入射角的R指数算法的识别结果,可以全面精确定量识别出透视收缩、主动叠掩、被动叠掩、主动阴影与被动阴影这五类常见的SAR几何畸变。
本发明的有益效果为:
(1)本发明的顾及局部入射角的高山峡谷区SAR几何畸变识别方法可以解决传统识别方法的缺陷,解决了LSM算法的几何畸变分析方法无法识别透视收缩几何畸变区域与高适用性区域,还解决了R指数算法中无法识别被动叠掩、主动阴影与被动阴影这三类被动几何畸变,并且并未考虑影像像元局部入射角的变化的问题。
(2)本发明的技术方案可以更加全面精细定量识别出包括:透视收缩、主动叠掩、被动叠掩、主动阴影与被动阴影这五类常见的SAR几何畸变,从而进一步推动InSAR技术在地质灾害隐患早期识别与监测领域的应用与发展。
附图说明
图1为顾及局部入射角的高山峡谷区SAR几何畸变识别方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,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。
如图1所示,在本发明的一个实施例中,顾及局部入射角的高山峡谷区SAR几何畸变识别方法,包括以下步骤:
S1、收集覆盖目标区域的SAR数据和DEM数据,提取出SAR卫星参数信息和地形参数信息,并计算SAR卫星的局部入射角;
S2、根据局部入射角和地形参数信息,利用LSM几何畸变算法识别目标区域的SAR影像中的几何畸变区域;
S3、根据SAR卫星参数信息和地形参数信息,利用顾及局部入射角的R指数算法识别SAR影像中的几何畸变区域和高适应性区域;
S4、通过融合LSM几何畸变算法和顾及局部入射角的R指数算法的识别结果,得到SAR影像的各类几何畸变区域,完成高山峡谷区SAR几何畸变识别。
所述步骤S1具体为:
收集覆盖目标区域的SAR数据和DEM数据,根据SAR数据提取出SAR卫星参数信息,包括卫星飞行方向与正北方向的夹角ε、雷达卫星距离地心高度R H 、雷达卫星星下点处大地高R h 、近斜距L 1 和斜距分辨率p r ;
根据SAR卫星参数信息,得到SAR卫星的局部入射角;
根据DEM数据提取出地形参数数据,包括坡向α和坡度β。
本发明通过收集覆盖目标区域的SAR数据,可以获取各轨道数据的飞行方位角,可以计算出逐像元的视线向的卫星的局部入射角;根据DEM数据可以获取目标区域的坡度与坡向信息。
根据SAR卫星参数信息,得到SAR卫星的局部入射角具体为:
根据SAR卫星参数信息,通过下式计算出逐像元的视线向的SAR卫星的局部入射角,
式中,i为第i列像素,θ为SAR影像的第i列像素视线向的卫星的局部入射角。
通过计算SAR影像逐像元的卫星的局部入射角,可用于LSM算法识别SAR影像区域的几何畸变。
所述步骤S2中的几何畸变区域的种类包括主动叠掩、被动叠掩、主动阴影和被动阴影;
所述步骤S2具体为:
根据SAR卫星与观测地物构成的几何关系,通过LSM几何畸变算法识别目标区域的SAR影像的几何畸变,当观测地物面向卫星视线方向且坡度β大于卫星的局部入射角θ时,识别SAR影像区域为主动叠掩的几何畸变区域,并识别受主动叠掩影响的SAR影像区域为被动叠掩的几何畸变区域;
利用Kropatsch and Strobl提出的LSM几何畸变算法,根据SAR卫星与观测地物构成的几何关系,利用可视性的原理可以识别出SAR影像的几何畸变。
所述步骤S3中的几何畸变区域的种类包括主动叠掩和透视收缩;
所述步骤S3包括以下分步骤:
S31、根据SAR卫星参数信息和地形参数信息,通过顾及局部入射角的R指数算法计算SAR影像区域的各像元的R指数;
S32、根据R指数识别SAR影像中的主动叠掩几何畸变区域、透视收缩几何畸变区域和高适用性区域。
所述步骤S31中顾及局部入射角的R指数算法的表达式具体为:
式中,R为R指数,A为坡向校正系数,对于升轨SAR影像,A=α + ε +180;对于降轨SAR影像,A=α–ε。
所述步骤S32中,通过R指数识别SAR影像中的主动叠掩几何畸变区域、透视收缩几何畸变区域和高适用性区域,其中R指数与各类几何畸变区域的对应情况表达式具体为:
式中,T为识别SAR影像区域的结果。
本发明在顾及局部入射角的情况下,利用R指数的方法识别SAR影像的几何畸变区域。R指数的值越高,代表越高的适用性,即SAR影像的几何畸变影响程度越低,可以依据R指数值将SAR影像各区域识别为主动叠掩和透视收缩的几何畸变区域以及高适用性区域。
所述步骤S4具体为:
通过下式融合LSM几何畸变算法和顾及局部入射角的R指数算法的识别结果,得到SAR影像的各类几何畸变区域,完成高山峡谷区SAR几何畸变识别;
式中,XKR ij 为融合LSM几何畸变算法和顾及局部入射角的R指数算法得到的第j行i列像素的几何畸变分析结果;XR ij 为R指数的几何畸变分析方法得到的第j行i列像素的几何畸变分析结果;XK ij 为LSM的几何畸变分析方法得到的第j行i列像素的几何畸变分析结果。
利用融合LSM几何畸变算法和顾及局部入射角的R指数算法的识别结果,可以全面精确定量识别出透视收缩、主动叠掩、被动叠掩、主动阴影与被动阴影这五类常见的SAR几何畸变,精细识别出了不同亚类几何畸变,探明了各轨道数据的各类几何畸变的空间分布情况。
