CN113094527B - 广义云控制时空谱大数据库及遥感影像处理方法 - Google Patents

广义云控制时空谱大数据库及遥感影像处理方法 Download PDF

Info

Publication number
CN113094527B
CN113094527B CN202110445917.2A CN202110445917A CN113094527B CN 113094527 B CN113094527 B CN 113094527B CN 202110445917 A CN202110445917 A CN 202110445917A CN 113094527 B CN113094527 B CN 113094527B
Authority
CN
China
Prior art keywords
data
time
space
cloud control
database
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
Application number
CN202110445917.2A
Other languages
English (en)
Other versions
CN113094527A (zh
Inventor
李畅
孟琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central China Normal University
Original Assignee
Central China Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central China Normal University filed Critical Central China Normal University
Priority to CN202110445917.2A priority Critical patent/CN113094527B/zh
Publication of CN113094527A publication Critical patent/CN113094527A/zh
Application granted granted Critical
Publication of CN113094527B publication Critical patent/CN113094527B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种广义云控制时空谱大数据库及遥感影像处理方法，首先以广义云摄影测量与遥感控制大数据为基础收集时空数据，然后基于时空立方体模型建立海量多源异构云控数据的时空索引；基于瓦片数据模型建立云控数据的分布式存储机制；接着基于二叉检索方法建立时间、空间和属性的索引查询；本发明实现了海量异构多源时空数据的高性能自动存取、查询索引，实现多模态、多维度遥感数据的智能分析，为几何校正、辐射校正、同步校正、面向对象遥感影像分类和变化检测等提供了多源准确的控制数据，满足了大数据云计算时代的广义云控摄影测量与遥感的智能数据处理要求，并应用到遥感影像处理领域，搭建起时空谱数据库与遥感智能处理与识别的桥梁。

Description

广义云控制时空谱大数据库及遥感影像处理方法
技术领域
本发明属于GIS时空数据库技术领域，具体涉及一种广义云控制时空谱大数据库建立及其在遥感中的应用。
背景技术
时空谱大数据出现爆发式增长为广义云控制的发展带来了机遇，因此，海量广义云控数据的高速存取与应用便成为亟待解决的热点问题。但是当前广义云控数据的存取还存在如下问题：
(1)数据源：目前大数据云计算时代的广义云控摄影测量技术中的云控数据源种类众多、信息丰富，几何校正和辐射校正的完成需要多源数据的时空属性信息，常规数据库无法高效完成海量云控数据的存取和索引；
(2)传统数据存储技术：传统云控数据存储选择Oracle、PostGIS等关系数据库存储，但关系数据模型不支持保存时空数据，对多源异构的时空数据的存储不够灵活；此外，关系数据库的存取效率低，高并发多源数据的读写能力差；
(3)云计算背景下的数据存储：基于云计算的数据库多采用基于键值模型设计的非关系数据存储方式，该存储方式虽然能解决海量数据的存储问题，但时空数据的关联性不强，不能实现高并发条件下具有时间、空间、属性信息的三维云控数据的存取；
(4)遥感智能数据处理：目前利用时空谱云控数据库实现“广义云控制”驱动的遥感智能数据处理技术是亟待解决的问题；
因此，为满足大数据云计算时代的广义云控摄影测量与遥感的智能数据处理要求，实现多模态、多维度遥感数据的智能分析计算，本发明提出一种广义云控制时空谱大数据库及遥感影像处理方法。
发明内容
本发明的目的在于提供一种高性能、低成本、扩展性较高，并可用于高并发条件下海量广义云控时空谱大数据灵活读取、索引、自动更新的时空谱云控数据库，并将其应用于遥感影像预处理(几何与辐射校正)、影像分类和变化检测等领域。
本发明的数据库采用的技术方案是：一种广义云控制时空谱大数据库，所述广义云控制时空谱大数据库，存储的数据源数据为遥感影像数据，包括数字正射影像数据、数字高程模型数据、数字表面模型数据、数字线划地图数据、数字栅格图数据、土地覆盖土地利用数据、辐射定标产品数据、线阵列面阵列影像等海量多源异构云控数据；
所述广义云控制时空谱大数据库，采用时空立方体模型建立，通过经度轴、纬度轴和时间轴表示，每一个是可控立方体的单位立方体存储的基本信息包括影像的时相数据，影像的平面控制信息和影像的高程控制信息；表达二维空间对应的属性随时间的演变，能对时空大数据快速索引和存储；
所述广义云控制时空谱大数据库，通过瓦片时空数据库对海量异构云控数据和待校正影像进行分布式存储和索引。
本发明提供了一种基于广义云控制时空谱大数据库的遥感影像处理方法，所述遥感影像处理包括几何校正和辐射校正；广义云控制时空谱大数据库利用高效的时空数据索引、查询机制，为多时相、多光谱影像的遥感数据处理提供数据支持：包括提供多源异构云控数据；为用户选取合理的云控数据控制点；提供云控数据信息，包括适合的时间分辨率、光谱分辨率等遥感影像信息，选取最佳的云控数据，减弱云控数据源对辐射校正的影响，为遥感几何校正和辐射校正提供云控数据支持；
所述几何校正，具体实现包括数据支持、影像几何校正和云控数据的高并发存取；
所述数据支持，为几何校正提供多源异构云控数据支持，为几何校正提供高精度的云控数据控制点，为其提供准确云控数据信息，如光谱分辨率、时间分辨率等信息；
所述影像几何校正，首先将时空谱数据库提供的云控信息与待校正影像提取的特征进行匹配，获得同名特征点、线和面；然后以此代入高阶多项式、或者共线方程或有理多项式解算几何校正的未知数；最后进行重采样完成影像校正；
所述云控数据的高并发存取，满足用户在几何校正前后对云控数据的高并发读写需求，保证几何校正后云控数据的自动实时更新；
所述辐射校正，具体实现包括数据支持、影像辐射校正和云控数据的高并发存取；
所述数据支持，同几何校正一致，提供多源异构云控数据、云控数据控制点、云控数据信息等支持；
所述影像辐射校正，首先通过几何校正的结果对应出待校正影像亮度值与时空谱数据库提供的云控辐射值；然后自动检测并剔除变化地物的像元值；其次通过不变像元值计算辐射校正模型的系数；最后完成影像的辐射校正；
所述云控数据的高并发存取，同几何校正一致，保持辐射校正前后对云控数据的高并发读写需求和自动实时更新；
几何校正和辐射校正后，将高精度校正结果存储更新到广义云控制时空谱大数据库，实现云控数据的自动存储更新。
本发明还提供了一种基于广义云控制时空谱大数据库的遥感影像处理方法，所述遥感影像处理包括同步校正；结合用户的遥感数据处理需求，广义云控制时空谱大数据库利用二叉索引方式，获取云控数据，为几何与辐射同步校正提供多源异构数据的联合控制支持，所述多源异构数据包括激光探测与测量点云、遥感影像、DLG；同步校正结果自动更新存储到广义云控制时空谱大数据库中。
本发明还提供了一种基于广义云控制时空谱大数据库的遥感影像处理方法，所述遥感影像处理包括面向对象影像分类；通过空间索引，为基于深度学习的影像分类提供海量可靠训练样本，满足多并发条件下的数据读取要求，实现准确和高精度的遥感影像分类；将基于深度学习的影像分类结果进行确认后自动更新存储到广义云控制时空谱大数据库中，建立LULC数据、分类结果数据、训练样本等文件的存储和关联，便于后续基于深度学习的变化检测工作。
本发明还提供了一种基于广义云控制时空谱大数据库的遥感影像处理方法，所述遥感影像处理变化检测；利用广义云控制时空谱大数据库存储的多源异构多时相数据，检索其时相信息、遥感解译信息，为基于深度学习的变化检测提供恰当的时间分辨率、空间分辨率、光谱分辨率和辐射分辨率的遥感数据，为其提供海量样本；将变化检测结果进行确认后自动更新存储到广义云控制时空谱大数据库中，建立不同时相遥感影像的关联关系。
本发明通过获取云控数据和海量开源数据，自动建立并更新广义云控制时空谱大数据库，并将其推广运用于遥感领域。本发明利用时空立方体模型建立云控数据的时间、空间和属性关联，提高了云控数据时空属性的索引效率，为广义遥感技术提供云支撑环境；采用瓦片数据结构和二叉索引技术，实现多源异构云控数据的高效读写和索引，为并发条件下基于深度学习的遥感应用提供了海量样本；基于时间、空间、属性三位一体的索引方式有效避免了多模态遥感影像处理问题，通过大数据驱动统计建模和深度学习方法，可高效的服务于遥感影像几何校正、辐射校正、同步校正、面向对象遥感影像分类和变化检测等的智能处理。
附图说明
图1是本发明实施例的广义云控制时空谱大数据库构建及应用流程图；
图2是本发明实施例的时空立方体示意图；
图3是本发明实施例的数据查询示意图。
具体实施方式
本发明技术方案可采用计算机软件技术实现自动建库、索引、更新等时空谱云控数据库的基本实现流程。以下结合附图和实施例的流程详细说明本发明技术方案。
参见图1，本发明实施例提供的一种广义云控制时空谱大数据库建立及其在遥感中的应用方法，包括以下步骤：
步骤1：数据收集。
本实施例检索全球开源数据集，为建立时空谱云控数据库提供数据支持。本实施例建立的时空谱云控数据库存储的主要数据源数据为：4D数据(DOM、DEM/DSM、DLG、DRG)、LULC数据、辐射定标产品数据(MODIS 1B、Landsat 1级、SPOT 1级、CBERS02B 1级、HY-1A/1B1级产品数据等)、线阵列面阵列影像等海量多源异构云控数据。
本实施例进行广义云控时空谱大数据收集包括执行以下子步骤：
步骤1.1：借助GEE平台检索；
GEE是一个基于云的地理空间分析平台，可以通过访问API和web端的IDE进行访问和控制。本实施例通过GEE获取部分遥感解译(地物分类)的结果LULC数据、Landsat、Sentinel、MODIS、ASTER、SRTM和ICESat等数据集的全球数据，获得如DLG、辐射定标等产品数据；
步骤1.2：借助ArcGIS二次开发平台检索；
由于GEE平台数据资源有限，并未完全覆盖全球的遥感卫星，如资源三号、高分系列卫星、全国地理国情监测数据、第二次全国土地调查数据、第三次全国国土调查数据，全国水土流失动态监测数据等，但是国产卫星数据的处理也尤为重要；此外，由于矢栅数据结构不一、DSM存在凌乱点云，多源异构数据的多样性增加了时空谱数据库的丰富性。因此，基于二次开发建立时空谱云控数据库的索引尤为关键，故而，本实施例基于ArcGIS Engine编写面向对象应用程序、基于ArcPy编写的ArcGIS应用程序等；
步骤2：建立时空谱云控数据库。
包括执行以下子步骤，
步骤2.1：自动化生成控制数据集并建库；
本实施例自动生成几何与辐射校正的产品数据用于建立并更新数据库。本实施例建立的时空谱云控数据库采用时空立方体模型建立，时空立方体概念化表达了二维空间对应的属性(如光谱和LULC等属性信息，遥感解译信息等)随时间的演变，可以对时空大数据快速索引和存储。如附图2所示，经度轴、纬度轴和时间轴表示，由于含有经纬度数据便可以检索高程值，且为方便存储检索，故没必要建立4D空间(经度轴、纬度轴、高程轴、时间轴)索引。
本实施例中时空谱云控数据库建立时空立方体的基本思想如下，
(1)实施例将时间轴按照时间片进行等间隔划分，时间片的长度决定了单位立方体的高度，不同的检索影像，决定了时空立方体的长度和宽度。时空立方体的数据量大小取决于时间片的大小、检索影像的实际空间范围等因素；
(2)时间片的大小可以根据数据源影像的时间间隔和用户的需要进行适当的调整。在将数据存储到时空立方体时，需要通过参数时间步长对齐决定存储时间的开始位置和结束的位置，以保证存储的数据不会出现时间的偏差；
(3)经度轴与维度轴的长度与宽度根据数据源影像的大小，也会有所差异；
(4)每一个是可控立方体的单位立方体存储的基本信息为：影像的时相数据，影像的平面控制信息，如经纬度，影像的高程控制信息等；
步骤2.2：数据存储；
本实施例建立瓦片时空数据库对将海量异构云控数据和待校正影像进行分布式存储和索引，以实现高并发检索环境下快速的时空谱云控数据库的检索查询效率；
步骤3：数据查询；
本实施例基于二叉树的索引方法，将待校正影像与云控数据的时相、传感器和分辨率等信息进行查询，从而选择“时空谱”上最相似性的几何与辐射控制数据；在大数据时代的今天各种传感器数据十分丰富，使用本实施例的方法可以尽可能避免不同传感器的多模态处理问题。时空谱云控数据库数据查询优先级如附图3所示；
步骤4：时间索引。
本实施例以索引影像时相的前后15天为索引时间区间进行渐进式索引。若当前年份不存在索引数据，则在该年份的前一年(最新时相数据仅需前一年)和后一年同一季候的索引时间区间内索引；时间检索伪代码如下表1所示；
Figure BDA0003036894520000061
Figure BDA0003036894520000071
具体实现包括以下步骤：
步骤4.1：初始化用户检索时间、数据库时间、检索的索引时间区间；
步骤4.2：根据检索数据的时相信息检索数据；
步骤4.2.1：判断当前年份的索引时间区间内是否存在检索数据；若存在，获取被检索数据；否则，执行步骤4.2.2；
步骤4.2.2：判断检索数据是否为最新时相数据；若是最新时相数据，则获取前一年份索引时间区间内的同季候索引时相数据；否则，执行步骤4.2.3；
步骤4.2.3：前后年份获取检索数据；获取用户检索时间的前一年份和后一年份的索引时间区间内的同季候索引时相数据；若当前时空谱数据库不存在用户检索的影像，则寻找其他数据源，获取被检索影像。
步骤5：空间索引。
空间索引包括执行以下子步骤，
步骤5.1：基于平面控制查询；
本实施例获取影像边界的四个角点的坐标，检索对应的DOM、DLG等数据；
步骤5.2：基于高程控制查询；
本实施例在平面控制的基础上，利用被检索影像的高程信息，在时空谱云控制数据库中进行检索；
步骤6：属性索引。
根据时空谱云控数据库数据检索优先级的原则，实施例基于GEE或ArcGIS二次开发平台依次检索云控数据或待校正影像的传感器信息、空间分辨率和光谱分辨率信息；
其中，基于二次开发平台编写面向对象应用程序，具体实现包括数据库设计、数据库实施和数据库运行维护；
本实施例中数据库设计，根据所述时空谱数据库的特征、索引规则、功能，设计其概念模型、物理模型和逻辑模型；确定不同对象、实体之间的联系绘制E-R图和类图，建立不同数据源的多并发实时存取方法；
本实施例中数据库实施，根据概念模型和逻辑模型，基于二次开发编程，建立时空谱数据库的结构，并将已有的云控数据装入时空谱数据库，此外，与GEE等开源平台建立web端的访问控制机制；
本实施例中数据库运行维护，时空谱数据库建立后，对数据库的性能进行检测和改善，并及时对时空谱数据库进行备份和故障恢复，保证数据库的高效运行和并发控制。
步骤7：几何校正和辐射校正。
本实施例中遥感影像处理包括几何校正和辐射校正；广义云控制时空谱大数据库利用高效的时空数据索引、查询机制，为多时相、多光谱影像的遥感数据处理提供数据支持：包括提供多源异构云控数据；为用户选取合理的云控数据控制点；提供云控数据信息，包括适合的时间分辨率、光谱分辨率等遥感影像信息，选取最佳的云控数据，减弱云控数据源对辐射校正的影响，为遥感几何校正和辐射校正提供云控数据支持；
本实施例的几何校正，具体实现包括数据支持、影像几何校正和云控数据的高并发存取；
本实施例中数据支持，为几何校正提供多源异构云控数据支持，为几何校正提供高精度的云控数据控制点，为其提供准确云控数据信息，如光谱分辨率、时间分辨率等信息；
本实施例中影像几何校正主要步骤为：首先将时空谱数据库提供的云控信息与待校正影像提取的特征进行匹配，获得同名特征点、线和面；然后以此代入高阶多项式、或者共线方程或有理多项式解算几何校正的未知数；最后进行重采样完成影像校正。
步骤7.3：混合校正，根据用户需求对遥感影像进行进一步几何校正；
本实施例中云控数据的高并发存取，满足用户在几何校正前后对云控数据的高并发读写需求，保证几何校正后云控数据的自动实时更新；
本实施例的辐射校正，具体实现包括数据支持、影像辐射校正和云控数据的高并发存取；
本实施例中数据支持，同几何校正一致，提供多源异构云控数据、云控数据控制点、云控数据信息等支持；
本实施例中影像辐射校正主要步骤为：首先通过几何校正的结果对应出待校正影像亮度值与时空谱数据库提供的云控辐射值；然后自动检测并剔除变化地物的像元值；其次通过不变像元值计算辐射校正模型的系数；最后完成影像的辐射校正。
本实施例中云控数据的高并发存取，同几何校正一致，保持辐射校正前后对云控数据的高并发读写需求和自动实时更新；
几何校正和辐射校正后，将高精度校正结果存储更新到广义云控制时空谱大数据库，实现云控数据的自动存储更新。
步骤8：同步校正。
本实施例同步校正包括执行以下子步骤，
步骤8.1：结合用户的遥感数据处理需求，实施例建立的时空谱云控数据库利用二叉索引方式，获取云控数据，为几何与辐射同步校正提供LiDAR点云、遥感影像、DLG等多源异构数据的联合控制支持，解决单一的云控数据信息量不足、数据单一的问题；
步骤8.2：本实施例将同步校正结果自动更新存储到时空谱云控数据库中；
步骤9：面向对象影像分类。
本实施例面向对象影像分类包括执行以下子步骤，
步骤9.1：根据瓦片时空数据库分布式存储的LULC等遥感解译数据的多样性，本实施例通过空间索引，为基于深度学习的影像分类提供海量可靠训练样本，满足多并发条件下的数据读取要求，实现准确和高精度的遥感影像分类；
步骤9.2：本实施例将基于深度学习的影像分类结果进行确认后自动更新存储到时空谱数据库中，建立LULC数据、分类结果数据、训练样本等文件的存储和关联，便于后续基于深度学习的变化检测工作；
步骤10：变化检测；
本实施例变化检测包括执行以下子步骤，
步骤10.1：本实施例利用时空谱数据库存储的多源异构多时相数据，检索其时相信息、遥感解译信息，为基于深度学习的变化检测提供恰当的时间分辨率、空间分辨率、光谱分辨率和辐射分辨率的遥感数据，为其提供海量样本，如LULC数据、DEM数据等；
步骤10.2：本实施例将变化检测结果进行确认后自动更新存储到时空谱数据库中，建立不同时相遥感影像的关联关系。
本发明与现有技术的区别如下：
(1)数据源区别：当前的云控制摄影测量数据仅包含几何控制，但本发明的广义云摄影测量与遥感控制大数据不仅包含上述摄影测量(几何)数据，还包含辐射光谱控制数据、遥感解译成果控制数据等多源异构控制数据，广义云控时空谱大数据的数据源种类众多、时空属性信息更为丰富；
(2)数据库区别：传统的时空数据库均针对某一特定的时空数据类型或特定的模式，时空数据的关联性不强，且无法高效完成海量异构数据的存取和索引；静态的空间数据库无法处理时空数据的动态更新和空间迁移问题，单一的时态数据库无法获取足够的云控数据信息、结构复杂等问题；本发明首次提出时空谱数据库，时空谱数据库针对多源、异构、海量广义云控数据建立时间、空间、属性三位一体的时空谱数据库索引模型，可实现遥感广义云控大数据等数据的分布式存储、高并发索引查询和实时动态更新；
(3)数据索引区别：时空立方体模型侧重于数据的多维度存储组织，但基于时相、光谱分辨率等属性的索引技术未见报道。本发明首次提出基于时空立方体建立“广义云控制”时空谱大数据库的二叉树索引机制，可有效利用广义云控数据的时空属性建立高效深度索引；
(4)应用方向区别：本发明所述的时空谱数据库首次提出了“广义云控制”驱动的几何校正、辐射校正、同步校正、影像分类和变化检测，这是大数据驱动的率先应用技术。
因此充分利用云控数据的时空属性辅助工作者进行时空数据的存储、索引、查询、自动更新，借助二叉树、时空立方体、瓦片数据结构等技术方法，构建一种广义云控制时空谱大数据库，并将其在遥感领域应用，具备重要的理论和现实意义。本发明首次提出的广义云控制时空谱大数据库建立及其在遥感中的应用，其作用如下：
(1)建立“时间、空间、属性”三位一体的时空谱云控数据库，实现时空谱数据库的构建、存储、查询、索引、自动更新策略，能够对海量云控数据的时间和空间属性建立关联，优化云控数据的存取方式，提高索引效率；
(2)实现高效多源异构数据的时空索引查询，尽可能避免多模态遥感影像处理问题，为几何校正、辐射校正、以及同步校正提供控制；
(3)服务于遥感变化检测和遥感影像分类，为深度学习提供海量样本，实现高并发条件下云控数据的灵活存取。
本实施例中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (9)

1.一种广义云控制时空谱大数据库，其特征在于：所述广义云控制时空谱大数据库，存储的数据源数据为遥感影像数据，包括数字正射影像数据、数字高程模型数据、数字表面模型数据、数字线划地图数据、数字栅格图数据、土地覆盖土地利用数据、辐射定标产品数据、线阵列面阵列影像海量多源异构云控数据；
所述广义云控制时空谱大数据库，采用时空立方体模型建立，通过经度轴、纬度轴和时间轴表示，每一个是可控立方体的单位立方体存储的基本信息包括影像的时相数据，影像的平面控制信息和影像的高程控制信息；表达二维空间对应的属性随时间的演变，能对时空大数据快速索引和存储；
所述广义云控制时空谱大数据库，通过瓦片时空数据库对海量异构云控数据和待校正影像进行分布式存储和索引；
所述广义云控制时空谱大数据库，以索引影像时相的前后N天为索引时间区间进行渐进式索引；其中，N为预设值；
具体实现包括以下步骤：
步骤1：初始化用户检索时间、数据库时间、检索的索引时间区间；
步骤2：根据检索数据的时相信息检索数据；
步骤2.1：判断当前年份的索引时间区间内是否存在检索数据；若存在，获取被检索数据；否则，执行步骤2.2；
步骤2.2：判断检索数据是否为最新时相数据；若是最新时相数据，则获取前一年份索引时间区间内的同季候索引时相数据；否则，执行步骤2.3；
步骤2.3：前后年份获取检索数据；获取用户检索时间的前一年份和后一年份的索引时间区间内的同季候索引时相数据；若当前时空谱数据库不存在用户检索的影像，则寻找其他数据源，获取被检索影像。
2.根据权利要求1所述的广义云控制时空谱大数据库，其特征在于：所述时空立方体模型，将时间轴按照时间片进行等间隔划分，时间片的长度决定了单位立方体的高度，不同的检索影像，决定了时空立方体的长度和宽度；时空立方体的数据量大小取决于时间片的大小、检索影像的实际空间范围；时间片的大小能根据数据源影像的时间间隔和用户的需要进行适当的调整；在将数据存储到时空立方体时，需要通过参数时间步长对齐决定存储时间的开始位置和结束的位置，以保证存储的数据不会出现时间的偏差；经度轴与维度轴的长度与宽度根据数据源影像的大小，也会有所差异。
3.根据权利要求1所述的广义云控制时空谱大数据库，其特征在于：所述广义云控制时空谱大数据库，采用二叉树的索引方法，将待校正影像与云控数据的信息进行查询，从而选择“时空谱”上最相似性的几何与辐射控制数据。
4.根据权利要求1所述的广义云控制时空谱大数据库，其特征在于：所述广义云控制时空谱大数据库，执行空间索引时，若是于平面控制查询，则获取影像边界的四个角点的坐标，检索对应的DOM数据和DLG数据；若是基于高程控制查询，则在平面控制的基础上，利用被检索影像的高程信息，在时空谱云控制数据库中进行检索。
5.根据权利要求1所述的广义云控制时空谱大数据库，其特征在于：所述广义云控制时空谱大数据库，根据时空谱云控数据库数据检索优先级的原则，基于二次开发平台依次检索云控数据或待校正影像的传感器信息、空间分辨率和光谱分辨率信息；
其中，基于二次开发平台编写面向对象应用程序，具体实现包括数据库设计、数据库实施和数据库运行维护；
所述数据库设计，根据时空谱数据库的特征、索引规则、功能，设计其概念模型、物理模型和逻辑模型；确定不同对象、实体之间的联系绘制E-R图和类图，建立不同数据源的多并发实时存取方法；
所述数据库实施，根据概念模型和逻辑模型，基于二次开发编程，建立时空谱数据库的结构，并将已有的云控数据装入时空谱数据库，此外，开源平台建立web端的访问控制机制；
所述数据库运行维护，时空谱数据库建立后，对数据库的性能进行检测和改善，并及时对时空谱数据库进行备份和故障恢复，保证数据库的高效运行和并发控制。
6.一种基于权利要求1-5任意一项所述的广义云控制时空谱大数据库的遥感影像处理方法，其特征在于，所述遥感影像处理包括几何校正和辐射校正；广义云控制时空谱大数据库利用高效的时空数据索引、查询机制，为多时相、多光谱影像的遥感数据处理提供数据支持：包括提供多源异构云控数据；为用户选取合理的云控数据控制点；提供云控数据信息，包括适合的时间分辨率、光谱分辨率信息，选取最佳的云控数据，减弱云控数据源对辐射校正的影响，为遥感几何校正和辐射校正提供云控数据支持；
所述几何校正，具体实现包括数据支持、影像几何校正和云控数据的高并发存取；
所述数据支持，为几何校正提供多源异构云控数据支持，为几何校正提供高精度的云控数据控制点，为其提供准确云控数据信息；
所述影像几何校正，首先将时空谱数据库提供的云控信息与待校正影像提取的特征进行匹配，获得同名特征点、线和面；然后以此解算几何校正的未知数；最后进行重采样完成影像校正；
所述云控数据的高并发存取，满足用户在几何校正前后对云控数据的高并发读写需求，保证几何校正后云控数据的自动实时更新；
所述辐射校正，具体实现包括数据支持、影像辐射校正和云控数据的高并发存取；
所述数据支持，同几何校正一致，提供多源异构云控数据、云控数据控制点、云控数据信息支持；
所述影像辐射校正，首先通过几何校正的结果对应出待校正影像亮度值与时空谱数据库提供的云控辐射值；然后自动检测并剔除变化地物的像元值；其次通过不变像元值计算辐射校正模型的系数；最后完成影像的辐射校正；
所述云控数据的高并发存取，同几何校正一致，保持辐射校正前后对云控数据的高并发读写需求和自动实时更新；
几何校正和辐射校正后，将高精度校正结果存储更新到广义云控制时空谱大数据库，实现云控数据的自动存储更新。
7.一种基于权利要求1-5任意一项所述的广义云控制时空谱大数据库的遥感影像处理方法，其特征在于：所述遥感影像处理包括同步校正；结合用户的遥感数据处理需求，广义云控制时空谱大数据库利用二叉索引方式，获取云控数据，为几何与辐射同步校正提供多源异构数据的联合控制支持，所述多源异构数据包括激光探测与测量点云、遥感影像、DLG；同步校正结果自动更新存储到广义云控制时空谱大数据库中。
8.一种基于权利要求1-5任意一项所述的广义云控制时空谱大数据库的遥感影像处理方法，其特征在于：所述遥感影像处理包括面向对象影像分类；通过空间索引，为基于深度学习的影像分类提供海量可靠训练样本，满足多并发条件下的数据读取要求，实现准确和高精度的遥感影像分类；将基于深度学习的影像分类结果进行确认后自动更新存储到广义云控制时空谱大数据库中，建立LULC数据、分类结果数据、训练样本文件的存储和关联，便于后续基于深度学习的变化检测工作。
9.一种基于权利要求1-5任意一项所述的广义云控制时空谱大数据库的遥感影像处理方法，其特征在于：所述遥感影像处理包括变化检测；利用广义云控制时空谱大数据库存储的多源异构多时相数据，检索其时相信息、遥感解译信息，为基于深度学习的变化检测提供恰当的时间分辨率、空间分辨率、光谱分辨率和辐射分辨率的遥感数据，为其提供海量样本；将变化检测结果进行确认后自动更新存储到广义云控制时空谱大数据库中，建立不同时相遥感影像的关联关系。
CN202110445917.2A 2021-04-25 2021-04-25 广义云控制时空谱大数据库及遥感影像处理方法 Active CN113094527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110445917.2A CN113094527B (zh) 2021-04-25 2021-04-25 广义云控制时空谱大数据库及遥感影像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110445917.2A CN113094527B (zh) 2021-04-25 2021-04-25 广义云控制时空谱大数据库及遥感影像处理方法

Publications (2)

Publication Number Publication Date
CN113094527A CN113094527A (zh) 2021-07-09
CN113094527B true CN113094527B (zh) 2022-09-27

Family

ID=76680046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110445917.2A Active CN113094527B (zh) 2021-04-25 2021-04-25 广义云控制时空谱大数据库及遥感影像处理方法

Country Status (1)

Country Link
CN (1) CN113094527B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113590894B (zh) * 2021-07-12 2024-09-20 浙江大学 一种动态高效的遥感影像元数据入库检索方法
CN113806298A (zh) * 2021-08-09 2021-12-17 中国地质大学（武汉） 分布式文件系统存储优化方法、计算机设备及存储介质
CN113970376B (zh) * 2021-09-07 2023-10-31 中国科学院空天信息创新研究院 一种基于海洋区域再分析资料的卫星红外载荷定标方法
CN116756139B (zh) * 2023-05-12 2024-04-23 中国自然资源航空物探遥感中心 一种数据索引方法、系统、存储介质和电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106909644A (zh) * 2017-02-21 2017-06-30 中国科学院电子学研究所 一种面向海量遥感影像的多级组织和索引方法
CN109635068A (zh) * 2018-12-20 2019-04-16 中国地质大学（武汉） 云计算环境下的海量遥感数据高效组织及快速检索方法
CN109992636A (zh) * 2019-03-22 2019-07-09 中国人民解放军战略支援部队信息工程大学 时空编码方法、时空索引及查询方法及装置
CN112115198A (zh) * 2020-09-14 2020-12-22 宁波市测绘和遥感技术研究院 一种城市遥感智能服务平台
CN112559481A (zh) * 2020-11-27 2021-03-26 西安中科星图空间数据技术有限公司 一种基于分布式系统和关系数据库的数据存储方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3105840B2 (ja) * 1997-09-04 2000-11-06 康 廣澤 地球情報供給システム
WO2019062166A1 (zh) * 2017-09-30 2019-04-04 中国科学院遥感与数字地球研究所 跨平台月基对地观测影像自动几何校正方法
CN109783665B (zh) * 2018-12-29 2022-10-14 武汉大学 基于Google S2实现Hbase数据库遥感大数据入库模型的设计方法
CN111898477A (zh) * 2020-07-13 2020-11-06 东南大学 基于无人机新旧时相影像的变化建筑物快速检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106909644A (zh) * 2017-02-21 2017-06-30 中国科学院电子学研究所 一种面向海量遥感影像的多级组织和索引方法
CN109635068A (zh) * 2018-12-20 2019-04-16 中国地质大学（武汉） 云计算环境下的海量遥感数据高效组织及快速检索方法
CN109992636A (zh) * 2019-03-22 2019-07-09 中国人民解放军战略支援部队信息工程大学 时空编码方法、时空索引及查询方法及装置
CN112115198A (zh) * 2020-09-14 2020-12-22 宁波市测绘和遥感技术研究院 一种城市遥感智能服务平台
CN112559481A (zh) * 2020-11-27 2021-03-26 西安中科星图空间数据技术有限公司 一种基于分布式系统和关系数据库的数据存储方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
多源遥感数据管理系统的设计与实现;张广耀;《矿山测量》;20190415;第47卷(第2期);文章第2-5页 *

Also Published As

Publication number Publication date
CN113094527A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN113094527B (zh) 广义云控制时空谱大数据库及遥感影像处理方法
Zou et al. A survey of big data analytics for smart forestry
Pfeifer et al. OPALS–A framework for Airborne Laser Scanning data analysis
Eldawy et al. Shahed: A mapreduce-based system for querying and visualizing spatio-temporal satellite data
CN103218783B (zh) 基于控制点影像数据库的卫星遥感图像快速几何纠正方法
CN103337052B (zh) 面向宽幅遥感影像的自动几何纠正方法
US20070188491A1 (en) System and method for fast efficient contour shading of sampled data
CN103235810B (zh) 遥感影像控制点数据智能检索方法
Schön et al. Octree-based indexing for 3D pointclouds within an Oracle Spatial DBMS
Jiang et al. Parallel structure from motion for UAV images via weighted connected dominating set
CN112579677B (zh) 一种卫星遥感影像自动处理方法
CN117636160A (zh) 一种基于半监督学习的高分遥感耕地地块自动更新方法
Zhao et al. Towards accurate individual tree parameters estimation in dense forest: optimized coarse-to-fine algorithms for registering UAV and terrestrial LiDAR data
Liu et al. Building extraction from high resolution satellite imagery based on multi-scale image segmentation and model matching
CN114255270A (zh) 基于倾斜摄影技术的路基土石方自动算量方法和平台
CN113282584A (zh) 一种对地观测影像时空立方体数据检索方法及系统
CN112632303A (zh) 一种影像数据的分布式存储方法、分析方法及装置
Peng et al. Content-based search of earth observation data archives using open-access multitemporal land cover and terrain products
CN110033459B (zh) 顾及地物完整性的大规模点云快速分块方法
CN109902139B (zh) 一种基于r树的轨迹数据压缩方法
Schön et al. Storage, manipulation, and visualization of LiDAR data
CN109947884B (zh) 一种全球ICESat/GLAS点云的高效组织查询方法
SABRI et al. Cloud computing in remote sensing: big data remote sensing knowledge discovery and information analysis
Yu et al. Abnormal crowdsourced data detection using remote sensing image features
Wojciechowska Case studies on the use of UAV's for documentation of cultural heritage

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