CN114202705A - 光谱特征时间序列构建方法及系统 - Google Patents
光谱特征时间序列构建方法及系统 Download PDFInfo
- Publication number
- CN114202705A CN114202705A CN202210141806.7A CN202210141806A CN114202705A CN 114202705 A CN114202705 A CN 114202705A CN 202210141806 A CN202210141806 A CN 202210141806A CN 114202705 A CN114202705 A CN 114202705A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- time
- spectral feature
- spectral
- image
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种光谱特征时间序列构建方法及系统,其中的方法包括:对用于数据融合的多源遥感影像进行预处理,并获取对应的预处理数据;基于预处理数据,根据预设时间间隔分别构建多源遥感影像的光谱特征时间序列;基于不同遥感影像的光谱特征时间序列构建用于不同遥感影像之间的转换模型;基于转换模型对目标光谱特征时间序列中存在数据缺失的时间节点进行缺失值补充;对缺失值补充后的光谱特征时间序列进行优化处理,获取基于多源遥感影像时空融合的光谱特征时间序列。利用上述发明能够实现多源遥感影像时空融合的光谱特征时间序列构建。
Description
技术领域
本发明涉及多源遥感影像时空融合算法技术领域,更为具体地,涉及一种基于多源遥感数据融合的光谱特征时间序列构建方法及系统。
背景技术
近年来,随着遥感数据时空分辨率的不断提高,人们对农情监测、土地覆盖分类及变化监测等遥感应用的时空精度提出了更高的要求,使得光谱特征时间序列得到了广泛应用。
基于多时相遥感影像的光谱特征时间序列反映了不同地物的物候特性及变化规律,一方面可以直接应用于土地覆盖变化和农作物生长状况监测;另一方面,可以用做土地覆盖分类中的输入特征,增大不同地物之间的可分性,提高分类精度。
然而,受限于现有遥感卫星传感器的硬件技术,以及云雨天气造成的数据缺失,基于单一遥感卫星数据构建的光谱特征时间序列难以满足高时空分辨率遥感应用的要求。因此,通过融合多源遥感数据,充分利用不同传感器在时间、空间及光谱分辨率中的优势,构建高时空精度的光谱特征时间序列是目前遥感分类和监测等应用中常用的方法。
目前,在众多多源遥感数据融合算法中,基于重建模型的融合方法应用最为广泛。该方法通过建立高时间分辨率与高空间分辨率数据之间的关系,实现不同传感器数据的融合。在这一类算法中,最为常用的为时空自适应融合模型(TheSpatial and TemporalAdaptive Reflectance Fusion Model,STARFM)和增强型时空自适应融合模型(EnhancedSpatial and Temporal AdaptiveReflectance Fusion Model,ESTARFM)。STARFM 和ESTARFM 的基本原理相似,即通过计算光谱差异、空间距离差异、时间差异引入邻近相似像元的权重,获得拟预测中心像元的光谱值,从而实现多源遥感数据融合,构建光谱特征时间序列。
但是,这两种方法也存在一定的局限:一是对于变化复杂和多云雨的地区,难以准确的找出相似像元,导致融合精度不高;二是寻找邻近相似像元及计算权重的算法相对复杂且效率较低,难以实现大尺度遥感分类与监测应用中光谱特征时间序列的快速构建。
因此,当前研究中仍缺少面向大尺度遥感应用且易于实现的高时空精度光谱特征时间序列快速构建方法。
发明内容
鉴于上述问题,本发明的目的是提供一种光谱特征时间序列构建方法及系统,以解决现有的光谱特征时间序列构建精度低、效率低、不能实现大尺度高精度时空融合的问题。
本发明提供的光谱特征时间序列构建方法,包括:对用于数据融合的多源遥感影像进行预处理,并获取对应的预处理数据;基于预处理数据,根据预设时间间隔分别构建多源遥感影像的光谱特征时间序列;基于不同遥感影像的光谱特征时间序列构建用于不同遥感影像之间的转换模型;基于转换模型对目标光谱特征时间序列中存在数据缺失的时间节点进行缺失值补充;对缺失值补充后的光谱特征时间序列进行优化处理,获取基于多源遥感影像时空融合的光谱特征时间序列。
此外,可选的技术方案是,多源遥感影像包括高空间低时间分辨率影像和低空间高时间分辨率影像;其中,对用于数据融合的多源遥感影像进行预处理,获取对应的预处理数据的过程,包括:基于预设数据质量波段对高空间低时间分辨率影像进行质量筛选,获取符合质量要求的第一影像数据;基于预设覆盖范围对第一影像数据进行重投影,获取第一遥感影像;以及,基于预设数据质量波段对低空间高时间分辨率影像进行质量筛选,获取符合质量要求的第二影像数据;基于预设覆盖范围对第二影像数据进行重投影,获取投影影像;基于双三次差值将投影影像重采样至高空间低时间分辨率影像的空间分辨率,获取第二遥感影像。
此外,可选的技术方案是,基于预处理数据,根据预设时间间隔分别构建多源遥感影像的光谱特征时间序列的过程包括:根据预设时间间隔,对第一遥感影像进行合成,以获取对应的第一光谱特征时间序列;同时,根据预设时间间隔,对第二遥感影像进行合并,以获取对应的第二光谱特征时间序列;光谱特征时间序列包括第一光谱特征时间序列和第二光谱特征时间序列。
此外,可选的技术方案是,基于不同遥感影像的光谱特征时间序列构建用于不同遥感影像之间的转换模型的过程,包括:获取第一光谱特征时间序列中存在数据缺失的时间节点;获取时间节点内的第一遥感影像的第一合成影像,以及第二遥感影像的第二合成影像;对第一合成影像和第二合成影像进行叠加,并获取重叠区域;在重叠区域内生成预设个数的随机样点,并利用第一光谱特征时间序列和第二光谱特征时间序列中的光谱特征值对随机样点进行双属性赋值;基于随机样点的双属性赋值构建线性回归模型,作为第一遥感影像和第二遥感影像的转换模型。
此外,可选的技术方案是,转换模型的表达式为:
此外,可选的技术方案是,基于转换模型对目标光谱特征时间序列中存在数据缺失的时间节点进行缺失值补充的过程,包括:判断第一光谱特征时间序列中存在数据缺失的时间节点的数据缺失类型;当数据缺失类型符合预设要求时,基于转换模型获取与时间节点对应的补充值;基于补充值对第一光谱特征时间序列进行缺失值补充。
此外,可选的技术方案是,时间节点的数据缺失类型包括:在时间节点内,在第二遥感影像中存在可利用的光谱特征值;在时间节点内,在第二遥感影像中存在光谱特征值缺失;以及,在时间节点内,第二遥感影像中缺失的光谱特征值位于第二光谱特征时间序列的首或尾。
此外,可选的技术方案是,当第二遥感影像中存在可利用的光谱特征值时,基于转换模型对光谱特征值进行调整,并获取对应的补充值;当第二遥感影像中存在光谱特征值缺失时,获取光谱特征值缺失节点的前后两个节点的均值,作为补充值;当第二遥感影像中缺失的光谱特征值位于第二光谱特征时间序列的首或尾时,获取首或尾的节点的相邻节点所对应的光谱特征值,作为补充值。
此外,可选的技术方案是,对缺失值补充后的光谱特征时间序列进行优化处理的过程,包括:基于时间序列平滑方法对缺失值补充后的光谱特征时间序列进行平滑处理;对平滑处理后的光谱特征时间序列进行除噪处理,获取基于多源遥感影像时空融合的光谱特征时间序列。
根据本发明的另一方面,提供一种光谱特征时间序列构建系统,包括:预处理单元,用于对用于数据融合的多源遥感影像进行预处理,并获取对应的预处理数据;光谱特征时间序列构建单元,用于基于预处理数据,根据预设时间间隔分别构建多源遥感影像的光谱特征时间序列;转换模型构建单元,用于基于不同遥感影像的光谱特征时间序列构建用于不同遥感影像之间的转换模型;缺失值补充单元,用于基于转换模型对目标光谱特征时间序列中存在数据缺失的时间节点进行缺失值补充;优化处理单元,用于对缺失值补充后的光谱特征时间序列进行优化处理,获取基于多源遥感影像时空融合的光谱特征时间序列。
利用上述光谱特征时间序列构建方法及系统,能够根据预设时间间隔分别构建多源遥感影像的光谱特征时间序列,并基于不同遥感影像的光谱特征时间序列构建用于不同遥感影像之间的转换模型,进而可基于转换模型对目标光谱特征时间序列中存在数据缺失的时间节点进行缺失值补充,获取基于多源遥感影像时空融合的光谱特征时间序列,能够充分利用多源遥感影像,提高遥感应用的时空精度,效率高,可适用于大尺度遥感场景。
为了实现上述以及相关目的,本发明的一个或多个方面包括后面将详细说明的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而,这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外,本发明旨在包括所有这些方面以及它们的等同物。
附图说明
通过参考以下结合附图的说明,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。在附图中:
图1为根据本发明实施例的光谱特征时间序列构建方法的流程图;
图2为根据本发明实施例的光谱特征时间序列构建方法的详细流程图;
图3为根据本发明实施例的光谱特征时间序列构建系统的方框示意图。
在所有附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
在下面的描述中,出于说明的目的,为了提供对一个或多个实施例的全面理解,阐述了许多具体细节。然而,很明显,也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中,为了便于描述一个或多个实施例,公知的结构和设备以方框图的形式示出。
为详细阐述本发明的光谱特征时间序列构建方法及系统,以下将结合附图对本发明的具体实施例进行详细描述。
图1示出了根据本发明实施例的光谱特征时间序列构建方法的流程。
如图1所示,本发明实施例的光谱特征时间序列构建方法,包括:
S110:对用于数据融合的多源遥感影像进行预处理,并获取对应的预处理数据。
其中,多源遥感影像主要包括高空间低时间分辨率影像和低空间高时间分辨率影像;进而,对用于数据融合的多源遥感影像进行预处理,获取对应的预处理数据的过程可进一步包括:
S111:基于预设数据质量波段对高空间低时间分辨率影像进行质量筛选,获取符合质量要求的第一影像数据;
S112:基于预设覆盖范围对第一影像数据进行重投影,获取与高空间低时间分辨率影像相对应的第一遥感影像;
与上述两步骤可同时进行的是,S113:基于预设数据质量波段对低空间高时间分辨率影像进行质量筛选,获取符合质量要求的第二影像数据;
S114:基于预设覆盖范围对第二影像数据进行重投影,获取投影影像;
S115:基于双三次差值将投影影像重采样至高空间低时间分辨率影像的空间分辨率,获取第二遥感影像。
具体地,重投影的过程,主要是将高空间低时间分辨率影像和低空间高时间分辨率影像的投影信息和覆盖范围进行统一;此外,在对低空间高时间分辨率影像进行重投影处理后,还需对投影后的数据进行重采样处理,在本发明中利用双三次差值方法进行重采样,将低空间高时间分辨率影像重采样至高空间低时间分辨率影像的空间分辨率,该重采样方式相比最邻近法和双线性内插法,所获得的影像高频信息损失少,在实现噪声平滑的同时可保证边缘的增强,具有均衡化和清晰化的效果,可为后续的数据融合提供更好的数据基础。
S120:基于预处理数据,根据预设时间间隔分别构建多源遥感影像的光谱特征时间序列。
其中,光谱特征时间序列包括第一光谱特征时间序列和第二光谱特征时间序列,基于预处理数据,根据预设时间间隔分别构建多源遥感影像的光谱特征时间序列的过程可进一步包括:
S121:根据预设时间间隔,对第一遥感影像进行合成,以获取对应的第一光谱特征时间序列;同时,S122:根据预设时间间隔,对第二遥感影像进行合并,以获取对应的第二光谱特征时间序列。
具体地,对于预处理后的第一遥感影像和第二遥感影像,分别按照预设时间间隔,
例如16天,对该时间间隔内的第一遥感影像和第二遥感影像分别进行合成,以组成高空间
低时间分辨率影像的第一光谱特征时间序列,和低空间高
时间分辨率影像的第二光谱特征时间序列。
其中,遥感影像的合成可采用计算每个16天间隔内的光谱特征的均值。
S130:基于不同遥感影像的光谱特征时间序列构建用于不同遥感影像之间的转换模型。
其中,基于不同遥感影像的光谱特征时间序列构建用于不同遥感影像之间的转换模型的过程可进一步包括:
S131:获取第一光谱特征时间序列中存在数据缺失的时间节点;
S132:获取时间节点内的第一遥感影像的第一合成影像,以及第二影像数据的第二合成影像;
S133:对第一合成影像和第二合成影像进行叠加,并获取重叠区域;
S134在重叠区域内生成预设个数的随机样点,并利用第一光谱特征时间序列和第二光谱特征时间序列中的光谱特征值对随机样点进行双属性赋值;
S135:基于随机样点的双属性赋值构建线性回归模型,作为第一遥感影像和第二遥感影像的转换模型。
具体地,对于高空间、低时间分辨率影像光谱特征时间序列,获取存在数据缺失
的时间节点τ(即),对于这一数据缺失,本发明使用同一时间节点的低空间高时
间分辨率影像的谱特征值进行补值,考虑到不同数据采集设备的差异性,利用研究区内其
他地区成对的光谱特征值进行一元线性回归,构建该时间节点两种合成影像的映射关系,
从而对低空间高时间分辨率影像的光谱特征值进行调整,具体方法如下:首先,获取时间节
点τ对应时间间隔内的高空间低时间分辨率的第一合成影像和低空间高时间分辨率的第二
合成影像;然后,对二者进行叠加,在重叠区域内生成随机样点,并利用两种影像的光谱特
征值对随机样点进行同时赋值;最后,利用随机样点中两种影像的光谱特征值构建一元线
性回归模型,作为两种影像的转换模型。例如,转换模型的表达式为:
S140:基于转换模型对目标光谱特征时间序列中存在数据缺失的时间节点进行缺失值补充。
其中,基于转换模型对目标光谱特征时间序列中存在数据缺失的时间节点进行缺失值补充的过程可进一步包括:
首先,判断第一光谱特征时间序列中存在数据缺失的时间节点的数据缺失类型;当数据缺失类型符合预设要求时,基于转换模型获取与时间节点对应的补充值,最后,基于补充值对第一光谱特征时间序列进行缺失值补充。
具体地,时间节点的数据缺失类型包括:在时间节点内,在第二遥感影像中存在可利用的光谱特征值;在时间节点内,在第二遥感影像中存在光谱特征值缺失;以及,在时间节点内,第二遥感影像中缺失的光谱特征值位于第二光谱特征时间序列的首或尾。
针对上述几种情况,当第二遥感影像中存在可利用的光谱特征值时,基于转换模型对光谱特征值进行调整,并获取对应的补充值;当第二遥感影像中存在光谱特征值缺失时,获取光谱特征值缺失节点的前后两个节点的均值,作为补充值;当第二遥感影像中缺失的光谱特征值位于第二光谱特征时间序列的首或尾时,获取首或尾的节点的相邻节点所对应的光谱特征值,作为补充值。
作为具体示例,利用转换模型,对于高空间低时间分辨率影像的光谱特征时间
序列存在缺失的时间节点τ进行补值,即利用S130步骤中获得的转换模型对进行调整,
将作为时间节点τ的补充值。但由于使用的低空间高时间分辨率影像根据质量进行了筛
选,在这一步补值后仍有部分地区的某些时间节点存在数据缺失问题,对于这一部分数据
缺失,则计算光谱特征时间序列中和的均值,作为所述时间节点τ的补充
值。特别地,在τ=0或τ=t的情况下,则获取距离τ最近的时间节点所对应的光谱特征值作为
补充值。
S150:对缺失值补充后的光谱特征时间序列进行优化处理,获取基于多源遥感影像时空融合的光谱特征时间序列。
其中,该步骤可进一步包括:基于时间序列平滑方法对缺失值补充后的光谱特征时间序列进行平滑处理;对平滑处理后的光谱特征时间序列进行除噪处理,获取基于多源遥感影像时空融合的光谱特征时间序列。
由于,利用多源遥感数据融合获取的上述光谱特征时间序列的曲线是由各点连接而成,因此呈锯齿状的不规则波动,且存在由于噪声导致的突变,容易造成遥感应用结果中的误差。因此,本发明采用适当的滤波对以上通过数据融合获得的光谱特征时间序列进行平滑以去除噪声处理,最终完成基于多源遥感影像时空融合的光谱特征时间序列的构建。
与上述光谱特征时间序列构建方法相对应地,本发明还提供一种光谱特征时间序列构建系统。
具体地,图3示出了根据本发明实施例的光谱特征时间序列构建系统的逻辑框图。
如图3所示,本发明实施例的光谱特征时间序列构建系统200,包括:
预处理单元210,用于对用于数据融合的多源遥感影像进行预处理,并获取对应的预处理数据;
光谱特征时间序列构建单元220,用于基于预处理数据,根据预设时间间隔分别构建多源遥感影像的光谱特征时间序列;
转换模型构建单元230,用于基于不同遥感影像的光谱特征时间序列构建用于不同遥感影像之间的转换模型;
缺失值补充单元240,用于基于转换模型对目标光谱特征时间序列中存在数据缺失的时间节点进行缺失值补充;
优化处理单元250,用于对缺失值补充后的光谱特征时间序列进行优化处理,获取基于多源遥感影像时空融合的光谱特征时间序列。
需要说明的是,上述光谱特征时间序列构建系统的实施例可参考光谱特征时间序列构建方法实施例中的描述,此处不再一一赘述。
根据上述本发明提供的光谱特征时间序列构建方法及系统,相比传统寻找相似像元的方法,能够充分利用多源遥感数据,提高光谱特征时间序列的构件精度,且计算效率高,在大尺度遥感应用场景中也可适用。
如上参照附图以示例的方式描述根据本发明的光谱特征时间序列构建方法及系统。但是,本领域技术人员应当理解,对于上述本发明所提出的光谱特征时间序列构建方法及系统,还可以在不脱离本发明内容的基础上做出各种改进。因此,本发明的保护范围应当由所附的权利要求书的内容确定。
Claims (10)
1.一种光谱特征时间序列构建方法,其特征在于,包括:
对用于数据融合的多源遥感影像进行预处理,并获取对应的预处理数据;
基于所述预处理数据,根据预设时间间隔分别构建所述多源遥感影像的光谱特征时间序列;
基于不同遥感影像的光谱特征时间序列构建用于所述不同遥感影像之间的转换模型;
基于所述转换模型对目标光谱特征时间序列中存在数据缺失的时间节点进行缺失值补充;
对缺失值补充后的光谱特征时间序列进行优化处理,获取基于多源遥感影像时空融合的光谱特征时间序列。
2.如权利要求1所述的光谱特征时间序列构建方法,其特征在于,所述多源遥感影像包括高空间低时间分辨率影像和低空间高时间分辨率影像;其中,所述对用于数据融合的多源遥感影像进行预处理,获取对应的预处理数据的过程,包括:
基于预设数据质量波段对所述高空间低时间分辨率影像进行质量筛选,获取符合质量要求的第一影像数据;
基于预设覆盖范围对所述第一影像数据进行重投影,获取第一遥感影像;以及,
基于所述预设数据质量波段对所述低空间高时间分辨率影像进行质量筛选,获取符合质量要求的第二影像数据;
基于所述预设覆盖范围对所述第二影像数据进行重投影,获取投影影像;
基于双三次差值将所述投影影像重采样至所述高空间低时间分辨率影像的空间分辨率,获取第二遥感影像。
3.如权利要求2所述的光谱特征时间序列构建方法,其特征在于,基于所述预处理数据,根据预设时间间隔分别构建所述多源遥感影像的光谱特征时间序列的过程,包括:
根据预设时间间隔,对所述第一遥感影像进行合成,以获取对应的第一光谱特征时间序列;同时,
根据所述预设时间间隔,对所述第二遥感影像进行合并,以获取对应的第二光谱特征时间序列;
所述光谱特征时间序列包括所述第一光谱特征时间序列和所述第二光谱特征时间序列。
4.如权利要求3所述的光谱特征时间序列构建方法,其特征在于,基于不同遥感影像的光谱特征时间序列构建用于所述不同遥感影像之间的转换模型的过程,包括:
获取所述第一光谱特征时间序列中存在数据缺失的时间节点;
获取所述时间节点内的所述第一遥感影像的第一合成影像,以及所述第二遥感影像的第二合成影像;
对所述第一合成影像和所述第二合成影像进行叠加,并获取重叠区域;
在所述重叠区域内生成预设个数的随机样点,并利用所述第一光谱特征时间序列和所述第二光谱特征时间序列中的光谱特征值对所述随机样点进行双属性赋值;
基于所述随机样点的双属性赋值构建线性回归模型,作为所述第一遥感影像和所述第二遥感影像的转换模型。
6.如权利要求4所述的光谱特征时间序列构建方法,其特征在于,
基于所述转换模型对目标光谱特征时间序列中存在数据缺失的时间节点进行缺失值补充的过程,包括:
判断所述第一光谱特征时间序列中存在数据缺失的时间节点的数据缺失类型;
当所述数据缺失类型符合预设要求时,基于所述转换模型获取与所述时间节点对应的补充值;
基于所述补充值对所述第一光谱特征时间序列进行缺失值补充。
7.如权利要求6所述的光谱特征时间序列构建方法,其特征在于,所述时间节点的数据缺失类型包括:
在所述时间节点内,在所述第二遥感影像中存在可利用的光谱特征值;
在所述时间节点内,在所述第二遥感影像中存在光谱特征值缺失;以及,
在所述时间节点内,所述第二遥感影像中缺失的光谱特征值位于所述第二光谱特征时间序列的首或尾。
8.如权利要求7所述的光谱特征时间序列构建方法,其特征在于,
当所述第二遥感影像中存在可利用的光谱特征值时,基于所述转换模型对所述光谱特征值进行调整,并获取对应的补充值;
当所述第二遥感影像中存在光谱特征值缺失时,获取所述光谱特征值缺失节点的前后两个节点的均值,作为所述补充值;
当所述第二遥感影像中缺失的光谱特征值位于所述第二光谱特征时间序列的首或尾时,获取所述首或尾的节点的相邻节点所对应的光谱特征值,作为所述补充值。
9.如权利要求1所述的光谱特征时间序列构建方法,其特征在于,对缺失值补充后的光谱特征时间序列进行优化处理的过程,包括:
基于时间序列平滑方法对所述缺失值补充后的光谱特征时间序列进行平滑处理;
对所述平滑处理后的光谱特征时间序列进行除噪处理,获取所述基于多源遥感影像时空融合的光谱特征时间序列。
10.一种光谱特征时间序列构建系统,其特征在于,包括:
预处理单元,用于对用于数据融合的多源遥感影像进行预处理,并获取对应的预处理数据;
光谱特征时间序列构建单元,用于基于所述预处理数据,根据预设时间间隔分别构建所述多源遥感影像的光谱特征时间序列;
转换模型构建单元,用于基于不同遥感影像的光谱特征时间序列构建用于所述不同遥感影像之间的转换模型;
缺失值补充单元,用于基于所述转换模型对目标光谱特征时间序列中存在数据缺失的时间节点进行缺失值补充;
优化处理单元,用于对缺失值补充后的光谱特征时间序列进行优化处理,获取基于多源遥感影像时空融合的光谱特征时间序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210141806.7A CN114202705B (zh) | 2022-02-16 | 2022-02-16 | 光谱特征时间序列构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210141806.7A CN114202705B (zh) | 2022-02-16 | 2022-02-16 | 光谱特征时间序列构建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114202705A true CN114202705A (zh) | 2022-03-18 |
CN114202705B CN114202705B (zh) | 2022-05-20 |
Family
ID=80645481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210141806.7A Active CN114202705B (zh) | 2022-02-16 | 2022-02-16 | 光谱特征时间序列构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202705B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292154A (zh) * | 2023-11-24 | 2023-12-26 | 天津师范大学 | 基于密集时序遥感影像的长时序地物样本自动生产方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361590A (zh) * | 2014-11-12 | 2015-02-18 | 河海大学 | 一种控制点自适应分布的高分辨率遥感影像配准方法 |
CN107704807A (zh) * | 2017-09-05 | 2018-02-16 | 北京航空航天大学 | 一种基于多源遥感序列影像的动态监测方法 |
CN108613933A (zh) * | 2018-06-13 | 2018-10-02 | 中南林业科技大学 | 基于多源遥感数据融合的林地干旱时空动态监测方法 |
CN108830793A (zh) * | 2018-05-29 | 2018-11-16 | 太原理工大学 | 一种高分辨率遥感图像辐射重建方法 |
CN108932708A (zh) * | 2018-06-13 | 2018-12-04 | 中国科学院光电研究院 | 基于超分辨增强的星载多光谱遥感图像融合方法 |
US20200151272A1 (en) * | 2018-11-13 | 2020-05-14 | International Business Machines Corporation | Efficient querying using overview layers of geospatial-temporal data in a data analytics platform |
CN111340895A (zh) * | 2020-02-18 | 2020-06-26 | 浙江工业大学 | 一种基于金字塔多尺度融合的影像色彩一致化方法 |
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 |
CN111881725A (zh) * | 2020-06-14 | 2020-11-03 | 浙江大学 | 一种融合空频域特征的光学遥感图像船舶目标检测方法 |
CN112395914A (zh) * | 2019-08-15 | 2021-02-23 | 中国科学院遥感与数字地球研究所 | 一种融合遥感影像时序与纹理特征的地块作物识别方法 |
CN112529827A (zh) * | 2020-12-14 | 2021-03-19 | 珠海大横琴科技发展有限公司 | 遥感图像融合模型的训练方法及装置 |
US20210118097A1 (en) * | 2018-02-09 | 2021-04-22 | The Board Of Trustees Of The University Of Illinois | A system and method to fuse multiple sources of optical data to generate a high-resolution, frequent and cloud-/gap-free surface reflectance product |
CN112819697A (zh) * | 2021-02-04 | 2021-05-18 | 北京师范大学 | 一种遥感影像时空融合方法及系统 |
CN112906531A (zh) * | 2021-02-07 | 2021-06-04 | 清华苏州环境创新研究院 | 一种基于非监督分类的多源遥感影像时空融合方法及系统 |
CN113158570A (zh) * | 2021-04-26 | 2021-07-23 | 电子科技大学 | 一种融合多源卫星遥感的全天候地表温度近实时反演方法 |
-
2022
- 2022-02-16 CN CN202210141806.7A patent/CN114202705B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361590A (zh) * | 2014-11-12 | 2015-02-18 | 河海大学 | 一种控制点自适应分布的高分辨率遥感影像配准方法 |
CN107704807A (zh) * | 2017-09-05 | 2018-02-16 | 北京航空航天大学 | 一种基于多源遥感序列影像的动态监测方法 |
US20210118097A1 (en) * | 2018-02-09 | 2021-04-22 | The Board Of Trustees Of The University Of Illinois | A system and method to fuse multiple sources of optical data to generate a high-resolution, frequent and cloud-/gap-free surface reflectance product |
CN108830793A (zh) * | 2018-05-29 | 2018-11-16 | 太原理工大学 | 一种高分辨率遥感图像辐射重建方法 |
CN108613933A (zh) * | 2018-06-13 | 2018-10-02 | 中南林业科技大学 | 基于多源遥感数据融合的林地干旱时空动态监测方法 |
CN108932708A (zh) * | 2018-06-13 | 2018-12-04 | 中国科学院光电研究院 | 基于超分辨增强的星载多光谱遥感图像融合方法 |
US20200151272A1 (en) * | 2018-11-13 | 2020-05-14 | International Business Machines Corporation | Efficient querying using overview layers of geospatial-temporal data in a data analytics platform |
CN112395914A (zh) * | 2019-08-15 | 2021-02-23 | 中国科学院遥感与数字地球研究所 | 一种融合遥感影像时序与纹理特征的地块作物识别方法 |
CN111340895A (zh) * | 2020-02-18 | 2020-06-26 | 浙江工业大学 | 一种基于金字塔多尺度融合的影像色彩一致化方法 |
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 |
CN111881725A (zh) * | 2020-06-14 | 2020-11-03 | 浙江大学 | 一种融合空频域特征的光学遥感图像船舶目标检测方法 |
CN112529827A (zh) * | 2020-12-14 | 2021-03-19 | 珠海大横琴科技发展有限公司 | 遥感图像融合模型的训练方法及装置 |
CN112819697A (zh) * | 2021-02-04 | 2021-05-18 | 北京师范大学 | 一种遥感影像时空融合方法及系统 |
CN112906531A (zh) * | 2021-02-07 | 2021-06-04 | 清华苏州环境创新研究院 | 一种基于非监督分类的多源遥感影像时空融合方法及系统 |
CN113158570A (zh) * | 2021-04-26 | 2021-07-23 | 电子科技大学 | 一种融合多源卫星遥感的全天候地表温度近实时反演方法 |
Non-Patent Citations (8)
Title |
---|
FLORIAN GERBER: ""Predicting missing values in spatio-temporal satellite data"", 《ARXIV:1605.01038》 * |
JINMING LIU 等: ""Multi-Source Remote Sensing Image Fusion for Ship Target Detection and Recognition"", 《REMOTE SENS》 * |
KWAN, CHIMAN.: ""Remote Sensing Performance Enhancement in Hyperspectral Images"", 《SENSORS (BASEL, SWITZERLAND)》 * |
XIAOLINZHU等: ""An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions"", 《REMOTE SENSING OF ENVIRONMENT》 * |
刘涵 等: ""21世纪逐日无缝数据立方体构建方法及逐年逐季节土地覆盖和土地利用动态制图——中国智慧遥感制图iMap(China)1.0"", 《遥感学报》 * |
宫鹏 等: ""全球地表覆盖制图研究新范式"", 《遥感学报》 * |
李澜宇: ""基于多源遥感数据的易贡藏布流域冰川变化与物质平衡研究"", 《中国博士学位论文全文数据库 (基础科学辑)》 * |
陈啟英: ""基于多源遥感数据时空融合的喀斯特地区植被覆盖度及动态变化分析 "", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292154A (zh) * | 2023-11-24 | 2023-12-26 | 天津师范大学 | 基于密集时序遥感影像的长时序地物样本自动生产方法 |
CN117292154B (zh) * | 2023-11-24 | 2024-02-06 | 天津师范大学 | 基于密集时序遥感影像的长时序地物样本自动生产方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114202705B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119728B (zh) | 基于多尺度融合语义分割网络的遥感图像云检测方法 | |
RU2698402C1 (ru) | Способ обучения сверточной нейронной сети для восстановления изображения и система для формирования карты глубины изображения (варианты) | |
CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
CN114092835B (zh) | 基于不同时空分辨率的归一化植被指数数据时空融合方法 | |
CN112686935A (zh) | 基于特征融合的机载测深雷达与多光谱卫星影像配准方法 | |
WO1994017485A1 (fr) | Procede d'estimation de disparite entre les images monoscopiques constituant une image stereoscopique | |
CN115661669B (zh) | 一种基于视频监控的耕地违法占用监测方法及系统 | |
CN114202705B (zh) | 光谱特征时间序列构建方法及系统 | |
CN114868384B (zh) | 用于图像处理的设备及方法 | |
CN111967373B (zh) | 一种基于摄像头和激光雷达的自适应强化融合实时实例分割方法 | |
CN116258817B (zh) | 一种基于多视图三维重建的自动驾驶数字孪生场景构建方法和系统 | |
CN114782298B (zh) | 一种具有区域注意力的红外与可见光图像融合方法 | |
CN117274749B (zh) | 一种基于4d毫米波雷达和图像的融合3d目标检测方法 | |
CN112734822A (zh) | 一种基于红外和可见光图像的立体匹配算法 | |
CN112183247A (zh) | 一种基于多光谱影像的激光点云数据分类方法 | |
CN115330653A (zh) | 基于边窗滤波的多源图像融合方法 | |
CN115239870A (zh) | 基于注意力代价体金字塔的多视图立体网络三维重建方法 | |
CN114996814A (zh) | 一种基于深度学习与三维重建的家具设计系统 | |
CN111369483B (zh) | 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 | |
CN115689960A (zh) | 一种夜间场景下照度自适应的红外与可见光图像融合方法 | |
Teutscher et al. | PDC: piecewise depth completion utilizing superpixels | |
CN114120012A (zh) | 一种基于多特征融合和树形结构代价聚合的立体匹配方法 | |
CN110909821B (zh) | 基于作物参考曲线进行高时空分辨率植被指数数据融合的方法 | |
CN117237553A (zh) | 一种基于点云图像融合的三维地图测绘系统 |
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 |