CN114299402A - 隐患点自动识别方法、电子设备及计算机可读存储介质 - Google Patents
隐患点自动识别方法、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114299402A CN114299402A CN202210213768.1A CN202210213768A CN114299402A CN 114299402 A CN114299402 A CN 114299402A CN 202210213768 A CN202210213768 A CN 202210213768A CN 114299402 A CN114299402 A CN 114299402A
- Authority
- CN
- China
- Prior art keywords
- data
- hidden danger
- interference
- result
- gradient
- 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
Abstract
本发明提出了一种隐患点自动识别方法、电子设备及计算机可读存储介质,涉及地质监测技术领域,包括:收集覆盖目标区域的SAR数据与DEM数据;对SAR数据和DEM数据进行预处理,并基于DEM数据对SAR数据进行差分干涉处理以得到干涉结果;利用Sobel梯度算子函数模型对干涉结果进行梯度运算以得到运算结果;对运算结果进行去除误差处理以得到去除结果;利用arcgis模型构建器来批量自动统计去除结果,并提取出其中发生形变的区域以进行识别;本发明通过设计适合的梯度函数模型,基于干涉相位进行梯度运算,除去噪点影响后进行阈值分割,进而实现了基于梯度算法的隐患点自动解译,从而实现了隐患早期快速动态的地质监测识别。
Description
技术领域
本发明涉及地质监测技术领域,具体而言,涉及一种隐患点自动识别方法。
背景技术
中国幅员辽阔,地形多变,地质灾害频发,严重威胁人民生命财产安全,其中尤以隐患点灾害居多。由于隐患点灾害的突发性与不确定性,目前对隐患点灾前演变追溯主要利用存档光学遥感进行追溯。光学遥感具有覆盖面积广、光谱范围大的特点,但获取时间间隔长、影像受云雾影响大、空间分辨率不够高,只能对隐患点体进行简单定性分析与解译。而基于雷达遥感数据的合成孔径雷达干涉测量(interferometric synthetic apertureradar,InSAR)技术则为隐患点灾前演变追溯提供了新的技术途径。InSAR技术具有覆盖范围广、监测精度高、全天时、全天候、空间分辨率高等特点,在大型隐患点形变监测及隐患点大范围普查方面已发挥重要作用。目前在InSAR领域因为小基线集时间序列(SBAS-InSAR)、基于高相干点的永久散射体合成孔径干涉测量(PS-InSAR)等技术监测精度高,准确率高等特点常应用于隐患点等地质灾害的监测。但因其所需影像数量较多,处理时间长,工作效率低等特点,无法做到快速动态的发现形变区域。因此合成孔径雷达差分干涉测量(Differential Interferometric Synthetic Aperture Radar,D-InSAR)技术因其具有空间分辨率高、形变敏感度高、监测范围广等突出优势,在快速动态形变监测中被广泛应用。
合成孔径雷达差分干涉测量(D-InSAR)技术是在空间基线足够小且干涉性良好的情况下,利用同一地区形变前后的两幅SAR图像的相位信息,获取地表微量变形的技术,具有反演厘米级形变的能力。在雷达干涉相位中,若地表发生形变时,从整体的干涉相位中扣除参考椭球面相位和地形相位,从而得到形变相位,而发生形变的区域常常表现出相位信息的不连续性或者突变性。在基于干涉图进行形变区解译时,一般根据干涉图缠绕的颜色变化规律发现其颜色突变区域来进行人工解译,但在解译过程中存在人力耗费大,解译不准确等问题。
基于此,提出一种隐患点自动识别方法来解决上述问题。
发明内容
本发明的目的在于提供一种隐患点自动识别方法,其能够实现基于梯度算法的隐患点自动解译,以实现快速动态的地质监测。
本发明的技术方案为:
第一方面,本申请提供一种隐患点自动识别方法,其包括以下步骤:
S1、收集覆盖目标区域的SAR数据与DEM数据;
S2、对SAR数据和DEM数据进行预处理,并基于DEM数据对SAR数据进行差分干涉处理以得到干涉结果;
S3、利用Sobel梯度算子函数模型对干涉结果进行梯度运算以得到运算结果;
S4、对运算结果进行去除误差处理以得到去除结果;
S5、利用arcgis模型构建器来批量自动统计去除结果,并提取出其中发生形变的区域以进行识别。
进一步地,上述步骤S2中对SAR数据进行预处理包括:
利用精密轨道数据对SAR数据进行数据导入,将不存在时间失相干或空间失相干的SAR数据进行裁剪以组成小基线干涉对,并根据该干涉对生成干涉图。
进一步地,上述步骤S2中对DEM数据进行预处理包括:
获取地表形变发生后的影像作为主影像,利用DEM数据与主影像配准,并对配准后的DEM数据模拟地形相位。
进一步地,上述步骤S4包括:
S41、获取误差项并根据误差项确定误差参数;
S42、根据误差参数确定阈值;;
S43、利用阈值进行掩膜处理以得到去除结果。
进一步地,上述误差项包括水体、植被和几何畸变区域,上述误差参数包括上述水体的后向散射系数、上述植被的区域相干性和上述几何畸变区域的轨道成像卫星参数。
进一步地,上述步骤S5包括;
