CN115291214B - 一种时序多极化sar同质样本选取方法 - Google Patents

一种时序多极化sar同质样本选取方法 Download PDF

Info

Publication number
CN115291214B
CN115291214B CN202211193554.9A CN202211193554A CN115291214B CN 115291214 B CN115291214 B CN 115291214B CN 202211193554 A CN202211193554 A CN 202211193554A CN 115291214 B CN115291214 B CN 115291214B
Authority
CN
China
Prior art keywords
homogeneous sample
time sequence
pixel
polarization
data set
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
Application number
CN202211193554.9A
Other languages
English (en)
Other versions
CN115291214A (zh
Inventor
蒋弥
钟敏
程晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202211193554.9A priority Critical patent/CN115291214B/zh
Publication of CN115291214A publication Critical patent/CN115291214A/zh
Application granted granted Critical
Publication of CN115291214B publication Critical patent/CN115291214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9023—SAR image post-processing techniques combined with interferometric 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种时序多极化SAR同质样本选取方法，如下：对原始时序多极化数据集处理，获得单视多极化强度数据集；获取配准后的单视多极化强度图像序列；将各时刻的单视多极化强度数据累加，形成总功率时序影像数据集；设计非参数自适应假设检验进行二分类；设定矩形滑动窗口，检验逐个比较矩形滑动窗口内每个空间像素的总功率时序样本与中心参考像素的时间样本的统计相似度，获得空间像素的同质样本；将每个空间像素作为中心参考像素，通过矩形滑动窗口遍历整个图像空间位置，获取每个空间像素的同质样本。本发明利用多极化数据集最大化信息量，运用自适应假设检验方法，能提高同质样本选取的精度，确保时序InSAR形变监测的可靠性。

