CN114994677A - 一种基于sar影像的冰川分类方法及系统 - Google Patents
一种基于sar影像的冰川分类方法及系统 Download PDFInfo
- Publication number
- CN114994677A CN114994677A CN202210412746.8A CN202210412746A CN114994677A CN 114994677 A CN114994677 A CN 114994677A CN 202210412746 A CN202210412746 A CN 202210412746A CN 114994677 A CN114994677 A CN 114994677A
- Authority
- CN
- China
- Prior art keywords
- sar
- glacier
- image
- pixel
- time domain
- 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
- 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
-
- 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
- G01S13/9021—SAR image post-processing techniques
-
- 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
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于SAR影像的冰川分类方法及系统,属于SAR影像面向地物分类技术领域。该方法包括:对时序SAR影像分别进行影像配准和多视预处理,得到堆栈的时序多视强度SAR影像;对堆栈的时序多视强度SAR影像分别计算各像元的时域均值和时域标准差,并计算得到振幅离差指数;对堆栈的时序多视强度SAR影像利用自由基线组合进行差分干涉,并计算各干涉像对的相干系数在时域上的最大值;对所述振幅离差指数和时域相干系数最大值进行逐像元比值处理,并利用自适应阈值分割得到冰川分类结果。本发明解决了基于SAR影像分类冰川精度低的问题。
Description
技术领域
本发明属于SAR影像面向地物分类技术领域,尤其涉及一种基于SAR影像的冰川分类方法及系统。
背景技术
上个世纪80年代,航空摄影测量影像及其测绘成果包括数字高程模型DEM、正射影像、地形图等成为地区冰川编目的主要数据源。随着美国地质调查局在2008年针对Landsat对地观测卫星数据的免费开放政策,遥感技术在冰川资源调查及其动态演化监测方面发挥了日益重要的作用。随着ASTER系列、哥白尼计划Sentinel-2A/B星座等中分辨率卫星数据的补充,遥感技术已成为冰冻圈地面观测极其重要的数据支撑。2014年我国启动的第二次冰川编目计划,星载多光谱遥感影像(ASTER、Landsat系列)成为冰川识别和边界提取的主要数据源,航空影像仅在藏东南地区暖季云雾覆盖区域作为补充数据。
冰雪在短波红外波段(1.55~1.75μm)具有强吸收特性,而在可见光至红外波段(0.45~0.90μm)表现为强反射特征。基于此,国内外学者提出在波段变换基础上通过增强冰川覆盖区和周围环境的对比度以提高冰川识别的效率和精度。如波段比值法和归一化积雪指数(Normalized Difference Snow Index,NDSI)模型,前者利用冰雪在不同波段吸收和反射的反差特征,通过同名像素比值放大冰雪区的信号;后者利用归一化波段变换以突出冰雪信息。
对于洁净型冰川,尽管在地形复杂的山区,太阳光照阴影和冰湖等水体会对冰川分类产生干扰,但冰川和其他地物显著的光谱差异,在波段比值和波段变换后冰川和其他地物可以被有效分离。对于表碛覆盖型冰川,由于冰碛物多为冰川两侧坡地坠落的石块和砂砾碎屑组成,当冰川被冰碛覆盖后,冰川表面与周围环境具有近似的光谱特征,基于光谱变换分类冰川和周围地物的假设不再适用。因此国内外学者尝试其他方法或者辅助其他信息(如地形因子)开展了表碛覆盖型冰川自动分类,如人工神经网络方法、热红外遥感辅助等。但是,受限于冰碛物的厚度和表碛覆盖冰川与周围地物的同质性,多数自动分类方法均存在难以大范围适用的问题。
对于冰川及其临近的冰缘地区,由于冰川的快速运动和消融,冰川表面的动态变化会引起InSAR干涉像对中对应的区域呈现严重的低相关,甚至完全失相关,尤其是海洋季风型表碛覆盖冰川。
发明内容
针对现有技术中的上述不足,本发明提供的基于SAR影像的冰川分类方法及系统,解决了基于SAR影像分类冰川精度低的问题。
