CN104157009A - 一种多源遥感影像质量定量比选方法 - Google Patents
一种多源遥感影像质量定量比选方法 Download PDFInfo
- Publication number
- CN104157009A CN104157009A CN201410415899.3A CN201410415899A CN104157009A CN 104157009 A CN104157009 A CN 104157009A CN 201410415899 A CN201410415899 A CN 201410415899A CN 104157009 A CN104157009 A CN 104157009A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- ratio
- parameter
- value
- 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种多源遥感影像质量定量比选方法,该方法包括有以下步骤:获取空间分辨率相近的多源遥感影像S1;消除大气和光照等因素影响S2;遥感影像分辨率均一化S3;遥感影像空间范围均一化S4;影像特征参数选择与计算S5;建立模型进行定量比选S6。本发明的效果是能够从众多传感器中筛选出满足工程需要且性价比高的遥感数据源,为工程地质遥感判释质量提供保障,以提高工程的安全性。
Description
技术领域
本发明涉及工程地质遥感判释技术,特别是涉及一种多源遥感影像质量定量比选方法。
背景技术
在工程地质遥感判释工作中,遥感影像的选择至关重要,对数据配准、融合、目标辨识、判释分析等后续处理和应用有很大影响。随着新型传感器平台的发展,遥感影像的种类和数量越来越多。不同传感器遥感影像的特征和适用范围也不同,分辨率相近的遥感影像性价比有时相差距大。根据工程需要,选择合适的遥感影像十分重要。遥感影像选取不当,就会造成数据精度达不到要求、判释困难及性价比低等问题,很大程度上限制了地质遥感技术的推广应用。
为了对工程应用中遥感影像质量进行有效控制,需要对其进行评价和比选。遥感影像评价包括定性和定量评价。目前,定性评价仍没有统一标准,主要根据个人经验进行主观判断,往往很难达到较好的效果;定量评价常用的指标,如均值、方差、相关系数、信息熵等单一指标,只能对影像进行简单的评价,不能对遥感影像性能和应用价值做出综合评价。目前,定量评价主要用于对单一数据进行分析,尚未实现对不同数据源的质量比选,很难达到工程地质遥感判释技术规范和标准的要求。
发明内容
针对现有技术进行遥感数据质量比选中存在的问题,本发明推出一种多源遥感影像质量定量比选方法,其目的在于,利用获取的空间分辨率相近的多源遥感影像,对其进行大气校正、分辨率均一化和空间范围均一化处理,分别计算影像特征参数,通过建立数学模型进行定量比选,用于工程应用遥感源的优选。
本发明涉及的一种多源遥感影像质量定量比选方法,技术步骤包括:获取空间分辨率相近的多源遥感影像,消除大气和光照等因素影响,遥感影像分辨率均一化,遥感影像空间范围均一化,影像特征参数选择与计算,建立模型进行定量比选。具体方法如下:
获取空间分辨率相近的多源遥感影像S1:获取空间分辨率相近的多传感器遥感影像,如空间分辨率相近的SPOT5、P5、ALOS及资源三号等传感器的全色影像,这些也是工程地质遥感判释常用遥感源;
消除大气和光照等因素影响S2:对步骤S1获取的多源遥感影像进行大气校正处理,以消除大气和光照等因素影响;
遥感影像分辨率均一化S3:对步骤S2得到的遥感影像进行处理,提取其分辨率属性信息,以分辨率数值最大值为基准,对其余影像数据进行重采样;
遥感影像空间范围均一化S4:获取多源影像的最小行数和列数,以其为基准,对步骤S3得到的数据分别进行裁剪;
影像特征参数选择与计算S5:针对步骤S4得到的影像,选择能够表征影像信息量大小、微小细节反差能力和信噪比的特征参数,并计算各个影像对应的特征参数值。特征参数可通过IDL平台编程计算;
建立模型进行定量比选S6:基于步骤S5得到的影像特征参数,建立比选模型,进行遥感影像质量比选。
优选的,所述的消除大气和光照等因素影响(S2)中,大气校正采用黑暗像元法,并以波段最小值作为暗像元。
