CN117310705A - 一种基于双极化sar影像的洪涝灾害快速检测方法 - Google Patents
一种基于双极化sar影像的洪涝灾害快速检测方法 Download PDFInfo
- Publication number
- CN117310705A CN117310705A CN202311594541.7A CN202311594541A CN117310705A CN 117310705 A CN117310705 A CN 117310705A CN 202311594541 A CN202311594541 A CN 202311594541A CN 117310705 A CN117310705 A CN 117310705A
- Authority
- CN
- China
- Prior art keywords
- dual
- polarized
- flood disaster
- detection method
- sar
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 14
- 230000009977 dual effect Effects 0.000 claims description 13
- 230000010287 polarization Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000003384 imaging method Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 10
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003657 Likelihood-ratio test Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000003809 water extraction Methods 0.000 description 1
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
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Electromagnetism (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于双极化SAR影像的洪涝灾害快速检测方法,属于微波成像及图像数据处理技术领域,包括:步骤1,双极化SAR数据预处理,最终生成双极化协方差矩阵文件;步骤2,双极化SRW距离差异图快速计算,对双极化协方差矩阵文件进行矩阵运算,得到双极化时变SRW距离差异图;步骤3,洪涝灾害区域初步提取;步骤4,基于地形坡度邻域约束的山体阴影剔除和洪涝灾害检测结果输出。本发明所述方法主要用于洪涝灾害的快速检测,具有计算效率高,具有剔除复杂山体阴影并能提高大范围制图效率和精度的优点。
Description
技术领域
本发明属于微波成像及图像数据处理技术领域,具体涉及一种基于双极化SAR影像的洪涝灾害快速检测方法。
背景技术
卫星遥感是洪涝灾害检测的有利手段,其能够提供大范围的面状电磁波反射和辐射信息,以进行洪水淹没范围制图、灾害预测和灾情评估。洪涝灾害发生时,常伴阴雨天气,光学影像难以获取云层以下地表信息,合成孔径雷达(SAR)卫星发射的微波信号能够穿透云雾,持续检测灾情变化,有效弥补了多/高光谱卫星在云雨天气时的成像短板。基于SAR影像的洪涝灾害检测方法多以变化检测的流程为核心,主要分为分类后比较法和变化因子判断法两类。
(1)分类后比较法:分类后比较法(Post Classification Comparison, PCC)是指基于受灾前后影像,首先提取出每个时相上的水体区域,然后通过比较水体时序变化来评估受灾情况。其核心原理是水体的SAR强度往往低于农田、植被等表面粗糙度较高的目标,可以通过SAR强度提取灾前灾后影像的水体区域,继而得到发生变化的区域。基于此,出现了以阈值分割法、对象生成法和合并聚类法为主的多种水体提取方法。其中,阈值分割法操作简单,运行高效,借助阈值优选方法,能够快速提取出基本正确的水体分布。
(2)变化因子判断法:变化因子判断法联合不同时相影像,提取变化特征,挖掘洪涝灾害的时变本质,对于洪涝灾害的检测有较大潜力。对于传统SAR影像,变化因子判断法主要提取幅度/强度差值和比值,以表征变化信息。随着多极化SAR卫星的蓬勃发展和极化SAR对地观测数据量的增加,变化因子法也由传统的单极化拓展到了多极化。相比于传统SAR影像,多极化SAR影像通常基于极化协方差进行表达,其中蕴含的信息更加丰富。对于多极化SAR影像,常用的时变因子是基于极化统计分布的似然比检验距离,该方法的核心思想是构造似然比函数并计算得出对应的似然比矩阵。对于中低空间分辨率极化SAR影像下的分布式目标,可以假设局部多像元的极化协方差矩阵之和满足复Wishart分布,从而发展出Wishart距离、Bartlett距离、RW距离、HLT距离、SRW距离等。其中,SRW距离是一种稳健的极化距离,其能够满足度量的对称性、正定性和同一性标准,其已经广泛应用到了谱聚类和图像分割等多种应用中。
