CN113609898A - 基于sar图像的输电线路覆冰监测方法及系统 - Google Patents
基于sar图像的输电线路覆冰监测方法及系统 Download PDFInfo
- Publication number
- CN113609898A CN113609898A CN202110700027.1A CN202110700027A CN113609898A CN 113609898 A CN113609898 A CN 113609898A CN 202110700027 A CN202110700027 A CN 202110700027A CN 113609898 A CN113609898 A CN 113609898A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- image
- icing
- power transmission
- sar
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于SAR图像的输电线路覆冰监测方法,包括:获取不同时相同一区域的多时相SAR图像,采用SAR图像对应的光学图像进行配准,得到配准后的目标SAR图像;构建SAR图像中覆冰输电线路的语义模型,完整的描述SAR图像中覆冰输电线路的散射特性和几何特征,提取覆冰输电线路的轮廓图像特征;将覆冰输电线路的轮廓图像特征输入Wishart分类器中,输出图像的分类结果;根据分类结果生成差分影像,得到变化检测结果。本发明克服了光学图像受环境条件的制约,采用合成孔径雷达图像进行输电线路状态变化的分析,采用统一地区不同时相的图像得到输电线路是否覆冰以及监测覆冰的严重程度,为下一步输电线路覆冰的灾害的防治提供了信息指导。
Description
技术领域
本发明涉及输电线路状态监测领域,具体涉及一种基于SAR图像的输电线路覆冰监测方法及系统。
背景技术
输电线路覆冰对电力系统的破坏性极大,严重会导致铁塔无力支撑电线而倒塌,一旦发生覆冰灾害,抢修难度大,严重影响供电可靠性,但是输电线路覆冰是客观存在的,无法避免,因此目前主要是通过对电网中的输电线路覆冰情况进行监测和防护。
目前对于输电线路覆冰监测的方法主要有:(1)采用传感器设备对输电线路进行测量,得到对输电线路覆冰导线参数的测定,但是该方法采用的电子设备在测量过程中容易受到电磁干扰,监测范围小,同时线路上的电压都是比较高的,存在危险性;(2)采用图像监测,但是目前采用的图像监测主要是采用光学图像进行的,比如采取照相机进行拍摄图片的方式或者采用摄像机进行拍摄视频的方式对输电线路进行监测,但是光学图像的采集会受到时间、气候条件的影响,无法做到全天候、全天时工作。
本申请考虑到发生输电线路覆冰大多是在灾害环境下,且覆冰现象多半发生在深夜,光学图像或视频因受时间和自然条件的影响明显,监测的结果受环境条件的制约,比如受云雾、雨雪、太阳光照等条件的限制,已不能满足目前对于输电线路覆冰监测的需求。
发明内容
本发明的目的就是为了解决上述问题,提供一种基于SAR图像的输电线路覆冰监测方法及系统,具有全天侯、全天时工作的特点,可以在灾害环境下监测分析和状态评估。
为了实现上述目的,第一方面,本公开提供了基于SAR图像的输电线路覆冰监测方法;
获取不同时相同一区域的多时相SAR图像,采用SAR图像对应的光学图像进行配准,得到配准后的目标SAR图像;
构建SAR图像中覆冰输电线路的语义模型,完整的描述SAR图像中覆冰输电线路的散射特性和几何特征,提取覆冰输电线路的轮廓图像特征;
将覆冰输电线路的轮廓图像特征输入Wishart分类器中,输出图像的分类结果;
根据分类结果生成差分影像,得到变化检测结果。
进一步的技术方案,所述配准过程为:
分别对同一时相同一区域的SAR图像以及对应的图像进行分割处理;
对处理结果进行角点检测和边缘检测处理,融合处理结果提取兴趣角点,通过兴趣角点对两幅输入图像进行图像的配准,得到配准后的SAR图像;
基于SAR图像的分割,获得不同物体边界清晰的区域。
进一步的技术方案,利用构建领域本体在抽象层次上以形式化的语言表达覆冰输电线路和其他物体的语义知识构建SAR图像中覆冰输电线路的语义模型;
进一步的技术方案,所述覆冰输电线路的轮廓图像特征包括散射特性和几何特征。
进一步的技术方案,所述散射特征包括灰度特征和纹理特征,所述灰度特征,包括物体的平均亮度,物体内部灰度的集中程度;所述纹理特征包括图像的均匀程度,不同物体的熵值,以及图像的清晰度和纹理沟纹深浅程度。
进一步的技术方案,所述变化检测结果分为未变化类以及变化类,采用模糊拓扑理论,对所述未变化类和变化类的内部和模糊边界中的像素进行去模糊化。
进一步的技术方案,所述采用模糊拓扑理论具体为:根据所述未变化类的模糊隶属度函数将所述未变化类划分为内部和模糊边界,以及根据所述变化类的模糊隶属度函数将所述变化划分为内部和模糊边界,分别采用最大隶属度原则和模糊拓扑的支撑连通性对所述未变化类和变化类的内部和模糊边界中的像素进行去模糊化。
第二方面,本公开提供了基于SAR图像的输电线路覆冰监测系统;
SAR图像预处理模块,被配置为获取不同时相同一区域的多时相SAR图像,采用SAR图像对应的光学图像进行配准,得到配准后的目标SAR图像;
特征提取模块,被配置为构建SAR图像中覆冰输电线路的语义模型,完整的描述SAR图像中覆冰输电线路散射特性和几何特征,提取覆冰输电线路的轮廓图像特征;
输电线路覆冰识别模块,被配置为:将输电线路的轮廓图像特征输入Wishart分类器中,输出图像的分类结果;
