CN110516646B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110516646B CN110516646B CN201910821318.9A CN201910821318A CN110516646B CN 110516646 B CN110516646 B CN 110516646B CN 201910821318 A CN201910821318 A CN 201910821318A CN 110516646 B CN110516646 B CN 110516646B
- Authority
- CN
- China
- Prior art keywords
- image
- glacier
- area
- polarization
- scattering
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及结合极化分解与地形特征的表碛覆盖型冰川识别方法,首先根据雷达散射矩阵S计算相干矩阵T,然后通过极化分解和地理编码得到极化分解特征、局部入射角以及雷达波束与坡向之间的夹角δ,其中多个极化分解特征主成分分析后与局部入射角合成待分类影像,δ按照60度为单位分割得到小(S)、中(M)、大(L)三个区的矢量文件。其次,分割光学影像得到地类样本矢量,裁剪待分类影像计算样本值。最后对待分类影像执行SVM分类算法,识别表碛覆盖型冰川。与传统方法相比,本发明使用的极化分解特征与冰川表面物理属性密切相关,而分区执行分类可以有效减弱地形造成的误分,进一步细化冰川区分类和提高识别精度。
Description
技术领域
本发明涉及极化分解特征和雷达波束与坡向夹角信息的SAR影像表碛覆盖型冰川识别方法,属于遥感地学应用技术领域。
背景技术
随着世界气候不断变化和极端天气的频繁发生,人们越来越关注气候对地球上冰冻圈的影响,尤其是冰川,它们是气候变化的重要指标。利用遥感的方法进行冰川识别对于了解冰川资源,分析全球气候变化具有重要意义。但是光学影像受天气条件的制约,而冰川区一年有大部分的时间都是有云层覆盖,且光学影像只能识别部分洁净冰川,热红外影像同样会受到云层的影响。光学影像识别冰川的机理是冰川表面对太阳辐射的反射,但是异物同谱和同物异谱的现象容易导致冰川区的错分,尤其是表碛覆盖型冰川的光谱特征与岩石相似。但是微波具有穿透性,对于较薄的表碛,雷达波束可以穿透表碛,获得表碛下冰川的信息,其具有一定的体散射特征,这是岩石表面所不具备的,极化分解将SAR影像中获取散射信息分解为具有物理意义的简单散射分量,因此,发明人考虑可以将这一特点作为识别冰川的特征。
发明内容
本发明要解决的技术问题是:克服现有技术缺点,提出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,能够较准确、完整地识别出冰川,尤其是表碛覆盖冰川区,可以达到比较好的识别效果。
为了解决上述技术问题,本发明提出的技术方案是:结合极化分解与地形特征的表碛覆盖型冰川识别方法,包括以下步骤:
第一步、读取SAR影像的散射矩阵后计算相干矩阵,然后对相干矩阵进行极化滤波和方位向校正;
第二步、对相干矩阵实施极化分解,得到表面散射、体散射、二面角散射、散射熵、各向异性和平均散射角共6种极化分解特征;
第三步、根据数字高程模型ASTER GDEM得到研究区各像元的坡度和坡向,并对研究区的六种极化分解特征进行地理编码,得到各像元的局部入射角,随即获得局部入射角影像,结合传感器轨道倾角和各像元的坡向,计算雷达波束与各像元坡向之间的夹角信息,根据所述夹角信息按照从小到大将SAR影像分为多个区域;
第四步、将6个极化分解特征进行多波段合成,得到一个由6个波段组成的多波段特征影像,对其进行主成分分析,所述局部入射角影像作为一个波段与主成分分析结果组合,得到一个多波段影像并作为待分类影像;
第五步、对同时期的光学遥感影像进行面向对象多尺度分割,按照积雪、裸冰、表碛、岩石这四个地物类型对分割结果进行目视解译,选取若干对应地物类型的矢量数据作为该地物类型的样本边界矢量,所述矢量数据为多边形矢量数据;
第六步、首先利用不同地物类型样本边界矢量裁剪所述待分类影像,得到研究区内的分类样本集,包括积雪、裸冰、表碛、岩石四种地物类型样本,然后在SAR影像中选取强后向散射区作为无效数据区样本,共得到五种地类的样本;
第七步、根据第三步中SAR影像分成的多个区域对待分类影像和五种地类的样本进行裁剪,得到每个区域的待分类影像和对应的多种地类样本;
第八步、针对待分类影像的每个区域,使用区域中样本进行分类器训练,并且利用训练后的分类器对待分类影像的该区域进行分类,最终得到待分类影像每个区域的分类结果;
