CN117592001B - 一种数据融合方法及装置 - Google Patents

一种数据融合方法及装置 Download PDF

Info

Publication number
CN117592001B
CN117592001B CN202410069856.8A CN202410069856A CN117592001B CN 117592001 B CN117592001 B CN 117592001B CN 202410069856 A CN202410069856 A CN 202410069856A CN 117592001 B CN117592001 B CN 117592001B
Authority
CN
China
Prior art keywords
data
preprocessing
points
key point
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.)
Active
Application number
CN202410069856.8A
Other languages
English (en)
Other versions
CN117592001A (zh
Inventor
王新
高洋
郭强
唐世浩
曹治强
杨军
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.)
National Satellite Meteorological Center
Original Assignee
National Satellite Meteorological Center
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 National Satellite Meteorological Center filed Critical National Satellite Meteorological Center
Priority to CN202410069856.8A priority Critical patent/CN117592001B/zh
Publication of CN117592001A publication Critical patent/CN117592001A/zh
Application granted granted Critical
Publication of CN117592001B publication Critical patent/CN117592001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种数据融合方法及装置，所述方法包括：通过高分辨率卫星获取全色通道数据，基于所述全色通道数据获得第一预处理数据；获取所述第一预处理数据的纹理数据；通过静止气象卫星获取亮温数据，基于所述亮温数据获取第二预处理数据；将所述纹理数据与所述第二预处理数据进行融合以得到融合数据。本发明提出的数据融合算法利用高分辨率卫星预处理子系统生成的高分辨率的全色通道数据，经过预处理，结合相同或相近时次的静止气象卫星或其他静止气象卫星的多通道亮温等数据，实现多通道亮温与全色通道数据的融合。