输电线路状态监测模块,被配置为:根据分类结果生成差分影像,得到变化检测结果。
第三方面,本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述基于SAR图像的输电线路覆冰监测方法的步骤。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述基于SAR图像的输电线路覆冰监测方法的步骤。
本发明的有益效果:
1、本发明克服了光学图像受环境条件的制约,采用合成孔径雷达图像进行输电线路状态变化的分析,采用统一地区不同时相的图像得到输电线路是否覆冰以及监测覆冰的严重程度,为下一步输电线路覆冰的灾害的防治提供了信息指导。
2、本发明引入了语义模型,结合覆冰线路的成像特性和复杂形态结构特性等领域知识构建覆冰输电线路语义模型,这种模型具有抽象性和代表性,能高效准确地提取覆冰输电线路的轮廓信息。
3、本发明采用模糊拓扑理论,对所述未变化类和变化类的内部和模糊边界中的像素进行去模糊化,提高了基于SAR图像对输电线路的变化检测,便于为冰层厚度的判断提供精准的数据。
附图说明
图1为本发明提出的基于SAR图像的输电线路覆冰监测方法流程示意图;
图2为本发明提出的高分辨率SAR覆冰输电线路本体语义模型构建的基本流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指出,本文使用的所有技术和科学术语具有与本申请所述技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应理解的是,当在本说明书中使用“包含”和/或“包括”时,其指明存在特征,步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图与实施例对本发明作进一步说明。
发明整体思路:
首先获取同一地区不同时相的SAR图像数据和对应的光学图像数据,基于光学图像数据进行预处理得到配准SAR图像,通过构建SAR图像中覆冰输电线路的语义模型,完整的描述SAR图像中覆冰输电线路的散射特性和几何特征,提取覆冰输电线路的轮廓图像特征,将覆冰输电线路的轮廓图像特征输入Wishart分类器中,输出图像的分类结果,根据分类结果生成差分影像,得到变化检测结果。
实施例一,本实施例提供了基于SAR图像的输电线路覆冰监测方法;本实施例子的目的是:通过同一地区不同时相的SAR图像得到变化检测图。
SAR(SyntheticApertureRadar,SAR)图像分类作为SAR图像解译的重要分支,其根据数据样本信息表现的不同属性,通过计算类内相似性和类间差异性,实现对不同地物目标的分类识别。对高分辨率SAR图像而言,地物目标的几何信息和结构纹理更加清晰,且具有更丰富的空间信息。分析高分辨率SAR场景时,如今已越来越关注其中的纹理、几何形状、统计分布及上下文空间关系,针对SAR图像特殊的成像机理和特点,在提取SAR图像的特征时,除了上述特征外,还包括目标散射特性和极化特性等,如基于分布的统计特征、极化数据中的极化分解特征。
如图1所示,基于本发明实现的基于SAR图像的输电线路覆冰监测方法,包括:
S1:获取不同时相同一区域的多时相SAR图像,采用SAR图像对应的光学图像进行配准,得到配准后的目标SAR图像;
具体的配准过程为:
S11:分别对同一时相同一区域的SAR图像以及对应的图像进行分割处理;
S12:对处理结果进行角点检测和边缘检测处理,融合处理结果提取兴趣角点,通过兴趣角点对两幅输入图像进行图像的配准,得到配准后的SAR图像;
S13:基于SAR图像的分割,获得不同物体边界清晰的区域。
SAR图像属于斜距投影的相干成像,因此在成像机理、辐射特征及几何特性上与可见光有很大差异,配准后的图像的目的是为了针对相干成像系统不可避免的存在相干斑噪声对图像的精细结构、可分辨性和可理解性破坏的问题。
S2:构建SAR图像中覆冰输电线路的本体语义模型,完整的描述SAR图像中覆冰输电线路的散射特性和几何特征,提取覆冰输电线路的轮廓图像特征。
具体的,利用构建领域本体在抽象层次上以形式化的语言表达覆冰输电线路和其他物体的语义知识构建SAR图像中覆冰输电线路的本体语义模型;
构建领域本体要捕获相关的领域知识,提供对该领域知识的共同理解,确定该领域内共同认可的词汇,并从不同层次的形式化模式上给出这些词汇和词汇之间相互关系的明确定义。
本发明中,高分辨率SAR覆冰输电线路本体语义模型构建的基本流程如图2所示,采用的是骨架法建模方法,首先确定知识本体的应用、目的和范围,本体的应用、目的和范围,均是形式背景的核心内容,从某一领域,本申请中的形式背景中抽取核心概念是本体构建最关键的一步,然后进行知识本体分析采用知识本体表示,在满足评价标准时进行构建本体。
其中涉及的领域知识主要包括高分辨率SAR图像覆冰输电线路形态结构特性,概念化的或称主要是将的覆冰输电线路类型和组成结构进行细分,本体形式化建模工具为Protege5.0。
提取覆冰输电线路的轮廓图像特征包括散射特性和几何特征;其中,散射特征包括灰度特征和纹理特征,具体的,所述灰度特征,包括物体的平均亮度,物体内部灰度的集中程度等;
所述纹理特征包括图像的均匀程度,不同物体的熵值,以及图像的清晰度和纹理沟纹深浅程度。
具体的,所述物体的平均亮度为:
物体内部灰度的集中程度为:
熵值的计算为:
图像的一维熵可以表示图像灰度分布的聚集特征,却不能反映图像灰度分布的空间特征,为了表征这种空间特征,可以在一维熵的基础上引入能够反映灰度分布空间特征的特征量来组成图像的二维熵。选择图像的邻域灰度均值作为灰度分布的空间特征量,与图像的像素灰度组成特征二元组,记为(i,j),其中i表示像素的灰度值(0<=i<=n),j表示邻域灰度均值(0<=j<=n),n<=255。