第九步、将待分类影像不同区域的分类结果进行合并,得到最终的冰川识别结果,包括积雪、裸冰、表碛和岩石,其中,积雪、裸冰和表碛为冰川区,岩石为非冰川区。
本方法L波段的全极化ALOS -2数据,结合ASTER GDEM数据和Landsat 8 OLI数据对表碛覆盖型冰川进行识别,首先对ALOS-2全极化数据进行预处理得到相干矩阵,通过极化分解和地理编码得到各种极化分解特征并做主成分分析,将主成分分析结果和局部入射角组合成多波段影像作为待分类影像;其次对Landsat 8 OLI数据进行面向对象多尺度分割,从中选择不同地类样本的边界矢量,裁剪组合后的SAR影像得到分类样本库;最后利用传感器的轨道倾角和ASTER GDEM数据将冰川区划分为多个区域矢量,裁剪待分类影像和训练样本库,训练各区域各自的SVM分类模型并分别执行,得到积雪、裸冰、表碛、岩石等类别。与传统方法相比,本发明引入极化SAR目标分解技术,获取了比后向散射更有意义的信息,且分区执行分类可以有效减弱地形造成的误分,对山地表碛覆盖型冰川的识别更准确和高效,在执行分类模型过程中本发明提出的方法得到的结果更加合理。
本发明结合极化分解与地形特征的表碛覆盖型冰川识别方法,还具有如下改进:
1、所述第一步中,第一步中,对相干矩阵进行Improved Lee Sigma极化滤波,去除影像中的噪声的同时保留更多极化信息,最后进行方位向矫正,削弱地形起伏对电磁波极化特征的影响。
2、所述第二步中,对相干矩阵采用Freeman-Durden分解,得到以下三个极化分解特征:表面散射、体散射和二面角散射,对相干矩阵采用H/A/α分解得到以下三个极化分解特征:散射熵、各向异性和平均散射角。
3、所述第三步中,使用经重采样到30m空间分辨率的ASTER GDEM数据对极化分解特征进行地理编码。
4、所述第三步中,计算雷达波束与各像元坡向之间的夹角信息,根据所述夹角信息按照0-60度,60-120度,120-180度将SAR影像分为小、中、大三个区域。
5、所述第三步中,计算雷达波束与各像坡向之间的夹角及分区方法如下:
步骤a、利用ASTER GDEM数据计算各像元的坡向;
步骤b、ALOS-2传感器的轨道倾角为97.16°,将二维坐标轴逆时针旋转7.16°,以旋转后的二维坐标轴为基准,X轴表示雷达波束的传播方向,Y轴表示传感器的运行方向;
步骤c、以X轴为中心,分别在逆时针和顺时针方向按照60度间隔,依次划分小、中、大区域,即坡向22.84°-142.84°属于小区域,坡向0-22.84°,142.84°-202.84°,322.84°-360°之间属于中区域,坡向202.84°-322.84°之间属于大区域;
步骤d、统计SAR影像空间范围内每个像素的坡向,对于属于不同区域的像素分别进行对应的赋值,然后将坡向栅格数据按照赋予的值分别转换为矢量数据,得到SAR影像的三个区域空间范围的矢量文件。
6、所述第七步中,针对待分类影像的每个区域,选取样本的70%作为训练样本,建立SVM分类模型,剩余的30%作为检验样本,分别执行分类,得到各区域的分类结果。
7、所述第七步中,执行分类后处理,包括:剔除小图斑,进行精度评价,改进分类效果;其中,精度评价若不满足分析要求,则重新选择样本,重新分类,直到精度评价结果符合分析要求。
本发明利用全极化ALOS -2数据,结合ASTER GDEM数据和Landsat 8 OLI数据对研究区进行分类,识别冰川区不同地表类型。本发明识别方法由于采用极化分解特征,分类的特征空间中加入了局部入射角特征,按照雷达波束与坡向的角度不同,分别训练和执行分类模型,因此对于冰川表碛和冰川两侧的岩石有了比较好的区分,该方法对于表碛覆盖型冰川的识别比较准确。由于没有使用额外雷达数据进行干涉测量,而且对于双极化数据也可以实现极化分解,ENVISAT ASAR,Sentinel-1A等公开免费的双极化数据数据获取方便,因此方法可操作性强,易于推广。
由于山区地形对微波成像的影响较大,常常造成透视收缩,叠掩等现象,不利于影像解译,因此需要考虑地形对分类的影响。传统的分类方法是尽可能多的选择不同的训练样本进行分类,这在训练分类模型容易造成误判,得到的结果并不理想,因此本发明提出一种按照雷达波束与坡向夹角分区建立分类模型的方法,这样可以尽可能地将地形对SAR影像解译的问题集中,简化分类建模,得到的分类结果更加合理,效果更好。