S51、通过arcgis软件对去除结果进行栅格转面以得到矢量化的面数据集;
S52、根据字段的属性提取面数据集中发生形变的面区域;
S53、利用arcgis模型构建器来批量自动统计发生形变的面区域以进行识别。
进一步地,上述差分干涉处理采用二轨差分干涉法。
第二方面,本申请提供一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当上述一个或多个程序被上述处理器执行时,实现如上述第一方面中任一项的隐患点自动识别方法。
第三方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面中任一项的隐患点自动识别方法。
相对于现有技术,本发明的至少具有如下优点或有益效果:
本发明提供的一种隐患点自动识别方法,基于干涉相位对差分干涉的结果进行梯度运算,综合利用形变区像素值的不连续性,通过设计适合的梯度函数模型,除去水体、植被、几何畸变区域等误差项对梯度结果的影响后利用arcgis软件进行形变区域的自动识别与提取,进而实现基于梯度算法的隐患点自动解译,可应用于快速动态的地质灾害监测中,实现了隐患早期快速动态的地质监测识别。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例的一种隐患点自动识别方法的步骤图;
图2为本发明实施例的一种隐患点自动识别方法的示意性结构框图;
图3为本发明实施例的一种电子设备的示意性结构框图。
图标:101、存储器;102、处理器;103、通信接口。
具体实施方式
术语解释:
InSAR:合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar)。
DEM:数字高程模型(Digital Elevation Model)。
D-InSAR:合成孔径雷达差分干涉测量(Differential InterferometricSynthetic Aperture Radar)。
梯度(gradient):某一函数在该点处的方向导数沿着该方向取得最大值,即函数在该点处沿着该方向变化最快,变化率最大。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,在本文中,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例
请参阅图1、图2,图1所示为本发明实施例的一种隐患点自动识别方法的步骤图;图2所示为本发明实施例的一种隐患点自动识别方法的示意性结构框图。
本申请提供一种隐患点自动识别方法,其包括以下步骤:
S1、收集覆盖目标区域的SAR数据与DEM数据;
S2、对SAR数据和DEM数据进行预处理,并基于DEM数据对SAR数据进行差分干涉处理以得到干涉结果;
S3、利用Sobel梯度算子函数模型对干涉结果进行梯度运算以得到运算结果;
S4、对运算结果进行去除误差处理以得到去除结果;
S5、利用arcgis模型构建器来批量自动统计去除结果,并提取出其中发生形变的区域以进行识别。
需要说明的是,干涉结果为利用DEM数据去除SAR数据中的两幅SAR影像干涉处理后,同一目标点干涉相位中的地形引起的干涉相位,再通过平地效应的去除,从而仅保留干涉相位中的形变相位,以实现对地面形变的监测;利用Sobel梯度算子函数模型对干涉结果进行梯度运算主要是在雷达干涉相位中,若地表发生形变时,从整体的干涉相位中扣除参考椭球面相位和地形相位,从而得到形变相位,而发生形变的区域常常表现出相位信息的不连续性,利用梯度函数找出存在不连续性的地方,即选取Sobel梯度算子对干涉结果中的保留干涉相位中的形变相位的相位信息进行处理,找出发生形变的区域。
其中,Sobel算子是一种一阶微分算子,它利用像素邻近区域的梯度值来计算1个像素的梯度,然后根据一定的绝对值来取舍,它由以下公式给出:
其中,S表示Sobel算子,dx、dy表示两个卷积核。
Sobel算子是3*3算子模板,若其模板中心对应要求梯度的原图像坐标(x,y),则通过Sobel算子的水平模板卷积后,对应的水平方向梯度为:
对应的竖直方向梯度为:
经过该梯度函数算子运算后其像素值为:
上述公式算得的像素值即相位梯度值,相位变化越快的区域像素值便越大,进而来得到相位不连续的区域。
作为一种优选的实施方式,步骤S2中对SAR数据进行预处理包括:
利用精密轨道数据对SAR数据进行数据导入,将不存在时间失相干或空间失相干的SAR数据进行裁剪以组成小基线干涉对,并根据该干涉对生成干涉图。
作为一种优选的实施方式,步骤S2中对DEM数据进行预处理包括:
获取地表形变发生后的影像作为主影像,利用DEM数据与主影像配准,并对配准后的DEM数据模拟地形相位。
其中,首先需要对外部DEM和主影像进行精确匹配,把DEM的高程模拟成地形干涉条纹形式(即模拟地形相位),再从干涉图中移除DEM模拟的地形相位,从而得到形变信息。
作为一种优选的实施方式,步骤S4包括:
S41、获取误差项并根据误差项确定误差参数;
S42、根据误差参数确定阈值;
S43、利用阈值进行掩膜处理以得到去除结果。
其中,误差项包括水体、植被和几何畸变区域,误差参数包括水体的后向散射系数、植被的区域相干性和几何畸变区域的轨道成像卫星参数。