优选的,所述的遥感影像空间范围均一化(S4)步骤中,确定空间范围均一化基准的方法为:查看遥感影像的头文件信息,标记每种影像的行数和列数。将得到的多源遥感影像行数和列数分别从大到小进行排序,以行数和列数的最小值为空间范围均一化基准。
优选的,上述遥感影像的处理在遥感图像处理软件中进行。
优选的,所述的影像特征参数选择与计算(S5)步骤中,影像特征参数选择为评价影像信息量大小的标准差和信息熵参数、评价影像清晰度的平均梯度参数、以及评价影像信噪比的信噪比参数。
优选的,所述的影像特征参数的计算方法为:
评价影像信息量大小的标准差和信息熵参数计算方法:
1)标准差(σ)
标准差(σ)反映了影像灰度相对于灰度平均值的离散情况。可用来评价影像信息量的大小。其计算公式为
式中,Z(xi,yi)为像元灰度值,z为灰度平均值,M、N分别为融合影像的总行、列数。σ值越大,则影像灰度级分布分散,影像的反差大,可以看出更多的信息;
2)信息熵(H)
信息熵(H)是评价影像信息量大小的一个重要指标,根据仙农信息论的原理,一幅灰度范围为N的影像的熵为
式中,Pi为影像像元灰度值为i的概率。H值越大,说明影像所含信息越丰富,质量越好;
评价影像清晰度的平均梯度参数计算方法:
3)平均梯度
平均梯度能够反映融合结果对影像微小细节反差的表达能力,表征影像的相对清晰度,公式为
式中,D(i,j)为融合影像第i行、j列的灰度值,M、N分别为融合影像的总行、列数。越大,说明影像越清晰;
评价影像信噪比的信噪比参数计算方法:
4)信噪比(S)
信噪比(S)能够表征影像受噪声影响的程度。信噪比可利用局域平均值与方差之比来计算。其计算过程如下:
(1)求影像灰度平均值
(2)对影像进行分块,一般将影像分解成4×4的小块得出的信噪比比较稳定可靠。选择4×4子窗口,求其局域方差σ2;
(3)求出局域方差极大值
(4)根据影像灰度平均值和局域方差极大值计算信噪比,公式如下:
优选的,上述特征参数的计算是基于IDL平台编程计算得到。
优选的,所述的建立模型进行定量比选(S6)方法为:
通过对各评价参数重要性的分析,确定各评价因素权重。其中,标准差σ权重为10%,信息熵H权重为20%,平均梯度权重为30%,信噪比S权重为40%。在确定各评价参数权重分配的基础上,建立多源遥感影像质量评价模型如下:
式中,Q为遥感影像质量评价参数,Q值越大说明遥感影像质量越好。
分别计算多源遥感影像的Q值,并按从大到小进行排序,得到多源遥感影像定量比选结果。
本发明具有的优点和积极效果是:
本发明能够从众多传感器中对遥感影像性能和应用价值做出综合评价,筛选出满足工程需要且性价比高的遥感数据源,为工程地质遥感判释质量提供保障,对工程应用中遥感影像质量进行有效控制,以提高工程的安全性。
附图说明
图1为本发明的一种多源遥感影像质量定量比选方法的流程图。
图中:
S1、获取空间分辨率相近的多源遥感影像,
S2、消除大气和光照等因素影响,
S3、遥感影像分辨率均一化,
S4、遥感影像空间范围均一化,
S5、影像特征参数选择与计算,
S6、建立模型进行定量比选。
图2为本发明实施例的遥感影像范围均一化结果图。
具体实施方式
下面结合附图和具体实施例对本发明的一种多源遥感影像质量定量比选方法做进一步说明。下述各实施例仅用于说明本发明而并非对本发明的限制。
图1为本发明的一种多源遥感影像质量定量比选方法的流程图。如图1所示,本发明所述的一种多源遥感影像质量定量比选方法,技术步骤包括:获取空间分辨率相近的多源遥感影像S1、消除大气和光照等因素影响S2、遥感影像分辨率均一化S3、遥感影像空间范围均一化S4、影像特征参数选择与计算S5、建立模型进行定量比选S6。具体实施方式如下:
S1、获取空间分辨率相近的多源遥感影像
获取空间分辨率相近的多传感器遥感影像,如分辨率为2.5m的SPOT5、P5、ALOS等卫星影像、分辨率为2.1m的资源三号卫星影像等。影像获取可通过代理公司或卫星地面站购买。
S2、消除大气和光照等因素影响
对步骤S1获取的多源遥感影像进行大气校正处理,以消除大气和光照等因素影响。
由于不可能得到同一时间获取的多源遥感影像,不同大气和光照条件会影响影像的信噪比和地物反射特征。对多源影像质量进行比选前,应对获取的多源遥感影像进行绝对大气校正处理,消除大气和光照等因素影响。常见的绝对大气校正方法有MORTRAN模型、LOWTRAN模型、ATCOR模型、黑暗像元法等。这里采用黑暗像元法进行大气校正,以波段最小值作为暗像元,此过程可在遥感图像处理软件中实现。