Pij=f(i,j)/N2,
上式能反应某像素位置上的灰度值与其周围像素灰度分布的综合特征,其中f(i,j)为特征二元组(i,j)出现的频数,N为图像的尺度,定义离散的图像二维熵为:
构造的图像二维熵可以在图像所包含信息量的前提下,突出反映图像中像素位置的灰度信息和像素邻域内灰度分布的综合特征。
本发明中,覆冰输电线路特征的提取是依据语义规则得到,具体的是结合对象特征的语义规则。
由于SAR图像为侧视成像,覆冰输电线路的朝向与SAR方位角的夹角不同,覆冰输电线路的散射特性以及形状也有所差异,根据上述特性,确定覆冰输电线路的语义规则为:(1)覆冰输电线路的位置和形状;(2)覆冰输电线路的朝向:与SAR飞行平行、垂直及倾斜程度;(3)覆冰输电线路的散射熵值。
S3:将覆冰输电线路的轮廓图像特征输入Wishart分类器中,输出图像的分类结果;
不同类型的输电线路覆冰类型的特性是不同的,在SAR图像上呈现的分类结果不同,采用不同的颜色标记不同的覆冰类型,得到对应时相的输电线路覆冰类型分类结果。
不同的覆冰类型用不同的颜色标记,输电线路覆冰类型为硬雾凇,对应分类结果为红色,输电线路覆冰类型为雨凇,对应分类结果为绿色,输电线路覆冰类型为多个覆冰类型,记为混合凇,对应分类结果为黄色。
S4:根据分类结果生成差分影像,得到变化检测结果。
具体的变化检测结果分为未变化类以及变化类,采用模糊拓扑理论,对所述未变化类和变化类的内部和模糊边界中的像素进行去模糊化。
根据所述未变化类的模糊隶属度函数将所述未变化类划分为内部和模糊边界,以及根据所述变化类的模糊隶属度函数将所述变化划分为内部和模糊边界;分别采用最大隶属度原则和模糊拓扑的支撑连通性对所述未变化类和变化类的内部和模糊边界中的像素进行去模糊化。
实施例二,本实施例提供了基于SAR图像的输电线路覆冰监测系统;
基于SAR图像的输电线路覆冰监测系统,包括:
SAR图像预处理模块,被配置为获取不同时相同一区域的多时相SAR图像,采用SAR图像对应的光学图像进行配准,得到配准后的目标SAR图像;
特征提取模块,被配置为构建SAR图像中覆冰输电线路的语义模型,完整的描述SAR图像中覆冰输电线路散射特性和几何特征,提取覆冰输电线路的轮廓图像特征;
输电线路覆冰识别模块,被配置为:将覆冰输电线路的轮廓图像特征输入Wishart分类器中,输出图像的分类结果;
输电线路状态监测模块,被配置为:根据分类结果生成差分影像,得到变化检测结果。
实施例三,本实施例还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例一所述方法的步骤。
实施例四,本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述方法的步骤。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.基于SAR图像的输电线路覆冰监测方法,其特征是,包括:
获取不同时相同一区域的多时相SAR图像,采用SAR图像对应的光学图像进行配准,得到配准后的目标SAR图像;
构建SAR图像中覆冰输电线路的语义模型,完整的描述SAR图像中覆冰输电线路的散射特性和几何特征,提取覆冰输电线路的轮廓图像特征;
将覆冰输电线路的轮廓图像特征输入Wishart分类器中,输出图像的分类结果;
根据分类结果生成差分影像,得到变化检测结果。
2.如权利要求1所述的基于SAR图像的输电线路覆冰监测方法,其特征是,所述配准过程为:
分别对同一时相同一区域的SAR图像以及对应的图像进行分割处理;
对处理结果进行角点检测和边缘检测处理,融合处理结果提取兴趣角点,通过兴趣角点对两幅输入图像进行图像的配准,得到配准后的SAR图像;
基于SAR图像的分割,获得不同物体边界清晰的区域。
3.如权利要求1所述的基于SAR图像的输电线路覆冰监测方法,其特征是,利用构建领域本体在抽象层次上以形式化的语言表达覆冰输电线路和其他物体的语义知识构建SAR图像中覆冰输电线路的语义模型;
4.如权利要求1所述的基于SAR图像的输电线路覆冰监测方法,其特征是,所述覆冰输电线路的轮廓图像特征包括散射特性和几何特征。
5.如权利要求4所述的基于SAR图像的输电线路覆冰监测方法,其特征是,所述散射特征包括灰度特征和纹理特征,所述灰度特征,包括物体的平均亮度,物体内部灰度的集中程度;所述纹理特征包括图像的均匀程度,不同物体的熵值,以及图像的清晰度和纹理沟纹深浅程度。
6.如权利要求1所述的基于SAR图像的输电线路覆冰监测方法,其特征是,所述变化检测结果分为未变化类以及变化类,采用模糊拓扑理论,对所述未变化类和变化类的内部和模糊边界中的像素进行去模糊化。
7.如权利要求6所述的基于SAR图像的输电线路覆冰监测方法,其特征是,所述采用模糊拓扑理论具体为:根据所述未变化类的模糊隶属度函数将所述未变化类划分为内部和模糊边界,以及根据所述变化类的模糊隶属度函数将所述变化划分为内部和模糊边界,分别采用最大隶属度原则和模糊拓扑的支撑连通性对所述未变化类和变化类的内部和模糊边界中的像素进行去模糊化。
8.基于SAR图像的输电线路覆冰监测系统,其特征是,包括,
SAR图像预处理模块,被配置为获取不同时相同一区域的多时相SAR图像,采用SAR图像对应的光学图像进行配准,得到配准后的目标SAR图像;
特征提取模块,被配置为构建SAR图像中覆冰输电线路的语义模型,完整的描述SAR图像中覆冰输电线路散射特性和几何特征,提取覆冰输电线路的轮廓图像特征;
