CN117252785A - 一种基于多源sar与光学影像联合的去云方法 - Google Patents
一种基于多源sar与光学影像联合的去云方法 Download PDFInfo
- Publication number
- CN117252785A CN117252785A CN202311526084.8A CN202311526084A CN117252785A CN 117252785 A CN117252785 A CN 117252785A CN 202311526084 A CN202311526084 A CN 202311526084A CN 117252785 A CN117252785 A CN 117252785A
- Authority
- CN
- China
- Prior art keywords
- image
- sar
- multiband
- cloud
- images
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000002441 reversible effect Effects 0.000 claims abstract description 8
- 230000001131 transforming effect Effects 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多源SAR与光学影像联合的去云方法，包括：S1、对光学影像与SAR影像进行预处理以得到具有一致性的第一光学影像和第一SAR影像，光学影像与SAR影像均包含云覆盖区域；S2、将第一光学影像重构成第一多波段影像，并将第一SAR影像匹配成色调与第一多波段影像一致的第二SAR影像；S3、将第二SAR影像与第一多波段影像进行N次的加权重构以得到可逆变换出去云影像的第二多波段影像，并使得该去云影像的信息熵达到预设标准，N≥1且N为整数；S4、将第二多波段影像逆变换成去云影像。联合多源影像去云的方法，实现了区域内光学影像中的云区去除，增强了光学影像的可读性和利用性，提高了对多云雨地区的常态化遥感监测效率。
Description
技术领域
本发明涉及遥感影像处理技术领域，尤其涉及一种基于多源SAR与光学影像联合的去云方法。
背景技术
高分光学遥感影像凭借其丰富的纹理结构和光谱信息等特点，已经广泛应用于自然资源调查、地质、农业、水利以及应急等各领域。然而对于一些突发的地质灾害，如地震、滑坡等，灾害的发生可能导致部分地物、地形以及交通现状发生改变，历史影像无法满足需求，需要现势性强的实时影像开展救援工作。但是此类灾害的发生通常伴随极端恶劣的天气环境，由于气候条件的影响，尤其是区域上方的云雾，遮挡了图像中的地物信息，严重的影响了后期的图像解译和判读工作，极大的限制了传统光学遥感影像的应用。
发明内容
为解决背景技术中存在的技术问题，本发明提出一种基于多源SAR与光学影像联合的去云方法。
本发明提出的一种基于多源SAR与光学影像联合的去云方法，包括：
S1、对光学影像与SAR影像进行预处理以得到具有一致性的第一光学影像和第一SAR影像，光学影像与SAR影像均包含云覆盖区域；
S2、将第一光学影像重构成第一多波段影像，并将第一SAR影像匹配成色调与第一多波段影像一致的第二SAR影像；
S3、将第二SAR影像与第一多波段影像进行N次的加权重构以得到可逆变换出去云影像的第二多波段影像，并使得该去云影像的信息熵达到预设标准，N≥1且N为整数；
S4、将第二多波段影像逆变换成去云影像。
优选地，“将第一光学影像重构成第一多波段影像”具体为：
将第一光学影像进行主成分分析，以获得各个波段对应的主成分分量的信息量占比；
按照信息量占比对主成分分量进行从高到低依次排序，保留信息量占比从高到低依次相加达到信息量占比总和为99%的主成分分量，并将其余的主成分分量作为噪声去除，以获得第一多波段影像。
优选地，“第一SAR影像匹配成色调与第一多波段影像一致的第二SAR影像”具体为：通过直方图匹配将第一SAR影像匹配成色调与第一多波段影像一致的第二SAR影像。
优选地，“S3”具体包括：
S31、利用网格搜索法排列组合出N种和/>的分配组合，其中 />，其中，为第二SAR影像的重构权重占比参数，/>为第一多波段影像的重构权重占比参数；
S32、根据和/>的分配组合对第一影像、第二SAR影像进行N次加权重构得到N个第二多波段影像；
S33、在N个第二多波段影像中获取去云的且信息熵最优的第二多波段影像，即为可逆变换出去云影像的第二多波段影像。
优选地，“在N个第二多波段影像中获取去云的且信息熵最优的第二多波段影像”具体包括：
S331、将N个第二多波段影像逐一逆变换成N个第一影像；
S332、将N个第一影像是否去云进行逐一地目视判读以获取到其中已去云的M个第一影像；
S333、从M个第二多波段影像中获取信息熵最优的第二多波段影像，该第二多波段影像即为需要在N个第二多波段影像中获取到的去云的且信息熵最优的第二多波段影像，上述M个第二多波段影像与M个第一影像对应。
优选地，“对光学影像与SAR影像进行预处理以得到具有一致性的第一光学影像和第一SAR影像”具体包括：
对光学影像进行几何校正以消除几何畸变；