S3、遥感影像分辨率均一化
对步骤S2得到的遥感影像进行处理,提取其分辨率属性信息,以分辨率数值最大值为基准,对其余影像数据进行重采样。
①确定分辨率均一化基准
查看遥感影像的头文件信息,标记每种影像的分辨率(resolution)数值。将得到的多源遥感影像分辨率数值按从大到小进行排序,将最大值确定为分辨率均一化基准。
②数据重采样处理
根据确定的分辨率均一化基准,利用处理速度快、且不会改变原始栅格值的最邻近法,将分辨率与均一化基准不同的遥感影像进行重采样处理。此过程可在遥感图像处理软件中实现。如果影像分辨率与基准值相同,则不进行处理。
S4、遥感影像空间范围均一化
获取多源影像的最小行数和列数,以其为基准,对步骤S3得到的数据分别进行裁剪。
①确定空间范围均一化基准
查看遥感影像的头文件信息,标记每种影像的行数和列数。将得到的多源遥感影像行数和列数分别从大到小进行排序,以行数和列数的最小值为空间范围均一化基准。以确保比选范围尽可能大,最大程度反映影像整体特征。
②数据裁剪处理
根据确定的空间范围均一化基准,对大小不一的多源遥感影像进行裁剪处理,得到空间范围一致的遥感影像。此过程可在遥感图像处理软件中实现。
S5、影像特征参数选择与计算
针对步骤S4得到的影像,选择能够表征影像信息量大小、微小细节反差能力和信噪比的特征参数,并计算各个影像对应的特征参数值。特征参数可通过IDL平台编程计算。
①影像特征参数的选择
遥感影像质量可通过其包含的信息量的大小、信噪比和微小细节反差能力即清晰度等方面进行评价。所以遥感影像质量定量评价指标可分为三类:评价影像信息量大小的指标、评价影像清晰度的指标和评价影像信噪比的指标。综合利用这三类指标,可以客观公正地比较影像质量差异,并为影像的后续应用提供借鉴意义。
评价影像信息量大小的指标主要选用标准差和信息熵参数。标准差反映了影像灰度相对于灰度平均值的离散情况,可用来评价影像信息量的大小;信息熵能够反映影像包含地物信息的详细程度。
评价影像清晰度的指标主要选用平均梯度参数。平均梯度能够反映影像微小细节反差变化的速率,敏感地反映出影像对微小细节反差表达的能力,表征影像的相对清晰程度。
评价影像信噪比的指标主要选用信噪比参数。信噪比能够表征影像受噪声影响的程度。
②特征参数的计算方法
评价影像信息量大小的标准差和信息熵参数计算方法:
1)标准差(σ)
标准差(σ)反映了影像灰度相对于灰度平均值的离散情况。可用来评价影像信息量的大小。其计算公式为
式中,Z(xi,yi)为像元灰度值,z为灰度平均值,M、N分别为融合影像的总行、列数。σ值越大,则影像灰度级分布分散,影像的反差大,可以看出更多的信息。
2)信息熵(H)
信息熵(H)是评价影像信息量大小的一个重要指标,根据仙农信息论的原理,一幅灰度范围为N的影像的熵为
式中,Pi为影像像元灰度值为i的概率。H值越大,说明影像所含信息越丰富,质量越好。
评价影像清晰度的平均梯度参数计算方法:
3)平均梯度
平均梯度能够反映融合结果对影像微小细节反差的表达能力,表征影像的相对清晰度,公式为
式中,D(i,j)为融合影像第i行、j列的灰度值,M、N分别为融合影像的总行、列数。越大,说明影像越清晰。
评价影像信噪比的信噪比参数计算方法:
4)信噪比(S)
信噪比(S)能够表征影像受噪声影响的程度。信噪比可利用局域平均值与方差之比来计算。其计算过程如下:
(1)求影像灰度平均值
(2)对影像进行分块,一般将影像分解成4×4的小块得出的信噪比比较稳定可靠。选择4×4子窗口,求其局域方差σ2;
(3)求出局域方差极大值
(4)根据影像灰度平均值和局域方差极大值计算信噪比,公式如下:
S6、建立模型进行定量比选
基于步骤S5得到的影像特征参数,建立比选模型,进行遥感影像质量比选。
通过步骤S5影像特征参数选择,确定了评价影像信息量大小的标准差和信息熵参数、评价影像清晰度的平均梯度参数和评价影像信噪比的信噪比参数。通过对各评价参数重要性的分析,确定各评价因素权重见表1。其中,标准差σ权重为10%,信息熵H权重为20%,平均梯度权重为30%,信噪比S权重为40%。
表1遥感影像质量评价参数权重分配简表
