CN105574825B - 一种多光谱遥感图像去云和去条带的方法和装置 - Google Patents
一种多光谱遥感图像去云和去条带的方法和装置 Download PDFInfo
- Publication number
- CN105574825B CN105574825B CN201510944564.5A CN201510944564A CN105574825B CN 105574825 B CN105574825 B CN 105574825B CN 201510944564 A CN201510944564 A CN 201510944564A CN 105574825 B CN105574825 B CN 105574825B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- processed
- band
- statistical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000014509 gene expression Effects 0.000 claims description 22
- 238000000513 principal component analysis Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012417 linear regression Methods 0.000 claims description 13
- 238000009795 derivation Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种多光谱遥感图像去云和去条带方法和装置。该方法包括：确定待处理遥感图像对应的时间和区域，其中，待处理遥感图像由空间不连续的数据构成；获取与时间相邻N天的、对应区域的晴空遥感图像的数据集，N为预设值；建立待处理遥感图像与数据集的统计学关系式；以及反推统计学关系式得到空间连续的数据。通过本发明，能够提高将空间不连续数据转化为连续数据时的准确性。
Description
技术领域
本发明涉及遥感图像技术领域，具体而言，特别涉及一种多光谱遥感图像去云和去条带方法和装置，能够将空间不连续的数据转化为空间连续的数据，达到去云或去条带的目的，恢复云下或条带信息的目的。
背景技术
遥感图像目前已广泛应用于卫星图像处理、全球变化研究等各种应用中，其中，具体在土地覆盖分类、变化检测、资源调查、农业估产、环境质量评价、灾害评估、气象预报等应用中，需要空间连续的数据构成的遥感图像，但是由于气象因素或传感器等硬件因素，使得遥感图像中有云或条带等，从而遥感图像的数据在空间上不连续。
在现有技术中，对遥感图像去云和去条带，也即将空间不连续的数据转化为空间连续的数据时，一般采用以下的思路：在建立待研究区域的遥感图像与其周围区域的遥感图像的关系后，借助该周围区域的晴空遥感图像，恢复待研究区域云下或条带下的信息，使得数据在空间上连续，也即达到对遥感图像去云和去条带的目的。
然而，由于待研究区域与其周围区域的地物不同，二者建立的关系也很不稳定，从而在将空间不连续数据转化为连续数据时，准确性较差。
发明内容
本发明的主要目的在于提供一种多光谱遥感图像去云和去条带的方法和装置，以解决现有技术中将空间不连续数据转化为连续数据时准确性较差的问题。
依据本发明的一个方面，提供了一种多光谱遥感图像去云和去条带的方法，该方法包括：确定待处理遥感图像对应的时间和区域，其中，待处理遥感图像由空间不连续的数据构成；获取与时间相邻N天的、对应区域的晴空遥感图像的数据集，N为预设值；建立待处理遥感图像与数据集的统计学关系式；以及反推统计学关系式得到空间连续的数据。
进一步地，待处理遥感图像和晴空遥感图像均包括M个波段，M为正整数，建立待处理遥感图像与数据集的统计学关系式具体为：针对每一个波段，分别建立待处理遥感图像与数据集的统计学关系式，得到M个统计学关系式；反推统计学关系式得到空间连续的数据具体为：反推M个统计学关系式得到M组空间连续的数据。
进一步地，第一波段为M个波段中的任一波段，针对第一波段，建立待处理遥感图像与数据集的统计学关系式包括：对待处理遥感图像的第一波段与数据集中N天的晴空遥感图像的第一波段进行线性回归分析，以得到统计学关系式。
进一步地，第二波段为M个波段中的任一波段，针对第二波段，建立待处理遥感图像与数据集的统计学关系式包括：对数据集中N天的晴空遥感图像的第二波段进行主成分分析；分别获取主成分分析后的前P个主成分分量，得到一组主成分分量，P为正整数，P<N；对待处理遥感图像的第二波段与一组主成分分量做线性回归分析，以得到统计学关系式。
进一步地，P为2，M为5。
进一步地，待处理遥感图像为具有云或条带的图像。
依据本发明的一个方面，提供了一种多光谱遥感图像去云和去条带装置，该装置包括：确定模块，用于确定待处理遥感图像对应的时间和区域，其中，待处理遥感图像由空间不连续数据构成；获取模块，用于获取与时间相邻N天的、对应区域的晴空遥感图像的数据集，N为预设值；统计模块，用于建立待处理遥感图像与数据集的统计学关系式；以及反推模块，用于反推统计学关系式得到空间连续的数据。