Description

一种数据融合方法及装置
技术领域
本发明涉及气象领域，尤其涉及一种数据融合方法及装置。
背景技术
随着对地观测技术的快速发展，对地遥感已经进入多平台、多传感器、多角度观测发展阶段，高空间分辨率、高光谱分辨率的遥感数据获取能力进一步提升。
然而，由于光学遥感系统受光学衍射极限、调制传递函数、信噪比等成像指标限制，同时获取兼具高空间及高光谱属性的星载遥感影像十分困难。全色和多光谱相机能提供高空间分辨率图像、但光谱分辨率低且波段少。而高光谱相机能获取蕴含丰富的立方体“图谱合一”数据，在可见光—近红外、短波红外甚至中红外和热红外波段范围内可具有纳米(nm)级光谱分辨率，具有多达上百个高光谱分辨率的连续、窄波段的光谱波段图像，广泛应用于环境监测、地质勘探和深空探测等领域。然而，由于载荷平台颤振，成像光学系统调制传递函数引起的模糊降质、系统噪声、大气辐射和云层覆盖效应等，导致高光谱图像辐射信息质量下降、空间分辨率低、混合像元严重，成为高光谱图像分析、理解和模式识别应用中的突出问题。
因此，有必要发展高性能的后处理方法，充分融合不同传感器光谱数据在空间维、光谱维的信息，实现互补特征融合，提升图像的空间和光谱分辨率。目前，多源空—谱数据融合通常包含多光谱(multispectral, MS)与全色(panchromatic, PAN)图像融合—Pansharpening问题(简称MS+PAN融合)、高光谱(hyperspectral, HS)与全色图像融合—Hypersharpening问题(简称HS+PAN融合)以及高光谱与多光谱图像融合(简称HS+MS融合)。虽然多光谱图像融合已经取得很大进展，但遥感图像融合的关键是需要增强和保持光谱高分辨率，然而将MS或HS图像的高分辨率空间几何细节注入的同时，容易引起光谱失真。如何最大可能地融合空间几何特征并保持图像的精细光谱信息，达到优化平衡是一个挑战。
发明内容
本发明提供了一种数据融合方法及装置，用以解决现有技术中高光谱与多光谱图像融合容易引起光谱失真的问题。
一种数据融合方法，所述方法包括：
通过高分辨率卫星获取全色通道数据，基于所述全色通道数据获得第一预处理数据；
获取所述第一预处理数据的纹理数据；
通过静止气象卫星获取亮温数据，基于所述亮温数据获取第二预处理数据；
将所述纹理数据与所述第二预处理数据进行融合以得到融合数据。
优选的，基于所述全色通道数据获得第一预处理数据包括：
对所述全色通道数据进行几何精纠正以获得纠正数据；
对所述纠正数据进行重采样并获取所述第一预处理数据。
优选的，对所述全色通道数据进行几何精纠正包括：
基于参考影像的特征信息列表从所述全色通道数据中提取特征点并剔除误匹配点；所述特征点的集合为所述纠正数据。
优选的，基于参考影响的特征信息列表从所述全色通道数据中提取特征点包括：
构建高斯尺度空间影像，并基于所述高斯尺度空间影像构建DOG金字塔影像；
在所述DOG金字塔影像的尺度空间内确定第一关键点，并计算所述第一关键点邻域内像素的梯度以确定所述第一关键点的主方向；
基于所述第一关键点以及所述第一关键点的主方向构造特征描述向量；
从所述参考影像的特征信息列表中获取任一第二关键点，并从所述第一关键点中获取与所述特征描述向量欧式距离最近的两个第一关键点与所述第二关键点进行匹配以提取特征点。
优选的，剔除误匹配点包括：
采用RANSAC算法和仿射变换模型从所述特征点中剔除误匹配点。
优选的，通过双线性插值对所述纠正数据进行重采样并获取所述第一预处理数据。
优选的，基于所述亮温数据获取第二预处理数据包括：
通过平面方程插值法对所述亮温数据进行预处理以获取第二预处理数据；所述第二预处理数据为亮温插值。
优选的，通过平面方程插值法对所述亮温数据进行预处理以获取第二预处理数据包括：
将所述亮温数据插值到高分辨率卫星的观测点上以获取第二预处理数据。
本发明中的一种数据融合装置，所述装置包括：
第一获取单元，用于通过高分辨率卫星获取全色通道数据，基于所述全色通道数据获得第一预处理数据；
第二获取单元，用于获取所述第一预处理数据的纹理数据；
第三获取单元，用于通过静止气象卫星获取亮温数据，基于所述亮温数据获取第二预处理数据；