为了达到以上目的,本发明采用的技术方案为:
本方案提供一种基于SAR影像的冰川分类方法,包括以下步骤:
S1、对时序SAR影像分别进行影像配准和多视预处理,得到堆栈的时序多视强度SAR影像;
S2、对堆栈的时序多视强度SAR影像分别计算各像元的时域均值和时域标准差,并计算得到振幅离差指数;
S3、对堆栈的时序多视强度SAR影像利用自由基线组合进行差分干涉,并计算各干涉像对的相干系数在时域上的最大值;
S4、对所述振幅离差指数和时域相干系数最大值进行逐像元比值处理,并利用自适应阈值分割得到冰川分类结果。
本发明的有益效果是:本发明通过获取的振幅离差指数和相干系数计算“离差-相干”比值指数进行对比,从而对冰川进行分类,能增强冰川和毗邻非冰川地表的对比度,降低冰川分类难度,从而给冰川分类提供一个标准指数。
进一步地,所述步骤S1包括以下步骤:
S101、选取任意一幅时序SAR影像作为主SAR影像,其余作为从SAR影像;
S102、利用像素匹配法对主从SAR影像进行粗配准,并利用SAR影像的强度信息通过像素偏移法对主从SAR影像进行精配准,得到精配准后的时序SAR影像;
S103、利用精配准后的时序SAR影像,以统一的多视系数获取时序SAR多视强度影像,得到堆栈的时序多视强度SAR影像。
上述进一步方案的有益效果是:对全部的SAR影像进行精确配准,以降低配准误差引起的相干系数计算错误。
再进一步地,所述步骤S2包括以下步骤:
S201、对堆栈的时序多视强度SAR影像进行多时相滤波;
S202、对经多时相滤波处理后的时序多视强度SAR影像,逐像素计算时域均值和时域标准差;
S203、根据所述时域均值和时域标准差,计算得到振幅离差指数;
S204、判断时序多视强度SAR影像的全部像素是否计算完成,若是,则进入步骤S3,否则,返回步骤S202。
上述进一步方案的有益效果是:通过逐像素计算时域均值和时域标准差,降低SAR影像固有的斑点噪声的影响,并获取振幅离差指数用于后续步骤计算。
再进一步地,所述步骤S3包括以下步骤:
S301、对堆栈的时序多视强度SAR影像利用自由基线组合方法进行差分干涉,得到各干涉相对的相干系数;
S302、根据各干涉相对的相干系数,逐像素计算得到各干涉像对的相干系数在时域上的最大值。
上述进一步方案的有益效果是:本发明通过差分干涉以及逐像素计算得到各干涉像对的相干系数在时域上的最大值,以最大化相干系数图中冰川和非冰川地物的相干系数差异。
再进一步地,所述步骤S301中各干涉像对的相干系数的表达式如下:
其中,γ表示各干涉像对的相干系数,μ1(n,m)和μ2(n,m)分别表示主从SAR影像数据块内影像坐标(n,m)处的复数值,M、N分别表示计算相干系数的数据块尺寸大小,n、m分别表示数据块内行列号。
再进一步地,所述步骤S4包括以下步骤:
S401、对所述振幅离差指数和时域相干系数最大值进行逐像元比值处理,获取冰川振幅离差-相干系数比值指数;
S402、对所述冰川振幅离差-相干系数比值指数进行自适应阈值分割,得到冰川分类结果。
上述进一步方案的有益效果是:本发明通过逐像元比值处理获取时序RAC指数,以进一步增强冰川和非冰川地物的对比度。
再进一步地,所述步骤S401中冰川振幅离差-相干系数比值指数的表达式如下:
其中,RAC表示冰川振幅离差-相干系数比值指数,ADI表示振幅离差指数,Coherence表示干涉像对的相干系数。
上述进一步方案的有益效果是:本发明通过振幅离差指数和相干系数的比值,放大冰川和非冰川地物的对比度。
基于上述方法,本发明提供了一种基于SAR影像的冰川分类系统,包括:
预处理模块,用于对时序SAR影像分别进行影像配准和多视预处理,得到堆栈的时序多视强度SAR影像;
第一计算模块,用于对堆栈的时序多视强度SAR影像分别计算各像元的时域均值和时域标准差,并计算得到振幅离差指数;
第二计算模块,用于对堆栈的时序多视强度SAR影像利用自由基线组合进行差分干涉,并计算各干涉像对的相干系数在时域上的最大值;
分类模块,用于对所述振幅离差指数和时域相干系数最大值进行逐像元比值处理,并利用自适应阈值分割得到冰川分类结果。
本发明的有益效果是:本发明通过获取的振幅离差指数和相干系数计算“离差-相干”比值指数进行对比,从而对冰川进行分类,能增强冰川和毗邻非冰川地表的对比度,降低冰川分类难度,从而给冰川分类提供一个标准指数。
附图说明
图1为本发明的方法流程图。
图2为本实施例中基于时序SAR影像计算的相干系数时域最大值和振幅离差指数示意图。
图3为本实施例中离差-相干比值指数分布和对应的统计直方图。
图4为本发明的系统结构示意图。
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。
实施例1
