CN113628098A - 一种多时相无云卫星影像重构方法 - Google Patents
一种多时相无云卫星影像重构方法 Download PDFInfo
- Publication number
- CN113628098A CN113628098A CN202110856911.4A CN202110856911A CN113628098A CN 113628098 A CN113628098 A CN 113628098A CN 202110856911 A CN202110856911 A CN 202110856911A CN 113628098 A CN113628098 A CN 113628098A
- Authority
- CN
- China
- Prior art keywords
- cloud
- image
- images
- target
- pixels
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000003384 imaging method Methods 0.000 claims abstract description 8
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 230000000295 complement effect Effects 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012952 Resampling Methods 0.000 claims 1
- 230000015572 biosynthetic process Effects 0.000 abstract description 7
- 238000003786 synthesis reaction Methods 0.000 abstract description 7
- 230000003595 spectral effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 241001358279 Malaya Species 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种多时相无云卫星影像重构方法,其步骤如下:根据应用需求与云覆盖率,将目标地区的短时间内所有遥感影像分为目标影像和候补影像,校正所有影像绝对地理坐标,并按成像时间距离目标时间长短进行排序;利用阈值法、相关系数、最小距离分类相结合的保守云层检测方法进行云层提取,剔除有云像元;统计不同时间剔除云层像素后的不同波段影像的灰度直方图,将候补影像的直方图匹配到目标日期影像上;根据像素绝对地理坐标,从距离目标日期从近到远作为选用依据,将目标区域缺失像素依次填补上,合成新的无云影像。该发明将云层检测、影像合成、灰度均衡多方面综合起来,是一种通用的卫星影像去云方法,可为遥感应用提供了科学的工具。
Description
(一)所属技术领域
本发明涉及一种多时相无云卫星影像重构方法,属于遥感应用领域,同时在图像处理领域具有重要应用价值。
(二)背景技术
统计显示,地球表面平均云层覆盖率超过60%,云层对光学遥感与热红外遥感成像影响巨大,较高的云层覆盖率的数据往往不被采用,造成了遥感资源浪费,合格数据与使用时间有所差距,又降低了遥感研究的时效性。目前所面临的云层可以分为薄云和厚云,而薄云相关研究已经较为充分,且较容易恢复图像,因此本发明方法主要关注厚云的去除,即无法提取有效信息的云层。对于这类信息,是无法通过单张影像本身对其进行重构的。目前卫星遥感取得了较大的进展技术突飞猛进,卫星重返周期缩短,因此可以获取其他时相的数据作为补充变得可行。在云层检测方面,以基于参考影像的信息融合为代表的方法云层检测效果一般,对于云层交界检测不佳一般,同时依赖无云参考影像,合成效果不理想。复杂地物上的云层也是较难检测的,比较复杂的方法如Fmask等需要计算表观反射率,但是在山区检测效果不好,虽然准确率很高,但是偏离了本方法的初衷,即合成无云影像。
在本方法中,只需要比较保守的检测到云层即可,因此检测结果可以误检非云层像素,但是不能漏检含有云层的像素,所以本方法的检测方法可以比要求高精度的检测方法简单的多。本方法中分别使用阈值判断、相关系数、最小距离分类三步,将绝大部分云层都检测出来,得到了满足精度要求的检测方法。在本方法的去云中,由于目标遥感影像都可以得到精确定位,因此每个像素对应位置唯一,所以本方法的方法是根据时间顺序分别在白板上补上一个个无云像素,因此精度很高。本方法实现了非常好的无云合成,在多处复杂地形如平原,山地,聚居地等都实现了较好的云层去除效果,输出图片平衡了整体局部特征,克服了现有方法的局限性。
(三)发明内容