在确定各评价参数权重分配的基础上,建立多源遥感影像质量评价模型如下:
式中,Q为遥感影像质量评价参数,Q值越大说明遥感影像质量越好。
分别计算多源遥感影像的Q值,并按从大到小进行排序,得到多源遥感影像定量比选结果。
下面通过实例对上述方法进行验证:
S1、获取空间分辨率相近的多源遥感影像
收集了蒙西至华中地区煤运通道黄土高原局部地区分辨率为2.5m的国外卫星全色影像(A和B),以及国内分辨率为2.1m的卫星全色影像(C)。这三种影像是工程地质遥感判释常用遥感源。影像云覆盖率均小于5%。
S2、消除大气和光照等因素影响
对步骤S1获取的A、B和C遥感影像进行大气校正处理,以消除大气和光照等因素影响。基于ENVI遥感图像处理软件,利用黑暗像元法进行大气校正。三种影像的大气校正均以波段最小值作为暗像元。
S3、遥感影像分辨率均一化
对步骤S2得到的遥感影像进行处理,提取其分辨率属性信息,以分辨率数值最大值为基准,对其余影像数据进行重采样。
通过对两种影像头文件信息的读取,得到A影像和B影像分辨率为2.5m,C影像分辨率为2.1m。确定2.5m为分辨率均一化基准。在ENVI遥感图像处理软件中,利用最邻近法将C影像按照2.5m基准进行重采样处理。
S4、遥感影像空间范围均一化
获取多源影像的最小行数和列数,以其为基准,对步骤S3得到的数据进行裁剪。
①确定空间范围均一化基准
在ENVI遥感图像处理软件中,查看遥感影像的头文件信息,得到A影像的行/列数为14000/29334;B影像行/列数为24001/29955;C影像行/列数为20553/20602。将得到的多源遥感影像行数和列数分别从大到小进行排序,以行数和列数的最小值14000/20602为空间范围均一化基准。
②数据裁剪处理
根据确定的空间范围均一化基准,对大小不一的多源遥感影像进行裁剪处理,得到空间范围一致的遥感影像,结果见图2。
S5、影像特征参数选择与计算
针对步骤S4得到的影像,选择能够表征影像信息量大小、微小细节反差能力和信噪比的特征参数,并计算各个影像对应的特征参数值。
针对选取的标准差、信息熵、平均梯度和信噪比参数,根据具体实施方式中提供的计算公式和步骤,基于IDL平台编程进行计算。
通过编程计算,得到A、B和C影像的标准差、信息熵、平均梯度和信噪比参数结果,见下表:
表2多源遥感影像特征参数计算结果
S6、建立模型进行定量比选
基于步骤S5得到的影像特征参数,建立比选模型,进行遥感影像质量比选。
通过步骤S5影像特征参数选择,确定了评价影像信息量大小的标准差和信息熵参数、评价影像清晰度的平均梯度参数和评价影像信噪比的信噪比参数。并计算了A、B和C影像的特征参数值。
在确定各评价参数权重分配的基础上(表1),利用公式(5)分别计算多源遥感影像的Q值,得到:A影像Q值为12.963;B影像Q值为6.736;C影像Q值为10.411。从Q值计算结果看,A影像质量最好,C影像次之,B影像Q值最低。因此在本区域工程应用中应优先选用A影像,其次考虑C影像。
通过实例分析可见,本发明能够从众多传感器中筛选出满足工程需要且性价比高的遥感数据源,为工程地质遥感判释质量提供保障,以提高工程的安全性。
Claims (8)
1.一种多源遥感影像质量定量比选方法,其特征是:该方法包括有以下步骤:
获取空间分辨率相近的多源遥感影像(S1):获取空间分辨率相近的多传感器遥感影像;
消除大气和光照等因素影响(S2):对步骤(S1)获取的多源遥感影像进行大气校正处理,以消除大气和光照等因素影响;
遥感影像分辨率均一化(S3):对步骤(S2)得到的遥感影像进行处理,提取其分辨率属性信息,以分辨率数值最大值为基准,对其余影像数据进行重采样;
遥感影像空间范围均一化(S4):获取多源影像的最小行数和列数,以其为基准,对步骤(S3)得到的数据分别进行裁剪;
影像特征参数选择与计算(S5):针对步骤(S4)得到的影像,选择能够表征影像信息量大小、微小细节反差能力和信噪比的特征参数,并计算各个影像对应的特征参数值;
建立模型进行定量比选(S6):基于步骤(S5)得到的影像特征参数,建立比选模型,进行遥感影像质量比选。
2.根据权利要求1所述的一种多源遥感影像质量定量比选方法,其特征是:所述的消除大气和光照等因素影响(S2)中,大气校正采用黑暗像元法,并以波段最小值作为暗像元。
