CN103177431A - 一种多源遥感数据时空融合方法 - Google Patents
一种多源遥感数据时空融合方法 Download PDFInfo
- Publication number
- CN103177431A CN103177431A CN2012105702942A CN201210570294A CN103177431A CN 103177431 A CN103177431 A CN 103177431A CN 2012105702942 A CN2012105702942 A CN 2012105702942A CN 201210570294 A CN201210570294 A CN 201210570294A CN 103177431 A CN103177431 A CN 103177431A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- resolution image
- spatial
- temporal
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种多源遥感数据时空融合方法,特别是利用中空间分辨率影像与高时间分辨率影像融合出高时间分辨率和高空间分辨率影像的融合方法。该方法是中、高空间分辨率影像成像机理研究基础上,基于线性光谱混合模型,从时序低空间分辨率影像中提取地物反射率的时间变化特征;利用地物反射率的时间变化特征,结合前期高空间分辨率影像的纹理特征,采用反射率融合模型,融合出空间分辨率与中分辨率影像相同,时间分辨率与高时间分辨率影像相同的高时空分辨率融合影像;利用真实中分辨率影像,采用相关系数、方差、平均绝对误差、RMSE和偏差等参数对融合影像,对融合影像进行精度评价。所述方法包括:丰度矩阵提取、地物反射率的时间变化特征提取、高时空分辨率融合影像生成和融合影像评价体系等四个部分。
Description
技术领域
一种多源遥感数据时空融合方法,属于数字图像处理技术领域,特别涉及遥感图像及遥感图像分类技术。
背景技术
多源遥感数据融合是利用不同空间分辨率、不同时间分辨率和不同光谱分辨率的光学遥感数据,甚至是光学遥感数据与雷达数据所各自具有的不同数据特点,融合出能够综合多源数据特征的融合影像的方法。它对提高遥感影像利用效率和提高遥感应用效果都具有重要的意义。
多源遥感数据时空融合是多源遥感数据融合领域的前沿研究内容之一。目前多源遥感数据融合主要是全色高空间分辨率影像与多光谱影像间的融合,融合的目的只要为提高多光谱影像的空间分辨率,融合的方法主要有代数法和基于分量替换的方法等。
代数法是通过对待融合影像进行代数运算来实现融合,如利用乘法运算进行SAR影像和光学影像的融合,利用相关系数加权方法进行全色影像和多光谱影像的融合等。
基于分量替换的融合方法是将影像先进行某种变换,然后利用高空间分辨率影像替换变换空间中的一个分量,在进行逆变换来实现融合。分量替换的融合方法主要包括HIS变换融合和小波变换融合等。
HIS变换融合(参见文献:赵英时等.遥感应用分析原理与方法.北京:科学出版社,2003)是将图像彩色空间RGB空间变换到HIS空间,再用全色波段替换HIS空间中的强度分量I分量,再进行HIS逆变换实现影像的融合。其目的主要为提高多光谱影像的空间分辨率。
小波变换融合(参见文献:赵英时等.遥感应用分析原理与方法.北京:科学出版社,2003)是利用小波变换具有变焦性、信息保持性和小波基选择的灵活性等优点,将图像分解为一些具有不同空间分辨率、频率特性和方向持性的子信号(图像),其中它的分频特征,相当于高、低双频滤波器,能够将一信号分解为低频信息(图像)和高频细节/纹理信息(图像),同时又不失原信号所包含的信息,将高空间分辨率影像的小波变换后的高频部分代替多光谱影像的小波变换高频部分,再进行小波逆变换来实现融合。小波变换融合可以用于以非线性的对数映射方式融合不同类型的图像数据,使融合后的图像既保留原高分辨率迢感影像的结构信息,又融合多光谱影像丰富的光谱信息,提高影像的解译能力、分类精度。
基于分量替换的融合方法还包括基于G-S变换的影像融合、基于主成分分析的影像融合和基于高通滤波影像融合等。
发明内容
本发明提供一种多源遥感时间的时空融合方法,用以实现利用时序低空间分辨率影像和高空间分辨率影像,融合生成高时空分辨率影像,解决目前由于遥感卫星数据获取能力不足和云等天气条件的影响造成的遥感数据缺乏问题。
本发明技术方案如下:
一种多源遥感时间的时空融合方法,其特征在于包括一下具体步骤:
步骤一、丰度矩阵提取。选取2期的中空间分辨率影像,计算其NDVI,选定遥感影像分类方法,对时序NDVI影像进行逐窗口分类,根据低空间分辨率影像空间分辨率计算低空间分辨率影像的丰度矩阵;其中窗口大小采用融合效果最佳的窗口,本发明中为40×40MODIS像元大小。
步骤二、地物反射率的时间变化特征曲线提取。利用时序低空间分辨率影像和丰度矩阵,采用最小二乘法,逐窗口解算各个类别的时序平均反射率,作为地物的时间变化特征曲线。
步骤三、融合影像生成。利用地物反射率的时间变化特征,结合前期高空间分辨率影像的纹理特征,采用反射率融合模型,融合出空间分辨率与中分辨率影像相同,时间分辨率与高时间分辨率影像相同的高时空分辨率融合影像;其中,反射率融合模型是基于类内像元反射率的时间变化与类均值反射率时间变化相似假设的,其重点在于确定同类像元对目标像元反射率的贡献,即权值。
步骤四、融合效果精度评价。利用真实中分辨率影像,基于相似性原理,采用相关系数、方差、平均绝对误差、RMSE和偏差等参数对融合影像,对融合影像进行精度评价。
本发明与现有技术相比所具有的优点:本发明是一种基于像元反射率时间变化特征的融合方法;与传统方法相比,本发明不仅可以提高融合影像的空间分辨率,还可以提高影像的时间分辨率,从而可以解决目前由于卫星传感器数据获取能力不足、以及光学卫星容易受到云的影响而导致的遥感数据缺失问题。
附图说明
图1:本发明的一种多源遥感时间的时空融合方法流程图;
图2:转换系数v计算图;
图3:融合结果图;
图4:融合结果精度评价图;
具体实施方式
为了更好地理解本发明的技术方案,下面结合附图及具体实施方式详细介绍本发明。
本发明一种多源遥感时间的时空融合方法,该方法主要包括以下几个步骤:
1、丰度矩阵提取;
2、地物反射率的时间变化特征曲线提取;
3、融合影像生成;
4、融合效果精度评价;
本发明的具体实现流程如图1所示,各部分具体实施细节如下:
1、丰度矩阵提取
其中:fc(i,c)是组分C在t时刻的丰度矩阵;ξ(i,t)是残差;k是组分总数量。在可以从中高分辨率分类图中获得丰度矩阵fc(i,c)的情况下,通过等式(1),可以利用最小二乘法解求t时刻组分平均反射率
要进行低空间分辨率影像与高空间分辨率影像融合,丰度矩阵fc(i,c)是一个必须已知的量。传统方法中,丰度矩阵fc(i,c)都是从中高分辨率影像分类图中获取的,并假设其不随时间发生变化。然而,考虑到历史时期的一景中空间分辨率影像是较容易获取的,若能够获取中空间分辨率影像的时间变化规律,则可从前期的中空间分辨率影像推算出新时期的中空间分辨率影像。
为获取中空间分辨率影像的时间变化规律,本文用中空间分辨率影像的变化分类图,因此在本文中,类别表示从期初(Tl)到期末(Tn)具有相同变化的像元集合,并假设类别不随时间变化。
首先,我们计算两期影像的NDVI,选定分类方法,如ISODATA等,设定类别初始值,对时序NDVI影像在窗口内逐窗口进行分类,获得分类图,再设置与低空间分辨率影像空间分辨率相同的格网,统计提取出丰度矩阵fc(i,c)。
2、地物反射率的时间变化特征曲线提取
输入丰度矩阵fc(i,c)和从期初(Tl)到期末(Tn)的时序低空间分辨率反射率影像,利用最小二乘法,解算等式(2),获得时序的中空间分辨率像元类别平均反射率,将类别评价反射率作为地物类别的时间变化特征曲线。
3、融合影像生成
通过等式(1)只能够获得中空间分辨率像元的类别平均反射率,要获得新时期的中空间分辨率反射率影像,需要从类别平均反射率进一步获得每个中空间分辨率像元的反射率。为此,本发明提出了一种从类别平均反射率获取像元反射率的模型,其假设同类像元的反射率时间变化一致,即:
r(c,ti,k)-r(c,tj,k)=r(c,ti,l)-r(c,tj,l),(2)
其中:r(c,ti,k),r(c,tj,k),r(c,ti,l)和r(c,tj,l)是分别为类别C中像元k和像元l在时间ti和tj的反射率。
由于类别平均反射率是属于该类别像元的反射率平均值:
Δr(c,tj-ti,k)=r(c,tj,k)-r(c,ti,k),(6)
从而
Δr(c,tj-ti,k)=Δr(c,tj-ti,l). (7)
将等式(5)(6)(7)代入等式(4)得:
由于几何配准误差的存在,直接采用等式(8)进行中低空间分辨率影像的融合会导致较大的误差。大量研究表明,由于同类像元的反射率时间变化特征相似,选择临近窗口S范围内的同类像元,并根据其与目标像元的光谱相似性和距离等赋予权重W,可以有效降低几何配准误差的影响,用公式表示为:
其中:N是窗口S中属于组份c的像元个数;Wi是窗口S属于组份c的每个像元的权重。
权重W决定了窗口内同类别像元对目标像元反射率解算的贡献。它主要由类别像元与目标像元之间的光谱相似性和距离决定。光谱相似性越高、距离越近的同类别像元具有更高的权重。同时由于像元反射率的时间变化特征对融合具有重要的意义,在计算光谱相似性时,本研究计算的是时序反射率影像间的光谱相似性,因而获得光谱相似性能够同时反应反射率的时间变化特征与光谱相似性,光谱相似性的计算公式为:
ri={r(xi,yi,tm,B1),…,r(xi,yi,tm,Bn),r(xi,yi,tn,B1),…,r(xi,yi,tn,Bn)}
Ri={R(xi,yi,tm,B1),…,R(xi,yi,tm,Bn),R(xi,yi,tn,B1),…,R(xi,yi,tn,Bn)}
其中:Si是位置(xi,yi)处的像元与目标像元的光谱相似性;ri是高分辨率像元的时序反射率矢量;Ri是低分辨率像元的时序反射率矢量。
距离权重的计算公式为:
其中:di为位置(xi,yi)处的像元与目标像元(x0,y0)的距离;w是窗口大小。
将光谱相似性权重和距离权重进行组合获得组合权重Di:
Di=(1+Si)×di (12)
对组合权重进行归一化,获得最终的权重Wi:
对时序低分辨率像元反射率和高分辨率像元反射率进行回归分析可以获得转换系数v。由于几何配准误差的存在,严格根据几何位置进行转换系数v的回归会存在较大的误差。同时,在临近区域内,由于环境相似,相临像元间的转换系数v应相似,因此本发明是逐低空间分辨率像元进行转换系数v计算的,并认为在整个低空间分辨率像元内的v值相同(图2)。
生成的融合影像见图3,从图中我们可以看出,融合影像和真实影像非常相似。
4、融合效果精度评价
基于相似性原理,选择与融合影像同一天的真实高空间分辨率影像,利用相关性分析方法进行融合效果精度评价(图4)。由于相关系数表征了两者之间的相关程度,选用相关系数(r)、方差(variance)、平均绝对误差(MAD)、RMSE和偏差(bias)等参数对融合效果进行定量精度评价。定量评价结果见下表:
表1融合效果精度评价
Claims (3)
1.一种多源遥感数据时空融合方法,其特征在于包括以下步骤:
(1)选取2期的中空间分辨率影像,计算其NDVI,选定遥感影像分类方法,对时序NDVI影像进行逐窗口分类,根据低空间分辨率影像空间分辨率计算低空间分辨率影像的丰度矩阵;
(2)利用时序低空间分辨率影像和丰度矩阵,采用最小二乘法,逐窗口解算各个类别的时序平均反射率,作为地物的时间变化特征曲线;
(3)利用地物反射率的时间变化特征,结合前期高空间分辨率影像的纹理特征,采用反射率融合模型,逐窗口融合出空间分辨率与中分辨率影像相同,时间分辨率与高时间分辨率影像相同的高时空分辨率融合影像;
(4)利用真实中分辨率影像,采用相关系数、方差、平均绝对误差、RMSE和偏差等参数对融合影像,对融合影像进行精度评价。
2.根据权利要求1所述步骤(3)高时空分辨率融合影像生成,其特征在于1)反射率融合模型,该模型是根据时序中低空间分辨率影像间的关系模型,利用前期中分辨率影像反射率和地物时序反射率特征,计算出融合高空间分辨率影像;其中关键在于计算过程中,同窗口、同类别像元的权值的确定,本发明在确定同类像元权重时不仅考虑像元之间的光谱相似性和距离,还考虑像元间时间变化特征曲线的相似性。2)逐窗口运算,通过试算,选取融合效果最佳的窗口作为融合窗口,大大降低配准误差对融合效果的影响。
3.根据权利要求1所述步骤(4)融合影像精度评价,其特征在于区别于传统融合影像精度评价采用熵、清晰度和逼真度等指标,本发明采用基于相似性原理进行融合影像和真实影像的融合效果评价,采用相关系数、方差、平均绝对误差、RMSE和偏差等参数对融合影像,对融合影像进行精度评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210570294.2A CN103177431B (zh) | 2012-12-26 | 2012-12-26 | 一种多源遥感数据时空融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210570294.2A CN103177431B (zh) | 2012-12-26 | 2012-12-26 | 一种多源遥感数据时空融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103177431A true CN103177431A (zh) | 2013-06-26 |
CN103177431B CN103177431B (zh) | 2015-10-14 |
Family
ID=48637263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210570294.2A Expired - Fee Related CN103177431B (zh) | 2012-12-26 | 2012-12-26 | 一种多源遥感数据时空融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103177431B (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617629A (zh) * | 2013-12-13 | 2014-03-05 | 南京大学 | 基于modis遥感影像的高分辨率遥感影像植被指数时间序列校正方法 |
CN103778625A (zh) * | 2013-12-27 | 2014-05-07 | 北京东方泰坦科技股份有限公司 | 基于遥感图像变化检测算法的地物智能搜索技术 |
CN104091319A (zh) * | 2014-06-26 | 2014-10-08 | 重庆科技学院 | 基于蒙特卡洛算法构建能量函数的碎纸图片拼接方法 |
CN104637027A (zh) * | 2015-02-26 | 2015-05-20 | 武汉大学 | 顾及非局部特性与时空变化的遥感数据时空定量融合方法 |
CN104715467A (zh) * | 2015-03-06 | 2015-06-17 | 中国科学院遥感与数字地球研究所 | 一种改进型多源遥感数据时空融合方法 |
CN105530507A (zh) * | 2014-09-30 | 2016-04-27 | 南京理工大学 | 一种根据在轨参数预估图像质量的方法 |
CN105528793A (zh) * | 2016-01-12 | 2016-04-27 | 北京建筑大学 | 一种高空间分辨率遥感影像的分割方法及系统 |
CN106023111A (zh) * | 2016-05-23 | 2016-10-12 | 中国科学院深圳先进技术研究院 | 一种影像融合质量评价方法及系统 |
CN106384340A (zh) * | 2016-08-29 | 2017-02-08 | 国家基础地理信息中心 | 一种遥感时空影像降尺度融合方法 |
CN106599548A (zh) * | 2016-11-23 | 2017-04-26 | 中国科学院遥感与数字地球研究所 | 陆面蒸散发遥感估算的时空尺度匹配方法及装置 |
CN107966210A (zh) * | 2017-11-03 | 2018-04-27 | 深圳市环境监测中心站 | 基于高光谱图像的热红外融合重构方法 |
CN108961199A (zh) * | 2018-07-19 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 多源遥感数据时空融合方法及装置 |
CN109186774A (zh) * | 2018-08-30 | 2019-01-11 | 清华大学 | 地表温度信息获取方法、装置、计算机设备和存储介质 |
CN109840539A (zh) * | 2017-12-31 | 2019-06-04 | 苏州中科天启遥感科技有限公司 | 一种基于地块图斑的遥感时空数据融合方法 |
CN109975833A (zh) * | 2019-02-01 | 2019-07-05 | 中国地质大学(武汉) | 一种改进的成像卫星传感器观测能力度量方法 |
CN110849814A (zh) * | 2019-11-20 | 2020-02-28 | 平衡机器科技(深圳)有限公司 | 一种基于多源遥感卫星的遥感影像处理方法 |
CN111369483A (zh) * | 2020-03-05 | 2020-07-03 | 北京师范大学 | 一种融合多源遥感数据生成高时空分辨率遥感数据的方法 |
CN111507454A (zh) * | 2019-01-30 | 2020-08-07 | 兰州交通大学 | 一种用于遥感影像融合的改进交叉皮质神经网络模型 |
CN112052720A (zh) * | 2020-07-16 | 2020-12-08 | 贵州师范学院 | 一种基于直方图聚类的高时空归一化植被指数ndvi的融合模型 |
CN113160100A (zh) * | 2021-04-02 | 2021-07-23 | 深圳市规划国土房产信息中心(深圳市空间地理信息中心) | 一种基于光谱信息影像的融合方法、融合装置及介质 |
CN113327197A (zh) * | 2021-05-10 | 2021-08-31 | 香港理工大学深圳研究院 | 遥感影像时空融合方法、智能终端及计算机可读存储介质 |
CN113468361A (zh) * | 2021-06-30 | 2021-10-01 | 中国科学院地理科学与资源研究所 | Ndvi时序数据补偿重建方法、装置和电子设备 |
CN115063332A (zh) * | 2022-06-29 | 2022-09-16 | 河北科技师范学院 | 一种构建高空间分辨率时序遥感数据的方法 |
CN116737854A (zh) * | 2023-05-26 | 2023-09-12 | 上海优异达机电有限公司 | 基于多源遥感数据的时空数据湖管理系统及其安全防护方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040141659A1 (en) * | 2003-01-17 | 2004-07-22 | Yun Zhang | System and method for image fusion |
CN102314677A (zh) * | 2010-07-07 | 2012-01-11 | 中国科学院地理科学与资源研究所 | 一种基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的方法 |
-
2012
- 2012-12-26 CN CN201210570294.2A patent/CN103177431B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040141659A1 (en) * | 2003-01-17 | 2004-07-22 | Yun Zhang | System and method for image fusion |
CN102314677A (zh) * | 2010-07-07 | 2012-01-11 | 中国科学院地理科学与资源研究所 | 一种基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的方法 |
Non-Patent Citations (2)
Title |
---|
MINGQUAN WU ET AL.: "Use of MODIS and Landsat time series data to generate high-resolution temporal synthetic Landsat data using a spatial and temoral reflectance fusion model", 《JOURNAL OF APPLIED REMOTE SENSING》, vol. 6, 7 March 2012 (2012-03-07) * |
韩贵锋: "中国东部地区制备覆盖的时空变化及其人为因素的影响研究", 《中国博士学位论文全文数据库》, 15 August 2007 (2007-08-15), pages 34 - 37 * |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617629A (zh) * | 2013-12-13 | 2014-03-05 | 南京大学 | 基于modis遥感影像的高分辨率遥感影像植被指数时间序列校正方法 |
CN103617629B (zh) * | 2013-12-13 | 2016-05-04 | 南京大学 | 基于modis遥感影像的高分辨率遥感影像植被指数时间序列校正方法 |
CN103778625A (zh) * | 2013-12-27 | 2014-05-07 | 北京东方泰坦科技股份有限公司 | 基于遥感图像变化检测算法的地物智能搜索技术 |
CN104091319A (zh) * | 2014-06-26 | 2014-10-08 | 重庆科技学院 | 基于蒙特卡洛算法构建能量函数的碎纸图片拼接方法 |
CN105530507A (zh) * | 2014-09-30 | 2016-04-27 | 南京理工大学 | 一种根据在轨参数预估图像质量的方法 |
CN105530507B (zh) * | 2014-09-30 | 2017-06-27 | 南京理工大学 | 一种根据在轨参数预估图像质量的方法 |
CN104637027A (zh) * | 2015-02-26 | 2015-05-20 | 武汉大学 | 顾及非局部特性与时空变化的遥感数据时空定量融合方法 |
CN104637027B (zh) * | 2015-02-26 | 2017-07-11 | 武汉大学 | 顾及非局部特性与时空变化的遥感数据时空定量融合方法 |
CN104715467A (zh) * | 2015-03-06 | 2015-06-17 | 中国科学院遥感与数字地球研究所 | 一种改进型多源遥感数据时空融合方法 |
CN104715467B (zh) * | 2015-03-06 | 2017-07-07 | 中国科学院遥感与数字地球研究所 | 一种改进型多源遥感数据时空融合方法 |
CN105528793A (zh) * | 2016-01-12 | 2016-04-27 | 北京建筑大学 | 一种高空间分辨率遥感影像的分割方法及系统 |
CN106023111A (zh) * | 2016-05-23 | 2016-10-12 | 中国科学院深圳先进技术研究院 | 一种影像融合质量评价方法及系统 |
CN106384340A (zh) * | 2016-08-29 | 2017-02-08 | 国家基础地理信息中心 | 一种遥感时空影像降尺度融合方法 |
CN106384340B (zh) * | 2016-08-29 | 2019-01-01 | 国家基础地理信息中心 | 一种遥感时空影像降尺度融合方法 |
CN106599548B (zh) * | 2016-11-23 | 2019-05-24 | 中国科学院遥感与数字地球研究所 | 陆面蒸散发遥感估算的时空尺度匹配方法及装置 |
CN106599548A (zh) * | 2016-11-23 | 2017-04-26 | 中国科学院遥感与数字地球研究所 | 陆面蒸散发遥感估算的时空尺度匹配方法及装置 |
CN107966210A (zh) * | 2017-11-03 | 2018-04-27 | 深圳市环境监测中心站 | 基于高光谱图像的热红外融合重构方法 |
CN107966210B (zh) * | 2017-11-03 | 2019-12-20 | 深圳市环境监测中心站 | 基于高光谱图像的热红外融合重构方法 |
CN109840539A (zh) * | 2017-12-31 | 2019-06-04 | 苏州中科天启遥感科技有限公司 | 一种基于地块图斑的遥感时空数据融合方法 |
CN109840539B (zh) * | 2017-12-31 | 2023-09-08 | 苏州中科天启遥感科技有限公司 | 一种基于地块图斑的遥感时空数据融合方法 |
CN108961199A (zh) * | 2018-07-19 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 多源遥感数据时空融合方法及装置 |
CN109186774A (zh) * | 2018-08-30 | 2019-01-11 | 清华大学 | 地表温度信息获取方法、装置、计算机设备和存储介质 |
CN109186774B (zh) * | 2018-08-30 | 2019-11-22 | 清华大学 | 地表温度信息获取方法、装置、计算机设备和存储介质 |
CN111507454A (zh) * | 2019-01-30 | 2020-08-07 | 兰州交通大学 | 一种用于遥感影像融合的改进交叉皮质神经网络模型 |
CN111507454B (zh) * | 2019-01-30 | 2022-09-06 | 兰州交通大学 | 一种用于遥感影像融合的改进交叉皮质神经网络模型 |
CN109975833A (zh) * | 2019-02-01 | 2019-07-05 | 中国地质大学(武汉) | 一种改进的成像卫星传感器观测能力度量方法 |
CN110849814A (zh) * | 2019-11-20 | 2020-02-28 | 平衡机器科技(深圳)有限公司 | 一种基于多源遥感卫星的遥感影像处理方法 |
CN111369483B (zh) * | 2020-03-05 | 2020-11-13 | 北京师范大学 | 一种融合多源遥感数据生成高时空分辨率遥感数据的方法 |
CN111369483A (zh) * | 2020-03-05 | 2020-07-03 | 北京师范大学 | 一种融合多源遥感数据生成高时空分辨率遥感数据的方法 |
CN112052720A (zh) * | 2020-07-16 | 2020-12-08 | 贵州师范学院 | 一种基于直方图聚类的高时空归一化植被指数ndvi的融合模型 |
CN113160100A (zh) * | 2021-04-02 | 2021-07-23 | 深圳市规划国土房产信息中心(深圳市空间地理信息中心) | 一种基于光谱信息影像的融合方法、融合装置及介质 |
CN113327197A (zh) * | 2021-05-10 | 2021-08-31 | 香港理工大学深圳研究院 | 遥感影像时空融合方法、智能终端及计算机可读存储介质 |
CN113468361A (zh) * | 2021-06-30 | 2021-10-01 | 中国科学院地理科学与资源研究所 | Ndvi时序数据补偿重建方法、装置和电子设备 |
CN115063332A (zh) * | 2022-06-29 | 2022-09-16 | 河北科技师范学院 | 一种构建高空间分辨率时序遥感数据的方法 |
CN115063332B (zh) * | 2022-06-29 | 2024-04-30 | 河北科技师范学院 | 一种构建高空间分辨率时序遥感数据的方法 |
CN116737854A (zh) * | 2023-05-26 | 2023-09-12 | 上海优异达机电有限公司 | 基于多源遥感数据的时空数据湖管理系统及其安全防护方法 |
CN116737854B (zh) * | 2023-05-26 | 2024-04-30 | 上海优异达机电有限公司 | 基于多源遥感数据的时空数据湖管理系统及其安全防护方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103177431B (zh) | 2015-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103177431A (zh) | 一种多源遥感数据时空融合方法 | |
CN104715467A (zh) | 一种改进型多源遥感数据时空融合方法 | |
CN101794440B (zh) | 图像序列的加权自适应超分辨率重建方法 | |
CN104112263A (zh) | 基于深度神经网络的全色图像与多光谱图像融合的方法 | |
CN112991288B (zh) | 基于丰度图像锐化重构的高光谱遥感图像融合方法 | |
CN103761742B (zh) | 一种基于同质指数的高光谱遥感图像稀疏解混方法 | |
CN102572499B (zh) | 基于小波变换多分辨率预测的无参考图像质量评价方法 | |
CN107491793B (zh) | 一种基于稀疏散射全卷积的极化sar图像分类方法 | |
CN104008543A (zh) | 一种图像融合质量评价方法 | |
CN105631898A (zh) | 基于空时显著性融合的红外运动目标检测方法 | |
CN103679661A (zh) | 一种基于显著性分析的自适应遥感图像融合方法 | |
Han et al. | Multi-spectral and SAR images fusion via Mallat and À trous wavelet transform | |
CN103886559A (zh) | 一种光谱图像处理方法 | |
CN103413292A (zh) | 基于约束最小二乘的高光谱图像非线性丰度估计方法 | |
Sivagami et al. | Review of image fusion techniques and evaluation metrics for remote sensing applications | |
Qu et al. | Fusion of hyperspectral and panchromatic images using an average filter and a guided filter | |
CN102298768B (zh) | 基于稀疏样本的高分辨率图像重建方法 | |
Chen et al. | A unified spatial-spectral-temporal fusion model using Landsat and MODIS imagery | |
CN102722878A (zh) | 基于目标提取和ppb算法的sar图像去斑方法 | |
Shinde et al. | Compressive sensing based reconstruction and pixel-level classification of very high-resolution disaster satellite imagery using deep learning | |
Dhekale et al. | Satellite image (multispectral) enhancement techniques in wavelet domain: an overview | |
Liao et al. | Multispectral image fusion based on joint sparse subspace recovery | |
CN105354802A (zh) | 基于双向梯度预测的高光谱图像连续谱段恢复方法 | |
Yin et al. | Hyperspectral image classification using wavelet packet analysis and gray prediction model | |
Mani et al. | Performance Comparison of DCT Based Image Compression on Hexagonal and Rectangular Sampling Grid |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151014 Termination date: 20171226 |