进一步地，待处理遥感图像和晴空遥感图像均包括M个波段，M为正整数，统计模块具体执行以下步骤：针对每一个对应波段，分别建立待处理遥感图像与数据集的统计学关系式，得到M个统计学关系式；反推模块具体执行以下步骤：反推M个统计学关系式得到M组空间连续的数据。
进一步地，第一波段为M个波段中的任一波段，统计模块在针对第一波段，建立待处理遥感图像与数据集的统计学关系式时，具体执行以下步骤：对待处理遥感图像的第一波段与数据集中N天的晴空遥感图像的第一波段进行线性回归分析，以得到统计学关系式。
进一步地，第二波段为M个波段中的任一波段，统计模块在针对第二波段，建立待处理遥感图像与数据集的统计学关系式时，具体执行以下步骤：对数据集中N天的晴空遥感图像的第二波段进行主成分分析；分别获取主成分分析后的前P个主成分分量，得到一组主成分分量，P为正整数，P<N；对待处理遥感图像的第二波段与一组主成分分量做线性回归分析，以得到统计学关系式。
通过本发明，在将遥感图像对应的空间不连续的数据转化为空间连续的数据，也即，对遥感图像去云或去云带时，考虑数据的时间序列信息，建立待处理遥感图像与待处理遥感图像时间相邻几天的晴空遥感图像之间的统计学关系式，再反推统计学关系式得到空间连续的数据，与传统利用周围区域信息相比，由于相邻几天内，也即短期内地物类型变化不会太大，时间序列信息更可靠，解决了现有技术中准确性较差的问题。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是根据本发明第一实施例的一种多光谱遥感图像去云和去条带方法的流程图；
图2是根据本发明第二实施例的一种多光谱遥感图像去云和去条带方法的流程图；
图3是根据本发明第三实施例的一种多光谱遥感图像去云和去条带方法的流程图；以及
图4是根据本发明第四实施例的一种多光谱遥感图像去云和去条带装置的框图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步说明。需要指出的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例一
本发明实施例一提供了一种多光谱遥感图像去云和去条带方法，参见图1，该方法可以包括以下步骤：
步骤S102：确定待处理遥感图像对应的时间和区域。
由于气象因素或传感器等硬件因素，导致部分遥感图像的数据在空间上不连续，例如遥感图像中有云或有条带，由于云或条带导致数据的空间不连续，该实施例中对该类遥感图像进行处理。
在确定待处理遥感图像之后，进一步确定其地理属性和时间属性，也即确定其是哪一区域、哪一天的图像。
步骤S104：获取与时间相邻N天的、对应区域的晴空遥感图像的数据集。
在步骤S102中确定要获取的晴空遥感数据图像的区域和时间之后，在该步骤中，获取在与这一时间相邻N天的、对应于这一区域的晴空遥感图像，构成一个数据集，其中，N为预设值，例如N为6。
步骤S106：建立待处理遥感图像与数据集的统计学关系式。
在该步骤中，通过统计分析方法，建立待处理遥感图像与数据集的统计学关系式，例如将二者进行线性回归分析等。
步骤S108：反推统计学关系式得到空间连续的数据。
对得到的统计学关系式进行反推，反推后即可得到空间连续的数据，也即对待处理图像的云或条带部分的数据进行了补充，实现了图像上的去云和去条带。
优选地，待处理遥感图像和晴空遥感图像均包括M个波段，M为正整数，在步骤S106中，针对每一个对应波段，分别建立待处理遥感图像与数据集的统计学关系式，能够得到M个统计学关系式；在步骤S108中，反推M个统计学关系式得到M组空间连续的数据。
采用该实施例，在将遥感图像对应的空间不连续的数据转化为空间连续的数据，也即，对遥感图像去云或去云带时，考虑数据的时间序列信息，利用待处理遥感图像时间相邻几天的晴空遥感图像的数据进行确定，与传统利用周围区域信息相比，由于相邻几天内，也即短期内地物类型变化不会太大，时间序列信息更可靠，从而转化得到的空间连续数据更准确。
实施例二
该实施例为在实施例一的基础上进一步优选的多光谱遥感图像去云和去条带方法，参见图2，该方法可以包括以下步骤：
步骤S202：确定待处理遥感图像对应的时间和区域。
该步骤与上述步骤S102相同，此处不再赘述。
待处理遥感图像的数据包括4个波段的数据，也即B0＝{b1,b2,b3,b4}。
步骤S204：获取与时间相邻5天的、对应区域的晴空遥感图像的数据集A。
A＝{A1,A2,A3,A4},其中，每一个波段包括5天的数据，也即Ai＝{a1,a2,a3,a4,a5}，i＝1,2,3,4。
步骤S206：依次对数据集A中每一波段的5天的数据进行主成分分析。
在该步骤中，对每一个Ai中5天的数据(a1,a2,a3,a4,a5)进行主成分分析，共需完成4次主成分分析(每个波段一次)。
步骤S208：获取每次主成分分析后的前2个主成分分量。
每次主成分分析后，均获取前2个主成分分量，每一个波段对应2个主成分分量，也即4个波段依次得到4组主成分分量，每组包括对应该波段的2个主成分分量。
步骤S210：对待处理遥感图像的波段值与4组主成分分量分别做线性回归分析，以得到4个统计学关系式。