将光学影像重采样至与SAR影像像元大小一致；
将光学影像与SAR影像投影至同一坐标系中进行配准；
从配准后的光学影像中裁剪出与SAR影像重叠的区域即为第一光学影像，从配准后的SAR影像中裁剪出与光学影像重叠的区域即为第一SAR影像。
本发明中，所提出的基于多源SAR与光学影像联合的去云方法，首先，对影像数据进行预处理，保证SAR与光学影像空间分辨率一致，并对两景影像进行配准；其次，对光学影像投影变换，去除噪声；然后，通过将SAR影像与去噪后的光学影像进行直方图匹配后进行N次的加权重构以得到可逆变换出去云影像的第二多波段影像，并使得该去云影像的信息熵达到预设标准，最后，将影像进行投影变换对应的逆变换，实现去云的效果。根据云的光谱特征，立足于光学影像中云区的频率域特征，结合SAR影像纹理结构信息丰富且不受云雨影响的优势，采用主成分分析和网格搜索加权重构方法对光学影像和合成孔径雷达影像两种非同源影像进行融合去云，实现了区域内光学影像中的云区去除，增强了光学影像的可读性和利用性，提高了对多云雨地区的常态化遥感监测效率。
附图说明
图1为本发明提出的一种基于多源SAR与光学影像联合的去云方法的工作流程结构示意图；
图2为本发明提出的一种基于多源SAR与光学影像联合的去云方法的处理流程结构示意图；
图3为本发明提出的一种基于多源SAR与光学影像联合的去云方法的去云处理结果图。
具体实施方式
参照图1-3，本发明提出的一种基于多源SAR与光学影像联合的去云方法，包括：
S1、对光学影像与SAR影像进行预处理以得到具有一致性的第一光学影像和第一SAR影像，光学影像与SAR影像均包含云覆盖区域。
“对光学影像与SAR影像进行预处理以得到具有一致性的第一光学影像和第一SAR影像”具体包括：
对光学影像进行几何校正以消除几何畸变；
将光学影像重采样至与SAR影像像元大小一致；
将光学影像与SAR影像投影至同一坐标系中进行配准；
从配准后的光学影像中裁剪出与SAR影像重叠的区域即为第一光学影像，从配准后的SAR影像中裁剪出与光学影像重叠的区域即为第一SAR影像。
在本实施例中，由于获取的光学影像未进行几何校正，为了消除影像的几何畸变，rpb模型对影像进行几何校正，并将影像重采样至SAR影像像元大小，同时还需要将其与SAR影像投影到相同的坐标系；对SAR影像进行滤波、地理编码等相关处理并投影到与光学影像相同的坐标系统。其次，对两景不同源影像进行配准。最后，统一影像范围，由于两景影像的覆盖范围有所区别，光学影像幅宽远大于SAR影像，为避免因影像不完全重叠引起的数据缺失，需要对配准后的两景影像进行重叠区剪裁，以获得第一SAR影像。
具体地，“对光学影像与SAR影像进行预处理以得到具有一致性的第一光学影像和第一SAR影像”还包括保证第一光学影像和第一SAR影像的位深一致，就是将第一光学影像和第一SAR影像同时采样为8bit或者16bit。
位深度是指在记录数字图像的颜色时，计算机实际上是用每个像素需要的位深度来表示的。计算机之所以能够显示颜色，是采用了一种称作“位”( bit ) 的记数单位来记录所表示颜色的数据。当这些数据按照一定的编排方式被记录在计算机中，就构成了一个数字图像的计算机文件。“位”( bit )是计算机存储器里的最小单元，它用来记录每一个像素颜色的值。图像的色彩越丰富，“位”就越多。每一个像素在计算机中所使用的这种位数就是“位深度”。
S2、将第一光学影像重构成第一多波段影像，并将第一SAR影像匹配成色调与第一多波段影像一致的第二SAR影像。
“将第一光学影像重构成第一多波段影像”具体为：
将第一光学影像进行主成分分析，以获得各个波段对应的主成分分量的信息量占比；
按照信息量占比对主成分分量进行从高到低依次排序，保留信息量占比从高到低依次相加达到信息量占比总和为99%的主成分分量，并将其余的主成分分量作为噪声去除，以获得第一多波段影像。
在本实施例中，设第一光学影像具有m个波段，每个波段具有n个像素，
其中，
通过构造函数
寻求最优的变换矩阵 W。
其中，
则
通过计算满足与/>不相关、/>的最优变换矩阵/>，将原m波段的影像重构为新的/>的第一多波段影像。
“第一SAR影像匹配成色调与第一多波段影像一致的第二SAR影像”具体为：通过直方图匹配将第一SAR影像匹配成色调与第一多波段影像一致的第二SAR影像。
在本实施例中，将第一多波段影像和第一SAR影像的直方图转换成相同或相近的分布，从而使两幅影像具有类似的色彩和亮度。直方图匹配就是通过影像直方图处理使影像具有规定的直方图形状，并且能够突出感兴趣区域的灰度范围，基本原理为:
假设和/>分别为基准参考影像和待匹配影像的灰度分布函数，分别对两幅影像进行直方图均衡化处理：
s和v分别为处理后的图像亮度值，和/>分别为/>和/>的累积分布函数，前两式是对影像的均衡化处理，所以经过处理后的两幅影像灰度分布函数 />和是相等的。即可得：
结合上式可得：
则上式即为将待匹配影像变换到基准参考影像的灰度级变换公式。
S3、将第二SAR影像与第一多波段影像进行N次的加权重构以得到可逆变换出去云影像的第二多波段影像，并使得该去云影像的信息熵达到预设标准，N≥1且N为整数。
“S3”具体包括：
S31、利用网格搜索法排列组合出N种和/>的分配组合，其中 />，其中，为第二SAR影像的重构权重占比参数，/>为第一多波段影像的重构权重占比参数；