Description

一种时序多极化SAR同质样本选取方法
技术领域
本发明涉及SAR数据处理技术领域，更具体的，涉及一种时序多极化SAR同质样本选取方法。
背景技术
随着当代SAR卫星资料不断丰富，海量极化SAR时序数据集为InSAR地表形变监测提供了基础条件。同质样本选取是InSAR技术数据处理的基础。由于SAR传感器无法在同一时刻连续成像，样本估计必须以空间平均代替汇集平均。但是，就SAR图像中的任一像素而言，其空间邻域的样本都有可能是异质的，尤其是在复杂环境，影像质地差异大。当不同分布的样本参与平均，图像就会失真并损失分辨率。因此，仅选取同质像素进行参数估计不仅可以提高参数估计的质量，还能维持影像空间分辨率。
现有时序InSAR技术主要针对单一极化SAR数据集的数据处理，因此同质样本选取基于单一极化SAR数理统计方法。对于多极化时序SAR数据集，由于统计差异，基于单一极化的同质样本选取方法不能直接移植。上述现象在目前流行的算法和软件中普遍存在，使得在面对最大化数据信息量时（从单一SAR数据集向多极化SAR数据集转化），现有同质样本选取算法可执行性参差不齐，往往难以得到有益的监测结果。
发明内容
本发明为了解决以上现有技术存在的不足与缺陷的问题，提供了一种时序多极化SAR同质样本选取方法，其对配准后的多极化时序SAR数据集进行融合，通过设计非参数自适应假设检验进行二分类，同时最大化假设检验功效与信息量，确保任意像素的空间样本服从同一总体，从而服务于SAR图像分辨率维持和参数估计的精确度。
为实现上述本发明目的，采用的技术方案如下：
一种时序多极化SAR同质样本选取方法，所述的方法包括步骤如下：
S1：对原始时序多极化SAR数据集进行取模平方运算，获得单视多极化SAR强度数据集；
S2：对预处理后的单视多极化SAR强度图像数据集采用强度最大互相关算法进行配准，得到配准后的单视多极化SAR强度图像序列；
S3：将各时刻的单视多极化SAR强度数据分别累加，形成总功率span时序影像数据集；
S4：对总功率span时序影像数据集，设计一个非参数自适应假设检验进行二分类；
S5：在SAR坐标系下，对一个空间像素设定一个尺寸为m×m的矩形滑动窗口，利用S4的检验逐个比较矩形滑动窗口内每个空间像素的总功率span时序样本与中心参考像素p的时间样本的统计相似度，获得一个空间像素的同质样本；
S6：将整个图像尺寸中的每个空间像素作为中心参考像素p，并开设m×m的矩形滑动窗口，按照步骤S5的方法遍历整个图像空间位置，直到获取每个空间像素的同质样本。
优选地，步骤S4，根据总功率span时序影像数据集的尾重分布，围绕均值差异作为检验标准设计一个勒帕热自适应检验统计量，其表达式为：
Figure 569801DEST_PATH_IMAGE001
其中，T表示对经验分布尾重的测量，由极化SAR总功率统计分布的形态决定；LP1、LP2和LP3均是度量均值差异的统计量。
进一步地，对经验分布尾重的测量的计算公式如下：
Figure 855289DEST_PATH_IMAGE002
其中，x 0.975表示经验分布0.975分位点，x 0.025表示经验分布0.025分位点， x 0.875表示经验分布0.875分位点，x 0.125表示经验分布0.125分位点。
进一步地，所述的统计量LP1是Gastwirth检验统计量，适用于短尾的经验分布，其表达式如下：
Figure 326722DEST_PATH_IMAGE003
其中，N=2n，k=1，2，…, N，n表示总功率span时序影像数据集的数量。
进一步地，所述的统计量LP2是V.d. Waerden检验统计量，适用于中尾的经验分布，其表达式如下：
Figure 522211DEST_PATH_IMAGE004
其中，N=2n，k=1，2，…, N，n表示总功率span时序影像数据集的数量，
Figure 686476DEST_PATH_IMAGE005
表示标准正太累计分布反函数。
进一步地，所述的统计量LP3是wood检验统计量，适用于长尾的经验分布，其表达式如下：
Figure 459260DEST_PATH_IMAGE006
其中，N=2n，k=1，2，…, N，n表示总功率span时序影像数据集的数量，
Figure 406487DEST_PATH_IMAGE007
表示向正无穷取整。
进一步地，步骤S5，获得一个空间像素的同质样本，具体如下：
若在给定水平