预处理单元，用于将所述纹理数据与所述第二预处理数据进行融合以得到融合数据。
本发明中的一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任意一项所述方法的步骤。
本发明提出的数据融合算法利用高分辨率卫星预处理子系统生成的高分辨率的全色通道数据，经过预处理，结合相同或相近时次的静止气象卫星或其他静止气象卫星的多通道亮温等数据，实现多通道亮温与全色通道数据的融合。
附图说明
图1是本发明实施例中的一种数据融合方法流程图；
图2是本发明实施例中的双线性插值算法示意图；
图3是本发明实施例中的一种数据融合装置结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
本发明实施例提供数据融合方法，如图1所示，所述方法包括：
步骤100，通过高分辨率卫星获取全色通道数据，基于所述全色通道数据获得第一预处理数据。具体的，本发明实施例中高分辨率卫星指的是高分四号卫星，高分辨率卫星能够采集到高分辨率的全色光谱数据，即全色通道数据，将全色通道数据进行预处理后用于实现后续与多通道亮温数据的融合。
步骤200，获取所述第一预处理数据的纹理数据。其中，将第一预处理数据A利用线性插值方法插值到静止气象卫星的观测点上得到矩阵B，然后利用平面方程法将矩阵B插值到高分辨率卫星的观测点上得到矩阵C，进而得到的第一预处理数据的纹理数据W即为: W=A/C。
步骤300，通过静止气象卫星获取亮温数据，基于所述亮温数据获取第二预处理数据。具体的，本说明书实施例中的静止气象卫星是指风云四号气象卫星，是中国新一代地球静止轨道气象卫星，可实现天气分析和预报、短期气候预测、环境和灾害监测等应用服务。风云四号气象卫星A星是光学型卫星，装载四种先进有效载荷：“多通道扫描成像辐射计”、世界首个“干涉式大气垂直探测仪”、中国首个“闪电成像仪”和“空间环境监测仪器包”。即使在36000公里静止轨道对地球观测，误差亦可控制在1公里之内，补偿效率到达98.8%；扫描辐射计技术能感知地面温度0.1℃的变化，绝对误差少于1℃，两项指标与美国的GOES-R卫星相当。风云四号可见光空间分辨率由风云二号1.25公里提高到500米，红外高空间分辨率2公里，全圆盘成像时间15分钟。由于静止气象卫星的空间分辨率和高分辨率卫星相比有较大的差别，因此需要对静止卫星获得的亮温数据进行预处理，以得到第二预处理数据。具体的，亮温数据与全色通道数据的为同一时间所产生的数据。
步骤400，将所述纹理数据与所述第二预处理数据进行融合以得到融合数据。具体而言，根据步骤200中得到的纹理数据W加上一个平滑因子S，乘以上述预处理得到的第二预处理数据F，即可得到融合数据R，即为：
R = F * (W+S)。
其中，融合数据R即为融合后的红外图像。
本发明实施例提出的数据融合算法利用高分辨率卫星预处理子系统生成的高分辨率的全色通道数据，经过预处理，结合相同或相近时次的风云四号卫星或其他静止气象卫星的多通道亮温等数据，实现多通道亮温与全色通道数据的融合。
本发明具体实施例中，基于所述全色通道数据获得第一预处理数据包括：
对所述全色通道数据进行几何精纠正以获得纠正数据；
对所述纠正数据进行重采样并获取所述第一预处理数据。
本发明具体实施例中，对所述全色通道数据进行几何精纠正包括：
基于参考影像的特征信息列表从所述全色通道数据中提取特征点并剔除误匹配点；所述特征点的集合为所述纠正数据。对于初步匹配到的特征点，会存在一定量的误匹配点，因此需要从全色通道数据中江所需的特征点进行提取，同时删除误匹配点。
其中，由于参考影像是固定不变的，为加快特征点匹配的速度，参考影像的特征点信息被事先构建好存放在特征信息列表中。
本发明具体实施例中，基于参考影响的特征信息列表从所述全色通道数据中提取特征点包括：
构建高斯尺度空间影像，并基于所述高斯尺度空间影像构建DOG金字塔影像。具体而言，构建高斯尺度空间影像的过程中首先引入尺度空间的概念，尺度空间方法的基本思想是：在视觉信息处理模型中引入一个被视为尺度的参数，通过连续变化尺度参数获得不同尺度下的视觉处理信息，然后综合这些信息以深入地挖掘图像的本质特征。一个图像的尺度空间等于高斯函数/>与原始图像/>的卷积，即，