需要说明的是,由于植被、水体等相干性较低的区域,以及两次不同成像时刻的大气扰动,卫星侧视成像带来的几何畸变等都会造成相位的不连续,通过Sobel梯度算子进行运算后都能被识别出来,因此通过对水体、植被、几何畸变区域进行了有效的去除解决了上述问题。首先基于水体的后向散射系数较低,利用强度影像选取阈值,提出水体在对经Sobel梯度算运算后结果进行掩膜处理进而达到去除水体的效果;由于植被覆盖茂密的区域相干性较低,通过计算影像中各目标点的相干性选取阈值进行掩膜处理,进而去除植被的影响;最后利用成像卫星参数等信息计算几何畸变的区域,按照同样的步骤对其进行掩膜处理,继而可以去除水体、植被、几何畸变等因素的影响,保留了真实发生形变的区域。
作为一种优选的实施方式,步骤S5包括;
S51、通过arcgis软件对去除结果进行栅格转面以得到矢量化的面数据集;
S52、根据字段的属性提取面数据集中发生形变的面区域;
S53、利用arcgis模型构建器来批量自动统计发生形变的面区域以进行识别。
作为一种优选的实施方式,差分干涉处理采用二轨差分干涉法。
由此,通过二轨差分干涉法,将相同地区的不同时相的形变前和形变后两幅雷达影像组成干涉对,使用同一地区的已知外部DEM数据去除地形产生的干涉相位,获得形变信息。
需要说明的是,二轨法主要包含:SLC数据输入、SAR影像配准、干涉生成、地形相位和平地相位的去除、相位滤波、相位解缠以及相位到形变信息的转换和地理编码等步骤,在本发明的实施例中不用进行相位解缠,直接对滤波后的干涉结果进行后续的处理,减少了相位解缠带来的误差。
请参阅图3,图3为本申请实施例提供的一种电子设备的示意性结构框图。
一种电子设备,包括存储器101、处理器102和通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图中所示的结构仅为示意,xxx还可包括比图中所示更多或者更少的组件,或者具有与图中所示不同的配置。图中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的系统或方法,也可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本申请实施例提供的一种隐患点自动识别方法,基于干涉相位对差分干涉的结果进行梯度运算,综合利用形变区像素值的不连续性,通过设计适合的梯度函数模型,利用后向散射信息、目标点的相干性、轨道成像卫星参数等几何参数除去水体、植被、几何畸变等误差项对梯度结果的影响后,再利用arcgis软件进行形变区域的自动识别与提取,进而实现基于梯度算法的隐患点自动解译,可应用于快速动态的地质灾害监测中,实现了隐患早期快速动态的地质监测识别。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (9)
1.一种隐患点自动识别方法,其特征在于,包括以下步骤:
S1、收集覆盖目标区域的SAR数据与DEM数据;
S2、对SAR数据和DEM数据进行预处理,并基于DEM数据对SAR数据进行差分干涉处理以得到干涉结果;
S3、利用Sobel梯度算子函数模型对干涉结果进行梯度运算以得到运算结果;
S4、对运算结果进行去除误差处理以得到去除结果;
S5、利用arcgis模型构建器来批量自动统计去除结果,并提取出其中发生形变的区域以进行识别。
2.如权利要求1所述的隐患点自动识别方法,其特征在于,所述步骤S2中对SAR数据进行预处理包括:
利用精密轨道数据对SAR数据进行数据导入,将不存在时间失相干或空间失相干的SAR数据进行裁剪以组成小基线干涉对,并根据该干涉对生成干涉图。
3.如权利要求1所述的隐患点自动识别方法,其特征在于,所述步骤S2中对DEM数据进行预处理包括:
获取地表形变发生后的影像作为主影像,利用DEM数据与主影像配准,并对配准后的DEM数据模拟地形相位。
4.如权利要求1所述的隐患点自动识别方法,其特征在于,所述步骤S4包括:
S41、获取误差项并根据误差项确定误差参数;
S42、根据误差参数确定阈值;
S43、利用阈值进行掩膜处理以得到去除结果。
5.如权利要求4所述的隐患点自动识别方法,其特征在于,所述误差项包括水体、植被和几何畸变区域,所述误差参数包括所述水体的后向散射系数、所述植被的区域相干性和所述几何畸变区域的轨道成像卫星参数。
6.如权利要求1所述的隐患点自动识别方法,其特征在于,所述步骤S5包括;
S51、通过arcgis软件对去除结果进行栅格转面以得到矢量化的面数据集;
S52、根据字段的属性提取面数据集中发生形变的面区域;
S53、利用arcgis模型构建器来批量自动统计发生形变的面区域以进行识别。
7.如权利要求1所述的隐患点自动识别方法,其特征在于,所述差分干涉处理采用二轨差分干涉法。
8.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-7中任一项所述的隐患点自动识别方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的隐患点自动识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210213768.1A CN114299402B (zh) | 2022-03-07 | 2022-03-07 | 隐患点自动识别方法、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210213768.1A CN114299402B (zh) | 2022-03-07 | 2022-03-07 | 隐患点自动识别方法、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114299402A true CN114299402A (zh) | 2022-04-08 |