输电线路覆冰识别模块,被配置为:将输电线路的轮廓图像特征输入Wishart分类器中,输出图像的分类结果;
输电线路状态监测模块,被配置为:根据分类结果生成差分影像,得到变化检测结果。
9.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项基于SAR图像的输电线路覆冰监测方法所述的步骤。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项基于SAR图像的输电线路覆冰监测方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700027.1A CN113609898B (zh) | 2021-06-23 | 2021-06-23 | 基于sar图像的输电线路覆冰监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700027.1A CN113609898B (zh) | 2021-06-23 | 2021-06-23 | 基于sar图像的输电线路覆冰监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113609898A true CN113609898A (zh) | 2021-11-05 |
CN113609898B CN113609898B (zh) | 2023-09-29 |
Family
ID=78336750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110700027.1A Active CN113609898B (zh) | 2021-06-23 | 2021-06-23 | 基于sar图像的输电线路覆冰监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609898B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090232349A1 (en) * | 2008-01-08 | 2009-09-17 | Robert Moses | High Volume Earth Observation Image Processing |
US20100045513A1 (en) * | 2008-08-22 | 2010-02-25 | Microsoft Corporation | Stability monitoring using synthetic aperture radar |
CN102968640A (zh) * | 2012-10-25 | 2013-03-13 | 西安电子科技大学 | 基于Freeman分解和数据分布特征的极化SAR图像分类方法 |
CN103065307A (zh) * | 2012-12-25 | 2013-04-24 | 上海交通大学 | 非精确配准下sar/spot图像的区域融合检测方法 |
CN103294792A (zh) * | 2013-05-13 | 2013-09-11 | 西安电子科技大学 | 基于语义信息和极化分解的极化sar地物分类方法 |
CN104463193A (zh) * | 2014-11-04 | 2015-03-25 | 西安电子科技大学 | 基于深度稀疏ica的极化sar图像分类方法 |
CN105785369A (zh) * | 2016-05-10 | 2016-07-20 | 电子科技大学 | 基于InSAR技术的SAR图像冰雪覆盖信息提取方法 |
CN107123125A (zh) * | 2017-03-29 | 2017-09-01 | 西安电子科技大学 | 基于散射特征与低秩稀疏模型的极化sar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 |
US20190179009A1 (en) * | 2017-12-08 | 2019-06-13 | International Business Machines Corporation | Crop classification and growth tracking with synthetic aperture radar |
CN109946670A (zh) * | 2019-03-25 | 2019-06-28 | 河海大学 | 一种光学影像驱动的雷达极化信息提取方法 |
CN110378896A (zh) * | 2019-07-25 | 2019-10-25 | 内蒙古工业大学 | 基于极化相干性的TomoSAR植被病虫害监测方法及装置 |
CN110555400A (zh) * | 2019-08-23 | 2019-12-10 | 国网山东省电力公司泗水县供电公司 | 基于无人机巡检架空输电线路的覆冰检测方法及系统 |
CN111008981A (zh) * | 2019-12-26 | 2020-04-14 | 中国人民解放军国防科技大学 | 极化合成孔径雷达图像的分割方法、系统、装置及计算机可读介质 |
CN111539284A (zh) * | 2020-04-16 | 2020-08-14 | 西安科技大学 | 基于多核k均值和判别随机场的极化sar图像分类方法 |