综上,本发明针对表碛覆盖型冰川,利用极化分解特征和局部入射角信息,按照雷达波束与坡向夹角分区建立并实施分类模型,提出识别表碛覆盖型冰川的方法。该方法可使用各种免费公开的、易于获得的ENVISAT ASAR数据、Sentinel数据,ASTER GDEM数据,以较高精度完成表碛覆盖型冰川的识别。与传统方法相比,该方法采用了极化分解特征数据,使得在光学影像、雷达后向散射系数以及干涉相干系数中难以区分的冰川上的岩屑和岩石可以有效地区分开来,另外,本发明采用的按照雷达波束与坡向夹角分区建立分类模型方法的结果更加合理,更加符合实际情况。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明表碛覆盖型冰川识别方法的流程图。
图2是ALOS-2数据极化分解特征示意图。
图3是局部入射角和雷达波束与坡向夹角分区示意图。
图4是研究区Landsat 8影像。
图5是Landsat8 OLI数据多尺度分割结果示意图。
图6是研究区分类结果图。
图7是分类结果对比图。
具体实施方式
下面根据附图详细阐述本发明,使本发明的目的和效果变得更加明显。
如图1所示,为本实施例结合极化分解与地形特征的表碛覆盖型冰川识别方法流程图,具体步骤如下:
第一步、读取SAR影像的散射矩阵后计算相干矩阵,然后对相干矩阵进行ImprovedLee Sigma极化滤波,去除影像中的噪声,最后进行方位向矫正,削弱地形起伏对电磁波极化特征的影响。
本步骤中,相干矩阵是对散射矩阵通过平均计算的方式去除***噪声的影响,Improved Lee Sigma极化滤波则是可以在减弱噪声的过程中保留更多的极化信息。
第二步、实施极化分解,主要采用Freeman-Durden, H/A/α极化分解,分别得到表面散射,体散射,二面角散射,散射熵,各向异性以及平均散射角共6种极化分解特征。
极化分解可以分为相干分解,非相干分解两大类,这里均采用非相干分解,其中Freeman-Durden分解是基于相干矩阵进行的分解,分解结果由3个简单的散射矩阵组成,分别代表表面散射,体散射和二面角散射,这些散射矩阵分别对应不同的散射机制,是冰川识别的基础与关键。H/A/α分解则是对相干矩阵进行了特征值分析,在此基础上分解出散射熵,各向异性以及平均散射角,其中散射熵代表散射目标信息量的大小,从0到1表示像素内的散射目标逐渐增多,当散射熵逐渐增大的时候,说明像素内除了主要的散射体外还存在其他的散射体,各向异性就是衡量这些散射体在整个像素中的比重的指标。平均散射角是用于衡量主要散射机制的指标,平均散射角取0度时,表示散射目标属于表面漫散射,当取值为45度时,此时散射机制对应体散射机制,当取值90度时对应二面角造成的偶次散射机制(结果示意图见图2)。
第三步、根据数字高程模型ASTER GDEM得到研究区各像元的坡度和坡向,并对研究区的六种极化分解特征进行地理编码,得到各像元的局部入射角,随即获得局部入射角影像。结合传感器轨道倾角和各像元的坡向,计算雷达波束与各像元坡向之间的夹角信息,根据夹角按照0-60度,60-120度,120-180度将SAR影像分为小(S)、中(M)、大(L)三个区域。也可以根据角度从小到大分化为4个区域。分多个区域处理的目的在于:避免地形造成的极化方式改变对冰川识别的影响,但是不建议划分区域的数量大于4,这是因为会增加工作量造成过度分类。
本步骤中,首先根据数字高程模型ASTER GDEM(先进星载热发射和反射辐射仪全球数字高程模型)对分解的极化特征进行地理编码,同时获得局部入射角(结果示意图见图3),并得到坡向数据。然后根据ALOS官网提供的传感器轨道倾角,将二维坐标系逆时针旋转7.16度,以旋转后的二维坐标轴为基准,X轴方向表示雷达波束的传播方向,Y轴方向表示传感器的运行方向。以X轴方向为中心,分别在逆时针和顺时针方向按照60度间隔,依次划分小(S)、中(M)、大(L)区域,即坡向22.84°-142.84°为属于S区域,坡向0-22.84°,142.84°-202.84°,322.84°-360°之间属于M区域,坡向202.84°-322.84°之间属于L区域。统计SAR影像空间范围内每个像素的坡向信息,对于属于不同小(S)、中(M)、大(L)区域的像素将其值分别赋予1,2,3值,然后在Arcgis中将坡向栅格数据按照赋予的值分别转换为矢量数据,得到SAR影像的小(S)、中(M)、大(L)区空间范围的矢量文件(结果示意图见图3)。
第四步、将6个极化分解特征在ENVI中进行多波段合成,得到一个由6个波段组成的多波段特征影像,对其进行主成分分析,然后将结果与局部入射角影像再次组合为多波段影像,作为待分类影像。
本步骤中,考虑到极化分解特征之间可能存在相关性,因此首先对合成后的多波段影像进行主成分分析,即降低数据维度,又可以有效的去除冗余度。然后将局部入射角作为额外的特征与主成分分析后的影像组合。
第五步、对研究区Landsat 8影像(图4)进行面向对象多尺度分割,分割尺度为150,按照积雪、裸冰、表碛、岩石这四个地物类型对分割结果进行目视解译,选取若干对应地物类型的矢量数据作为该地物类型的样本边界矢量,其中,矢量数据为多边形矢量数据。