本发明的实施过程为:收集覆盖目标区域的SAR数据,获取了Sentinal-1卫星升降轨SAR数据和30m空间分辨率的ALOS WORLD 3D DEM数据。根据Sentinal-1卫星升降轨数据的参数信息,得到各轨道数据的飞行方位角,并计算影像逐像元的卫星的局部入射角θ;然后根据DEM数据,提取的目标区域的坡度β与坡向α的信息。
利用Kropatsch and Strobl提出的LSM几何畸变算法,根据卫星的局部入射角θ与观测地物构成的几何关系,计算每个目标点的成像时间,从而识别SAR几何畸变,当观测地物面向卫星视线方向且坡度β大于卫星的局部入射角θ时,识别SAR影像区域为主动叠掩的几何畸变区域,并识别受主动叠掩影响的SAR影像区域为被动叠掩的几何畸变区域;当观测地物背向卫星视线方向且时,识别SAR影像区域为主动阴影的几何畸变区域,并识别受主动阴影影响的SAR影像区域为被动阴影的几何畸变区域。
利用顾及局部入射角的R指数算法将SAR卫星参数信息和地形参数信息转化为R指数,根据R指数识别SAR影像各区域的主动叠掩、透视收缩的几何畸变区域和高适用性区域。最后融合LSM几何畸变算法和顾及局部入射角的R指数算法的识别结果,将SAR影像各区域识别为主动叠掩、被动叠掩、主动阴影、被动阴影和透视收缩的几何畸变区域以及高适用性区域,完成高山峡谷区SAR几何畸变识别。
本发明的有益效果为:本发明的顾及局部入射角的高山峡谷区SAR几何畸变识别方法可以解决传统识别方法的缺陷,以及未能精细识别各类几何畸变的问题,从而能够精确定量识别出各类几何畸变。解决了LSM算法的几何畸变分析方法无法识别透视收缩几何畸变区域与高适用性区域,还解决了R指数算法中无法识别被动叠掩、主动阴影与被动阴影这三类被动几何畸变,并且并未考虑影像像元局部入射角的变化的问题。
本发明的技术方案可以解决传统方法中无法全面精确地识别出各类几何畸变与未考虑局部入射角变化的问题,可以更加全面精细定量识别出包括:透视收缩、主动叠掩、被动叠掩、主动阴影与被动阴影这五类常见的SAR几何畸变。有助于InSAR结果精准解译分析,从而进一步推动InSAR技术在地质灾害隐患早期识别与监测领域的应用与发展。
在本发明的描述中,需要理解的是,术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此,限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。
Claims (6)
1.顾及局部入射角的高山峡谷区SAR几何畸变识别方法,其特征在于,包括以下步骤:
S1、收集覆盖目标区域的SAR数据和DEM数据,提取出SAR卫星参数信息和地形参数信息,并计算SAR卫星的局部入射角;
S2、根据局部入射角和地形参数信息,利用LSM几何畸变算法识别目标区域的SAR影像中的几何畸变区域;
S3、根据SAR卫星参数信息和地形参数信息,利用顾及局部入射角的R指数算法识别SAR影像中的几何畸变区域和高适应性区域;
S4、通过融合LSM几何畸变算法和顾及局部入射角的R指数算法的识别结果,得到SAR影像的各类几何畸变区域,完成高山峡谷区SAR几何畸变识别;
所述步骤S1具体为:
收集覆盖目标区域的SAR数据和DEM数据,根据SAR数据提取出SAR卫星参数信息,包括卫星飞行方向与正北方向的夹角ε、雷达卫星距离地心高度R H 、雷达卫星星下点处大地高R h 、近斜距L 1 和斜距分辨率p r ;
根据SAR卫星参数信息,得到SAR卫星的局部入射角;
根据DEM数据提取出地形参数数据,包括坡向α和坡度β;
所述步骤S2中的几何畸变区域的种类包括主动叠掩、被动叠掩、主动阴影和被动阴影;
所述步骤S4具体为:
通过下式融合LSM几何畸变算法和顾及局部入射角的R指数算法的识别结果,得到SAR影像的各类几何畸变区域,完成高山峡谷区SAR几何畸变识别;
式中,XKR ij 为融合LSM几何畸变算法和顾及局部入射角的R指数算法得到的第j行i列像素的几何畸变分析结果;XR ij 为R指数的几何畸变分析方法得到的第j行i列像素的几何畸变分析结果;XK ij 为LSM的几何畸变分析方法得到的第j行i列像素的几何畸变分析结果。
4.根据权利要求1所述的顾及局部入射角的高山峡谷区SAR几何畸变识别方法,其特征在于,所述步骤S3中的几何畸变区域的种类包括主动叠掩和透视收缩;
所述步骤S3包括以下分步骤:
S31、根据SAR卫星参数信息和地形参数信息,通过顾及局部入射角的R指数算法计算SAR影像区域的各像元的R指数;
S32、根据R指数识别SAR影像中的主动叠掩几何畸变区域、透视收缩几何畸变区域和高适用性区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111053000.4A CN113505764B (zh) | 2021-09-09 | 2021-09-09 | 顾及局部入射角的高山峡谷区sar几何畸变识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111053000.4A CN113505764B (zh) | 2021-09-09 | 2021-09-09 | 顾及局部入射角的高山峡谷区sar几何畸变识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113505764A CN113505764A (zh) | 2021-10-15 |