本发明涉及一种利用多幅有云影像合成无云影像的遥感影像处理方法,其步骤如下:将目标地区的短时间内所有遥感影像进行提取,校正计算所有影像绝对地理坐标,并按成像时间距离目标时间长短进行排序;然后利用保守的云层检测方法如阈值法,相关系数、最小距离分类等方法进行云层提取,剔除有云像元;统计不同时间剔除云层像素后的不同波段灰度直方图,将候补影像的直方图匹配到目标日期影像上;根据像素绝对地理坐标,从距离目标日期从近到远作为选用依据,将目标区域缺失像素依次填补上,得到新的无云影像;最后根据需求选择输出得到目标地区无云影像,其具体步骤如下: 1一种多时相无云卫星影像重构方法,其特征在于包含以下步骤:
(1)确定需要合成影像的目标日期,提取出近期该地区及其领域的大量遥感影像,并根据成像时间距离所需日期由短及长排序,同时读取影像的地理信息,包括投影。几何等信息,并进行离地校正,赋予每个像素绝对地理位置;
(2)进行保守的云层检测,使用阈值法初步检测大部分云层,同时使用相关系数法,最小距离分类法检测其余云层边缘,细碎云层,并在此之后剔除含有云层的像元;
(3)统计不同波段目标影像直方图和其余候补影像直方图,将候补影像直方图匹配到目标影像直方图上;
(4)依据不同像素的绝对坐标,根据和目标日期远近,依次填补上缺失像元,重构得到新的无云影像;
(5)对重构后的无云影像进行空间一致性检查;
2根据权利要求1所述的多时相无云卫星影像重构方法,其特征在于:步骤(1)中所述的“提取出近期该地区及其邻域的多期同源卫星遥感影像,并且对于不同卫星影像经过适当几何校正及分辨率统一同样适用,并根据成像时间距离所需日期由短及长排序,同时读取影像的地理信息,包括投影与几何信息,并进行地理校正,赋予每个像素绝对地理位置”;无云影像拼接必然需要相近时间内的同一地区影像,考虑数据获取难度以及分辨率,波段数等方面后,本方法选取哨兵二号及Landsat作为数据源,重访周期达到了三到五天,而且本方法同时进行云层检测和影像合成,因此首先为验证云层检测的准确性,需要选取不同地貌的含云影像进行实验,然后为进行合成,需要尽可能使选取同一地方影像的无云区域实现互补。在数据上本方法选取了包括雪山、高原、海岸、岛屿等各种地形作为了验证,包括马拉雅山脉,青海,上海,海南,横断山脉等区域,验证了本方法的普适性。
3根据权利要求1所述的多时相无云卫星影像重构方法,其特征在于:步骤(2)中所述的“进行保守的云层检测,使用阈值法初步检测大部分云层,同时使用相关系数法,最小距离分类法检测其余云层边缘,细碎云层,并在此之后剔除含有云层的像元”,具体计算过程如下:
第一步:阈值法可以对云层进行保守判断,基于短波红外1.6μm波段对云层是非常敏感的,只要选取合适的阈值,就可以提取出明显的厚云,由于云层对此波段反射率极高,因此即便是冰雪也明显低于它,所以这个结果是可靠的;根据具体的影像灰度值分布设置一定阈值T,阈值以上为保守云层,虽然无法判断全但是能减小后续步骤计算量:
第二步:计算每一个像元光谱和所得光谱数据相关性,计算其和已知云层像元的相关系数。为提高精度可以使用大小为n×n的结构元进行领域判断所在中心像元是否为云, n越大判断越精确,当然计算时间也越长,将每种云层的平均各波段反射率算出,作为(EN)-,DN是待判断像素的反射值,分别代表平均反射值和平均反射率,然后就可以根据个波段数据进行匹配,计算公式如下:
其中r为该点和数据云层点的比较,凡是相关系数大于0.9的直接判定为云层。
4根据权利要求1所述的多时相无云卫星影像重构方法,其特征在于:步骤(3)所描述的“统计不同波段目标影像直方图和其余候补影像直方图,将候补影像直方图匹配到目标影像直方图上”方法如下:
第一步:将目标地区的短时间内所有遥感影像根据需求云覆盖率分为目标影像和候补影像,其中云覆盖率低的为目标影像,云覆盖率高的为候补影像;
第二步:计算目标影像各波段的累积直方图;
第三步:计算候补影像各波段的累计直方图;
第四步:将目标影像和候补影像直方图进行均衡化处理,然后利用目标影像的均衡化过程,将其反函数作为候补影像的变换函数,得到校正后的新影像。
5根据权利要求1所述的多时相无云卫星影像重构方法,其特征在于:步骤(4)中所述的“依据不同像素的绝对坐标,根据和目标日期远近,依次填补上缺失像元,重构得到新的”,目的是建立多光谱影像的集合。集合中包括了一系列的互补信息。云层在影像中随机分布,并且互补影像中有相似的信息,这是能够实现影像重构的基础。具体计算过程如下:
日期距离目标日期越近,相应影像优先级越高,在目标日期的原始影像之上,按优先级分别用后续每一张互补影像来填补目标期日缺失像元,不断镶嵌直到便利完所有影像。
本发明与现有技术相比的优点在于:
(1)本发明提出了一种联合云层检测方法以及无云影像重构技术。本方法充分平衡了全局的平衡性和局部的特殊性,利用局部无云区光谱差异,通过对这些数据的光谱直方图匹配,得到平衡性较好的去云影像,可以在多种地物条件下较好的去除云层。
(2)本发明重构过程中利用时序以及光谱相似性对整体进行重构,其克服了现有方法的一些局限性如整体局部一致性、数据利用的充分性等,既控制了光谱色彩差异,又不依赖于参考影像,合成影像中云和阴影比例很低,效果良好。
(3)本发明是一种通用的无云影像重构方法,不仅适用于同一来源不同时期卫星影像数据,对于多期异源卫星遥感影像同样适用。