高斯函数为，其中（x,y）为像素坐标，/>表示图像的卷积操作，/>为尺度空间因子，其大小决定了影像的平滑程序，大尺度对应影像的概貌特征，小尺度对应了影像的细节特征。高斯尺度空间影像构建后，在尺度空间内进行极值检测，建立影像的DOG金子塔影像/>，即
其中，k为相邻两个尺度空间倍数的常数。
在所述DOG金字塔影像的尺度空间内确定第一关键点，并计算所述第一关键点邻域内像素的梯度以确定所述第一关键点的主方向。如果一个点在DOG尺度空间本层以及上下2层的26个像素中为最大值或者最小值就是影像在该尺度下的一个关键点，即第一关键点，DOG函数中的极值点与尺度无关，选择DOG函数的极大值或者极限值作为第一关键点，来实现其尺度的不变形。
为了实现第一关键点的选择不变形，获得第一关键点后还需要计算第一关键点邻域内像素的梯度，并以此确定第一关键点的主方向，利用第一关键点邻域像素的梯度方向分布特征为每个第一关键点指定方向参数。
,
,
上式分别为邻域像素在处梯度的模值和方向计算公式，其中L所用的尺度为每个第一关键点各自所在的尺度。实际计算时，在以第一关键点为中心的领域窗口内采样，并且用直方图统计领域像素的梯度方向。梯度的直方图的范围是0-360°，每10°代表一个方向，共36个直方图，直方图的峰值代表了该第一关键点在该尺度下的主方向，将其作为第一关键点的主方向。
基于所述第一关键点以及所述第一关键点的主方向构造特征描述向量。在构造特征描述向量时，首先将第一关键点周围局部区域顺时针旋转角，以确保其具有旋转不变性，在旋转后的区域内，将以第一关键点为中心的16×16的矩形窗口内均匀的分成4×4的子区域，在每个子块上分别计算8个方向的梯度直方图，16个字块一共可以得到一个128维的梯度描述向量，经过上述处理后，得到的特征描述向量已经去除了尺度变化、旋转等几何因素的影响，如果对这个128维描述向量进行归一化，进一步可去除光照的影响。
从所述参考影像的特征信息列表中获取任一第二关键点，并从所述第一关键点中获取与所述特征描述向量欧式距离最近的两个第一关键点与所述第二关键点进行匹配以提取特征点。具体的，通过128维特征描述向量的欧氏空间距离作为相似性测度进行影像匹配，当高分四号卫星影像和参考影像的SIFT特征向量生成后，取参考影像的某个第一关键点，并找出高分四号卫星影像中与其特征描述向量欧氏距离最接近的2个第二关键点。在这2个第二关键点中，如果最近距离和次最接近距离的第二关键点之间的比值小于某个阈值则该第一关键点匹配成功。
本发明具体实施例中，剔除误匹配点包括：
采用RANSAC算法和仿射变换模型从所述特征点中剔除误匹配点。
具体的，对于初步匹配到的特征点，会存在一定量的误匹配点，对于遥感影像来说，可以采用RANSAC算法剔除误匹配点，对于高分辨率的影像和参考影像来说，采用仿射变换模型来作为几何约束，仿射变换的模型如下：
,
,
上式中，(与(/>分别为特征点在左影像上的像点坐标和右影像候选匹配点的坐标，(/>为仿射变换的参数。
RANSAC是随机抽样一致性（RANdom Sample Consensus）的缩写词，它可以由一组包含局外点的观测数据集，通过迭代计算估计数学模型的参数，该方法是一种不确定算法，由一定的概率可以得出一个最优或近似最优的结果，因此，为了提高获得最优或近似最优结果的概率，必须增加迭代次数，就影像匹配而言，RANSAC算法中的局外点即为影像的误匹配点，采用RANSAC算法剔除误匹配点的具体流程如下：
（1）设置初始值，其中样本数k为无穷大，样本计算器t为0。
（2）从匹配出的所有特征点中随机抽取3个匹配的特征点对，求解仿射变换的6个参数。
（3）根据上述步骤（2）中的仿射变换的参数，计算其余特征点经过仿射变换后的相素坐标，并计算与候选匹配点之间的距离，若距离小于给定阈值，则该候选匹配点为正确的特征点，否则为误匹配点。
（4）计算误匹配点所占比例=1-（正确匹配的特征点数/匹配总点数）。
（5）计算样本数值，其中/>为置信水平，可取0.1%。
（6）样本计算器t加1。
（7）当k<t时，停止迭代，否则，转回第（2）步继续迭代计算。