本步骤中,考虑到SAR影像的可解译性较差,在选择训练样本时可能存在人为误差,因此考虑利用可视性更好的光学影像。对Landsat 8 OLI影像进行面向对象多尺度分割(结果示意图见图5),其优势是可以综合考虑光谱特征和纹理特征对影像进行不同尺度的进行分割。然后从分割后的矢量文件中,按照不同地物类型随机选择对应的矢量集作为该类的样本边界。
第六步、首先利用不同地物类型样本边界矢量裁剪所述待分类影像,得到研究区内的分类样本集,包括积雪、裸冰、表碛、岩石四种地物类型样本,然后在SAR影像中选取强后向散射区作为无效数据区样本,共得到五种地类的样本。
本步骤中,需要将选取的样本边界矢量与SAR数据调整到同一个坐标系中,然后利用不同地类的样本边界裁剪待分类的SAR特征影像,可以得到不同地类的训练样本集,每种样本集都包括极化分解特征以及局部入射角信息。
第七步、根据第三步中SAR影像分成的多个区域对待分类影像和五种地类的样本进行裁剪,得到小(S)、中(M)、大(L)区域的待分类影像和对应区域的样本数据。
本步骤中,根据计算的雷达波束与坡向夹角分区矢量数据,再次裁剪所有待分类影像和样本,这样对于小(S)、中(M)、大(L)区域都有各自的待分类影像和对应的训练样本。
第八步、在小(S)、中(M)、大(L)区域中,分别选取样本的70%作为训练样本,建立SVM分类模型,剩余的30%作为检验样本,分别得到3个SVM模型,分别执行分类,得到不同区域的分类结果。
本步骤中,考虑到使用多种极化分解特征,并使用了局部入射角信息,因此传统的分类模型不能适应这种多维度信息,这里考虑使用机器学习分类模型SVM分类方法。根据雷达波束与坡向夹角的不同分区,分别利用核函数进行one vs all的分类。这样在每个分区内进行的分类都可以避免地形变化对分类模型精度的影响。
第九步、执行分类后处理,剔除小斑块,执行精度评价,改进分类效果,最后不同分区的结果合并,得到最终的冰川识别结果,包括积雪、裸冰、表碛、岩石(结果示意图见图6)。其中,积雪、裸冰和表碛为冰川区,岩石为非冰川区。
本步骤中,考虑到即使分类精度很高,但还是会存在部分像元的错分,以及小图斑的存在,因此需要对这些像元进行小图斑去除以及聚类处理。
如图7所示为是分类结果对比图。左侧围分区分类结果图,右侧为未分区分类的结果图。从图中可以看出:分区分类可以识别冰舌末端的表碛,而在未分区分类则受到地形影响被分为岩石类。本发明采用分区分类,其分类精度更好。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (7)
1.结合极化分解与地形特征的表碛覆盖型冰川识别方法,包括以下步骤:
第一步、读取SAR影像的散射矩阵后计算相干矩阵,然后对相干矩阵进行极化滤波和方位向校正;
第二步、对相干矩阵实施极化分解,得到表面散射、体散射、二面角散射、散射熵、各向异性和平均散射角共6种极化分解特征;
第三步、根据数字高程模型ASTER GDEM得到研究区各像元的坡度和坡向,并对研究区的六种极化分解特征进行地理编码,得到各像元的局部入射角,随即获得局部入射角影像,结合传感器轨道倾角和各像元的坡向,计算雷达波束与各像元坡向之间的夹角信息,根据所述夹角信息按照从小到大将SAR影像分为多个区域;
第四步、将6个极化分解特征进行多波段合成,得到一个由6个波段组成的多波段特征影像,对其进行主成分分析,所述局部入射角影像作为一个波段与主成分分析结果组合,得到一个多波段影像并作为待分类影像;
第五步、对同时期的光学遥感影像进行面向对象多尺度分割,按照积雪、裸冰、表碛、岩石这四个地物类型对分割结果进行目视解译,选取若干对应地物类型的矢量数据作为该地物类型的样本边界矢量,所述矢量数据为多边形矢量数据;
第六步、首先利用不同地物类型样本边界矢量裁剪所述待分类影像,得到研究区内的分类样本集,包括积雪、裸冰、表碛、岩石四种地物类型样本,然后在SAR影像中选取强后向散射区作为无效数据区样本,共得到五种地类的样本;
第七步、根据第三步中SAR影像分成的多个区域对待分类影像和五种地类的样本进行裁剪,得到每个区域的待分类影像和对应的多种地类样本;
第八步、针对待分类影像的每个区域,使用区域中样本进行分类器训练,并且利用训练后的分类器对待分类影像的该区域进行分类,最终得到待分类影像每个区域的分类结果;
第九步、将待分类影像不同区域的分类结果进行合并,得到最终的冰川识别结果,包括积雪、裸冰、表碛和岩石,其中,积雪、裸冰和表碛为冰川区,岩石为非冰川区。