S32、根据和/>的分配组合对第一影像、第二SAR影像进行N次加权重构得到N个第二多波段影像；
S33、在N个第二多波段影像中获取去云的且信息熵最优的第二多波段影像，即为可逆变换出去云影像的第二多波段影像。
“在N个第二多波段影像中获取去云的且信息熵最优的第二多波段影像”具体包括：
S331、将N个第二多波段影像逐一逆变换成N个第一影像；
S332、将N个第一影像是否去云进行逐一地目视判读以获取到其中已去云的M个第一影像；
S333、从M个第二多波段影像中获取信息熵最优的第二多波段影像，该第二多波段影像即为需要在N个第二多波段影像中获取到的去云的且信息熵最优的第二多波段影像，上述M个第二多波段影像与M个第一影像对应。
具体地，利用网格搜索法对与第二SAR影像、第一多波段影像相关的重构权重参数和/>进行调整。
将重构权重参数和/>可能的取值进行排列组合，列出所有可能的组合结果生成“网格”；遍历“网格”中的组合重构权重参数/>和/>，得到最佳的重构权重参数/>和/>，最后使用该组参数/>和/>。
通过对第一SAR影像与第一多波段影像进行色调匹配，保证波段间的色调一致性，匹配后的第二SAR影像为S。通过加权重构再次重构影像。寻求最佳的权重参数和/>，使得逆变换后的影像目视性和熵最优。
通过对重构后的影像进行逆变换，获取最终的去云影像SI；
为信息熵值，/>为某个灰度值在图像中出现的概率，/>为影像特征出现的频数/>、为影像行列大小。对去云影像就行目视判读和信息熵计算，获取最优的权重参数/>和/>。
S4、将第二多波段影像逆变换成去云影像。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于多源SAR与光学影像联合的去云方法，其特征在于，包括：
S1、对光学影像与SAR影像进行预处理以得到具有一致性的第一光学影像和第一SAR影像，光学影像与SAR影像均包含云覆盖区域；
S2、将第一光学影像重构成第一多波段影像，并将第一SAR影像匹配成色调与第一多波段影像一致的第二SAR影像；
S3、将第二SAR影像与第一多波段影像进行N次的加权重构以得到可逆变换出去云影像的第二多波段影像，并使得该去云影像的信息熵达到预设标准，N≥1且N为整数；
S4、将第二多波段影像逆变换成去云影像。
2.根据权利要求1所述的基于多源SAR与光学影像联合的去云方法，其特征在于，“将第一光学影像重构成第一多波段影像”具体为：
将第一光学影像进行主成分分析，以获得各个波段对应的主成分分量的信息量占比；
按照信息量占比对主成分分量进行从高到低依次排序，保留信息量占比从高到低依次相加达到信息量占比总和为99%的主成分分量，并将其余的主成分分量作为噪声去除，以获得第一多波段影像。
3.根据权利要求1所述的基于多源SAR与光学影像联合的去云方法，其特征在于，“第一SAR影像匹配成色调与第一多波段影像一致的第二SAR影像”具体为：通过直方图匹配将第一SAR影像匹配成色调与第一多波段影像一致的第二SAR影像。
4.根据权利要求1所述的基于多源SAR与光学影像联合的去云方法，其特征在于，“S3”具体包括：
S31、利用网格搜索法排列组合出N种和/>的分配组合，其中 />，其中，/>为第二SAR影像的重构权重占比参数，/>为第一多波段影像的重构权重占比参数；
S32、根据和/>的分配组合对第一影像、第二SAR影像进行N次加权重构得到N个第二多波段影像；
S33、在N个第二多波段影像中获取去云的且信息熵最优的第二多波段影像，即为可逆变换出去云影像的第二多波段影像。
5.根据权利要求4所述的基于多源SAR与光学影像联合的去云方法，其特征在于，“在N个第二多波段影像中获取去云的且信息熵最优的第二多波段影像”具体包括：
S331、将N个第二多波段影像逐一逆变换成N个第一影像；
S332、将N个第一影像是否去云进行逐一地目视判读以获取到其中已去云的M个第一影像；
S333、从M个第二多波段影像中获取信息熵最优的第二多波段影像，该第二多波段影像即为需要在N个第二多波段影像中获取到的去云的且信息熵最优的第二多波段影像，上述M个第二多波段影像与M个第一影像对应。
6.根据权利要求1所述的基于多源SAR与光学影像联合的去云方法，其特征在于，“对光学影像与SAR影像进行预处理以得到具有一致性的第一光学影像和第一SAR影像”具体包括：
对光学影像进行几何校正以消除几何畸变；
将光学影像重采样至与SAR影像像元大小一致；
将光学影像与SAR影像投影至同一坐标系中进行配准；
从配准后的光学影像中裁剪出与SAR影像重叠的区域即为第一光学影像，从配准后的SAR影像中裁剪出与光学影像重叠的区域即为第一SAR影像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311526084.8A CN117252785B (zh) | 2023-11-16 | 2023-11-16 | 一种基于多源sar与光学影像联合的去云方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311526084.8A CN117252785B (zh) | 2023-11-16 | 2023-11-16 | 一种基于多源sar与光学影像联合的去云方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117252785A true CN117252785A (zh) | 2023-12-19 |