CN113505764B true CN113505764B (zh) | 2021-12-07 |
Family
ID=78016784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111053000.4A Active CN113505764B (zh) | 2021-09-09 | 2021-09-09 | 顾及局部入射角的高山峡谷区sar几何畸变识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505764B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299402B (zh) * | 2022-03-07 | 2022-05-20 | 成都理工大学 | 隐患点自动识别方法、电子设备及计算机可读存储介质 |
CN115963462B (zh) * | 2023-03-09 | 2023-05-16 | 成都理工大学 | 一种顾及坡度和坡向的InSAR最大形变梯度探测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295202A (zh) * | 2013-06-07 | 2013-09-11 | 中国科学院新疆生态与地理研究所 | 一种面向高山地区的遥感影像几何纠正方法 |
CN104698457A (zh) * | 2014-09-02 | 2015-06-10 | 电子科技大学 | 一种迭代曲面预测InSAR成像及高度估计方法 |
CN109029344A (zh) * | 2018-07-10 | 2018-12-18 | 湖南中科星图信息技术有限公司 | 一种基于高分影像和升降轨InSAR的堤坝沉降监测方法 |
CN109166084A (zh) * | 2018-09-11 | 2019-01-08 | 中南大学 | 一种基于邻近点梯度关系的sar几何畸变定量模拟方法 |
CN112284332A (zh) * | 2020-08-31 | 2021-01-29 | 北京四象爱数科技有限公司 | 基于高分辨率insar的高层建筑沉降监测结果三维定位方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7171328B1 (en) * | 2004-08-30 | 2007-01-30 | Sandia Corporation | Method for measuring thermal properties using a long-wavelength infrared thermal image |
CN102628942B (zh) * | 2012-04-24 | 2013-10-23 | 中国科学院遥感与数字地球研究所 | 一种雷达影像双视向信息补偿方法 |
WO2015115536A1 (ja) * | 2014-01-31 | 2015-08-06 | 富士フイルム株式会社 | カラーフィルタ用赤色着色組成物、着色膜、カラーフィルタ、固体撮像素子 |
JPWO2017126547A1 (ja) * | 2016-01-22 | 2018-11-08 | 日本電気株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
CN111259876B (zh) * | 2020-05-06 | 2020-10-09 | 中国水利水电科学研究院 | 一种基于陆表水体产品的雷达数据水体信息提取方法及系统 |
-
2021
- 2021-09-09 CN CN202111053000.4A patent/CN113505764B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295202A (zh) * | 2013-06-07 | 2013-09-11 | 中国科学院新疆生态与地理研究所 | 一种面向高山地区的遥感影像几何纠正方法 |
CN104698457A (zh) * | 2014-09-02 | 2015-06-10 | 电子科技大学 | 一种迭代曲面预测InSAR成像及高度估计方法 |
CN109029344A (zh) * | 2018-07-10 | 2018-12-18 | 湖南中科星图信息技术有限公司 | 一种基于高分影像和升降轨InSAR的堤坝沉降监测方法 |
CN109166084A (zh) * | 2018-09-11 | 2019-01-08 | 中南大学 | 一种基于邻近点梯度关系的sar几何畸变定量模拟方法 |
CN112284332A (zh) * | 2020-08-31 | 2021-01-29 | 北京四象爱数科技有限公司 | 基于高分辨率insar的高层建筑沉降监测结果三维定位方法 |
Non-Patent Citations (2)
Title |
---|
"Simulating SAR geometric distortions and predicting Persistent Scatterer densities for ERS-1/2 and EVNISAT C-band SAR and InSAR applications: Nationwide feasibility assessment to monitor the landmass of Great Britain with SAR imagery";Cigna, F等;《Remote Sens. Environ》;20141101;第152卷;441–466 * |