（8）当迭代停止后，选取具有正确匹配的特征点数最多的集合作为最佳匹配点集合，将该最佳匹配点集合作为本发明具体实施例中的纠正数据，其余的匹配点则为误匹配点，予以剔除。
本发明具体实施例中，通过双线性插值对所述纠正数据进行重采样并获取所述第一预处理数据。
具体的，对匹配到的纠正数据的像素坐标和参考影像的地理坐标(X,Y)，构建反射变换模型，即
,
其中， (为仿射变换的6个参数。当特征点的个数大于3个时，采用最小二乘求解这个6个参数。
确定好仿射变换的参数后，利用仿射变换的反算确定纠正数据所对应影像的空间范围，根据其空间分辨率对每个像元的地理坐标（X1,Y1）计算其在影像中的像素坐标，/>像素坐标可能不是整数，因此需要进行影像重采样处理。
双线性插值是由一维线性灰度内插拓展而来的，因为影像是二维的，所以双线性插值就是先在一个维度上线性内插一次，然后在此基础上再另一个维度上再线性内插一次得到结果。
双线性插值的公式为：
上式中u,v为变换后像素点坐标的相对于整相对点（i,j）的偏移量，具体如图2所示。
相比较于最近邻重采样方法而言，双线性插值法进行重采样多了两次线性插值运算，因此计算量多而且也比较复杂，但是它的效果比最近邻重采样方法要好，不会出现灰度断档现象，但可能会模糊影像。
本发明具体实施例中，基于所述亮温数据获取第二预处理数据包括：
通过平面方程插值法对所述亮温数据进行预处理以获取第二预处理数据；所述第二预处理数据为亮温插值。
具体的，为了使第二预处理数据具有较好的连续性，利用平面方程插值法不仅能最大限度的保持数据的原值，而且能得到最为平滑的插值结果。
如已知三点，/>，/>，要求确定的平面方程，关键在于求出平面的一个法向量，为此做向量/>,/>,平面法线和这两个向量垂直，因此法向量/>为：
;
;
);
;
其中i, j, k分别是, y, z三个方向的单位法向量，a,b,c分别是平面方程的系数。
根据上述平面方程可以得到上下两个三角平面的系数分别为：
上三角：
,
其中，a1,b1,c1是上三角的平面方程三个法向量的斜率，d1是上三角的平面方程的截距。
下三角：
,
其中，a2,b2,c2是下三角的平面方程三个法向量的斜率，d2是下三角的平面方程的截距。
然后计算(px,py)所在y方向的向量与和/>两点连线的交点：
，
如果py小于 y32则利用上面的平面方程计算亮温插值zo：
zo = (-d1 - a1*px - b1*py)/c1，
否则利用下面的平面方程计算亮温插值zo：
zo = (-d2 - a2*px - b2*py)/c2，
利用平面方程插值法不仅能最大限度的保持数据在融合过程中不失真，而且能够解决融合数据不平滑的问题。
本发明具体实施例中，通过平面方程插值法对所述亮温数据进行预处理以获取第二预处理数据包括：
将所述亮温数据插值到高分辨率卫星的观测点上以获取第二预处理数据。根据上述平面方程插值法，将静止卫星的亮温数据插值到高分辨率卫星的观测点上，得到矩阵F即为第二预处理数据。
本发明具体实施例还提供一种，如图3所示，所述装置包括：
第一获取单元301，用于通过高分辨率卫星获取全色通道数据，基于所述全色通道数据获得第一预处理数据；
第二获取单元302，用于获取所述第一预处理数据的纹理数据；
第三获取单元303，用于通过静止气象卫星获取亮温数据，基于所述亮温数据获取第二预处理数据；
预处理单元304，用于将所述纹理数据与所述第二预处理数据进行融合以得到融合数据。
本发明具体实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任意一项实施例所述方法的步骤。
本发明实施例提出的数据融合算法利用高分辨率卫星预处理子系统生成的高分辨率的全色通道数据，经过预处理，结合相同或相近时次的风云四号卫星或其他静止气象卫星的多通道亮温等数据，实现多通道亮温与全色通道数据的融合。本发明主要目的是对风云四号气象卫星的L1级数据进行融合处理，不仅能最大限度的保持数据在融合过程中不失真，而且能够解决融合数据不平滑的问题。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (7)

