-
公开(公告)号：CN102927934A
公开(公告)日：2013-02-13
申请号：CN201210440875.4
申请日：2012-11-07
Applicant: 中南大学
IPC: G01B15/06
Abstract: 本发明公开了一种利用单个InSAR干涉对获取矿区地表三维形变场的方法，通过利用InSAR技术获取矿区雷达视线向形变场，对视线向形变场中相干性低于解缠阈值的像素进行空间插值，得到空间连续的形变场；利用矿区工作面分布和主要影响角正切计算各像素点的主要影响半径；获取矿区水平移动系数之后，将矿区地表水平移动转换为下沉值的表达式，并按照雷达成像原理组成方程组；求解方程组，得出地表下沉值的解，然后根据下沉值计算出东西、南北方向倾斜值；最后利用东西、南北方向的倾斜值与水平移动的比例关系计算东西、南北方向的形变场；本发明突破了InSAR求解三维形变场对于数据的苛刻要求及监测费用高等制约，大大的拓宽了InSAR技术在矿区的应用空间。
-
公开(公告)号：CN101706577A
公开(公告)日：2010-05-12
申请号：CN200910227141.6
申请日：2009-12-01
Applicant: 中南大学
Abstract: 本发明涉及基于遥感影像的大地测量领域，是一种InSAR监测高速公路路面沉降的方法。该方法包括：首先，对SAR数据进行预处理、配准和干涉，得到InSAR干涉相位和幅度影像；其次，对InSAR干涉相位进行平地效应、地形效应和轨道残余趋势相位消除，得到只包含有地表形变信息的相位值；再次，通过高速公路在InSAR幅度影像中的条带特征，识别高速公路在SAR影像中的条带位置和坐标。然后利用该坐标提取干涉相位图中相应位置的相位值，并采用条带特征目标的滤波和解缠算法恢复其真实相位值；最后，对其进行地理编码和形变值转换，得到高速公路路面沉降值。本方法具有实现简单、费用低、监测精度高、监测范围大、自动化程度高等优点。
-
公开(公告)号：CN101492548A
公开(公告)日：2009-07-29
申请号：CN200910042690.6
申请日：2009-02-20
Applicant: 中南大学
Abstract: 本发明涉及一种PVC用复合热稳定剂及其制备和应用。该复合热稳定剂是由镁铝水滑石、锌铝水滑石按一定比例混合复配而成。镁铝水滑石与锌铝水滑石经过硬脂酸的合理改性与最优复配，可以大大的节省能耗，提高效率，增加热稳定性能。在热稳定性能方面，本产品无毒高效、成本低廉、初期着色性好、透明性、耐候性与塑化性优良、与PVC相容性较好，加工过程中添加剂的用量不影响制品性能，不易造成对加工设备的磨损。本产品可直接用无毒制品，完成出口产品无镉，无铅，无溴替代，并进一步应用于其他相关行业和领域，具有广阔的应用前景。
-
公开(公告)号：CN118778017A
公开(公告)日：2024-10-15
申请号：CN202411006728.5
申请日：2024-07-25
Applicant: 中南大学
Abstract: 本申请适用于地基干涉雷达校正技术领域，提供了一种地基干涉雷达风动误差校正方法、装置、终端设备及介质，该方法包括采集目标地基干涉雷达工作时的光学影像数据；根据光学影像数据，计算目标地基干涉雷达的天线偏移量；根据天线偏移量，计算目标地基干涉雷达工作时的风动相位误差；根据风动相位误差，对目标地基干涉雷达的干涉相位图进行校正。本申请能提高地基干涉雷达的干涉相位图的准确性。
-
公开(公告)号：CN118428737A
公开(公告)日：2024-08-02
申请号：CN202410664456.1
申请日：2024-05-27
Applicant: 中南大学
IPC: G06Q10/0635 , G06Q50/08 , G06T17/00 , G06T3/18
Abstract: 本申请适用于点云处理技术领域，提供了一种基于InSAR点云的建筑物风险评估方法及相关设备，其中，该方法包括获取研究区域的多轨道SAR数据，提取研究区域内多个建筑物的多轨道InSAR点云；构建点云配准损失函数，对多轨道InSAR点云进行配准，得到多个建筑物中每个建筑物配准后的多轨道InSAR点云；构建三维变形分解模型，并根据三维变形分解模型和配准后的多轨道InSAR点云，计算每个建筑物的多维变形速率和多维变形时间序列；根据多维变形速率和多维变形时间序列，计算每个建筑物对应的变形特征参数；根据变形特征参数，对每个建筑物的风险等级进行评估。本申请能提高建筑物风险评估的准确性。
-
Patent Agency Ranking
公开(公告)号：CN118424168A
公开(公告)日：2024-08-02
申请号：CN202410527122.X
申请日：2024-04-29
Applicant: 江西省国土空间调查规划研究院 , 国家电网有限公司 , 国网江西省电力有限公司吉安供电分公司 , 中南大学