| CN117252785B CN117252785B (zh) | 2024-03-12 |
Family
ID=89129837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311526084.8A Active CN117252785B (zh) | 2023-11-16 | 2023-11-16 | 一种基于多源sar与光学影像联合的去云方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117252785B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106023130A (zh) * | 2016-06-07 | 2016-10-12 | 中山大学 | 基于梯度滤波和pca的无人机影像与多光谱影像融合方法 |
| CN106251368A (zh) * | 2016-06-12 | 2016-12-21 | 中国科学院遥感与数字地球研究所 | 基于bemd的sar影像与多光谱影像的融合方法 |
| US20180172823A1 (en) * | 2015-06-16 | 2018-06-21 | Urthecast Corp | Systems and methods for remote sensing of the earth from space |
| CN110186820A (zh) * | 2018-12-19 | 2019-08-30 | 河北中科遥感信息技术有限公司 | 多源数据融合与环境污染源及污染物分布分析方法 |
| CN111191514A (zh) * | 2019-12-04 | 2020-05-22 | 中国地质大学（武汉） | 一种基于深度学习的高光谱图像波段选择方法 |
| US20210216069A1 (en) * | 2020-01-10 | 2021-07-15 | Prince Sultan University | System, apparatus, and method for controlling unmanned aerial vehicles for search and rescue |
| CN114219734A (zh) * | 2021-12-17 | 2022-03-22 | 黄小贤 | 一种基于深度学习的sar辅助下遥感光学影像去云方法 |
| US20230026811A1 (en) * | 2021-07-15 | 2023-01-26 | Ping An Technology (Shenzhen) Co., Ltd. | System and method for removing haze from remote sensing images |
| CN116309136A (zh) * | 2023-02-27 | 2023-06-23 | 武汉大学 | 一种基于sar先验知识引导的遥感影像云区重建方法 |
| WO2023115915A1 (zh) * | 2021-12-22 | 2023-06-29 | 山东浪潮科学研究院有限公司 | 一种基于gan的遥感影像去云雾方法、设备、存储介质 |
| CN116579943A (zh) * | 2023-05-10 | 2023-08-11 | 哈尔滨工业大学 | 基于生成对抗网络的遥感sar-光学图像融合去云方法 |
-
2023
- 2023-11-16 CN CN202311526084.8A patent/CN117252785B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180172823A1 (en) * | 2015-06-16 | 2018-06-21 | Urthecast Corp | Systems and methods for remote sensing of the earth from space |
| CN106023130A (zh) * | 2016-06-07 | 2016-10-12 | 中山大学 | 基于梯度滤波和pca的无人机影像与多光谱影像融合方法 |
| CN106251368A (zh) * | 2016-06-12 | 2016-12-21 | 中国科学院遥感与数字地球研究所 | 基于bemd的sar影像与多光谱影像的融合方法 |
| CN110186820A (zh) * | 2018-12-19 | 2019-08-30 | 河北中科遥感信息技术有限公司 | 多源数据融合与环境污染源及污染物分布分析方法 |
| CN111191514A (zh) * | 2019-12-04 | 2020-05-22 | 中国地质大学（武汉） | 一种基于深度学习的高光谱图像波段选择方法 |