上述方法均在特定的领域取得了较好的表现,但在实际应用中,仍存在计算效率低下、难以精准剔除复杂山地区域的阴影等问题,其在大范围制图的效率和精度有待提高。
中国专利申请CN 113567981 B公开了一种基于SAR影像的洪涝风险区自动提取方法。该专利使用的最大期望算法基于概率统计理论进行,并需要迭代计算,算法流程计算复杂度高,时效性差,不适用于大范围洪涝灾害监测;同时,该专利未考虑山体阴影影响,洪涝灾害检测结果中容易发生山体阴影误判。
中国专利CN 114219800 A公开了一种基于SAR图像的洪涝检测方法。该专利申请基于SAR影像进行洪涝灾害检测,未考虑多极化通道,洪涝灾害检测精度有限,较难满足现实中洪涝灾害区域精准提取的要求;同时,该专利申请基于灰度特征和纹理特征进行灾害检测,未考虑SAR影像的统计理论和乘性噪声特性,提出的变化检测因子不能很好适应SAR图像性质。
中国专利申请CN 107329139 A公开了一种双时相双极化干涉SAR影像水域提取方法。该专利申请基于干涉SAR特征提取水域,要求两景SAR影像具有较高配准精度,对数据预处理提出了更高的需求,限制了实际应用;同时,该专利申请所用到的方法和特征计算流程较为繁琐,计算复杂度较高,难以保证大范围洪涝灾害检测的时效性。
因此,本领域需要一种新的洪涝灾害快速检测方法。
发明内容
为解决现有技术中存在的计算效率低下、难以精准剔除复杂山地区域的阴影等技术问题,本发明提供一种基于双极化SAR影像的洪涝灾害快速检测方法,包括以下步骤:
步骤1,双极化SAR数据预处理:包括最终得到经过多视和滤波处理后的双极化协方差矩阵;
步骤2,双极化SRW距离差异图快速计算:所述SRW距离即对称改进Wishart距离,该步骤包括对步骤1中所述的双极化协方差矩阵进行矩阵运算,得到双极化时变SRW距离差异图,其中,双极化协方差矩阵中包括四个元素C 11、C 22、C 12_real 和C 12_imag ,其中C 12_real 和C 12_imag 两个元素表示C 12的实部和虚部,将所述四个元素分别存储为四个float32格式的bin文件,再将上述四个元素联合为协方差特征集,并表达为V:
基于上述四个元素,第个像素的双极化协方差矩阵表示为:
式中,、/>、/>和/>分别表示/>、b、c、d中的第/>个元素;
定义受灾前后两个时相的双极化协方差特征集分别为 ,通过下式生成时变差异图/>,
式中,为行列数等于影像大小的全1矩阵,/>,/>表示向量之间的点积。
步骤3,洪涝灾害区域初步提取;
步骤4,基于地形坡度邻域约束的山体阴影剔除和洪涝灾害检测结果输出。
在一种具体的实施方式中,步骤1 所述双极化SAR数据预处理具体包括对原始SAR复数影像进行热噪声去除、辐射定标和覆盖/条带拼接,并将预处理完成的同一轨道上多景影像拼接在一起,之后,通过散射矢量共轭相乘,生成双极化协方差矩阵文件后再进行多视和滤波处理。
在一种具体的实施方式中,在步骤1中,所述生成双极化协方差矩阵文件的过程包括将复散射矢量转换为双极化协方差矩阵/>:
,
式中,表示共轭转置,/>为样本多视平均运算。
在一种具体的实施方式中,所述步骤3包括基于灾后影像的后向散射系数及时变SRW距离和训练样本集,选取双极化后向散射系数阈值σ1和σ2,进而选取时变距离阈值d0,将提取水体进一步划分为变化水体和未变化水体。
在一种具体的实施方式中,步骤4所述基于地形坡度邻域约束的山体阴影剔除步骤包括,首先设置两个坡度阈值P1和P2且P1<P2,定义坡度小于P1的像元属于水体,其不会有山体阴影的影响,这一部分像元被称为强水体候选点,简称强候选点;坡度介于P1和P2的像元,属于水体或属于山体阴影,这一部分像元的坡度处于两类样本直方图分布的重叠区域,这一部分被称为弱水体候选点,简称弱候选点;之后,设置尺寸为w的矩形窗口,在每个弱候选点的邻域窗口内搜索是否存在强候选点,如果存在,则将该像元更新为强候选点;遍历所有弱候选点像元,基于邻域信息筛选出属于水体的像元;最后,合并两次提取的强候选点结果,以生成最终的水体区域。
在一种具体的实施方式中,步骤4所述检测结果输出包括将所述提取的强候选点结果从雷达坐标系转换到地理坐标系下并进行多轨道结果拼接,具体步骤为:首先,基于雷达回波时间长短和回波多普勒特性,计算像点的初始位置,生成斜距像素和地理像素的初始查找表;然后,基于DEM计算模拟SAR强度影像,与真实SAR强度影像进行匹配,得到匹配多项式,生成精细查找表,并基于该查找表完成图像定位,为每个SAR受灾检测结果影像像元赋予地理坐标;随后,将多轨道的结果进行拼接,得到最终的洪涝灾害检测结果。所述DEM(Digital elevation model)为数字高程模型,表示数字化后的地面地形高程产品。
在一种具体的实施方式中,所述设置两个坡度阈值P1和P2是根据坡度直方图进行设置的。
与现有技术相比,本发明具有以下有益效果:
本发明所述方法计算效率高,能提高大范围制图的效率,并能剔除复杂山地区域的阴影,进而提高了大范围雷达洪涝灾害检测的效率,避免了山体阴影导致的误检和漏检。
附图说明
图1为本发明的流程图;
图2为鄱阳湖流域受灾区域检测结果图,其中,(a)为鄱阳湖灾后水域变化结果,(b)为灾后水体扩张结果,(c)为灾后农田淹没结果。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进行详细说明,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本发明。