3.根据权利要求1所述的一种多源遥感影像质量定量比选方法,其特征是:所述的遥感影像空间范围均一化(S4)步骤中,确定空间范围均一化基准的方法为:查看遥感影像的头文件信息,标记每种影像的行数和列数。将得到的多源遥感影像行数和列数分别从大到小进行排序,以行数和列数的最小值为空间范围均一化基准。
4.根据权利要求1至3任一项所述的一种多源遥感影像质量定量比选方法,其特征是:所述遥感影像的处理在遥感图像处理软件中进行。
5.根据权利要求1所述的一种多源遥感影像质量定量比选方法,其特征是:所述的影像特征参数选择与计算(S5)步骤中,影像特征参数选择为评价影像信息量大小的标准差和信息熵参数、评价影像清晰度的平均梯度参数、以及评价影像信噪比的信噪比参数。
6.根据权利要求5所述的一种多源遥感影像质量定量比选方法,其特征是:所述的影像特征参数的计算方法为:
评价影像信息量大小的标准差和信息熵参数计算方法:
1)标准差(σ)
标准差(σ)反映了影像灰度相对于灰度平均值的离散情况。可用来评价影像信息量的大小。其计算公式为
式中,Z(xi,yi)为像元灰度值,为灰度平均值,M、N分别为融合影像的总行、列数。σ值越大,则影像灰度级分布分散,影像的反差大,可以看出更多的信息;
2)信息熵(H)
信息熵(H)是评价影像信息量大小的一个重要指标,根据仙农信息论的原理,一幅灰度范围为N的影像的熵为
式中,Pi为影像像元灰度值为i的概率。H值越大,说明影像所含信息越丰富,质量越好;
评价影像清晰度的平均梯度参数计算方法:
3)平均梯度
平均梯度能够反映融合结果对影像微小细节反差的表达能力,表征影像的相对清晰度,公式为
式中,D(i,j)为融合影像第i行、j列的灰度值,M、N分别为融合影像的总行、列数。越大,说明影像越清晰;
评价影像信噪比的信噪比参数计算方法:
4)信噪比(S)
信噪比(S)能够表征影像受噪声影响的程度。信噪比可利用局域平均值与方差之比来计算。其计算过程如下:
(1)求影像灰度平均值
(2)对影像进行分块,一般将影像分解成4×4的小块得出的信噪比比较稳定可靠。选择4×4子窗口,求其局域方差σ2;
(3)求出局域方差极大值
(4)根据影像灰度平均值和局域方差极大值计算信噪比,公式如下:
。
7.根据权利要求1、5、6任一项所述的一种多源遥感影像质量定量比选方法,其特征是:所述特征参数的计算是基于IDL平台编程计算得到。
8.根据权利要求1所述的一种多源遥感影像质量定量比选方法,其特征是:所述的建立模型进行定量比选(S6)方法为:
通过对各评价参数重要性的分析,确定各评价因素权重。其中,标准差σ权重为10%,信息熵H权重为20%,平均梯度权重为30%,信噪比S权重为40%。在确定各评价参数权重分配的基础上,建立多源遥感影像质量评价模型如下:
式中,Q为遥感影像质量评价参数,Q值越大说明遥感影像质量越好。
分别计算多源遥感影像的Q值,并按从大到小进行排序,得到多源遥感影像定量比选结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410415899.3A CN104157009A (zh) | 2014-08-21 | 2014-08-21 | 一种多源遥感影像质量定量比选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410415899.3A CN104157009A (zh) | 2014-08-21 | 2014-08-21 | 一种多源遥感影像质量定量比选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104157009A true CN104157009A (zh) | 2014-11-19 |
Family
ID=51882497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410415899.3A Pending CN104157009A (zh) | 2014-08-21 | 2014-08-21 | 一种多源遥感影像质量定量比选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104157009A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046703A (zh) * | 2015-07-10 | 2015-11-11 | 南京信息工程大学 | 一种图像解析大气能见度方法 |