1.一种数据融合方法，其特征在于，所述方法包括：
通过高分辨率卫星获取全色通道数据，基于所述全色通道数据获得第一预处理数据；
其中，基于所述全色通道数据获得第一预处理数据包括：对所述全色通道数据进行几何精纠正以获得纠正数据；对所述纠正数据进行重采样并获取所述第一预处理数据；对所述全色通道数据进行几何精纠正包括：
基于参考影像的特征信息列表从所述全色通道数据中提取特征点并剔除误匹配点；所述特征点的集合为所述纠正数据；
其中，基于参考影响的特征信息列表从所述全色通道数据中提取特征点包括：
构建高斯尺度空间影像，并基于所述高斯尺度空间影像构建DOG金字塔影像；
在所述DOG金字塔影像的尺度空间内确定第一关键点，并计算所述第一关键点邻域内像素的梯度以确定所述第一关键点的主方向；
基于所述第一关键点以及所述第一关键点的主方向构造特征描述向量；
从所述参考影像的特征信息列表中获取任一第二关键点，并从所述第一关键点中获取与所述特征描述向量欧式距离最近的两个第一关键点与所述第二关键点进行匹配以提取特征点；
获取所述第一预处理数据的纹理数据；
通过静止气象卫星获取亮温数据，基于所述亮温数据获取第二预处理数据；
将所述纹理数据与所述第二预处理数据进行融合以得到融合数据。
2.根据权利要求1所述的数据融合方法，其特征在于，剔除误匹配点包括：
采用RANSAC算法和仿射变换模型从所述特征点中剔除误匹配点。
3.根据权利要求1所述的数据融合方法，其特征在于，通过双线性插值对所述纠正数据进行重采样并获取所述第一预处理数据。
4.根据权利要求1所述的数据融合方法，其特征在于，基于所述亮温数据获取第二预处理数据包括：
通过平面方程插值法对所述亮温数据进行预处理以获取第二预处理数据；所述第二预处理数据为亮温插值。
5.根据权利要求4所述的数据融合方法，其特征在于，通过平面方程插值法对所述亮温数据进行预处理以获取第二预处理数据包括：
将所述亮温数据插值到高分辨率卫星的观测点上以获取第二预处理数据。
6.一种数据融合装置，其特征在于，所述装置包括：
第一获取单元，用于通过高分辨率卫星获取全色通道数据，基于所述全色通道数据获得第一预处理数据；其中，基于所述全色通道数据获得第一预处理数据包括：对所述全色通道数据进行几何精纠正以获得纠正数据；对所述纠正数据进行重采样并获取所述第一预处理数据；对所述全色通道数据进行几何精纠正包括：
基于参考影像的特征信息列表从所述全色通道数据中提取特征点并剔除误匹配点；所述特征点的集合为所述纠正数据；
其中，基于参考影响的特征信息列表从所述全色通道数据中提取特征点包括：
构建高斯尺度空间影像，并基于所述高斯尺度空间影像构建DOG金字塔影像；
在所述DOG金字塔影像的尺度空间内确定第一关键点，并计算所述第一关键点邻域内像素的梯度以确定所述第一关键点的主方向；
基于所述第一关键点以及所述第一关键点的主方向构造特征描述向量；
从所述参考影像的特征信息列表中获取任一第二关键点，并从所述第一关键点中获取与所述特征描述向量欧式距离最近的两个第一关键点与所述第二关键点进行匹配以提取特征点；
第二获取单元，用于获取所述第一预处理数据的纹理数据；
第三获取单元，用于通过静止气象卫星获取亮温数据，基于所述亮温数据获取第二预处理数据；
预处理单元，用于将所述纹理数据与所述第二预处理数据进行融合以得到融合数据。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至5任意一项所述方法的步骤。
CN202410069856.8A 2024-01-18 2024-01-18 一种数据融合方法及装置 Active CN117592001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410069856.8A CN117592001B (zh) 2024-01-18 2024-01-18 一种数据融合方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410069856.8A CN117592001B (zh) 2024-01-18 2024-01-18 一种数据融合方法及装置