(4)本发明具有良好的普适性。为了验证本发明中云层检测的准确性,分别选取了包括雪山、高原、海岸、岛屿等各种下垫面类型含云影像进行了验证,验证了本方法的普适性。
(四)附图说明
图1为本发明的技术流程。
(五)具体实施方式
为了更好地说明本发明涉及的多时相无云卫星影像重构方法,利用本发明的模型进行了测试与分析,具体实施方法如下:
(1)无云影像拼接必然需要相近时间内的同一地区影像,考虑卫星影像数据的获取难度以及分辨率,波段数等方面后,本方法选取Sentinel-2及Landsat 8作为数据源,重访周期达到了三到五天,而且本方法同时进行云层检测和影像合成,因此首先为验证云层检测的准确性,需要选取不同地貌的含云影像进行实验,然后为进行合成,需要尽可能使选取同一地方影像的无云区域实现互补;在数据上本方法选取了包括雪山、高原、海岸、岛屿等各种地形作为了验证,包括马拉雅山脉,青海,上海,海南,横断山脉等区域,验证本方法的普适性。
(2)确定需要合成影像的目标日期,提取出近期该地区及其邻域的多期同源卫星遥感影像,并且对于不同卫星影像经过适当几何校正及分辨率统一同样适用,并根据成像时间距离所需日期由短及长排序,同时读取影像的地理信息,包括投影与几何信息,并进行地理校正,赋予每个像素绝对地理位置;
(3)进行保守的云层检测,使用阈值法初步检测大部分云层,同时使用相关系数法,最小距离分类法检测其余云层边缘,细碎云层,并在此之后剔除含有云层的像元;通过对选取的影像的统计分析,选取阈值T=1.5,作为云像素剔除的判据;
(4)统计不同波段目标影像直方图和其余候补影像直方图,将候补影像直方图匹配到目标影像直方图上;
(5)依据不同像素的绝对坐标,根据和目标日期远近,依次填补上缺失像元,重构得到新的无云影像;
(6)对重构后的无云影像进行空间一致性检查,完成无云影像的重构过程。
Claims (5)
1.一种多时相无云卫星影像重构方法,其特征在于包含以下步骤:
(1)确定需要合成影像的目标日期,提取出近期该地区及其邻域的多期多源卫星遥感影像,并根据成像时间距离所需日期由短及长进行排序,同时读取影像的地理信息,包括投影与几何信息,并进行地理校正,赋予每个像素正确的绝对地理位置;
(2)进行保守的云层检测,使用阈值法初步检测大部分云层,同时使用相关系数法与最小距离分类法检测其余云层边缘与细碎云层,并在此之后剔除含有云层的像元;
(3)统计不同波段目标影像直方图和其余候补影像直方图,将候补影像直方图匹配到目标影像直方图上;
(4)依据不同像素的绝对坐标,根据和目标日期远近,依次填补上缺失像元,重构得到新的无云影像;
(5)对重构后的无云影像进行空间一致性检查。
2.根据权利要求1所述的多时相无云卫星影像重构方法,其特征在于:步骤(1)中所述的“提取出近期该地区及其邻域的多期多源卫星遥感影像,并根据成像时间距离所需日期由短及长进行排序,同时读取影像的地理信息,包括投影与几何信息,并进行地理校正,赋予每个像素正确的绝对地理位置”,具体方法如下:无云影像重构必然需要相近时间内的同一地区影像,根据研究区在研究时间跨度内卫星影像的可获得性与云覆盖率筛选多期多源卫星影像;对每幅影像进行几何精校正,使得不同的影像得以在统一的地理坐标框架下进行融合;对于不同载荷的异源卫星影像,除了进行必须的几何校正外,还需要进行空间重采样,使得异源影像的空间分辨率一致;对于不同波段设置的异源卫星影像,需要进行波段等效计算。
3.根据权利要求1所述的多时相无云卫星影像重构方法,其特征在于:步骤(2)中所述的“进行保守的云层检测,使用阈值法初步检测大部分云层,同时使用相关系数法与最小距离分类法检测其余云层边缘与细碎云层,并在此之后剔除含有云层的像元”,具体方法如下:
第一步:利用阈值法对云层进行保守判断,提取出明显的厚云;计算短波红外SWIR波段的直方图,基于该波段影像灰度值的直方图的分布,设置一定阈值T,阈值以上为保守云层;该步骤虽然无法提取所有的云像素,但是能减小后续步骤计算量:
第二步:对于每一个像元,计算其光谱与样本光谱的相关系数;为提高精度,使用大小为n×n的结构元进行邻域判断所在中心像元是否为云,n越大判断越精确,计算时间也越长,分别计算碎云、薄云的各波段平均反射率,然后根据各波段数据进行匹配,计算方法如下:
4.根据权利要求1所述的多时相无云卫星影像重构方法,其特征在于:步骤(3)所描述的“统计不同波段目标影像直方图和其余候补影像直方图,将候补影像直方图匹配到目标影像直方图上”方法如下:
第一步:根据应用需求与云覆盖率,将目标地区的短时间内所有遥感影像分为目标影像和候补影像,其中云覆盖率低的为目标影像,云覆盖率高的为候补影像;
第二步:计算目标影像各波段的累计直方图;
第三步:计算候补影像各波段的累计直方图;
第四步:将目标影像和候补影像直方图进行均衡化处理,然后利用目标影像的均衡化过程,将其反函数作为候补影像的变换函数,得到校正后的新影像。
5.根据权利要求1所述的多时相无云卫星影像重构方法,其特征在于:步骤(4)中所述的“依据不同像素的绝对坐标,根据和目标日期远近,依次填补上缺失像元,重构得到新的无云影像”,目的是建立多光谱影像的集合;集合中包括了一系列的互补信息;云层在影像中随机分布,并且互补影像中有相似的信息,这是能够实现影像重构的基础;具体计算过程如下:
候选影像中,距离目标日期越近,相应影像优先级越高;在目标日期的原始影像之上,按优先级分别用后续每一张候补影像来填补目标日期缺失像元,不断镶嵌直到遍历完所有影像像素,完成无云影像的重构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110856911.4A CN113628098B (zh) | 2021-07-28 | 2021-07-28 | 一种多时相无云卫星影像重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110856911.4A CN113628098B (zh) | 2021-07-28 | 2021-07-28 | 一种多时相无云卫星影像重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113628098A true CN113628098A (zh) | 2021-11-09 |
CN113628098B CN113628098B (zh) | 2024-06-14 |
Family
ID=78381440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110856911.4A Active CN113628098B (zh) | 2021-07-28 | 2021-07-28 | 一种多时相无云卫星影像重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628098B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575960A (zh) * | 2023-11-30 | 2024-02-20 | 中国科学院空天信息创新研究院 | 一种遥感影像空缺填补方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327452A (zh) * | 2016-08-14 | 2017-01-11 | 曾志康 | 一种面向多云雨地区的碎片化遥感影像合成方法及装置 |
CN108460739A (zh) * | 2018-03-02 | 2018-08-28 | 北京航空航天大学 | 一种基于生成对抗网络的遥感图像薄云去除方法 |
KR102000630B1 (ko) * | 2018-12-20 | 2019-07-16 | 한국해양과학기술원 | 위성 영상 기반의 구름 탐지 장치 및 그 방법 |
WO2020015326A1 (zh) * | 2018-07-19 | 2020-01-23 | 山东科技大学 | 一种地表类型数据支持的遥感图像云阴影检测方法 |
-
2021
- 2021-07-28 CN CN202110856911.4A patent/CN113628098B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327452A (zh) * | 2016-08-14 | 2017-01-11 | 曾志康 | 一种面向多云雨地区的碎片化遥感影像合成方法及装置 |
CN108460739A (zh) * | 2018-03-02 | 2018-08-28 | 北京航空航天大学 | 一种基于生成对抗网络的遥感图像薄云去除方法 |
WO2020015326A1 (zh) * | 2018-07-19 | 2020-01-23 | 山东科技大学 | 一种地表类型数据支持的遥感图像云阴影检测方法 |
KR102000630B1 (ko) * | 2018-12-20 | 2019-07-16 | 한국해양과학기술원 | 위성 영상 기반의 구름 탐지 장치 및 그 방법 |
Non-Patent Citations (1)
Title |
---|
陈梦露;李存军;官云兰;周静平;袁晨鑫;王道芸;: "基于Landsat8影像的厚云及云影去除方法", 北京测绘, no. 04, 25 April 2019 (2019-04-25) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575960A (zh) * | 2023-11-30 | 2024-02-20 | 中国科学院空天信息创新研究院 | 一种遥感影像空缺填补方法及系统 |
CN117575960B (zh) * | 2023-11-30 | 2024-07-05 | 中国科学院空天信息创新研究院 | 一种遥感影像空缺填补方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113628098B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khandelwal et al. | An approach for global monitoring of surface water extent variations in reservoirs using MODIS data | |