2. 根据权利要求1所述的结合极化分解与地形特征的表碛覆盖型冰川识别方法,其特征在于:第一步中,对相干矩阵进行Improved Lee Sigma极化滤波,最后进行方位向矫正,削弱地形起伏对电磁波极化特征的影响。
3.根据权利要求1所述的结合极化分解与地形特征的表碛覆盖型冰川识别方法,其特征在于:第二步中,对相干矩阵采用Freeman-Durden分解,得到以下三个极化分解特征:表面散射、体散射和二面角散射,对相干矩阵采用H/A/α分解得到以下三个极化分解特征:散射熵、各向异性和平均散射角。
4. 根据权利要求1所述的结合极化分解与地形特征的表碛覆盖型冰川识别方法,其特征在于:第三步中,使用经重采样到30m空间分辨率的ASTER GDEM数据对极化分解特征进行地理编码。
5.根据权利要求1所述的结合极化分解与地形特征的表碛覆盖型冰川识别方法,其特征在于:第三步中,计算雷达波束与各像元坡向之间的夹角信息,根据所述夹角信息按照0-60度,60-120度,120-180度将SAR影像分为小、中、大三个区域。
6.根据权利要求5所述的结合极化分解与地形特征的表碛覆盖型冰川识别方法,其特征在于:第三步中,计算雷达波束与各像坡向之间的夹角及分区方法如下:
步骤a、利用ASTER GDEM数据计算各像元的坡向;
步骤b、ALOS-2传感器的轨道倾角为97.16°,将二维坐标轴逆时针旋转7.16°,以旋转后的二维坐标轴为基准,X轴表示雷达波束的传播方向,Y轴表示传感器的运行方向;
步骤c、以X轴为中心,分别在逆时针和顺时针方向按照60度间隔,依次划分小、中、大区域,即坡向22.84°-142.84°属于小区域,坡向0-22.84°,142.84°-202.84°,322.84°-360°之间属于中区域,坡向202.84°-322.84°之间属于大区域;
步骤d、统计SAR影像空间范围内每个像素的坡向,对于属于不同区域的像素分别进行对应的赋值,然后将坡向栅格数据按照赋予的值分别转换为矢量数据,得到SAR影像的三个区域空间范围的矢量文件。
7. 根据权利要求1所述的结合极化分解与地形特征的表碛覆盖型冰川识别方法,其特征在于:第五步中,所述遥感影像为Landsat 8 OLI影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910821318.9A CN110516646B (zh) | 2019-09-02 | 2019-09-02 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910821318.9A CN110516646B (zh) | 2019-09-02 | 2019-09-02 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110516646A CN110516646A (zh) | 2019-11-29 |
CN110516646B true CN110516646B (zh) | 2022-02-15 |
Family
ID=68630201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910821318.9A Active CN110516646B (zh) | 2019-09-02 | 2019-09-02 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516646B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270675B (zh) * | 2020-11-11 | 2021-04-16 | 中山大学 | 一种基于极化雷达遥感影像的城市内涝区域检测方法 |
CN112926408B (zh) * | 2021-02-02 | 2022-05-10 | 中国地质大学(武汉) | 一种基于数字高程模型的冰川崩解前沿自动提取方法 |
CN113408547B (zh) * | 2021-07-12 | 2023-05-23 | 西南交通大学 | 一种多时相多极化sar滑坡提取方法 |
CN114994677B (zh) * | 2022-04-19 | 2023-10-13 | 西南交通大学 | 一种基于sar影像的冰川分类方法及*** |
CN114994675B (zh) * | 2022-04-19 | 2023-10-03 | 西南交通大学 | 一种基于归一化强度离差指数的冰川分类方法及*** |