Abstract: 本公开实施例中提供了一种升降轨I nSAR地下不稳定区三维形变监测方法，属于测量技术领域，具体包括：获取升降轨SAR数据并进行预处理操作；对升降轨LOS形变序列进行时空基准统一；裁剪出升降轨SAR数据中的目标区域，获取目标区域对应的雷达视线方向的形变测量值；根据形变测量值计算目标区域各监测点的入射角和方位角；根据时空基准统一后的升降轨LOS形变序列、入射角和方位角建立观测方程并求解，得到二维形变结果；基于二维形变结果，通过构建线性比例函数模型和随机模型并对其求解，得到南北向形变结果，结合南北向形变结果和二维形变结果，得到目标区域的三维形变结果。通过本公开的方案，提高了监测精准度和适应性。
-
公开(公告)号：CN117456372A
公开(公告)日：2024-01-26
申请号：CN202310592259.9
申请日：2023-05-24
Applicant: 中南大学
IPC: G06V20/13 , G06V10/762 , G06F16/29
Abstract: 本发明提供了一种InSAR地形产品建筑物高程滤除方法，包括：对提取的建筑区掩膜文件进行形态学预处理，自适应滤除建筑物高度；基于SAR强度影像与DSM数据提取建筑区地面点；对地面点的自适应高程恢复与纹理恢复，完成建筑区DEM的重建。本发明能够充分应用SAR强度影像和DSM数据，而准确提取出建筑区的地面点进行建筑区DEM的重建，同时基于建筑区地形变化特点，加入多种约束条件，进行地面点的提取以及清洗，使用自适应插值法得到不含建筑物高程信息的DEM，在此基础之上，还进行了纹理恢复与接边处理保证了DEM数据的准确性和合理性，整个方法流程结构清晰，具有实现简单、范围大、自动化程度高等优点。
-
公开(公告)号：CN117437556A
公开(公告)日：2024-01-23
申请号：CN202311545752.1
申请日：2023-11-20
Applicant: 广东省国土资源测绘院 , 中南大学
IPC: G06V20/13 , G06V10/774 , G06V10/82 , G06N3/0475 , G06N3/094
Abstract: 本申请涉及遥感检测技术领域，提供了一种联合光学和极化SAR数据的地物变化检测方法。该地物变化检测方法包括：获取在T个时刻的光学影像和SAR影像；基于所有光学影像和所有SAR影像获取多个影像对；获取每幅光学影像的光学真彩色影像；获取每幅SAR影像的SAR伪彩色影像；利用所有影像对对应的光学真彩色影像和SAR伪彩色影像对生成对抗网络进行训练，将训练后的生成对抗网络作为影像转换模型；利用影像转换模型将第1个时刻的SAR影像转换为历史类光学影像，将当前时刻的SAR影像转换为当前类光学影像；基于历史类光学影像和当前类光学影像获取在当前时刻的地物变化结果。本申请的方法能够提升地物变化检测的精确度。
-
公开(公告)号：CN116721358A
公开(公告)日：2023-09-08
申请号：CN202310592214.1
申请日：2023-05-24
Applicant: 中南大学
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/42 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种InSAR地形产品建筑物提取方法，包括：数据准备及预处理；筛选样本作为训练集，特征计算，计算特征区分性，应用主成分分析进行特征融合；将特征融合后的样本输入神经网络中训练优化；进行特征计算和特征融合，利用训练好的神经网络进行特征提取；得到初步建筑物提取结果；识别出研究区域内与建筑物纹理相似的阴影、叠掩区域；将识别出的阴影、叠掩结果从初步建筑物提取结果中剔除，并筛选出部分误识别区域，分类后处理得到最终建筑物提取结果，即可实现将神经网络所提取的SAR影像纹理特征与外部地形因素将结合来提取建筑物，提高了利用SAR影像在山区等地形起伏较大区域建筑物提取的精度。
-
公开(公告)号：CN116502525A
公开(公告)日：2023-07-28
申请号：CN202310425623.2
申请日：2023-04-20
Applicant: 中南大学
IPC: G06F30/27 , G06V10/774 , G06V10/764 , G06T7/30 , G06N3/0442 , G06N3/08
Abstract: 本公开实施例中提供了一种库岸滑坡高时频时序形变估计方法，属于测量技术领域，具体包括：利用多时相InSAR技术获取库岸滑坡的斜距向低时频时序形变测量值；组合日降雨量、库水位高度和InSAR低时频时序形变量及其各自的时间信息生成预测数据集：根据高时频水文观测与InSAR低时频时序形变值的时间不同频特征建立深度学习网络，将预测数据集划分为训练数据集和测试数据集，并将训练数据集训练嵌入滞后特征提取模块的深度学习网络，得到预测模型；经过均方根误差、平均绝对误差、平均绝对误差百分比和皮尔逊相关系数四个评价指标评估形变预测精度并调整模型最佳响应参数。通过本公开的方案，实现了高时频下的高精度预测。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.028 seconds)