如图1~2所示,以Sentinel-1双极化星载SAR系统2021年5月下旬在江西境内鄱阳湖洪涝灾害变化检测为例,其中图2中1所指为洪涝灾害区域,2所指为河岸受灾区域,3所指为农田受灾区域,在该实施例中,包括如下步骤:
步骤1,双极化SAR数据预处理:对原始SAR复数影像进行热噪声去除、辐射定标和覆盖/条带拼接,并将处于同一轨道上预处理完成的多景影像拼接在一起,之后将复散射矢量转换为双极化协方差矩阵/>:
,
式中,表示共轭转置,/>为样本多视平均运算。其中,多视处理视数分别设置为5(距离向)和1(方位向),滤波方法采用精致Lee滤波,滤波窗口大小设置为5。
步骤2,双极化SRW距离差异图快速计算,所述SRW(Symmetric Revised Wishart)距离即对称改进Wishart距离,双极化协方差矩阵中包括四个元素C 11、C 22、C 12_real 和C 12_imag ,其中C 12_real 和C 12_imag 两个元素表示的实部和虚部,将上述四个元素存储为四个float32格式的bin文件。之后,将这四个元素联合为协方差特征集,并表达为/>:
基于上述四个元素,第个像素的双极化协方差矩阵表示为:
,
式中,、/>、/>和/>分别表示/>、b、c、d中的第/>个元素;
在矩阵满秩的情况下,的逆矩阵能够使用代数余子式和行列式的比值来表示。所以,其逆矩阵可以表达为:
,
式中,。由于任意两个Hermitian矩阵M和N相乘后求迹等价于M和N T 点积后再对矩阵所有元素求和,其中N T 为N的转置矩阵,即:
,
式中,表示向量之间的点积,/>表示对矩阵所有元素求和。因此,两个协方差矩阵之间对称改进Wishart距离被写作:
上述基于像素的距离公式很容易拓展为影像之间对应元素的运算。
定义受灾前后两个时相的双极化协方差特征集分别为 ,通过下式生成时变差异图/>,
式中,为行列数等于影像大小的全1矩阵,/>。
步骤3,洪涝灾害区域初步提取:基于灾后影像的后向散射系数及时变对称改进Wishart距离和训练样本集,选取双极化后向散射系数阈值σ1和σ2,进而选取时变距离阈值d0,将提取水体进一步划分为变化水体和未变化水体;
步骤4,基于地形坡度邻域约束的山体阴影剔除:首先设置两个坡度阈值P1和P2,其中,P1<P2,其可以根据坡度直方图进行设置。定义坡度小于P1的像元属于水体,其不会有山体阴影的影响,这一部分像元被称为强水体候选点,简称强候选点;坡度介于P1和P2的像元,属于水体或属于山体阴影,这一部分像元的坡度处于两类样本直方图分布的重叠区域,它们被称为弱水体候选点,简称弱候选点。之后,设置尺寸为w的矩形窗口,在每个弱候选点的邻域窗口内搜索是否存在强候选点,如果存在,则将该像元更新为强候选点。遍历所有弱候选点像元,基于邻域信息筛选出属于水体的像元。最后,合并两次提取的强候选点结果,以生成最终的水体区域;提取受灾区域后,对SAR坐标系下的受灾结果进行地理编码,基于雷达回波时间长短和回波多普勒特性,计算像点的初始位置,生成斜距像素和地理像素的初始查找表;然后,基于DEM计算模拟SAR强度影像,与真实SAR强度影像进行匹配,得到匹配多项式,生成精细查找表,并基于该查找表完成图像定位,为每个SAR受灾检测结果影像像元赋予地理坐标,并对多轨道结果进行拼接,输出地理坐标系下的最终农田洪涝检测结果。
以上内容是结合具体的优选实施方式对本发明作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演和替换,都应当视为属于本发明的保护范围。
Claims (7)
1.一种基于双极化SAR影像的洪涝灾害快速检测方法,其特征在于,包括以下步骤:
步骤1,双极化SAR数据预处理:包括最终得到经过多视和滤波处理后的双极化协方差矩阵;
步骤2,双极化SRW距离差异图快速计算:所述SRW距离即对称改进Wishart距离,该步骤包括对步骤1中所述的双极化协方差矩阵进行矩阵运算,得到双极化时变SRW距离差异图,其中,双极化协方差矩阵中包括四个元素C 11、C 22、C 12_real 和C 12_imag ,其中C 12_real 和C 12_imag 两个元素表示C 12的实部和虚部,将所述四个元素分别存储为四个float32格式的bin文件,再将上述四个元素联合为协方差特征集,并表达为V:
基于上述四个元素,第个像素的双极化协方差矩阵表示为:
式中,、/>、/>和/>分别表示/>、b、c、d中的第/>个元素;
定义受灾前后两个时相的双极化协方差特征集分别为 ,通过下式生成时变差异图/>,
式中,为行列数等于影像大小的全1矩阵,/>,/>表示向量之间的点积;
步骤3,洪涝灾害区域初步提取;
步骤4,基于地形坡度邻域约束的山体阴影剔除和洪涝灾害检测结果输出。
2.根据权利要求1所述的一种基于双极化SAR影像的洪涝灾害快速检测方法,其特征在于:步骤1所述双极化SAR数据预处理具体包括对原始SAR复数影像进行热噪声去除、辐射定标和覆盖/条带拼接,并将预处理完成的同一轨道上多景影像拼接在一起,之后,通过散射矢量共轭相乘,生成双极化协方差矩阵文件后再进行多视和滤波处理。