CN106022790A (zh) * | 2016-05-09 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 一种定量遥感产品真实性检验*** |
CN107292230A (zh) * | 2017-05-09 | 2017-10-24 | 华南理工大学 | 基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法 |
CN107832944A (zh) * | 2017-11-07 | 2018-03-23 | 龚土婷 | 一种自然灾害风险监测*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030186663A1 (en) * | 2002-03-26 | 2003-10-02 | Hai-Wen Chen | Method and system for multi-sensor data fusion |
CN103268602A (zh) * | 2013-04-24 | 2013-08-28 | 国家测绘地理信息局卫星测绘应用中心 | 一种光学遥感影像质量综合评价方法 |
-
2014
- 2014-08-21 CN CN201410415899.3A patent/CN104157009A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030186663A1 (en) * | 2002-03-26 | 2003-10-02 | Hai-Wen Chen | Method and system for multi-sensor data fusion |
CN103268602A (zh) * | 2013-04-24 | 2013-08-28 | 国家测绘地理信息局卫星测绘应用中心 | 一种光学遥感影像质量综合评价方法 |
Non-Patent Citations (5)
Title |
---|
刘桂卫等: "铁路地质判释遥感图像融合算法优选与应用", 《铁道工程学报》 * |
蒋少华: "多源图像处理关键技术研究", 《中国博士学位论文全文数据库(信息科技辑)》 * |
邓书斌: "《ENVI遥感图像处理方法》", 30 June 2010 * |
郑伟等: "遥感图像大气校正的黑暗像元法", 《国土资源遥感》 * |
魏宏伟: "HJ-1A卫星不同CCD数据比对即归一化研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046703A (zh) * | 2015-07-10 | 2015-11-11 | 南京信息工程大学 | 一种图像解析大气能见度方法 |
CN106022790A (zh) * | 2016-05-09 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 一种定量遥感产品真实性检验*** |
CN107292230A (zh) * | 2017-05-09 | 2017-10-24 | 华南理工大学 | 基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法 |
CN107292230B (zh) * | 2017-05-09 | 2020-07-28 | 华南理工大学 | 基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法 |
CN107832944A (zh) * | 2017-11-07 | 2018-03-23 | 龚土婷 | 一种自然灾害风险监测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ji et al. | An agreement coefficient for image comparison | |
Vargo et al. | Anthropogenic warming forces extreme annual glacier mass loss | |