如图1所示,本发明提供了一种基于SAR影像的冰川分类方法,其实现方法如下:
S101、选取任意一幅时序SAR影像作为主SAR影像,其余作为从SAR影像;
S102、利用像素匹配法对主从SAR影像进行粗配准,并利用SAR影像的强度信息通过像素偏移法对主从SAR影像进行精配准,得到精配准后的时序SAR影像;
S103、利用精配准后的时序SAR影像,以统一的多视系数获取时序SAR多视强度影像,得到堆栈的时序多视强度SAR影像。
本实施例中,首先通过像素匹配技术对主从SAR影像进行粗配准,而后利用SAR影像的强度信息,通过像素偏移技术进行精配准,获得精配准偏移多项式,再利用精确配准后的时序SAR影像,以统一的多视系数获取时序SAR多视强度影像。
本实施例中,利用像素偏移技术进行迭代,从而不断更新配准多项式,使配准精度达到合理范围。
S2、对堆栈的时序多视强度SAR影像分别计算各像元的时域均值和时域标准差,并计算得到振幅离差指数,其实现方法如下:
S201、对堆栈的时序多视强度SAR影像进行多时相滤波;
S202、对经多时相滤波处理后的时序多视强度SAR影像,逐像素计算时域均值和时域标准差;
S203、根据所述时域均值和时域标准差,计算得到振幅离差指数;
S204、判断时序多视强度SAR影像的全部像素是否计算完成,若是,则进入步骤S3,否则,返回步骤S202。
本实施例中,对堆栈的时序多视强度影像进行多时相滤波,以降低斑点噪声的影响,对堆栈的时序SAR多视强度影像逐像素计算时域均值和样本标准差;
对于坐标(r,c)的时域强度值序列{pi|p1,p2,...,pn},该像元时域均值μ:
其中,μ(r,c)表示时序SAR多视强度影像坐标(r,c)的时域强度平均值。pi表示第i张影像中坐标(r,c)的强度值,n表示影像数量。
对于时序SAR多视强度影像坐标(r,c)的时域强度值序列{pi|p1,p2,...,pn},该像元时域样本标准差δ(r,c):
基于时域均值时域样本标准差计算振幅离差指数:
其中,ADI(r,c)表示影像坐标(r,c)的振幅离差指数值。
直到全部的像素ADI计算完成。本实施例中,如图2所示,图2(b)为实验区8幅SAR多视强度影像计算的振幅离差指数的分布。
S3、对堆栈的时序多视强度SAR影像利用自由基线组合进行差分干涉,并计算各干涉像对的相干系数在时域上的最大值,其实现方法如下:
S301、对堆栈的时序多视强度SAR影像利用自由基线组合方法进行差分干涉,得到各干涉相对的相干系数;
S302、根据各干涉相对的相干系数,逐像素计算得到各干涉像对的相干系数在时域上的最大值。
本实施例中,对堆栈的时序SAR影像采用自由基线组合策略,以此进行差分干涉,获取各干涉像对的相干系数,对堆栈的差分干涉像对相干系数逐像素计算时域最大值分布。本实施例中,如图2所示,图2(a)为实验区8幅SAR影像自由组合28组干涉像对计算的相干系数序列的时域最大值。
本实施例中,各干涉像对的相干系数的表达式如下:
其中,γ表示各干涉像对的相干系数,μ1(n,m)和μ2(n,m)分别表示SAR主从影像数据块内影像坐标(n,m)处的复数值,M、N分别表示计算相干系数的数据块尺寸大小,n、m分别表示数据块内行列号。
S4、对所述振幅离差指数和时域相干系数最大值进行逐像元比值处理,并利用自适应阈值分割得到冰川分类结果,其实现方法如下:
S401、对所述振幅离差指数和时域相干系数最大值进行逐像元比值处理,获取冰川振幅离差-相干系数比值指数;
S402、对所述冰川振幅离差-相干系数比值指数进行自适应阈值分割,得到冰川分类结果。
本实施例中,对分别获取的振幅离差指数和相干系数时域最大值进行逐像素比值处理,获取离差-相干比值指数(RAC)。具体地说,以ADI为分子,相干系数均值为分母,逐像元计算其比值。对取的RAC分布进行自适应阈值分割,获取冰川分类结果。如图3所示,图3为本发明所述方法计算的实验区离差-相干比值指数(RAC)分布。其中,图3(a)为RAC的晕渲索引图,图3(b)为实验区RAC值的直方图统计。
本实施例中,离差-相干比值指数RAC定义为:
其中,RAC表示冰川振幅离差-相干系数比值指数,ADI表示振幅离差指数,Coherence表示干涉像对的相干系数。
本实施例中,为了基于SAR影像的振幅离差和干涉相干系数比值模型的冰川分类方法的效果,选取覆盖贡嘎山东坡海螺沟冰川和磨子沟冰川2017年11月至2018年9月成像的8幅ALOS-2PALSAR卫星升轨L波段SAR影像作为实验数据,以上述方法分别获取了实验区域的振幅离差指数、相干系数时域最大值及离差-相干比值指数(RAC)分布。
本实施例中,以图2所示振幅离差指数和相干系数时域最大值进行逐像元比值运算获取了实验区域的RAC分布如图3所示,其对应的值域统计如直方图,如图3(b)所示。值得注意的是,由于经比值操作后RAC分布呈近似指数分布,因此为保证RAC晕渲图的冰川和非冰川地物的对比,图3(a)对索引值域做了压缩处理。