Figure 784379DEST_PATH_IMAGE008
条件下自适应假设检验推翻零假设，则该空间像素与中心参考像素p互为异质像素；否则自适应假设检验接受零假设，即该空间像素与中心参考像素p是同质像素，并将其保留；由此遍历m×m窗口内所有像素，获得中心参考像素p的一个同质像素集合。
再进一步地，若矩形滑动窗口内所有像素均为同一地物类型，则中心参考像素p的同质样本最大值为m2 -1。
一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现如所述的时序多极化SAR同质样本选取方法。
一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现如所述的时序多极化SAR同质样本选取方法。
本发明的有益效果如下：
通过本发明所述的时序多极化SAR同质样本选取方法能从单一极化时序SAR数据集的强度序列进行同质样本选取拓展到利用多极化时序SAR数据集的总功率span影像数据集进行同质样本选取。
较传统InSAR时序分析技术中多采用单极化时间序列数据进行同质样本选取，本发明利用多极化SAR数据集从而最大化信息量，同时设计了最大化功效的自适应假设检验方法，因而能够进一步提高同质样本选取的精度，进而确保时序InSAR形变监测的可靠性。
附图说明
图1是本实施例所述的时序多极化SAR同质样本选取方法的流程图。
图2是30景SAR数据下同质样本选取方法功效比较，包括传统单极化KS检验法和本发明时序多极化SAR同质样本选取方法。
图3是30景SAR数据下同质样本选取方法精度评估，包括传统单极化KS检验法和本发明时序多极化SAR同质样本选取方法。
具体实施方式
下面结合附图和具体实施方式对本发明做详细描述。
实施例1
如图1所述，一种时序多极化SAR同质样本选取方法，所述的方法包括步骤如下：
S1：对原始时序多极化SAR数据集进行取模平方运算
Figure 916283DEST_PATH_IMAGE009
，获得单视多极化SAR强度数据集。其中S i 表示第i个极化数据的某个通道。
S2：对预处理后的单视多极化SAR强度图像数据集采用强度最大互相关算法进行配准，得到配准后的单视多极化SAR强度图像序列。
S3：将各时刻的单视多极化SAR强度数据分别累加，形成总功率span时序影像数据集。
S4：对总功率span时序影像数据集，设计一个非参数自适应假设检验进行二分类；
在本实施例中，在步骤S3之前，若对单视多极化SAR强度图像序列进行多视处理，得到多视化SAR强度序列，将各时刻的多视多极化SAR强度数据分别累加，形成总功率span时序影像数据集，然后进行步骤S4、S5，由此完成对多视多极化数据集进行处理，因此本实施例所述的方法也适用于多视多极化数据集。
在一个具体的实施例中，影像地物引起不同后向散射性质，导致不同的总功率值和质地差异，因此步骤S4，根据总功率span时序影像数据集的尾重分布，围绕均值差异作为检验标准设计一个勒帕热自适应检验统计量，其表达式为：
Figure 553194DEST_PATH_IMAGE001
其中，T表示对经验分布尾重的测量，由极化SAR总功率统计分布的形态决定；LP1、LP2和LP3均是度量均值差异的统计量，这些统计量在不同尾重下可最大化检验功效。所述的勒帕热自适应检验统统计只是非参数自适应假设检验中的一种，属于非参数假设检验。
对经验分布尾重的测量T的计算公式如下：
Figure 366430DEST_PATH_IMAGE002
其中，x 0.975表示经验分布0.975分位点，x 0.025表示经验分布0.025分位点， x 0.875表示经验分布0.875分位点，x 0.125表示经验分布0.125分位点。
所述的统计量LP1是Gastwirth检验统计量，适用于短尾的经验分布，其表达式如下：
Figure 661145DEST_PATH_IMAGE003
其中，N=2n，k=1，2，…, N，n表示总功率span时序影像数据集的数量。
所述的统计量LP2是V.d. Waerden检验统计量，适用于中尾的经验分布，其表达式如下：
Figure 839316DEST_PATH_IMAGE004
其中，N=2n，k=1，2，…, N，n表示总功率span时序影像数据集的数量，
Figure 524375DEST_PATH_IMAGE005
表示标准正太累计分布反函数。
所述的统计量LP3是wood检验统计量，适用于长尾的经验分布，其表达式如下：