| US20210216069A1 (en) * | 2020-01-10 | 2021-07-15 | Prince Sultan University | System, apparatus, and method for controlling unmanned aerial vehicles for search and rescue |
| US20230026811A1 (en) * | 2021-07-15 | 2023-01-26 | Ping An Technology (Shenzhen) Co., Ltd. | System and method for removing haze from remote sensing images |
| CN114219734A (zh) * | 2021-12-17 | 2022-03-22 | 黄小贤 | 一种基于深度学习的sar辅助下遥感光学影像去云方法 |
| WO2023115915A1 (zh) * | 2021-12-22 | 2023-06-29 | 山东浪潮科学研究院有限公司 | 一种基于gan的遥感影像去云雾方法、设备、存储介质 |
| CN116309136A (zh) * | 2023-02-27 | 2023-06-23 | 武汉大学 | 一种基于sar先验知识引导的遥感影像云区重建方法 |
| CN116579943A (zh) * | 2023-05-10 | 2023-08-11 | 哈尔滨工业大学 | 基于生成对抗网络的遥感sar-光学图像融合去云方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李金超 等: "基于PCA的多源SAR与光学影像联合去云研究", 《安徽地质》, no. 2, pages 97 - 102 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117252785B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113222054B (zh) | 基于特征比值指数的遥感影像融合方法、系统、设备及介质 | |
| CN113240758B (zh) | 基于融合衍生指数的遥感影像融合方法、系统、设备及介质 | |
| CN106897707B (zh) | 基于多源中分的特征影像时间序列合成方法及装置 | |
| CN108830796A (zh) | 基于谱空结合和梯度域损失的高光谱图像超分辨重构方法 | |
| CN103049898B (zh) | 带有薄云的多光谱和全色图像融合方法 | |
| CN110751727A (zh) | 一种基于Landsat长时间序列的合成图像构建方法 | |
| CN114821261B (zh) | 一种图像融合的方法 | |
| CN103700075A (zh) | 基于Tetrolet变换的多通道卫星云图融合方法 | |
| CN107688776B (zh) | 一种城市水体提取方法 | |
| CN111681171B (zh) | 基于分块匹配的全色与多光谱图像高保真融合方法及装置 | |
| CN112733596A (zh) | 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用 | |
| CN117475272B (zh) | 基于指数函数空间的特征曲线的遥感影像融合方法及系统 | |
| CN108491869B (zh) | 一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法 | |
| CN117830119B (zh) | 基于指数缩放变换的遥感影像融合方法、系统、设备及介质 | |
| CN114266958A (zh) | 一种基于云平台的红树林遥感快速精准提取方法 | |
| CN117237770A (zh) | 基于指数幂函数的遥感影像融合方法、系统、设备及介质 | |
| CN115862010B (zh) | 一种基于语义分割模型的高分遥感影像水体提取方法 | |
| Fanelli et al. | Remote sensing images data fusion: a wavelet transform approach for urban analysis | |
| CN118015420A (zh) | 基于植被盖度特征幂次函数的遥感影像融合方法、系统及介质 | |
| CN117252785B (zh) | 一种基于多源sar与光学影像联合的去云方法 | |
| CN116721243B (zh) | 一种空谱特征约束的深度学习大气校正方法及系统 | |
| CN109886904B (zh) | 一种sar图像与低分辨率多光谱图像融合方法及系统 | |
| CN116883799A (zh) | 成分替换模型引导的高光谱图像深度空间光谱融合方法 | |
| CN115294001A (zh) | 一种改进ihs与小波变换的夜光遥感影像融合方法 | |
| CN111160184B (zh) | 一种识别草原覆盖区古河道的方法 |
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 |