本实施例中,与相干系数图和振幅离差指数图相比,RAC图中冰川和非冰川的对比度更加显著。非冰川地表对应的RAC值被压缩在<2的区间;而冰川地表因为低相干系数的分子(0.05~0.1),其对应的RAC值10至20倍的放大。此外,对数变换后的RAC统计直方图呈明显的“双波峰分布(Bimodal Distribution)”,这使得后续针对RAC图进行冰川和非冰川目标的二值化分类的可靠性和精度显著提高。
本实施例中,在RAC图中冰川消融区(海螺沟冰川冰舌段)和临近冰缘的信息差异比相干系数图更明显。而在冰川积累区,冰川内部的裸露基岩和后沿岩壁和冰川覆盖区通过视觉可清晰区分。此外,作为洁净类型的磨子沟冰川,由于其末端海拔较高冰缘地物多为裸地和基岩,RAC图中冰川边缘较之海螺沟冰川辨识度更高。简言之,RAC模型综合了振幅离差指数对稳定地表敏感和相干系数易于检测变化地物的优势,在消融区和冰川积累区均表现出卓越的冰川分类能力。
本实施例中,结果表明,RAC离差指数在增强冰川和毗邻地物信息方面具有显著的优势,可作为冰川分类指数应用到冰川分类和冰川编目中。
综上所述,本发明提出的基于SAR影像的振幅离差和干涉相干系数比值模型的冰川分类方法能有效增强冰川和非冰川地物的信息对比度,为冰川分类提供一个全新的标准指数。
实施例2
如图4所示,本发明提供了一种基于SAR影像的冰川分类系统,包括:
预处理模块,用于对时序SAR影像分别进行影像配准和多视预处理,得到堆栈的时序多视强度SAR影像;
第一计算模块,用于对堆栈的时序多视强度SAR影像分别计算各像元的时域均值和时域标准差,并计算得到振幅离差指数;
第二计算模块,用于对堆栈的时序多视强度SAR影像利用自由基线组合进行差分干涉,并计算各干涉像对的相干系数在时域上的最大值;
分类模块,用于对所述振幅离差指数和时域相干系数最大值进行逐像元比值处理,并利用自适应阈值分割得到冰川分类结果。
如图4所示实施例提供的基于SAR影像的冰川分类系统可以执行上述方法实施例点基于SAR影像的冰川分类方法所示的技术方案,其实现原理与有益效果类似,此处不再赘述。
本实施例中,本申请可以根据点基于SAR影像的冰川分类方法进行功能单元的划分,例如可以将各个功能划分为各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。上述集成单元即可以采用硬件的形式来实现,也可以采用软件功能单元的形式来实现。需要说明的是,本发明中对单元的划分是示意性的,仅仅为一种逻辑划分,实际实现时可以有另外的划分方式。
本实施例中,基于SAR影像的冰川分类系统为了实现基于SAR影像的冰川分类方法的原理与有益效果,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本发明所公开的实施例描述的各示意单元及算法步骤,本发明能够以硬件和/或硬件和计算机软件结合的形式来实现,某个功能以硬件还是计算机软件驱动的方式来执行,取决于技术方案的特定应用和设计约束条件,可以对每个特定的应用来使用不同的方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本发明通过获取的振幅离差指数和相干系数计算“离差-相干”比值指数进行对比,从而对冰川进行分类,能增强冰川和毗邻非冰川地表的对比度,降低冰川分类难度,从而给冰川分类提供一个标准指数。
Claims (8)
1.一种基于SAR影像的冰川分类方法,其特征在于,包括以下步骤:
S1、对时序SAR影像分别进行影像配准和多视预处理,得到堆栈的时序多视强度SAR影像;
S2、对堆栈的时序多视强度SAR影像分别计算各像元的时域均值和时域标准差,并计算得到振幅离差指数;
S3、对堆栈的时序多视强度SAR影像利用自由基线组合进行差分干涉,并计算各干涉像对的相干系数在时域上的最大值;
S4、对所述振幅离差指数和时域相干系数最大值进行逐像元比值处理,并利用自适应阈值分割得到冰川分类结果。
2.根据权利要求1所述的基于SAR影像的冰川分类方法,其特征在于,所述步骤S1包括以下步骤:
S101、选取任意一幅时序SAR影像作为主SAR影像,其余作为从SAR影像;
S102、利用像素匹配法对主从SAR影像进行粗配准,并利用SAR影像的强度信息通过像素偏移法对主从SAR影像进行精配准,得到精配准后的时序SAR影像;
S103、利用精配准后的时序SAR影像,以统一的多视系数获取时序SAR多视强度影像,得到堆栈的时序多视强度SAR影像。
3.根据权利要求1所述的基于SAR影像的冰川分类方法,其特征在于,所述步骤S2包括以下步骤:
S201、对堆栈的时序多视强度SAR影像进行多时相滤波;
S202、对经多时相滤波处理后的时序多视强度SAR影像,逐像素计算时域均值和时域标准差;
S203、根据所述时域均值和时域标准差,计算得到振幅离差指数;
S204、判断时序多视强度SAR影像的全部像素是否计算完成,若是,则进入步骤S3,否则,返回步骤S202。
4.根据权利要求1所述的基于SAR影像的冰川分类方法,其特征在于,所述步骤S3包括以下步骤:
S301、对堆栈的时序多视强度SAR影像利用自由基线组合方法进行差分干涉,得到各干涉相对的相干系数;
S302、根据各干涉相对的相干系数,逐像素计算得到各干涉像对的相干系数在时域上的最大值。
6.根据权利要求1所述的基于SAR影像的冰川分类方法,其特征在于,所述步骤S4包括以下步骤:
S401、对所述振幅离差指数和时域相干系数最大值进行逐像元比值处理,获取冰川振幅离差-相干系数比值指数;
S402、对所述冰川振幅离差-相干系数比值指数进行自适应阈值分割,得到冰川分类结果。
8.一种基于SAR影像的冰川分类系统,其特征在于,包括:
预处理模块,用于对时序SAR影像分别进行影像配准和多视预处理,得到堆栈的时序多视强度SAR影像;
第一计算模块,用于对堆栈的时序多视强度SAR影像分别计算各像元的时域均值和时域标准差,并计算得到振幅离差指数;
第二计算模块,用于对堆栈的时序多视强度SAR影像利用自由基线组合进行差分干涉,并计算各干涉像对的相干系数在时域上的最大值;
分类模块,用于对所述振幅离差指数和时域相干系数最大值进行逐像元比值处理,并利用自适应阈值分割得到冰川分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210412746.8A CN114994677B (zh) | 2022-04-19 | 2022-04-19 | 一种基于sar影像的冰川分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210412746.8A CN114994677B (zh) | 2022-04-19 | 2022-04-19 | 一种基于sar影像的冰川分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114994677A true CN114994677A (zh) | 2022-09-02 |
CN114994677B CN114994677B (zh) | 2023-10-13 |
Family
ID=83025314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210412746.8A Active CN114994677B (zh) | 2022-04-19 | 2022-04-19 | 一种基于sar影像的冰川分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114994677B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608601A (zh) * | 2012-03-08 | 2012-07-25 | 北京北科安地科技发展有限公司 | 一种人工角反射器在sar影像中的识别方法 |
US9354308B1 (en) * | 2014-12-05 | 2016-05-31 | Trimble Navigation Limited | Micro climate corrections for radar interferometry measurements |
KR20180081201A (ko) * | 2017-01-05 | 2018-07-16 | 한국과학기술원 | 필터뱅크 기반 다중 반송파 시스템에서 시간 영역의 지역성을 고려한 필터 디자인 |
CN110456352A (zh) * | 2019-08-30 | 2019-11-15 | 南京大学 | 一种基于相干系数阈值的冰川识别方法 |
CN110516646A (zh) * | 2019-09-02 | 2019-11-29 | 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 |
CN112034461A (zh) * | 2020-09-01 | 2020-12-04 | 国网山西省电力公司阳泉供电公司 | 基于综合测度的sar图像ps点选取方法 |
-
2022