Wang et al. | Characterizing the spatial dynamics of land surface temperature–impervious surface fraction relationship | |
CN101923711B (zh) | 基于邻域相似性及掩模增强的sar图像变化检测方法 | |
CN101915914B (zh) | 一种基于查找表的遥感影像逐像元大气校正方法 | |
CN110929607A (zh) | 一种城市建筑物施工进度的遥感识别方法和*** | |
CN107239795A (zh) | 基于稀疏自编码器和卷积神经网络的sar图像变化检测***及方法 | |
US20110200249A1 (en) | Surface detection in images based on spatial data | |
CN102706876B (zh) | 固体污染源区域的监测方法和装置以及数据处理设备 | |
DeWitt et al. | Creating high-resolution bare-earth digital elevation models (DEMs) from stereo imagery in an area of densely vegetated deciduous forest using combinations of procedures designed for lidar point cloud filtering | |
CN109974665A (zh) | 一种针对缺少短波红外数据的气溶胶遥感反演方法及*** | |
CN109543616B (zh) | 一种震后目标实物的损毁评估方法、装置、设备及介质 | |
CN104157009A (zh) | 一种多源遥感影像质量定量比选方法 | |
Rutzinger et al. | Accuracy of automatically extracted geomorphological breaklines from airborne LiDAR curvature images | |
CN106157292A (zh) | 基于两时相遥感图像的国土资源变化监测 | |
Umili et al. | In situ block size distribution aimed at the choice of the design block for rockfall barriers design: A case study along gardesana road | |
CN102360503A (zh) | 基于空间贴近度和像素相似性的sar图像变化检测方法 | |
CN103065320A (zh) | 基于恒虚警阈值的sar图像变化检测方法 | |
CN103279950A (zh) | 一种基于行列噪声标准差的遥感图像信噪比评估方法 | |
CN106022354A (zh) | 基于svm的图像mtf测量方法 | |
CN112906659A (zh) | 基于虚拟样本的遥感影像变化检测方法 | |
CN106296630A (zh) | 一种站点lai观测在遥感产品像元尺度内空间代表性评价方法 | |
Sefercik et al. | Area-based quality control of airborne laser scanning 3D models for different land classes using terrestrial laser scanning: sample survey in Houston, USA | |
CN108957594B (zh) | 一种商遥卫星轨道总云量预报修正方法及修正*** | |
CN113761098B (zh) | 大气污染热点网格的获取方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141119 |
|
RJ01 | Rejection of invention patent application after publication |