CN114299402B CN114299402B (zh) | 2022-05-20 |
Family
ID=80978515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210213768.1A Active CN114299402B (zh) | 2022-03-07 | 2022-03-07 | 隐患点自动识别方法、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114299402B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008242508A (ja) * | 2007-03-23 | 2008-10-09 | Nec System Technologies Ltd | 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム |
US20090121921A1 (en) * | 2005-07-18 | 2009-05-14 | Glen Stickley | Interferometric Signal Processing |
JP2011209780A (ja) * | 2010-03-29 | 2011-10-20 | Mitsubishi Space Software Kk | 変化領域特定装置および変化領域特定プログラム。 |
CN108761458A (zh) * | 2018-08-15 | 2018-11-06 | 中国科学院电子学研究所 | 基于形态学细化的干涉sar水体数字高程模型修正方法 |
CN109541593A (zh) * | 2018-10-30 | 2019-03-29 | 北京航空航天大学 | 一种改进的最小费用流InSAR相位解缠方法 |
CN109711446A (zh) * | 2018-12-18 | 2019-05-03 | 中国科学院深圳先进技术研究院 | 一种基于多光谱影像和sar影像的地物分类方法及装置 |
CN111090954A (zh) * | 2019-12-17 | 2020-05-01 | 国家电网有限公司 | 一种地质灾害隐患判识以及分析评估并治理的方法 |
CN111144246A (zh) * | 2019-12-15 | 2020-05-12 | 东南大学 | 利用多时相sar影像和光学辅助信息的道路提取方法 |
CN111562575A (zh) * | 2020-06-01 | 2020-08-21 | 江苏中煤地质工程研究院有限公司 | 一种用于地面沉降的监测方法 |
CN112652071A (zh) * | 2021-01-06 | 2021-04-13 | 厦门美图之家科技有限公司 | 外轮廓点标注方法、装置、电子设备和可读存储介质 |
CN113096005A (zh) * | 2021-04-06 | 2021-07-09 | 中国科学院生态环境研究中心 | 一种监测山体现今抬升速度的雷达时序差分干涉测量方法 |
CN113160088A (zh) * | 2021-04-30 | 2021-07-23 | 河南大学 | 一种基于Sobel算子及图像熵的散斑干涉相位图滤波评价方法 |
CN113192086A (zh) * | 2021-05-11 | 2021-07-30 | 中国自然资源航空物探遥感中心 | 地质灾害隐患变形强度分布图的生成方法和存储介质 |
CN113340191A (zh) * | 2021-04-08 | 2021-09-03 | 河北省高速公路延崇筹建处 | 时间序列干涉sar的形变量测量方法及sar系统 |
CN113505764A (zh) * | 2021-09-09 | 2021-10-15 | 成都理工大学 | 顾及局部入射角的高山峡谷区sar几何畸变识别方法 |
CN113642544A (zh) * | 2021-10-14 | 2021-11-12 | 中国测绘科学研究院 | 基于InSAR形变信息的疑似地灾隐患区自动提取方法及系统 |
CN113866764A (zh) * | 2021-08-13 | 2021-12-31 | 成都理工大学 | 基于InSAR和LR-IOE模型的滑坡易发性改进评估方法 |
CN113960595A (zh) * | 2021-09-24 | 2022-01-21 | 中国科学院深圳先进技术研究院 | 一种地表形变监测方法及系统 |
-
2022
- 2022-03-07 CN CN202210213768.1A patent/CN114299402B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090121921A1 (en) * | 2005-07-18 | 2009-05-14 | Glen Stickley | Interferometric Signal Processing |
JP2008242508A (ja) * | 2007-03-23 | 2008-10-09 | Nec System Technologies Ltd | 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム |
JP2011209780A (ja) * | 2010-03-29 | 2011-10-20 | Mitsubishi Space Software Kk | 変化領域特定装置および変化領域特定プログラム。 |
CN108761458A (zh) * | 2018-08-15 | 2018-11-06 | 中国科学院电子学研究所 | 基于形态学细化的干涉sar水体数字高程模型修正方法 |
CN109541593A (zh) * | 2018-10-30 | 2019-03-29 | 北京航空航天大学 | 一种改进的最小费用流InSAR相位解缠方法 |
CN109711446A (zh) * | 2018-12-18 | 2019-05-03 | 中国科学院深圳先进技术研究院 | 一种基于多光谱影像和sar影像的地物分类方法及装置 |
CN111144246A (zh) * | 2019-12-15 | 2020-05-12 | 东南大学 | 利用多时相sar影像和光学辅助信息的道路提取方法 |
CN111090954A (zh) * | 2019-12-17 | 2020-05-01 | 国家电网有限公司 | 一种地质灾害隐患判识以及分析评估并治理的方法 |
CN111562575A (zh) * | 2020-06-01 | 2020-08-21 | 江苏中煤地质工程研究院有限公司 | 一种用于地面沉降的监测方法 |
CN112652071A (zh) * | 2021-01-06 | 2021-04-13 | 厦门美图之家科技有限公司 | 外轮廓点标注方法、装置、电子设备和可读存储介质 |
CN113096005A (zh) * | 2021-04-06 | 2021-07-09 | 中国科学院生态环境研究中心 | 一种监测山体现今抬升速度的雷达时序差分干涉测量方法 |
CN113340191A (zh) * | 2021-04-08 | 2021-09-03 | 河北省高速公路延崇筹建处 | 时间序列干涉sar的形变量测量方法及sar系统 |
CN113160088A (zh) * | 2021-04-30 | 2021-07-23 | 河南大学 | 一种基于Sobel算子及图像熵的散斑干涉相位图滤波评价方法 |
CN113192086A (zh) * | 2021-05-11 | 2021-07-30 | 中国自然资源航空物探遥感中心 | 地质灾害隐患变形强度分布图的生成方法和存储介质 |
CN113866764A (zh) * | 2021-08-13 | 2021-12-31 | 成都理工大学 | 基于InSAR和LR-IOE模型的滑坡易发性改进评估方法 |
CN113505764A (zh) * | 2021-09-09 | 2021-10-15 | 成都理工大学 | 顾及局部入射角的高山峡谷区sar几何畸变识别方法 |
CN113960595A (zh) * | 2021-09-24 | 2022-01-21 | 中国科学院深圳先进技术研究院 | 一种地表形变监测方法及系统 |
CN113642544A (zh) * | 2021-10-14 | 2021-11-12 | 中国测绘科学研究院 | 基于InSAR形变信息的疑似地灾隐患区自动提取方法及系统 |
Non-Patent Citations (8)
Title |
---|
LELE ZHANG等: "Identifying Potential Landslides by Stacking-InSAR in Southwestern China and Its Performance Comparison with SBAS-InSAR", 《REMOTE SENSING》 * |
佟国功: "基于InSAR的伊朗BAM地震形变场获取和震源参数确定", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
徐娇等: "基于 Hough 变换的DInSAR环状地表形变区自动提取", 《海洋测绘》 * |
李路: "面向沉降漏斗的InSAR矿区沉降监测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
杨珍等: "基于D-InSAR技术的当雄地震形变场提取研究", 《测绘工程》 * |
董继红: "InSAR技术在金沙江流域高位远程滑坡识别与监测中的应用研究", 《万方数据》 * |
陆超然等: "基于卫星InSAR技术的地质灾害隐患点探测与形变分析", 《南京信息工程大学学报(自然科学版)》 * |
马威等: "高分辨SAR相干系数图像的开采沉陷区提取", 《测绘科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114299402B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Discharge estimation in high-mountain regions with improved methods using multisource remote sensing: A case study of the Upper Brahmaputra River | |