- 2022-04-19 CN CN202210412746.8A patent/CN114994677B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608601A (zh) * | 2012-03-08 | 2012-07-25 | 北京北科安地科技发展有限公司 | 一种人工角反射器在sar影像中的识别方法 |
US9354308B1 (en) * | 2014-12-05 | 2016-05-31 | Trimble Navigation Limited | Micro climate corrections for radar interferometry measurements |
KR20180081201A (ko) * | 2017-01-05 | 2018-07-16 | 한국과학기술원 | 필터뱅크 기반 다중 반송파 시스템에서 시간 영역의 지역성을 고려한 필터 디자인 |
CN110456352A (zh) * | 2019-08-30 | 2019-11-15 | 南京大学 | 一种基于相干系数阈值的冰川识别方法 |
CN110516646A (zh) * | 2019-09-02 | 2019-11-29 | 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 |
CN112034461A (zh) * | 2020-09-01 | 2020-12-04 | 国网山西省电力公司阳泉供电公司 | 基于综合测度的sar图像ps点选取方法 |
Non-Patent Citations (12)
Title |
---|
FU, Y (FU, YIN): "Seasonal ice dynamics in the lower ablation zone of Dagongba Glacier, southeastern Tibetan Plateau, from multitemporal UAV images", JOURNAL OF GLACIOLOGY 20220109 * |
SHER MUHAMMAD: "Comparison of glacier change detection using pixel based and object based classification techniques", 2013 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM - IGARSS * |
THAKUR, PK (THAKUR, PRAVEEN K.): "Ice sheet features identification, glacier velocity estimation and glacier zones classification using high resolution optical and SAR data", LAND SURFACE AND CRYOSPHERE REMOTE SENSING III * |
夏磊凯;付五洲;黄其欢;夏晨翔;: "基于双阈值法的地基合成孔径雷达影像永久散射体选取方法研究", 勘察科学技术, no. 05, pages 65 - 66 * |
毛文飞: "基于重构距离向分谱法的时序 InSAR 电离层校正及分析", 西南交通大学学报 * |
王晓文: "基于InSAR和MAI的电离层误差校正及同震三维形变场计算与断层滑动反演", 中国博士学位论文全文数据库 基础科学辑 * |
胡波: "PSInSAR 永久散射体的自动探测", 测绘科学, vol. 36, no. 2 * |
赵现仁;庞蕾;马永;王朝阳;张峰;邢?;郭灿文;杨晓彤;王力彦;张天;: "基于GPS实测数据和PS-InSAR技术的北极Pedersenbreen冰川表面运动特征分析", 海洋通报, no. 03 * |
赵谊: "InSAR技术在自然灾害生态环境监测方面的应用和进展", 卫星导航定位与北斗系统应用——星参北斗 位联世界, pages 107 - 111 * |
陈强;李永树;刘国祥;: "干涉雷达永久散射体识别方法的对比分析", 遥感信息, no. 04 * |
黄其欢;付五洲;岳建平;徐亚明;: "海量时序地基SAR影像相干目标选取", 数据采集与处理, no. 06 * |
黄长军: "一种基于经验模态分解的永久散射体探测方法", 光学学报, vol. 39, no. 5 * |
Also Published As
Publication number | Publication date |
---|---|
CN114994677B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kulkarni et al. | Pixel level fusion techniques for SAR and optical images: A review | |