"川藏铁路沿线Sentinel-1影像几何畸变与升降轨适宜性定量分析";戴可人 等;《网络首发 https://kns.cnki.net》;20210509;1-21 * |
Also Published As
Publication number | Publication date |
---|---|
CN113505764A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | An automatic change detection method for monitoring newly constructed building areas using time-series multi-view high-resolution optical satellite images | |
CN113505764B (zh) | 顾及局部入射角的高山峡谷区sar几何畸变识别方法 | |
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 | |
Tian et al. | Building change detection based on satellite stereo imagery and digital surface models | |
CN102622738B (zh) | 一种Landsat TM/ETM+图像中山体阴影区的光谱信息恢复方法 | |
CN111142119A (zh) | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 | |
US11747498B1 (en) | Method, system, device and medium for landslide identification based on full polarimetric SAR | |
CN112904337B (zh) | 一种基于Offset Tracking技术的边坡形变时序监测方法 | |
CN107689051A (zh) | 一种基于变化因子的多时相sar影像变化检测方法 | |
Shimada et al. | Generation of 10m resolution PALSAR and JERS-SAR mosaic and forest/non-forest maps for forest carbon tracking | |
Paradella et al. | Automatic DEM Generation | |
CN113065277B (zh) | 协同多载荷数据的高分辨率遥感卫星颤振探测与建模方法 | |
KR101770745B1 (ko) | 이종의 위성영상 융합가능성 평가방법 및 그 장치 | |
CN111540007B (zh) | 一种利用sar图像估算油罐存储量的方法 | |
CN117310703A (zh) | InSAR山地丘陵区形变监测适宜性评价方法及系统 | |
Ren et al. | Automated SAR reference image preparation for navigation | |
CN108876829A (zh) | 基于非线性尺度空间及径向基函数的sar高精度配准方法 | |
Qin et al. | A coarse elevation map-based registration method for super-resolution of three-line scanner images | |
CN112767454B (zh) | 基于多视角观测sar数据采样分析的叠掩信息补偿方法 | |
CN112577438B (zh) | 一种利用无人机影像的煤矿区三维形变监测方法 | |
Zhang et al. | Fusion of ascending and descending polarimetric SAR data for color orthophoto generation | |
Shi et al. | Intelligent perception of coseismic landslide migration areas along sichuan–tibet railway | |
Fayard et al. | Generation of DEM by radargrammetric techniques | |
Heckel et al. | The first sub-meter resolution digital elevation model of the Kruger National Park, South Africa | |
CN109724588A (zh) | 一种白昼星敏感器 |
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 |