Isikdogan et al. | RivaMap: An automated river analysis and mapping engine | |
Fonseca et al. | Registration techniques for multisensor remotely sensed imagery | |
Bovik | On detecting edges in speckle imagery | |
Alonso et al. | Edge enhancement algorithm based on the wavelet transform for automatic edge detection in SAR images | |
DAVIS et al. | Environmental analysis using integrated GIS and remotely sensed data- Some research needs and priorities | |
Pipaud et al. | Evaluation of TanDEM-X elevation data for geomorphological mapping and interpretation in high mountain environments—A case study from SE Tibet, China | |
Sharma et al. | Potential of airborne LiDAR data for terrain parameters extraction | |
CN110456352B (zh) | 一种基于相干系数阈值的冰川识别方法 | |
CN111007531A (zh) | 一种基于激光点云数据的道路边沿检测方法 | |
Chen et al. | Automatic monitoring of surface water dynamics using Sentinel-1 and Sentinel-2 data with Google Earth Engine | |
Li et al. | Dynamic waterline mapping of inland great lakes using time-series SAR data from GF-3 and S-1A satellites: A case study of DJK reservoir, China | |
CN112526515A (zh) | 一种基于合成孔径雷达干涉测量技术的地表形变检测方法 | |
CN110569733B (zh) | 基于遥感大数据平台的湖泊长时序连续水域变化重建方法 | |
CN113920255B (zh) | 基于点云数据的高效测绘系统 | |
Chen et al. | Robust interpolation of DEMs from LiDAR-derived elevation data | |
González-Díez et al. | The use of filters based on the Fast Fourier Transform applied to DEMs for the objective mapping of karstic features | |
CN114299402B (zh) | 隐患点自动识别方法、电子设备及计算机可读存储介质 | |
Rimba et al. | Evaluating the extraction approaches of flood extended area by using ALOS-2/PALSAR-2 images as a rapid response to flood disaster | |
Xie et al. | Derivation of supraglacial debris cover by machine learning algorithms on the gee platform: A case study of glaciers in the Hunza valley | |
Xiong et al. | Robust line detection of synthetic aperture radar images based on vector radon transformation | |
Biamino et al. | A “dynamic” land masking algorithm for synthetic aperture radar images | |
CN114820552A (zh) | 一种利用光学卫星立体影像检测滑坡位移场的方法 | |
Julea et al. | Simulation of SAR images and radar coding of georeferenced information for temperate glacier monitoring | |
Karsli et al. | Detecting the buildings from airborne laser scanner data by using Fourier Transform |
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 |