Dai et al. | Coastline extraction from repeat high resolution satellite imagery | |
Sarker et al. | Potential of texture measurements of two-date dual polarization PALSAR data for the improvement of forest biomass estimation | |
CN104361338B (zh) | 一种基于ENVISAT ASAR、Landsat TM与DEM数据的泥炭沼泽信息提取方法 | |
CN107507200B (zh) | 一种基于连通检测与噪声抑制的sar影像高精度大范围水域提取方法 | |
CN108268735A (zh) | 基于多源遥感卫星融合数据的地表土壤水分降尺度方法 | |
Chen et al. | Automatic monitoring of surface water dynamics using Sentinel-1 and Sentinel-2 data with Google Earth Engine | |
CN110147746B (zh) | 基于Sentinel-2影像快速提取最大和最小可能地表水体范围的方法和系统 | |
CN115294183A (zh) | 一种基于多源遥感数据的碟型子湖水体时序提取方法 | |
CN116758049A (zh) | 一种基于主被动卫星遥感的城市洪涝立体监测方法 | |
Kadhim et al. | Shadow detection from very high resoluton satellite image using grabcut segmentation and ratio-band algorithms | |
Ding et al. | PRISI: A novel piecewise radar impervious surface index for urban monitoring using Sentinel-1 data | |
CN112166693B (zh) | 基于小卫星的区域地表水资源遥感监测方法 | |
CN104616253A (zh) | 一种利用独立成分分析技术的光学遥感图像薄云去除方法 | |
CN114994677A (zh) | 一种基于sar影像的冰川分类方法及系统 | |
CN111144246B (zh) | 利用多时相sar影像和光学辅助信息的道路提取方法 | |
CN114994675B (zh) | 一种基于归一化强度离差指数的冰川分类方法及系统 | |
Vinayaraj et al. | Development of an automatic dynamic global water mask using landsat-8 images | |
Nair et al. | Reservoir water surface area detection using satellite observations for synthetic SWOT data simulation | |
Saied et al. | Digital Elevation Model Enhancement using CNN-Based Despeckled SAR Images | |
Li et al. | Instantaneous coastline extraction from LiDAR point cloud and high resolution remote sensing imagery | |
Chen et al. | Automatic extraction of flood coverage based on dynamic surface water extent and SAR data | |
Wolff et al. | Dsm generation from early alos/prism data using sat-pp | |
CN117173584B (zh) | 一种PolSAR与Pan影像融合的陆面小微水体提取方法与装置 | |
Gruen et al. | DSM generation with ALOS/PRISM data using SAT-PP |
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 |