Figure 938039DEST_PATH_IMAGE006
其中，N=2n，k=1，2，…, N，n表示总功率span时序影像数据集的数量，
Figure 962627DEST_PATH_IMAGE007
表示向正无穷取整。
本实施例分尾重设计自适应检验的主要依据是噪声与后向散射系数呈正比，高亮度影像质地区域明更强的噪声，从而用LP3可以获得更高的检验功效，减少异质样本的数量。
在同质样本选取时，根据总功率span时序影像数据集的尾重分布，围绕均值作为检验标准设计了勒帕热（Lepage）自适应检验统计量最大化检验功效，减小了第二类统计误差，从而改善同质样本选取的精度。
S5：在SAR坐标系下，对一个空间像素设定一个尺寸为m×m的矩形滑动窗口，利用S4的检验逐个比较矩形滑动窗口内每个空间像素的总功率span时序样本与中心参考像素p的时间样本的统计相似度，获得一个空间像素的同质样本。
在一个具体的实施例中，步骤S5，获得一个空间像素的同质样本，具体如下：
若在给定水平
Figure 639596DEST_PATH_IMAGE010
条件下自适应假设检验推翻零假设，则该空间像素与中心参考像素p互为异质像素；否则自适应假设检验接受零假设，即该空间像素与中心参考像素p是同质像素，并将其保留；由此遍历m×m窗口内所有像素，获得中心参考像素p的一个同质像素集合。
在一个具体的实施例中，若矩形滑动窗口内所有像素均为同一地物类型，则中心参考像素p的同质样本最大值为m2 -1。
S6：将整个图像尺寸中的每个空间像素作为中心参考像素p，并开设m×m的矩形滑动窗口，按照步骤S5的方法遍历整个图像空间位置，直到获取每个空间像素的同质样本。
实施例2
一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现如实施例1所述的时序多极化SAR同质样本选取方法。
实施例3
一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现如实施例1所述的时序多极化SAR同质样本选取方法。
实施例4
基于实施例1所述的所时序多极化SAR同质样本选取方法，本实施例通过以下模拟实验进一步说明本发明的技术效果：
实验描述：
D1：根据文献《Polarimetric radar imaging》4.5.2章节步骤模拟30景全极化时序SAR数据集；
D2：根据后向散射系数真值比
Figure 608689DEST_PATH_IMAGE012
调整影像质地差异；
D3：对于全极化数据集，获取总功率span影像时间序列并采用本发明所述的时序多极化SAR同质样本选取方法进行同质样本选取，统计检验功效和标准差；
D4：从全极化数据集中抽取VV极化作为传统InSAR同质样本选取的基础数据，并利用经典KS（Kolmogorov-Smirnov）检验进行同质样本选取，统计检验功效和标准差；
D5：采用蒙特卡洛模拟实验重复上述D1-D4步骤1000次，统计结果如图2和图3所示。
图2描述了检验功效比较结果。功效值越大说明区分异质样本的能力越强，第二类统计误差越小，可以看出本发明所述的时序多极化SAR同质样本选取方法较传统方法在功效上显著增强。随着
Figure 435831DEST_PATH_IMAGE013
的增加，两者差异减小，这是由于当质地差异越显著，任何假设检验方法都能有效区分样本差异。然而，由于全极化数据较单极化数据更加反应质地细节和纹理差异，因此在任何比值下，本发明提出的方法均优于传统单极化方法。
图2描述了功效比较结果。功效值越大说明区分异质样本的能力越强，可以看出本发明方法较传统方法在功效上显著增强。随着
Figure 705138DEST_PATH_IMAGE013
的增加，两者差异减小，这是由于当质地差异越显著，任何假设检验方法都能有效区分样本差异。然而，由于全极化数据较单极化数据更加反应质地细节和纹理差异，因此在任何比值下，本发明提出的方法均优于传统单极化方法。
图2给出了1000次蒙特卡洛模拟实验的标准差，其值越小，精度越高。同理，由于功效差异和数据信息量差异，本发明的时序多极化SAR同质样本选取方法在所有
Figure 553008DEST_PATH_IMAGE013
取值范围内均可获得更优的结果，表明信息量的增强和功效的增加能够提高同质样本选取的精度。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (9)