WO2020166972A1 (ko) * | 2019-02-13 | 2020-08-20 | 제주대학교 산학협력단 | Sar 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법 및 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체 |
CN112734816A (zh) * | 2021-01-13 | 2021-04-30 | 西安电子科技大学 | 基于CSS-Delaunay的异源图像配准方法 |
-
2021
- 2021-06-23 CN CN202110700027.1A patent/CN113609898B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090232349A1 (en) * | 2008-01-08 | 2009-09-17 | Robert Moses | High Volume Earth Observation Image Processing |
US20100045513A1 (en) * | 2008-08-22 | 2010-02-25 | Microsoft Corporation | Stability monitoring using synthetic aperture radar |
CN102968640A (zh) * | 2012-10-25 | 2013-03-13 | 西安电子科技大学 | 基于Freeman分解和数据分布特征的极化SAR图像分类方法 |
CN103065307A (zh) * | 2012-12-25 | 2013-04-24 | 上海交通大学 | 非精确配准下sar/spot图像的区域融合检测方法 |
CN103294792A (zh) * | 2013-05-13 | 2013-09-11 | 西安电子科技大学 | 基于语义信息和极化分解的极化sar地物分类方法 |
CN104463193A (zh) * | 2014-11-04 | 2015-03-25 | 西安电子科技大学 | 基于深度稀疏ica的极化sar图像分类方法 |
CN105785369A (zh) * | 2016-05-10 | 2016-07-20 | 电子科技大学 | 基于InSAR技术的SAR图像冰雪覆盖信息提取方法 |
CN107123125A (zh) * | 2017-03-29 | 2017-09-01 | 西安电子科技大学 | 基于散射特征与低秩稀疏模型的极化sar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 |
US20190179009A1 (en) * | 2017-12-08 | 2019-06-13 | International Business Machines Corporation | Crop classification and growth tracking with synthetic aperture radar |
WO2020166972A1 (ko) * | 2019-02-13 | 2020-08-20 | 제주대학교 산학협력단 | Sar 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법 및 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체 |
CN109946670A (zh) * | 2019-03-25 | 2019-06-28 | 河海大学 | 一种光学影像驱动的雷达极化信息提取方法 |
CN110378896A (zh) * | 2019-07-25 | 2019-10-25 | 内蒙古工业大学 | 基于极化相干性的TomoSAR植被病虫害监测方法及装置 |
CN110555400A (zh) * | 2019-08-23 | 2019-12-10 | 国网山东省电力公司泗水县供电公司 | 基于无人机巡检架空输电线路的覆冰检测方法及系统 |
CN111008981A (zh) * | 2019-12-26 | 2020-04-14 | 中国人民解放军国防科技大学 | 极化合成孔径雷达图像的分割方法、系统、装置及计算机可读介质 |
CN111539284A (zh) * | 2020-04-16 | 2020-08-14 | 西安科技大学 | 基于多核k均值和判别随机场的极化sar图像分类方法 |
CN112734816A (zh) * | 2021-01-13 | 2021-04-30 | 西安电子科技大学 | 基于CSS-Delaunay的异源图像配准方法 |
Non-Patent Citations (2)
Title |
---|
刘星洪 ET AL.: "川藏高速巴塘—芒康段地质灾害遥感综合早期识别研究", 《工程科学与技术》 * |
石俊飞;刘芳;林耀海;刘璐;: "基于深度学习和层次语义模型的极化SAR分类", 自动化学报, no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN113609898B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yousif et al. | Improving SAR-based urban change detection by combining MAP-MRF classifier and nonlocal means similarity weights | |