也即，对b1与第一个波段的主成分分量、b2与第二个波段的主成分分量、b3与第三个波段的主成分分量、b4与第四个波段的主成分分量分别各自进行线性回归分析，得到每一波段对应的统计学关系式。
步骤S212：在有云或条带区反推4个统计学关系式，得到有云或条带区的数据，与待处理遥感图像对应波段的连续数据分别组合，得到4组空间连续的数据。
4组空间连续的数据为{b1`,b2`,b3`,b4`},实现由空间不连续数据{b1,b2,b3,b4}转化为空间连续数据{b1`,b2`,b3`,b4`}。
采用该优选实施例，采用新思路，充分利用数据时间序列信息，借助主成分分析方法能准确实现空间不连续数据的恢复，实现云或条带区的数据恢复；进一步地，在有云或条带区反推统计学关系式，能够减少数据运算。
实施例三
该实施例为在实施例一的基础上进一步优选的多光谱遥感图像去云和去条带方法，参见图3，该方法可以包括以下步骤。
(1)收集与待处理遥感图像(有云或有条带)相邻几天的晴空数据，至少保证相邻时间的影像在云或有条带区是晴空的。
(2)针对上述晴空数据的某一个波段，在晴空区域内，将相邻几天的晴空遥感图像对应的波段做主成分分析，并保留前2个主成分分量。对于某一天来说，若有5个波段，就需要做5次主成分分析。
(3)待处理影像的对应波段值与(2)中主成分分量做线性回归分析，建立待处理影像与主成分分量的关系。
(4)上述处理逐波段做，这样就能将多光谱影像每个波段的云或条带准确祛除。
由于短期内地物类型变化不会太大，时间序列信息更可靠。因此，本申请利用一种全新的思路，充分考虑数据的时间序列信息实现云或条带区地物的恢复，实现去云或去条带目的。传统的遥感图像去云或去条带基本都利用周围地物的信息，而没用到相对可靠的时间序列信息，该实施例充分利用数据时间序列信息，借助主成分分析方法实现云或条带区的数据恢复。
以上是对本发明所提供的多光谱遥感图像去云和去条带方法进行的描述。下面将对本发明提供的多光谱遥感图像去云和去条带装置进行描述，需要说明的是，该装置可用于执行上述任意一种多光谱遥感图像去云和去条带方法。
实施例四
与本发明实施例一提供的多光谱遥感图像去云和去条带方法相对应，本发明实施例还提供了一种多光谱遥感图像去云和去条带装置，参见图4，该装置可以包括确定模块420、获取模块440、统计模块460和反推模块480。
确定模块420用于确定待处理遥感图像对应的时间和区域，其中，待处理遥感图像由空间不连续数据构成，例如为具有云或条带的图像。获取模块440用于获取与时间相邻N天的、对应区域的晴空遥感图像的数据集，N为预设值。统计模块460用于建立待处理遥感图像与数据集的统计学关系式。反推模块480用于反推统计学关系式得到空间连续的数据。
优选地，待处理遥感图像和晴空遥感图像均包括M个波段，M为正整数，统计模块460具体执行以下步骤：针对每一个对应波段，分别建立待处理遥感图像与数据集的统计学关系式，得到M个统计学关系式；反推模块480具体执行以下步骤：反推M个统计学关系式得到M组空间连续的数据。
优选地，第一波段为M个波段中的任一波段，统计模块460在针对第一波段，建立待处理遥感图像与数据集的统计学关系式时，具体执行以下步骤：对待处理遥感图像的第一波段与数据集中N天的晴空遥感图像的第一波段进行线性回归分析，以得到统计学关系式。
优选地，第二波段为M个波段中的任一波段，统计模块460在针对第二波段，建立待处理遥感图像与数据集的统计学关系式时，具体执行以下步骤：对数据集中N天的晴空遥感图像的第二波段进行主成分分析；分别获取主成分分析后的前P个主成分分量，得到一组主成分分量，P为正整数，P<N；对待处理遥感图像的第二波段与一组主成分分量做线性回归分析，以得到统计学关系式。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于本申请的装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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，任何熟悉该技术的人在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种多光谱遥感图像去云和去条带方法，其特征在于，包括：
确定待处理遥感图像对应的时间和区域，其中，所述待处理遥感图像由空间不连续的数据构成；
获取与所述时间相邻N天时间段内的、对应所述区域的晴空遥感图像的数据集，N为预设值；
建立所述待处理遥感图像与所述数据集的统计学关系式；以及
反推所述统计学关系式得到空间连续的数据。
2.根据权利要求1所述的多光谱遥感图像去云和去条带方法，其特征在于，所述待处理遥感图像和所述数据集中N天的晴空遥感图像均包括M个波段，M为正整数，
建立所述待处理遥感图像与所述数据集的统计学关系式具体为：针对每一个波段，分别建立所述待处理遥感图像与所述数据集的统计学关系式，得到M个所述统计学关系式；
反推所述统计学关系式得到空间连续的数据具体为：反推所述M个所述统计学关系式得到M组空间连续的数据。