1.一种时序多极化SAR同质样本选取方法，其特征在于：所述的方法包括步骤如下：
S1：对原始时序多极化SAR数据集进行取模平方运算，获得单视多极化SAR强度数据集；
S2：对预处理后的单视多极化SAR强度图像数据集采用强度最大互相关算法进行配准，得到配准后的单视多极化SAR强度图像序列；
S3：将各时刻的单视多极化SAR强度数据分别累加，形成总功率span时序影像数据集；
S4：对总功率span时序影像数据集，设计一个非参数自适应假设检验进行二分类；
S5：在SAR坐标系下，对一个空间像素设定一个尺寸为m×m的矩形滑动窗口，利用S4的检验逐个比较矩形滑动窗口内每个空间像素的总功率span时序样本与中心参考像素p的时间样本的统计相似度，获得一个空间像素的同质样本；
S6：将整个图像尺寸中的每个空间像素作为中心参考像素p，并开设m×m的矩形滑动窗口，按照步骤S5的方法遍历整个图像空间位置，直到获取每个空间像素的同质样本；
步骤S4，根据总功率span时序影像数据集的尾重分布，围绕均值差异作为检验标准设计一个勒帕热自适应检验统计量，其表达式为：
Figure 210426DEST_PATH_IMAGE001
其中，T表示对经验分布尾重的测量，由极化SAR总功率统计分布的形态决定；LP1、LP2和LP3均是度量均值差异的统计量。
2.根据权利要求1所述的时序多极化SAR同质样本选取方法，其特征在于：对经验分布尾重的测量的计算公式如下：
Figure 459005DEST_PATH_IMAGE002
其中，x 0.975表示经验分布0.975分位点，x 0.025表示经验分布0.025分位点， x 0.875表示经验分布0.875分位点，x 0.125表示经验分布0.125分位点。
3.根据权利要求1所述的时序多极化SAR同质样本选取方法，其特征在于：所述的LP1是Gastwirth检验统计量，适用于短尾的经验分布，其表达式如下：
Figure 323056DEST_PATH_IMAGE003
其中，N=2n，k=1，2，…, N，n表示总功率span时序影像数据集的数量。
4.根据权利要求1所述的时序多极化SAR同质样本选取方法，其特征在于：
所述的LP2是V.d. Waerden检验统计量，适用于中尾的经验分布，其表达式如下：
Figure 606269DEST_PATH_IMAGE004
其中，N=2n，k=1，2，…, N，n表示总功率span时序影像数据集的数量，
Figure 694311DEST_PATH_IMAGE005
表示标准正态 累计分布反函数。
5.根据权利要求1所述的时序多极化SAR同质样本选取方法，其特征在于：
所述的LP3是wood检验统计量，适用于长尾的经验分布，其表达式如下：
Figure 430186DEST_PATH_IMAGE006
其中，N=2n，k=1，2，…, N，n表示总功率span时序影像数据集的数量，
Figure 832348DEST_PATH_IMAGE007
表示向正无穷取整。
6.根据权利要求1所述的时序多极化SAR同质样本选取方法，其特征在于：
步骤S5，获得一个空间像素的同质样本，具体如下：
若在给定水平
Figure 970069DEST_PATH_IMAGE008
条件下自适应假设检验推翻零假设，则该空间像素与中心参考像素p互为异质像素；否则自适应假设检验接受零假设，即该空间像素与中心参考像素p是同质像素，并将其保留；由此遍历m×m窗口内所有像素，获得中心参考像素p的一个同质像素集合。
7.根据权利要求6所述的时序多极化SAR同质样本选取方法，其特征在于：若矩形滑动窗口内所有像素均为同一地物类型，则中心参考像素p的同质样本最大值为m2 -1。
8.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述的处理器执行所述的计算机程序时，实现如权利要求1~7任一项所述的方法的步骤。
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：所述的计算机程序被处理器执行时，实现如权利要求1~7任一项所述的方法的步骤。
CN202211193554.9A 2022-09-28 2022-09-28 一种时序多极化sar同质样本选取方法 Active CN115291214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211193554.9A CN115291214B (zh) 2022-09-28 2022-09-28 一种时序多极化sar同质样本选取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211193554.9A CN115291214B (zh) 2022-09-28 2022-09-28 一种时序多极化sar同质样本选取方法