CN118038291B (zh) * | 2024-04-11 | 2024-06-25 | 厦门大学 | 一种基于面向对象的河口海湾水体自动提取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500325A (zh) * | 2013-10-15 | 2014-01-08 | 南京大学 | 基于光学和热红外遥感影像的表碛覆盖型冰川识别方法 |
CN106845326A (zh) * | 2015-12-04 | 2017-06-13 | 核工业北京地质研究院 | 一种基于航空高光谱遥感数据的冰川识别方法 |
CN107527331A (zh) * | 2017-09-26 | 2017-12-29 | 南京大学 | 基于双冒泡法的极地冰山遥感识别方法 |
CN109635713A (zh) * | 2018-12-07 | 2019-04-16 | 云南大学 | 高原山地阴影区冰川识别方法 |
CN110032974A (zh) * | 2019-04-12 | 2019-07-19 | 杭州世平信息科技有限公司 | 一种雷达遥感图像场景特征描述和分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2954540B1 (fr) * | 2009-12-23 | 2018-11-16 | Thales | Procede de classification d'objets dans un systeme de veille par imagerie. |
-
2019
- 2019-09-02 CN CN201910821318.9A patent/CN110516646B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500325A (zh) * | 2013-10-15 | 2014-01-08 | 南京大学 | 基于光学和热红外遥感影像的表碛覆盖型冰川识别方法 |
CN106845326A (zh) * | 2015-12-04 | 2017-06-13 | 核工业北京地质研究院 | 一种基于航空高光谱遥感数据的冰川识别方法 |
CN107527331A (zh) * | 2017-09-26 | 2017-12-29 | 南京大学 | 基于双冒泡法的极地冰山遥感识别方法 |
CN109635713A (zh) * | 2018-12-07 | 2019-04-16 | 云南大学 | 高原山地阴影区冰川识别方法 |
CN110032974A (zh) * | 2019-04-12 | 2019-07-19 | 杭州世平信息科技有限公司 | 一种雷达遥感图像场景特征描述和分类方法 |
Non-Patent Citations (3)
Title |
---|
Praveen K. Thakur,et al..Ice sheet features identification, glacier velocity estimation, and glacier zones classification using high-resolution optical and SAR data.《Proceedings Volume 9877, Land Surface and Cryosphere Remote Sensing III》.2016,1-8. * |
基于"双冒泡法"的SAR影像冰山识别;舒苏 等;《海洋科学进展》;20190131;92-101 * |
新疆天山玛纳斯河流域高分辨率积雪遥感研究进展;肖鹏峰 等;《南京大学学报(自然科学)》;20150930;第51卷(第5期);909-919 * |
Also Published As
Publication number | Publication date |
---|---|
CN110516646A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Li et al. | A review of remote sensing image classification techniques: The role of spatio-contextual information | |
CN109583293B (zh) | 星载sar图像中的飞机目标检测与鉴别方法 | |
Szantoi et al. | Analyzing fine-scale wetland composition using high resolution imagery and texture features | |
Guillaso et al. | Building characterization using L-band polarimetric interferometric SAR data | |