3.根据权利要求2所述的多光谱遥感图像去云和去条带方法，其特征在于，第一波段为所述M个波段中的任一波段，针对所述第一波段，建立所述待处理遥感图像与所述数据集的统计学关系式包括：
对所述待处理遥感图像的所述第一波段与所述数据集中N天的晴空遥感图像的所述第一波段进行线性回归分析，以得到所述统计学关系式。
4.根据权利要求2所述的多光谱遥感图像去云和去条带方法，其特征在于，第二波段为所述M个波段中的任一波段，针对所述第二波段，建立所述待处理遥感图像与所述数据集的统计学关系式包括：
对所述数据集中N天的晴空遥感图像的所述第二波段进行主成分分析；
分别获取所述主成分分析后的前P个主成分分量，得到一组主成分分量，P为正整数，P<N；
对所述待处理遥感图像的所述第二波段与所述一组主成分分量做线性回归分析，以得到所述统计学关系式。
5.根据权利要求4所述的多光谱遥感图像去云和去条带方法，其特征在于，P为2，M为5。
6.根据权利要求1至4中任一项所述的多光谱遥感图像去云和去条带方法，其特征在于，所述待处理遥感图像为具有云或条带的图像。
7.一种多光谱遥感图像去云和去条带装置，其特征在于，包括：
确定模块，用于确定待处理遥感图像对应的时间和区域，其中，所述待处理遥感图像由空间不连续数据构成；
获取模块，用于获取与所述时间相邻N天时间段内的、对应所述区域的晴空遥感图像的数据集，N为预设值；
统计模块，用于建立所述待处理遥感图像与所述数据集的统计学关系式；以及
反推模块，用于反推所述统计学关系式得到空间连续的数据。
8.根据权利要求7所述的多光谱遥感图像去云和去条带装置，其特征在于，所述待处理遥感图像和所述数据集中N天的晴空遥感图像均包括M个波段，M为正整数，
所述统计模块具体执行以下步骤：针对每一个对应波段，分别建立所述待处理遥感图像与所述数据集的统计学关系式，得到M个所述统计学关系式；
所述反推模块具体执行以下步骤：反推所述M个所述统计学关系式得到M组空间连续的数据。
9.根据权利要求8所述的多光谱遥感图像去云和去条带装置，其特征在于，第一波段为所述M个波段中的任一波段，所述统计模块在针对所述第一波段，建立所述待处理遥感图像与所述数据集的统计学关系式时，具体执行以下步骤：
对所述待处理遥感图像的所述第一波段与所述数据集中N天的晴空遥感图像的所述第一波段进行线性回归分析，以得到所述统计学关系式。
10.根据权利要求8所述的多光谱遥感图像去云和去条带装置，其特征在于，第二波段为所述M个波段中的任一波段，所述统计模块在针对所述第二波段，建立所述待处理遥感图像与所述数据集的统计学关系式时，具体执行以下步骤：
对所述数据集中N天的晴空遥感图像的所述第二波段进行主成分分析；
分别获取所述主成分分析后的前P个主成分分量，得到一组主成分分量，P为正整数，P<N；
对所述待处理遥感图像的所述第二波段与所述一组主成分分量做线性回归分析，以得到所述统计学关系式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510944564.5A CN105574825B (zh) | 2015-12-16 | 2015-12-16 | 一种多光谱遥感图像去云和去条带的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510944564.5A CN105574825B (zh) | 2015-12-16 | 2015-12-16 | 一种多光谱遥感图像去云和去条带的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105574825A CN105574825A (zh) | 2016-05-11 |
| CN105574825B true CN105574825B (zh) | 2018-08-10 |
Family
ID=55884920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510944564.5A Active CN105574825B (zh) | 2015-12-16 | 2015-12-16 | 一种多光谱遥感图像去云和去条带的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105574825B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101710416A (zh) * | 2009-12-07 | 2010-05-19 | 中国科学院新疆生态与地理研究所 | 多目标遥感图像云的处理方法 |
| CN102750683A (zh) * | 2012-06-18 | 2012-10-24 | 常州大学 | Modis遥感影像中海面条带噪声和条状云的过滤方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5612901A (en) * | 1994-05-17 | 1997-03-18 | Gallegos; Sonia C. | Apparatus and method for cloud masking |
-
2015