Publications (2)

Publication Number Publication Date
CN115291214A CN115291214A (zh) 2022-11-04
CN115291214B true CN115291214B (zh) 2022-12-16

Family

ID=83833137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211193554.9A Active CN115291214B (zh) 2022-09-28 2022-09-28 一种时序多极化sar同质样本选取方法

Country Status (1)

Country Link
CN (1) CN115291214B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994132A (zh) * 2023-07-21 2023-11-03 云南大学 一种DS-InSAR技术同质像元选取方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011070538A2 (en) * 2009-12-11 2011-06-16 Eads Singapore Pte. Ltd Method for despeckling of single-look dual-polarization synthetic aperture radar (sar) data
WO2012035315A1 (en) * 2010-09-17 2012-03-22 Bae Systems Plc Processing sar imagery
CN108062767A (zh) * 2018-02-11 2018-05-22 河海大学 基于时序sar图像的统计同分布空间像素选择方法
CN108387898A (zh) * 2018-02-27 2018-08-10 河海大学 基于同质点选取的极化特征参数提取方法
CN113281744A (zh) * 2021-03-11 2021-08-20 中南大学 基于假设检验和自适应形变模型的时序InSAR方法
CN114578356A (zh) * 2022-03-02 2022-06-03 中南大学 基于深度学习的分布式散射体形变监测方法、系统及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011070538A2 (en) * 2009-12-11 2011-06-16 Eads Singapore Pte. Ltd Method for despeckling of single-look dual-polarization synthetic aperture radar (sar) data
WO2012035315A1 (en) * 2010-09-17 2012-03-22 Bae Systems Plc Processing sar imagery
CN108062767A (zh) * 2018-02-11 2018-05-22 河海大学 基于时序sar图像的统计同分布空间像素选择方法
CN108387898A (zh) * 2018-02-27 2018-08-10 河海大学 基于同质点选取的极化特征参数提取方法
CN113281744A (zh) * 2021-03-11 2021-08-20 中南大学 基于假设检验和自适应形变模型的时序InSAR方法
CN114578356A (zh) * 2022-03-02 2022-06-03 中南大学 基于深度学习的分布式散射体形变监测方法、系统及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"时序InSAR同质样本选取算法研究";蒋弥等;《地球物理学报》;20181231;第61卷(第12期);第4767-4776页 *

Also Published As

Publication number Publication date
CN115291214A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN108072667A (zh) 基于高光谱的绝缘子污秽等级检测方法及系统
CN110619263B (zh) 低秩联合协同表示的高光谱遥感影像异常探测方法
CN104700110B (zh) 一种基于全极化sar图像的植被覆盖信息提取方法
CN112164086B (zh) 一种精细化的图像边缘信息确定方法、系统及电子设备
CN108416791A (zh) 一种基于双目视觉的并联机构动平台位姿监测与跟踪方法
CN115291214B (zh) 一种时序多极化sar同质样本选取方法
CN105354841B (zh) 一种快速遥感影像匹配方法及系统
CN115236655A (zh) 基于全极化sar的滑坡识别方法、系统、设备及介质
CN101478697A (zh) 影像有损压缩质量评价方法
CN108062767B (zh) 基于时序sar图像的统计同分布空间像素选择方法
CN105550696B (zh) 基于随机相似性的全极化合成孔径雷达图像快速分类方法
CN104268561A (zh) 基于结构先验低秩表示的高光谱图像解混方法
CN114049571A (zh) 高光谱影像的水体区域提取方法、装置及电子设备
CN112906514A (zh) 一种顾及不同极化的时序sar影像地物类别变化检测方法
CN117765013A (zh) 一种基于偏振成像的红外热辐射干扰抑制方法和系统
CN117350964A (zh) 一种基于跨模态多层次特征融合的电力设备检测方法
CN107977968A (zh) 基于建筑物阴影信息挖掘的建筑物分层检测方法
CN108932520A (zh) 结合先验概率估计的sar影像水体概率制图方法
CN108010076B (zh) 一种面向密集工业棒材图像检测的端面外观建模方法
CN113834447A (zh) 一种户外复杂环境下高动态激光光条自适应成像处理方法
Liu et al. Hyperspectral Real-Time Local Anomaly Detection Based on Finite Markov via Line-by-Line Processing
CN102760288B (zh) 一种色彩匹配方法及系统
CN112966700A (zh) 一种毫米波图像目标检测方法
CN108257160B (zh) 基于多尺度分割-最大期望的遥感影像变化检测后处理方法
CN110930344B (zh) 一种目标的质量确定方法、装置、系统及电子设备

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