3.根据权利要求2所述的一种基于双极化SAR影像的洪涝灾害快速检测方法,其特征在于:在步骤1中,所述生成双极化协方差矩阵文件的过程包括将复散射矢量转换为双极化协方差矩阵/>:
,
式中,表示共轭转置,/>为样本多视平均运算。
4.根据权利要求1所述的一种基于双极化SAR影像的洪涝灾害快速检测方法,其特征在于:所述步骤3包括基于灾后影像的后向散射系数及时变SRW距离和训练样本集,选取双极化后向散射系数阈值σ1和σ2,进而选取时变距离阈值d0,将提取水体进一步划分为变化水体和未变化水体。
5.根据权利要求1所述的一种基于双极化SAR影像的洪涝灾害快速检测方法,其特征在于:步骤4所述基于地形坡度邻域约束的山体阴影剔除步骤包括,首先设置两个坡度阈值P1和P2且P1<P2,定义坡度小于P1的像元属于水体,其不会有山体阴影的影响,这一部分像元被称为强水体候选点,简称强候选点;坡度介于P1和P2的像元,属于水体或属于山体阴影,这一部分像元的坡度处于两类样本直方图分布的重叠区域,这一部分被称为弱水体候选点,简称弱候选点;之后,设置尺寸为w的矩形窗口,在每个弱候选点的邻域窗口内搜索是否存在强候选点,如果存在,则将该像元更新为强候选点;遍历所有弱候选点像元,基于邻域信息筛选出属于水体的像元;最后,合并两次提取的强候选点结果,以生成最终的水体区域。
6.根据权利要求5所述的一种基于双极化SAR影像的洪涝灾害快速检测方法,其特征在于:步骤4所述洪涝灾害检测结果输出包括将所述提取的强候选点结果从雷达坐标系转换到地理坐标系下并进行多轨道结果拼接,具体步骤为:首先,基于雷达回波时间长短和回波多普勒特性,计算像点的初始位置,生成斜距像素和地理像素的初始查找表;然后,基于DEM计算模拟SAR强度影像,与真实SAR强度影像进行匹配,得到匹配多项式,生成精细查找表,并基于该查找表完成图像定位,为每个SAR受灾检测结果影像像元赋予地理坐标;随后,将多轨道的结果进行拼接,得到最终的洪涝灾害检测结果。
7.根据权利要求5所述的一种基于双极化SAR影像的洪涝灾害快速检测方法,其特征在于:所述设置两个坡度阈值P1和P2是根据坡度直方图进行设置的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311594541.7A CN117310705B (zh) | 2023-11-28 | 2023-11-28 | 一种基于双极化sar影像的洪涝灾害快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311594541.7A CN117310705B (zh) | 2023-11-28 | 2023-11-28 | 一种基于双极化sar影像的洪涝灾害快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117310705A true CN117310705A (zh) | 2023-12-29 |
CN117310705B CN117310705B (zh) | 2024-02-09 |
Family
ID=89286829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311594541.7A Active CN117310705B (zh) | 2023-11-28 | 2023-11-28 | 一种基于双极化sar影像的洪涝灾害快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117310705B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960443A (zh) * | 2017-03-21 | 2017-07-18 | 民政部国家减灾中心 | 基于全极化时序sar图像的非监督变化检测的方法及装置 |
CN107329139A (zh) * | 2017-07-26 | 2017-11-07 | 邓少平 | 一种双时相双极化干涉sar影像水域提取方法 |
CN108257154A (zh) * | 2018-01-12 | 2018-07-06 | 西安电子科技大学 | 基于区域信息和cnn的极化sar图像变化检测方法 |
CN110349105A (zh) * | 2019-07-09 | 2019-10-18 | 中国人民解放军国防科技大学 | 结合上下文协方差矩阵的双极化sar图像相干斑滤波方法 |
CN110570462A (zh) * | 2019-09-12 | 2019-12-13 | 中山大学 | 基于极化雷达遥感影像的洪水淹没范围自动提取方法 |
US20210149929A1 (en) * | 2019-11-20 | 2021-05-20 | University Of Connecticut | Systems and methods to generate high resolution flood maps in near real time |
CN113567981A (zh) * | 2021-06-28 | 2021-10-29 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于sar影像的洪涝风险区自动提取方法 |