US9940514B2 (en) | Automated geospatial image mosaic generation with multiple zoom level support | |
CA2907192C (en) | Automated geospatial image mosaic generation | |
Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
CN102622738B (zh) | 一种Landsat TM/ETM+图像中山体阴影区的光谱信息恢复方法 | |
CN109308688B (zh) | 一种可见光和近红外波段厚云及阴影去除方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN114092835B (zh) | 基于不同时空分辨率的归一化植被指数数据时空融合方法 | |
Zhang et al. | Quantitative assessment of a haze suppression methodology for satellite imagery: Effect on land cover classification performance | |
CN116245757B (zh) | 多模态数据的多场景通用性遥感影像云修复方法和系统 | |
CN111982822A (zh) | 一种长时间序列高精度植被指数改进算法 | |
CN111144350B (zh) | 一种基于参考底图的遥感影像定位精度评价方法 | |
Guo et al. | Early-season mapping of winter wheat and garlic in Huaihe basin using Sentinel-1/2 and Landsat-7/8 imagery | |
Tian et al. | Impacts of satellite revisit frequency on spring phenology monitoring of deciduous broad-leaved forests based on vegetation index time series | |
CN113724381B (zh) | 一种基于高分遥感影像的动态三维场景快速重建方法 | |
CN113628098A (zh) | 一种多时相无云卫星影像重构方法 | |
CN105681677B (zh) | 一种高分辨率光学遥感卫星相机最佳焦面确定方法 | |
Yang et al. | Sub-Annual Scale LandTrendr: Sub-Annual Scale Deforestation Detection Algorithm Using Multi-Source Time Series Data | |
Wang et al. | Cloud Removal With SAR-Optical Data Fusion Using a Unified Spatial-Spectral Residual Network | |
Wang et al. | Framework to create cloud-free remote sensing data using passenger aircraft as the platform | |
Liu et al. | Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis | |
Sun et al. | High-resolution and multitemporal impervious surface mapping in the Lancang-Mekong basin with Google Earth engine | |
NL2032445B1 (en) | Method and apparatus for monitoring drying up of rivers based on multi-source remote sensing images | |
Miao et al. | Spatial Quality Enhancement for Wide View Angle Images: A Sensor-Specific Pre-processing Algorithm Case Study on FY-3D MERSI-II | |
CN117036323A (zh) | 一种综合的云及云影下积雪信息重建方法 |
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 |