- 2015-12-16 CN CN201510944564.5A patent/CN105574825B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101710416A (zh) * | 2009-12-07 | 2010-05-19 | 中国科学院新疆生态与地理研究所 | 多目标遥感图像云的处理方法 |
| CN102750683A (zh) * | 2012-06-18 | 2012-10-24 | 常州大学 | Modis遥感影像中海面条带噪声和条状云的过滤方法 |
Non-Patent Citations (5)
| Title |
|---|
| An effective thin cloud removal procedure for visible remote sensing images;Huanfeng Shen et al;《ISPRS Journal of Photogrammetry and Remote Sensing》;20140901;224-235 * |
| Hyperion高光谱数据条带噪声消除方法研究;张辉;《厦门理工学院学报》;20100930;第18卷(第3期);43-47 * |
| Landsat TM遥感影像中厚云和阴影去除;李炳燮 等;《遥感学报》;20101231;第14卷(第3期);540-545 * |
| Striping Noise Detection and Correction of Remote Sensing Images;Fuan Tsai et al;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20081231;第46卷(第12期);4122-4130 * |
| 基于多时相遥感影像去除朵云及阴影的改进方法;董保根 等;《测绘通报》;20121231(第12期);14-16,27 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105574825A (zh) | 2016-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107784676B (zh) | 基于自动编码器网络的压缩感知测量矩阵优化方法和系统 | |
| Godse et al. | Wavelet based image fusion using pixel based maximum selection rule | |
| CN102393966B (zh) | 基于多尺度显著图的自适应图像压缩采样方法 | |
| CN103871058B (zh) | 基于压缩采样矩阵分解的红外小目标检测方法 | |
| CN103366378B (zh) | 基于条件直方图形状一致性的无参考型图像质量评价方法 | |
| CN105160647B (zh) | 一种全色多光谱影像融合方法 | |
| CN103198470B (zh) | 图像的分割方法及系统 | |
| CN104517126A (zh) | 一种基于图像分析的空气质量评估方法 | |
| CN108257109B (zh) | 一种数据融合方法及装置 | |
| CN104754327B (zh) | 一种检测及消除高光谱图像坏点的方法 | |
| CN111598961A (zh) | 地物信息提取方法、装置、电子设备及存储介质 | |
| CN104867139A (zh) | 一种基于辐射场的遥感图像云及阴影检测方法 | |
| CN105574901A (zh) | 一种基于局部对比度模式的通用无参考图像质量评价方法 | |
| CN107203761A (zh) | 基于高分辨率卫星影像的道路宽度估计方法 | |
| CN105590307A (zh) | 基于透明度的抠图方法和装置 | |
| CN109389553B (zh) | 基于t样条的气象传真图等值线插值方法 | |
| CN103065320A (zh) | 基于恒虚警阈值的sar图像变化检测方法 | |
| Zhang et al. | Cloud removal by fusing multi-source and multi-temporal images | |
| CN103020908A (zh) | 图像降噪的方法和设备 | |
| CN105574825B (zh) | 一种多光谱遥感图像去云和去条带的方法和装置 | |
| CN104616265B (zh) | 一种遥感序列数据的时域重建方法 | |
| CN104112273A (zh) | 基于对数Gabor滤波器相位相似性的图像质量评价方法 | |
| CN104657952B (zh) | 一种结合时空信息的遥感逐日积雪产品去云方法 | |
| CN107451992A (zh) | 一种sar图像变化检测的方法与装置 | |
| CN117435934A (zh) | 基于二分图的运动目标轨迹的匹配方法、装置和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |