CN117522023A - 一种基于图模型的遥感影像需求融合方法 - Google Patents
一种基于图模型的遥感影像需求融合方法 Download PDFInfo
- Publication number
- CN117522023A CN117522023A CN202311471111.6A CN202311471111A CN117522023A CN 117522023 A CN117522023 A CN 117522023A CN 202311471111 A CN202311471111 A CN 202311471111A CN 117522023 A CN117522023 A CN 117522023A
- Authority
- CN
- China
- Prior art keywords
- correlation
- demand
- resolution
- time
- requirements
- 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.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000003595 spectral effect Effects 0.000 claims description 26
- 230000007717 exclusion Effects 0.000 claims description 18
- 238000003384 imaging method Methods 0.000 claims description 12
- 230000002596 correlated effect Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 238000000638 solvent extraction Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于图模型的遥感影像需求融合方法,解决在多维遥感影像需求的情况下,将多个需求融合优化为一个或者几个数量少的需求,减少卫星拍摄景数,提高影像生产效率的问题。本发明主要针对用户提交的遥感影像需求结构化表单,分析时间、空间、传感器特征之间的关联关系,计算影像需求之间的相关性,构建需求关联图模型;然后采用贪婪算法,将关联图划分为若干强关联子集;最后将需求子集在时间、空间等特征项上融合,形成最终融合结果,即为卫星传感器拍摄计划。能够合理规划卫星拍摄计划,减少卫星拍摄景数,提高影像生产效率;减少计算时间,获取较优融合结果。
Description
技术领域
本发明涉及卫星编程数据任务整合领域,尤其涉及一种基于图模型的遥感影像需求融合方法。
背景技术
遥感影像需求指用户申请卫星遥感数据要求,一般呈现为结构化表单形式,包含遥感影像的时间需求,空间范围需求以及传感器名称、类型、分辨率、波段等特征项。目前的生产方式时生产规划系统接受到用户表单后直接规划卫星进行拍摄,当用户影像需求相似时,会产生多次拍摄任务,加大生产成本,造成资源浪费。如何根据遥感影像需求的多维特点,将多重需求融合优化为一个或者几个数量较少的需求,提高影像生产效率。
目前需求融合研究较少,尤其是遥感影像需求融合相关研究几乎为空白,仅在数据库多重查询优化领域有近似的研究,但多重查询优化采用特征项仅为一维属性信息,对具有二维时空特点的遥感影像需求并不合适。其他二阶段法查询以及网格环境下的分布式数据访问与查询等方法,其研究主要侧重于传统数据库与在线Web服务领域的用户查询,具有少量应用。但遥感影像需求作为一种专业性强,同时涉及时间与空间因素,结构复杂的用户需求,目前关注较少。
发明内容
本发明的目的在于提供一种基于图模型的遥感影像需求融合方法,从而解决现有技术中存在的前述问题。
本发明针对用户提交的遥感影像需求结构化表单,分析时间、空间、传感器等特征项之间的关联关系,计算遥感影像需求之间的相关性,构建需求关联图模型;然后采用贪婪算法,将关联图划分为若干强关联子集;最后将需求子集在时间、空间等特征项上进行融合,形成最终融合结果。能够合理规划卫星拍摄计划,减少卫星拍摄景数,提高影像生产效率。
本发明以多个遥感影像需求为输入,根据传感器要求、影像空间覆盖、拍摄时间等为项目特征,计算需求之间的相关性,构建遥感影像需求关联图模型;然后,采用强关联子集划分方法,将关联图划分为多个子集合;最后对每个子集合进行需求融合计算,将子集需求在时间、空间等特征项上进行融合,形成最终融合结果。
为了实现上述目的,本发明采用的技术方案如下:
一种基于图模型的遥感影像需求融合方法,包括以下步骤:
步骤1:以遥感影像需求为节点,以需求间的相关性为边,利用遥感影像需求构建关联图模型;
步骤2:在需求关联图模型的基础上,利用贪心算法,对需求集合进行强关联子集划分;
步骤3:在获取多个强关联子集后,即将强关联子集内的所有需求作为一个集体,将原始需求的空间与时间范围、分辨率、波段、传感器进行融合,得到最终需求融合结果。
优选的,所述步骤1包括以下步骤:
步骤1.1:构建需求关联图模型;需求关联模型可以表示为图模型,节点为遥感需求实体,线代表需求之间的相关性,当需求互斥或相关性小于阈值时无连接;
步骤1.2:传感器相关性判断;传感器相关性ρ(a,b)主要从传感器名称、传感器类型、成像方式、轨道方式、分辨率、频谱窗口几个方面进行考虑;
步骤1.3:时间相关性判断;不同的遥感影像需求请求的时间可能在尺度上存在差异,当需求时间尺度相同或相邻时相关,否则不相关;
步骤1.4:空间相关性判断;计算需求之间的空间相关性需要考虑空间尺度因素,即需求空间范围面积之间的差异;
步骤1.5:空间相关性计算;需求对象在经过上述相容性规则判断后,相关性度量主要决定于空间相关性,空间相关性计算应符合下面两个规则:
(1)距离相关规则:距离较大的空间对象,相关性较低;
(2)面积相关规则:当距离相近时,空间对象与面积较大的对象,相关性较大。
优选的,所述步骤2包括以下步骤:
利用贪婪算法,将需求集合中当前最大相关性影像需求对作为可融合子集初始元素,然后根据子集节点在图模型中的关联关系,通过相关性强度和相关性判断,不断加入符合新节点,直到没有新节点加入,即可得到一个可融合子集;不断重复上述过程,最终完成整个需求集合的子集划分。
优选的,所述步骤3包括以下步骤:
步骤3.1:融合空间范围;融合空间范围为原始需求的并集;
步骤3.2:融合时间范围;时间范围为原始需求的并集;
步骤3.3:融合分辨率;分辨率包括空间、时间、光谱分辨率;
融合空间分辨率,融合需求的空间分辨率为原始分辨率的交集;
融合光谱分辨率,光谱分辨率为原始需求的交集;
融合时间分辨率,时间分辨率为原始需求的交集;
步骤3.4:融合传感器需求,传感器包括波段和类型;
融合传感器波段,融合需求的波段为原始需求的并集;
融合传感器类型,传感器类型为原始需求的交集;
步骤3.5:计算融合结果对空间、时间和传感器参数的要求后,可挑选出最合适的,能满足所有参数要求的传感器,即为实际拍摄融合结果时所使用的传感器,最终完成遥感影像需求特征及智能融合过程。
优选的,所述步骤1.1中的关联模型可形式化表达为:
需求关联模型G为一个无向图,由两个集合V和E组成,记为:
G=(V,E)
其中:V是顶点Node的有穷非空集合;E=(a,b)是V中顶点偶对(称为边)的有穷集合,P(E)代表边权重,P(E)从数值上可表示为P(E)=ρ(a,b);ρ(a,b)代表影像需求相关性,由时间、空间、传感器要求三部分组成,具体公式如下:
ρ(a,b)=min(ρtime(a,b),ρsensor(a,b),ρspatial(a,b))
为简化处理,传感器和时间相关性的输出值为0(互斥)或者1(相关),任何一个特征项输出0时,表明两个需求不相关,当传感器和时间都相关时,需求相关性量化为空间相关性的大小。
优选的,以两个需求为例,所述步骤1.2具体包括:
如果指定不同的传感器名称,则两个需求必然不能由同一个传感器完成,两个需求互斥,否则,两个需求存在相关;如果指定两种不同类型的传感器,则互斥,否则相关;传感器成像方式包括推扫式,摆扫式等,如果影像产品指定了不同成像方式要求,则互斥,否则存在相关;轨道方式主要有太阳同步与地球同步两种,如果不同则互斥,相同则兼容;另外,按照轨道运行方式,SAR领域可分为升轨或降轨,也存在互斥;
分辨率主要包括空间分辨率、时间分辨率与光谱分辨率三种:
(1)对于空间分辨率,遥感对影像数据的需求位于连续尺度空间内,某些遥感应用场合所需影像分辨率一般是甚高、高、中或低等非精确指标,因此可将某些需求合并,减少同级分辨率需求个数;空间分辨率互斥条件可表示为:
arv:代表a对象的空间分辨率跨度;arv∩brv=1:代表a和b对象的空间分辨率跨度是否相交;如果κr(a,b)=1,则说明需求相容,否则互斥;
(2)对于时间分辨率,遥感对影像数据的需求位于一段时间范围内,如果一对需求的时间范围存在交集,则相容,否则互斥;时间互斥条件可表示为:
atv:代表a对象的时间分辨率跨度;atv∩btv=1:代表a和b对象的时间分辨率跨度是否相交;如果κr(a,b)=1,则说明需求相容,否则互斥;
(3)对于频谱分辨率,频谱分辨率对于高光谱传感器具有重要意义;对于非高光谱传感器,意义较小;根据上述分析,一对需求(a,b)的频谱分辨率互斥条件可表示为:
apv:代表a对象的频谱分辨率跨度;apv∩bpv=1:代表a和b对象的时间分辨率跨度是否相交;如果κp(a,b)=1,则说明需求相容,否则互斥。
优选的,所述步骤1.3具体包括:时间尺度可分为年、半年、季度、月、周和日六个尺度,两个需求时间尺度相同或相邻时,相关,否则不相关;
一对需求(a,b)的时间互斥条件可表示为:
atv:代表a对象可容忍的时间跨度;ats:代表a对象的时间尺度;atv∩btv:代表a和b对象的时间跨度是否相交;|ats-bts|≤1:代表a和b对象的时间尺度相同或相邻;如果κt(a,b)=1,则说明需求互容,否则相斥。
优选的,所述步骤1.4中判断两需求是否空间尺度相关采用如下公式:
其中:Sa需求A的面积;C:A、B面积之商的阈值,大于等于该阈值,则需求对空间尺度相关,否则,不相关。
优选的,所述步骤1.5具体包括:在所述距离相关和面积相关规则的指导下,当空间对象相邻、相交或包含时,采用如下空间相关性计算公式:
其中:D为常数;Aa为对象a的面积;Ab为对象b的面积;Asmbr为a和b联合对象的外接矩形面积;
当空间对象相离时,采用如下空间相关计算公式:
ρspatial(a,b)=C(1-d/T)
其中:C为常数;d为a和b的最近距离;T为a和b距离的阈值,其大小根据遥感影像的空间分辨率计算。
优选的,在所述步骤2中,设G为原始待融合的需求集合,划分的多个互不重叠的强关联子集,可表达为:
G=Θ1∪Θ1∪...∪ΘQ
Θm∩Θn=Θm≠n。
本发明的有益效果是:
相对传统的侧重于数据库与在线Web服务领域的用户查询,本发明针对遥感领域,能够合理规划卫星拍摄计划,减少卫星拍摄景数,提高影像生产效率;本发明分析时间、空间、传感器等多维因素之间的关联关系,构建需求相关性图模型并计算相关性,建立需求关联模型,设计融合求解方法,减少计算时间,获取较优融合结果。
附图说明
图1是本发明实施流程示意图;
图2是本发明实施例中的需求关联模型示意图;
图3是本发明实施例中的强关联子集划分算法示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
为合理规划卫星拍摄计划,减少卫星拍摄景数,提高影像生产效率,本发明提出一种基于图模型的遥感影像需求融合方法,分析时间、空间、传感器等多维因素之间的关联关系,构建需求相关性图模型并计算相关性,建立需求关联模型,设计融合求解方法,减少计算时间,获取较优融合结果。遥感影像需求融合方法以多个遥感影像需求为输入,根据传感器要求、影像空间覆盖、拍摄时间等为项目特征,计算需求之间的相关性,构建遥感影像需求关联图模型;然后,采用强关联子集划分方法,将关联图划分为多个子集合;最后对每个子集合进行需求融合计算,将子集需求在时间、空间等特征项上进行融合,形成最终融合结果。本发明具体包括以下步骤:
1.构建关联图模型。
步骤1.1:需求关联图模型构建方法。需求关联模型可表示为图模型,节点为遥感需求实体,线代表需求之间的相关性(当需求互斥或相关性小于阈值时,无连接)。参见附图2,该关联模型可形式化表达为:
需求关联模型G为一个无向图,由两个集合V和E组成,记为:
G=(V,E)
其中:V是顶点Node的有穷非空集合;E=(a,b)是V中顶点偶对(称为边)的有穷集合,P(E)代表边权重,P(E)从数值上可表示为P(E)=ρ(a,b)。ρ(a,b)代表影像需求相关性,由时间、空间、传感器要求三部分组成,具体公式如下:
ρ(a,b)=min(ρtime(a,b),ρsensor(a,b),ρspatial(a,b))
为简化处理,传感器和时间相关性的输出值为0(互斥)或者1(相关),任何一个特征项输出0时,表明两个需求不相关,当传感器和时间都相关时,需求相关性定量化为空间相关性的大小。
步骤1.2:传感器相关性。传感器相关性ρsensor(a,b)主要从传感器名称、传感器类型、成像方式、轨道方式、分辨率、频谱窗口几个方面进行考虑。
如果指定不同的传感器名称,则两个需求必然不能由同一个传感器完成,两个需求互斥,否则,两个需求存在相关;如果指定两种不同类型的传感器,则互斥,否则相关;传感器成像方式包括推扫式,摆扫式等,如果影像产品指定了不同成像方式要求,则互斥,否则存在相关;轨道方式主要有太阳同步与地球同步两种,如果不同则互斥,相同则兼容;另外,按照轨道运行方式,SAR领域可分为升轨或降轨,也存在互斥。
分辨率主要包括空间分辨率、时间分辨率与光谱分辨率三种。
(1)对于空间分辨率,遥感对影像数据的需求位于连续尺度(分辨率)空间内,某些遥感应用场合所需影像分辨率一般是甚高、高、中或低等非精确指标,因此可将某些需求合并,减少同级分辨率需求个数。空间分辨率互斥条件可表示为:
arv:代表a对象的空间分辨率跨度;arv∩brv=1:代表a和b对象的空间分辨率跨度是否相交;如果κr(a,b)=1,则说明需求相容,否则互斥。
(2)对于时间分辨率,遥感对影像数据的需求位于一段时间范围内,如果一对需求的时间范围存在交集,则相容,否则互斥。时间互斥条件可表示为:
atv:代表a对象的时间分辨率跨度;atv∩btv=1:代表a和b对象的时间分辨率跨度是否相交;如果κr(a,b)=1,则说明需求相容,否则互斥。
(3)对于频谱分辨率,频谱分辨率对于高光谱传感器具有重要意义。对于非高光谱传感器,意义较小。根据上述分析,一对需求(a,b)的频谱分辨率互斥条件可表示为:
apv:代表a对象的频谱分辨率跨度;apv∩bpv=1:代表a和b对象的时间分辨率跨度是否相交;如果κp(a,b)=1,则说明需求相容,否则互斥。
步骤1.3:时间相关性。不同的遥感影像需求请求的时间可能在尺度上存在差异,如需求A需要一个月以内的影像,而需求B需要一年以内的影像,往往表明A和B对影像的使用目的有所不同,此时认为A和B时间方面是不相关的。时间尺度可分为年、半年、季度、月、周和日六个尺度,两个需求时间尺度相同或相邻时,相关,否则不相关。
一对需求(a,b)的时间互斥条件可表示为:
atv:代表a对象可容忍的时间跨度;ats:代表a对象的时间尺度;atv∩btv:代表a和b对象的时间跨度是否相交;|ats-bts|≤1:代表a和b对象的时间尺度相同或相邻;如果κt(a,b)=1,则说明需求互容,否则相斥。
步骤1.4:空间相关性。计算两个需求之间的空间相关性需要考虑空间尺度因素,即需求空间范围面积之间的差异。判断两需求是否空间尺度相关采用如下公式:
其中:Sa需求A的面积;C:A、B面积之商的阈值,大于等于该阈值,则需求对空间尺度相关,否则,不相关。
步骤1.5:空间相关性计算。一对需求对象在经过上述相容性规则判断后,相关性度量主要决定于空间相关性,空间相关性计算应符合下面两个规则:
(1)距离相关规则:距离较大的空间对象,相关性较低;
(2)面积相关规则:当距离相近时,空间对象与面积较大的对象,相关性较大。
在上述距离相关和面积相关规则的指导下,当空间对象相邻、相交或包含时,采用如下空间相关性计算公式:
其中:D为常数;Aa为对象a的面积;Ab为对象b的面积;Asmbr为a和b联合对象的外接矩形面积。
当空间对象相离时,采用如下空间相关计算公式:
ρspatial(a,b)=C(1-d/T)
其中:C为常数;d为a和b的最近距离;T为a和b距离的阈值,其大小根据遥感影像的空间分辨率计算。
2.强关联子集划分。
当待融合的需求较多时,一个遥感需求可能出现N个需求均具有相关性,而这些N个需求内又存在不相关情况,需求融合算法其本质是NP难组合优化问题,难以获取全局最有结果,为减少计算量,本发明设计一种强关联子集划分算法。将原始需求集合划分为多个相关子集,相关子集内部的任意一对需求均不存在互斥。设GG为原始待融合的需求集合,划分的多个互不重叠的强关联子集,可表达为:
G=Θ1∪Θ1∪...∪ΘQ
Θm∩Θn=Θm≠n
强关联子集划分算法(CCDV,Compatible Collection Divided)建立在需求关联图模型基础上。本专利采用的主要思想为:利用贪婪算法,将需求集合中的当前最大相关性影像需求对作为可融合子集初始元素,然后根据子集节点在图模型中的关联关系,通过相关性强度和相关性判断,不断加入符合的新节点,直到没有新节点加入时,即可得到一个可融合子集。通过不断重复上述过程,最终完成整个需求集合的子集划分。参见附图3;
具体算法描述如下表1强关联子集划分算法:
表1强关联子集划分算法
3.需求子集融合
在获取多个强关联子集后,即将强关联子集内的所有需求作为一个集体,将原始需求的空间与时间范围、分辨率、波段、传感器进行融合,得到最终融合结果。
步骤3.1:融合空间范围。融合空间范围为原始需求的并集,如用户UA和UB分别请求湖北省和湖南省的影像,两者空间上相关,融合结果的空间范围为湖北省和湖南省的并集,拍摄后影像经过切割,即可提供给UA和UB。
步骤3.2:融合时间范围。时间范围为原始需求的并集,如用户UA请求2012年6月、7月的影像,UB请求2012年7月、8月的影像,两者时间范围相关,尺度相容,融合之后的时间范围为2012年7月分,拍摄之后的影像能同时满足UA和UB的需求。
步骤3.3:融合分辨率。分辨率包括空间、时间、光谱分辨率。
(1)融合空间分辨率。融合需求的空间分辨率为原始分辨率的交集,如UA请求1-10米的影像,UB请求5-15米的影像,则拍摄分辨率为5-10米的影像,能同时满足UA和UB对空间分辨率的要求。
(2)融合光谱分辨率。光谱分辨率为原始需求的交集,如UA需要光谱分辨率为1000-2000nm的影像,UB需要1000-1400nm的影像,则拍摄的光谱分辨率为1000-1400nm的影像可以提供给UA和UB使用。
(3)融合时间分辨率。时间分辨率为原始需求的交集,如UA需要每周拍摄一次影像,UB需要5-10天拍摄一次影像,则拍摄影像的时间分辨率定在5-7天比较合适。
步骤3.4:融合传感器需求。传感器包括波段和类型。
(1)融合传感器波段。融合需求的波段为原始需求的并集,如UA请求的影像至少包含近红外和中红外波段,UB请求的影像至少包含短波红外和远红外,则拍摄之后的影像至少应该包括近红外,中红外,短波红外和远红外这四个波段。
(2)融合传感器类型。传感器类型为原始需求的交集,如UA请求全色或多光谱的影像,UB请求多光谱或高光谱的影像,则它们的交集影像能同时满足两者的需求。
步骤3.5:计算融合结果对空间、时间和传感器参数的要求后,可挑选出最合适的,能满足所有参数要求的传感器,即为实际拍摄融合结果时所使用的传感器,最终完成遥感影像需求特征及智能融合技术。
以下结合应用实例加以说明:
本发明利用以用户提交的结构化表单为多个遥感影像需求的输入,根据传感器要求、影像空间覆盖、拍摄时间等为特征项,计算需求之间的相关性,构建遥感影像需求关联图模型;然后,采用强关联子集划分方法,将关联图划分为多个子集合;最后对每个子集合进行需求融合计算,将子集需求在时间、空间等特征项上进行融合,形成最终融合结果。
试验数据分两部分,分别为经过自然语言解析获取的结构化需求表单和模拟传感器集合。处理结果为传感器拍摄计划。表单试验数据采用人工模拟输入自然语言描述,共计9条,覆盖河南省、江西、山东省和四川省四个地方,任务覆盖农业、测绘、林业与灾害评估四个应用领域,参见表2结构化需求表单试验集。设原始自然语言已经过自然语言解析获得了时间、地点与传感器要求的特征项。
表2结构化需求表单试验集
另外,可选传感器包括S1、S2和S3三颗光学传感器。其中,S1空间分辨率0.6米,全色,重返周期为20天;S2空间分辨率2米,全色,重返周期为20天;S3空间分辨率20米,全色和多光谱,重返周期为10-20天。
主要过程如下:
(1)构建关联模型图
关联模型建立结果为:A1-A2相关性为1;A1-A3相关性为0.6;A2-A3相关性为1;A4-A5相关性为1;A4-A6相关性为1;A5-A6相关性为1;A8-A9相关性为1,其余均为0。
(2)强关联子集划分
利用贪婪算法,强关联子集划分结果为Z1(A1,A2,A3);Z2(A4,A5,A6);Z3(A7);Z4(A8,A9)。
(3)需求融合
需求融合结果如下表3需求融合结果:
表3需求融合结果
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
相对传统的侧重于数据库与在线Web服务领域的用户查询,本发明针对遥感领域,能够合理规划卫星拍摄计划,减少卫星拍摄景数,提高影像生产效率;本发明分析时间、空间、传感器等多维因素之间的关联关系,构建需求相关性图模型并计算相关性,建立需求关联模型,设计融合求解方法,减少计算时间,获取较优融合结果。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (10)
1.一种基于图模型的遥感影像需求融合方法,其特征在于,包括以下步骤:
步骤1:以遥感影像需求为节点,以需求间的相关性为边,利用遥感影像需求构建关联图模型;
步骤2:在需求关联图模型的基础上,利用贪心算法,对需求集合进行强关联子集划分;
步骤3:在获取多个强关联子集后,即将强关联子集内的所有需求作为一个集体,将原始需求的空间与时间范围、分辨率、波段、传感器进行融合,得到最终需求融合结果。
2.根据权利要求1所述的基于图模型的遥感影像需求融合方法,其特征在于,所述步骤1包括以下步骤:
步骤1.1:构建需求关联图模型;需求关联模型可以表示为图模型,节点为遥感需求实体,线代表需求之间的相关性,当需求互斥或相关性小于阈值时无连接;
步骤1.2:传感器相关性判断;传感器相关性ρ(a,b)主要从传感器名称、传感器类型、成像方式、轨道方式、分辨率、频谱窗口几个方面进行考虑;
步骤1.3:时间相关性判断;不同的遥感影像需求请求的时间可能在尺度上存在差异,当需求时间尺度相同或相邻时相关,否则不相关;
步骤1.4:空间相关性判断;计算需求之间的空间相关性需要考虑空间尺度因素,即需求空间范围面积之间的差异;
步骤1.5:空间相关性计算;需求对象在经过上述相容性规则判断后,相关性度量主要决定于空间相关性,空间相关性计算应符合下面两个规则:
(1)距离相关规则:距离较大的空间对象,相关性较低;
(2)面积相关规则:当距离相近时,空间对象与面积较大的对象,相关性较大。
3.根据权利要求1所述的基于图模型的遥感影像需求融合方法,其特征在于,所述步骤2包括以下步骤:
利用贪婪算法,将需求集合中当前最大相关性影像需求对作为可融合子集初始元素,然后根据子集节点在图模型中的关联关系,通过相关性强度和相关性判断,不断加入符合新节点,直到没有新节点加入,即可得到一个可融合子集;不断重复上述过程,最终完成整个需求集合的子集划分。
4.根据权利要求1所述的基于图模型的遥感影像需求融合方法,其特征在于,所述步骤3包括以下步骤:
步骤3.1:融合空间范围;融合空间范围为原始需求的并集;
步骤3.2:融合时间范围;时间范围为原始需求的并集;
步骤3.3:融合分辨率;分辨率包括空间、时间、光谱分辨率;
融合空间分辨率,融合需求的空间分辨率为原始分辨率的交集;
融合光谱分辨率,光谱分辨率为原始需求的交集;
融合时间分辨率,时间分辨率为原始需求的交集;
步骤3.4:融合传感器需求,传感器包括波段和类型;
融合传感器波段,融合需求的波段为原始需求的并集;
融合传感器类型,传感器类型为原始需求的交集;
步骤3.5:计算融合结果对空间、时间和传感器参数的要求后,可挑选出最合适的,能满足所有参数要求的传感器,即为实际拍摄融合结果时所使用的传感器,最终完成遥感影像需求特征及智能融合过程。
5.根据权利要求2所述的基于图模型的遥感影像需求融合方法,其特征在于,所述步骤1.1中的关联模型可形式化表达为:
需求关联模型G为一个无向图,由两个集合V和E组成,记为:
G=(V,E)
其中:V是顶点Node的有穷非空集合;E=(a,b)是V中顶点偶对(称为边)的有穷集合,P(E)代表边权重,P(E)从数值上可表示为P(E)=ρ(a,b);ρ(a,b)代表影像需求相关性,由时间、空间、传感器要求三部分组成,具体公式如下:
ρ(a,b)=min(ρtime(a,b),ρsensor(a,b),ρspatial(a,b))
为简化处理,传感器和时间相关性的输出值为0(互斥)或者1(相关),任何一个特征项输出0时,表明两个需求不相关,当传感器和时间都相关时,需求相关性量化为空间相关性的大小。
6.根据权利要求2所述的基于图模型的遥感影像需求融合方法,其特征在于,以两个需求为例,所述步骤1.2具体包括:
如果指定不同的传感器名称,则两个需求必然不能由同一个传感器完成,两个需求互斥,否则,两个需求存在相关;如果指定两种不同类型的传感器,则互斥,否则相关;传感器成像方式包括推扫式,摆扫式等,如果影像产品指定了不同成像方式要求,则互斥,否则存在相关;轨道方式主要有太阳同步与地球同步两种,如果不同则互斥,相同则兼容;另外,按照轨道运行方式,SAR领域可分为升轨或降轨,也存在互斥;
分辨率主要包括空间分辨率、时间分辨率与光谱分辨率三种:
(1)对于空间分辨率,遥感对影像数据的需求位于连续尺度空间内,某些遥感应用场合所需影像分辨率一般是甚高、高、中或低等非精确指标,因此可将某些需求合并,减少同级分辨率需求个数;空间分辨率互斥条件可表示为:
arv:代表a对象的空间分辨率跨度;arv∩brv=1:代表a和b对象的空间分辨率跨度是否相交;如果κr(a,b)=1,则说明需求相容,否则互斥;
(2)对于时间分辨率,遥感对影像数据的需求位于一段时间范围内,如果一对需求的时间范围存在交集,则相容,否则互斥;时间互斥条件可表示为:
atv:代表a对象的时间分辨率跨度;atv∩btv=1:代表a和b对象的时间分辨率跨度是否相交;如果κr(a,b)=1,则说明需求相容,否则互斥;
(3)对于频谱分辨率,频谱分辨率对于高光谱传感器具有重要意义;对于非高光谱传感器,意义较小;根据上述分析,一对需求(a,b)的频谱分辨率互斥条件可表示为:
apv:代表a对象的频谱分辨率跨度;apv∩bpv=1:代表a和b对象的时间分辨率跨度是否相交;如果κp(a,b)=1,则说明需求相容,否则互斥。
7.根据权利要求2所述的基于图模型的遥感影像需求融合方法,其特征在于,所述步骤1.3具体包括:时间尺度可分为年、半年、季度、月、周和日六个尺度,两个需求时间尺度相同或相邻时,相关,否则不相关;
一对需求(a,b)的时间互斥条件可表示为:
atv:代表a对象可容忍的时间跨度;ats:代表a对象的时间尺度;atv∩btv:代表a和b对象的时间跨度是否相交;|ats-bts|≤1:代表a和b对象的时间尺度相同或相邻;如果κt(a,b)=1,则说明需求互容,否则相斥。
8.根据权利要求2所述的基于图模型的遥感影像需求融合方法,其特征在于,所述步骤1.4中判断两需求是否空间尺度相关采用如下公式:
其中:Sa需求A的面积;C:A、B面积之商的阈值,大于等于该阈值,则需求对空间尺度相关,否则,不相关。
9.根据权利要求2所述的基于图模型的遥感影像需求融合方法,其特征在于,所述步骤1.5具体包括:在所述距离相关和面积相关规则的指导下,当空间对象相邻、相交或包含时,采用如下空间相关性计算公式:
其中:D为常数;Aa为对象a的面积;Ab为对象b的面积;Asmbr为a和b联合对象的外接矩形面积;
当空间对象相离时,采用如下空间相关计算公式:
ρspatial(a,b)=C(1-d/T)
其中:C为常数;d为a和b的最近距离;T为a和b距离的阈值,其大小根据遥感影像的空间分辨率计算。
10.根据权利要求3所述的基于图模型的遥感影像需求融合方法,其特征在于,在所述步骤2中,设G为原始待融合的需求集合,划分的多个互不重叠的强关联子集,可表达为:
G=Θ1∪Θ1∪...∪ΘQ
Θm∩Θn=Θ m≠n。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311471111.6A CN117522023A (zh) | 2023-11-07 | 2023-11-07 | 一种基于图模型的遥感影像需求融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311471111.6A CN117522023A (zh) | 2023-11-07 | 2023-11-07 | 一种基于图模型的遥感影像需求融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117522023A true CN117522023A (zh) | 2024-02-06 |
Family
ID=89741176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311471111.6A Pending CN117522023A (zh) | 2023-11-07 | 2023-11-07 | 一种基于图模型的遥感影像需求融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117522023A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100223276A1 (en) * | 2007-03-27 | 2010-09-02 | Faleh Jassem Al-Shameri | Automated Generation of Metadata for Mining Image and Text Data |
CN102982517A (zh) * | 2012-11-02 | 2013-03-20 | 武汉大学 | 基于光谱与空间局部相关的遥感影像融合方法 |
CN103020252A (zh) * | 2012-12-20 | 2013-04-03 | 武汉大学 | 一种基于需求特征关联的遥感影像需求融合方法 |
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
CN112308029A (zh) * | 2020-11-24 | 2021-02-02 | 国网湖南省电力有限公司 | 雨量站与卫星的降水数据融合方法及系统 |
CN112733596A (zh) * | 2020-12-01 | 2021-04-30 | 中南林业科技大学 | 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用 |
-
2023
- 2023-11-07 CN CN202311471111.6A patent/CN117522023A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100223276A1 (en) * | 2007-03-27 | 2010-09-02 | Faleh Jassem Al-Shameri | Automated Generation of Metadata for Mining Image and Text Data |
CN102982517A (zh) * | 2012-11-02 | 2013-03-20 | 武汉大学 | 基于光谱与空间局部相关的遥感影像融合方法 |
CN103020252A (zh) * | 2012-12-20 | 2013-04-03 | 武汉大学 | 一种基于需求特征关联的遥感影像需求融合方法 |
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
CN112308029A (zh) * | 2020-11-24 | 2021-02-02 | 国网湖南省电力有限公司 | 雨量站与卫星的降水数据融合方法及系统 |
CN112733596A (zh) * | 2020-12-01 | 2021-04-30 | 中南林业科技大学 | 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
Brooks et al. | Fitting the multitemporal curve: A Fourier series approach to the missing data problem in remote sensing analysis | |
US7500391B2 (en) | System and method for identifying the solar potential of rooftops | |
He et al. | Fusion of satellite land surface albedo products across scales using a multiresolution tree method in the north central United States | |
Varela et al. | Spatio-temporal evaluation of plant height in corn via unmanned aerial systems | |
CN113916130B (zh) | 一种基于最小二乘法的建筑物位置测量方法 | |
Saing et al. | Land use balance determination using satellite imagery and geographic information system: case study in South Sulawesi Province, Indonesia | |
CN113591633B (zh) | 基于动态自注意力Transformer的面向对象土地利用信息解译方法 | |
CN109657081A (zh) | 高光谱卫星遥感数据的分布式处理方法、系统及介质 | |
Cacetta et al. | Long-term monitoring of australian land cover change using landsat data: Development, implementation, and operation | |
CN113870425A (zh) | 基于随机森林和多源遥感技术的森林蓄积量空间制图方法 | |
Deo et al. | Evaluating the influence of spatial resolution of Landsat predictors on the accuracy of biomass models for large-area estimation across the eastern USA | |
Wu et al. | Dynamic Task Planning Method for Multi-Source Remote Sensing Satellite Cooperative Observation in Complex Scenarios | |
CN117522023A (zh) | 一种基于图模型的遥感影像需求融合方法 | |
CN116091939A (zh) | 基于多尺度地理加权回归的森林地上生物量降尺度方法 | |
Hsu | Applications of variable probability sampling using remotely sensed covariates | |
Sassi et al. | Use of infrared satellite observations for the surface temperature retrieval over land in a nwp context | |
CN104200469A (zh) | 一种视觉智能数控系统的数据融合方法 | |
CN114882169A (zh) | 一种基于三维数据的电网工程大数据智能分析系统及方法 | |
Li et al. | A cluster-based 3D reconstruction system for large-scale scenes | |
CN111209802B (zh) | 一种图形焦点转移的机器人视觉图像场景解析方法 | |
Suhui et al. | Application of multi-channel optical imaging automatic classification in outdoor scene environment design | |
CN117911667B (zh) | 遥感影像预处理方法、装置、电子设备及存储介质 | |
Lai | Three-dimensional Visualisation of Cultural Landscape under the Perspective of Culture and Tourism Integration | |
Zhang et al. | Research on Multiple Big Data Fusion Techniques in Geographic Information System (GIS) |
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 |