Publications (2)

Publication Number Publication Date
CN117592001A CN117592001A (zh) 2024-02-23
CN117592001B true CN117592001B (zh) 2024-04-16

Family

ID=89915373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410069856.8A Active CN117592001B (zh) 2024-01-18 2024-01-18 一种数据融合方法及装置

Country Status (1)

Country Link
CN (1) CN117592001B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573662A (zh) * 2015-01-14 2015-04-29 北京航天世景信息技术有限公司 一种云判方法和系统
CN108776360A (zh) * 2018-06-13 2018-11-09 华南农业大学 一种城市热岛强度动态变化监测的方法
CN111368817A (zh) * 2020-02-28 2020-07-03 北京师范大学 一种基于地表类型进行热效应定量评价方法及系统
CN113902661A (zh) * 2021-09-26 2022-01-07 北京和德宇航技术有限公司 卫星遥感影像融合方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106909722B (zh) * 2017-02-10 2019-07-26 广西壮族自治区气象减灾研究所 一种近地面气温的大面积精准反演方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573662A (zh) * 2015-01-14 2015-04-29 北京航天世景信息技术有限公司 一种云判方法和系统
CN108776360A (zh) * 2018-06-13 2018-11-09 华南农业大学 一种城市热岛强度动态变化监测的方法
CN111368817A (zh) * 2020-02-28 2020-07-03 北京师范大学 一种基于地表类型进行热效应定量评价方法及系统
CN113902661A (zh) * 2021-09-26 2022-01-07 北京和德宇航技术有限公司 卫星遥感影像融合方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
光学卫星遥感图像高保真融合方法.北航国际交叉科学研究院院刊-成果简报.2017,正文第1段到第5段. *

Also Published As

Publication number Publication date
CN117592001A (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
CN104574347B (zh) 基于多源遥感数据的在轨卫星图像几何定位精度评价方法
Zavorin et al. Use of multiresolution wavelet feature pyramids for automatic registration of multisensor imagery
Bouchiha et al. Automatic remote-sensing image registration using SURF
CN104599258B (zh) 一种基于各向异性特征描述符的图像拼接方法
Zhu et al. Robust registration of aerial images and LiDAR data using spatial constraints and Gabor structural features
CN107610054A (zh) 一种遥感影像数据的预处理方法
Gonçalves et al. CHAIR: Automatic image registration based on correlation and Hough transform
CN106887016A (zh) 一种gf‑4卫星序列图像自动相对配准方法
CN108876829B (zh) 基于非线性尺度空间及径向基函数的sar高精度配准方法
CN116758223A (zh) 基于双角度多光谱图像的三维多光谱点云重建方法、系统及设备
CN113516059B (zh) 固体废弃物的识别方法、装置、电子设备及存储介质
Chen et al. Scene segmentation of remotely sensed images with data augmentation using U-net++
CN116109535A (zh) 一种图像融合方法、设备及计算机可读存储介质
Cui et al. Combined Model Color-Correction Method Utilizing External Low-Frequency Reference Signals for Large-Scale Optical Satellite Image Mosaics.
Zhang et al. Optical and SAR image dense registration using a robust deep optical flow framework
Lasaponara et al. Pan-sharpening techniques to enhance archaeological marks: an overview
CN117592001B (zh) 一种数据融合方法及装置
CN116823671A (zh) 一种基于锁眼解密历史影像的自动精准定位以及校正方法
Aminuddin et al. Development of convolutional neural network algorithm on ships detection in Natuna Islands-Indonesia using land look satellite imagery
Serwa Studying the potentiality of using digital gaussian pyramids in multi-spectral satellites images classification
Mishra et al. Single-Frame Super-Resolution of Real-World Spaceborne Hyperspectral Data
CN117953388B (zh) 基于卫星融合数据的快速发展对流判识方法及装置
CN117609954B (zh) 基于卫星远红外融合亮温数据对流爆发区判识方法及装置
Crespi et al. Radiometric quality and DSM generation analysis of CartoSat-1 stereo imagery
CN118131361B (zh) 基于卫星融合数据的台风精细化定位方法及装置

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