CN114219800A (zh) * | 2021-12-26 | 2022-03-22 | 中国电子科技集团公司第十四研究所 | 一种基于sar图像的洪涝检测方法 |
CN114359232A (zh) * | 2022-01-06 | 2022-04-15 | 中国人民解放军国防科技大学 | 一种基于上下文协方差矩阵的图像变化检测方法及装置 |
CN114519824A (zh) * | 2022-02-15 | 2022-05-20 | 中国电子科技集团公司第十四研究所 | 一种sar图像洪涝淹没区域的快速检测方法 |
US11521379B1 (en) * | 2021-09-16 | 2022-12-06 | Nanjing University Of Information Sci. & Tech. | Method for flood disaster monitoring and disaster analysis based on vision transformer |
CN115984778A (zh) * | 2023-01-09 | 2023-04-18 | 北京深蓝空间遥感技术有限公司 | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 |
-
2023
- 2023-11-28 CN CN202311594541.7A patent/CN117310705B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960443A (zh) * | 2017-03-21 | 2017-07-18 | 民政部国家减灾中心 | 基于全极化时序sar图像的非监督变化检测的方法及装置 |
CN107329139A (zh) * | 2017-07-26 | 2017-11-07 | 邓少平 | 一种双时相双极化干涉sar影像水域提取方法 |
CN108257154A (zh) * | 2018-01-12 | 2018-07-06 | 西安电子科技大学 | 基于区域信息和cnn的极化sar图像变化检测方法 |
CN110349105A (zh) * | 2019-07-09 | 2019-10-18 | 中国人民解放军国防科技大学 | 结合上下文协方差矩阵的双极化sar图像相干斑滤波方法 |
CN110570462A (zh) * | 2019-09-12 | 2019-12-13 | 中山大学 | 基于极化雷达遥感影像的洪水淹没范围自动提取方法 |
US20210149929A1 (en) * | 2019-11-20 | 2021-05-20 | University Of Connecticut | Systems and methods to generate high resolution flood maps in near real time |
CN113567981A (zh) * | 2021-06-28 | 2021-10-29 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于sar影像的洪涝风险区自动提取方法 |
US11521379B1 (en) * | 2021-09-16 | 2022-12-06 | Nanjing University Of Information Sci. & Tech. | Method for flood disaster monitoring and disaster analysis based on vision transformer |
CN114219800A (zh) * | 2021-12-26 | 2022-03-22 | 中国电子科技集团公司第十四研究所 | 一种基于sar图像的洪涝检测方法 |
CN114359232A (zh) * | 2022-01-06 | 2022-04-15 | 中国人民解放军国防科技大学 | 一种基于上下文协方差矩阵的图像变化检测方法及装置 |
CN114519824A (zh) * | 2022-02-15 | 2022-05-20 | 中国电子科技集团公司第十四研究所 | 一种sar图像洪涝淹没区域的快速检测方法 |
CN115984778A (zh) * | 2023-01-09 | 2023-04-18 | 北京深蓝空间遥感技术有限公司 | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 |
Non-Patent Citations (2)
Title |
---|
WU HAN等: "Flood Detection in Dual-Polarization SAR Images Based on Multi-Scale Deeplab Model", REMOTE SENSING * |
吴效勇;王晓青;丁玲;窦爱霞;陈子翰;: "基于光学与SAR影像的老挝溃坝洪涝灾害监测与评估", 灾害学, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN117310705B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | The potential of more accurate InSAR covariance matrix estimation for land cover mapping | |