Zhan et al. | Unsupervised scale-driven change detection with deep spatial–spectral features for VHR images | |
CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
Zhou et al. | Individual tree parameters estimation for plantation forests based on UAV oblique photography | |
Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
Bramhe et al. | Extraction of built-up area by combining textural features and spectral indices from landsat-8 multispectral image | |
CN103236063A (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
CN111709487A (zh) | 基于决策级融合的水下多源声学图像底质分类方法及*** | |
Ghasemi et al. | Urban classification using preserved information of high dimensional textural features of Sentinel-1 images in Tabriz, Iran | |
Phartiyal et al. | An improved land cover classification using polarization signatures for PALSAR 2 data | |
Orlíková et al. | Land cover classification using sentinel-1 SAR data | |
Koo et al. | Automated detection and tracking of medium-large icebergs from Sentinel-1 imagery using Google Earth Engine | |
Niedzielski et al. | Automated snow extent mapping based on orthophoto images from unmanned aerial vehicles | |
Tian et al. | Detection of signal and ground photons from ICESat-2 ATL03 data | |
Amitrano et al. | Flood detection with SAR: A review of techniques and datasets | |
Liang et al. | Mapping urban impervious surface with an unsupervised approach using interferometric coherence of SAR images | |
Sephton et al. | Segmentation of synthetic-aperture radar imagery of sea ice | |
CN113343819B (zh) | 一种高效的无人机载sar图像目标分割方法 | |
Hu et al. | Urban land-cover mapping and change detection with radarsat sar data using neural network and rule-based classifiers | |
Misra et al. | An approach for generation of multi temporal co-registered optical remote sensing images from Resourcesat-2/2A sensors | |
Ciecholewski | Review of Segmentation Methods for Coastline Detection in SAR Images |
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 |