CN110097101B (zh) | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 | |
CN105608691A (zh) | 一种高分辨率sar影像单体建筑提取方法 | |
Liu et al. | Airport detection in large-scale SAR images via line segment grouping and saliency analysis | |
CN111666856B (zh) | 基于结构特性的高分辨率单极化sar影像建筑目标检测方法 | |
Deng et al. | Cloud detection in satellite images based on natural scene statistics and gabor features | |
Fan et al. | Region-merging method with texture pattern attention for SAR image segmentation | |
Shen et al. | An automatic framework for pylon detection by a hierarchical coarse-to-fine segmentation of powerline corridors from UAV LiDAR point clouds | |
Adelipour et al. | Building extraction from very high-resolution synthetic aperture radar images based on statistical and structural information fusion | |
Huang et al. | Superpixel-based change detection in high resolution sar images using region covariance features | |
Sami et al. | Synthetic aperture radar image classification: A survey | |
CN116843906A (zh) | 基于拉普拉斯特征映射的目标多角度本征特征挖掘方法 | |
CN113609898B (zh) | 基于sar图像的输电线路覆冰监测方法及系统 | |
Cheng et al. | Tensor locality preserving projections based urban building areas extraction from high-resolution SAR images | |
Shao et al. | 3D crowd surveillance and analysis using laser range scanners | |
Tang et al. | Comparison of visual features for image-based visibility detection | |
Zhao et al. | Building extraction from lidar point cloud data using marked point process | |
Lu et al. | New building signature extraction method from single very high-resolution synthetic aperture radar images based on symmetric analysis | |
Zhang et al. | Automatic detection of transmission line on UAV inspection images with the statistics approach in the DCT domain | |
Jiang et al. | Fast Semantic Segmentation of 3D Lidar Point Cloud Based on Random Forest Method | |
Xiaoling et al. | A Pylon Detection Method Based on Faster R-CNN in High-Resolution SAR Images | |
Zhou et al. | Insulators Detection with High Resolution Images | |
Lv et al. | Region of interest extraction based on saliency detection and contrast analysis for remote sensing images | |
Hu et al. | Dense feature pyramid network for ship detection in SAR images | |
Merlin et al. | Building damage detection of the 2004 Nagapattinam, India, Tsunami using the texture and spectral features from IKONOS images |
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 |