Yin et al. | SLIC superpixel segmentation for polarimetric SAR images | |
CN110516646B (zh) | 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 | |
Liao et al. | Urban change detection based on coherence and intensity characteristics of SAR imagery | |
Zhu et al. | Robust registration of aerial images and LiDAR data using spatial constraints and Gabor structural features | |
CN115236655A (zh) | 基于全极化sar的滑坡识别方法、系统、设备及介质 | |
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 | |
CN116758049A (zh) | 一种基于主被动卫星遥感的城市洪涝立体监测方法 | |
Guo et al. | KD-tree-based euclidean clustering for tomographic SAR point cloud extraction and segmentation | |
Wang et al. | Modified statistically homogeneous pixels’ selection with multitemporal SAR images | |
Li et al. | Improvement of the feature tracking and patter matching algorithm for sea ice motion retrieval from SAR and optical imagery | |
CN114119621A (zh) | 基于深度编解码融合网络的sar遥感图像水域分割方法 | |
CN113408547A (zh) | 一种多时相多极化sar滑坡提取方法 | |
CN112989940A (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
CN117310705B (zh) | 一种基于双极化sar影像的洪涝灾害快速检测方法 | |
CN113822361B (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 | |
Zhao et al. | An automatic SAR-based change detection method for generating large-scale flood data records: the UK as a test case | |
CN112686871B (zh) | 基于改进对数比算子和Gabor_ELM的SAR图像变化检测方法 | |
Shi et al. | Intelligent perception of coseismic landslide migration areas along Sichuan–Tibet railway | |
Zhang et al. | Style transformation-based change detection using adversarial learning with object boundary constraints | |
CN117274821B (zh) | 顾及降雨影响的多极化sar农田洪涝检测方法与系统 | |
CN112766032A (zh) | 一种基于多尺度和超像素分割的sar图像显著图生成方法 | |
Saba et al. | Application of sub-pixel-based technique “orthorectification of optically sensed images and its correlation” for co-seismic landslide detection and its accuracy modification through the integration of various masks | |
Wang et al. | Saliency-driven target detection based on common visual feature clustering for multiple SAR images | |
Gao et al. | TVPol-Edge: An Edge Detection Method with Time-varying Polarimetric Characteristics for Crop Field Edge Delineation |
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 |