CN117726915B - 遥感数据空谱融合方法及装置、存储介质与终端 - Google Patents
遥感数据空谱融合方法及装置、存储介质与终端 Download PDFInfo
- Publication number
- CN117726915B CN117726915B CN202410172628.3A CN202410172628A CN117726915B CN 117726915 B CN117726915 B CN 117726915B CN 202410172628 A CN202410172628 A CN 202410172628A CN 117726915 B CN117726915 B CN 117726915B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing data
- data
- multispectral
- spatial
- 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
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 161
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 149
- 238000012937 correction Methods 0.000 claims abstract description 112
- 230000004927 fusion Effects 0.000 claims abstract description 90
- 238000012549 training Methods 0.000 claims abstract description 66
- 230000005855 radiation Effects 0.000 claims abstract description 34
- 238000013145 classification model Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000002310 reflectometry Methods 0.000 claims description 7
- 238000010238 partial least squares regression Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 14
- 230000003595 spectral effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种遥感数据空谱融合方法及装置、存储介质与终端，该方法包括：对预设分类模型进行训练，以获取水体分类模型；对预设回归模型进行训练，以获取全谱段预测模型；对高空间分辨率遥感数据集合进行辐射校正，以获取校正高空间分辨率遥感数据集合；将校正高空间分辨率遥感数据的共有波段数据输入至水体分类模型，以获取对应校正高空间分辨率遥感数据的水体类型；将校正高空间分辨率遥感数据的共有波段数据和水体类型输入至全谱段预测模型，以获取多光谱融合数据作为对应校正高空间分辨率遥感数据对应的融合结果。本发明将学习了多光谱遥感数据特征的全谱段预测模型应用于高空间分辨率遥感数据，提高了空谱融合的精度。
Description
技术领域
本发明属遥感技术领域，涉及一种遥感数据空谱融合方法，特别是涉及一种遥感数据空谱融合方法及装置、存储介质与终端。
背景技术
目前的赤潮遥感监测主要依赖中等空间分辨率的多光谱水色卫星，其几百米乃至公里级的空间分辨率难以满足近岸、港湾等小区域范围内的赤潮精细化识别与监测；而高空间分辨率卫星虽然具备几十米甚至米级的空间分辨率，但存在光谱通道数少及光谱辐射测量精度低等问题，同样难以满足赤潮定量化监测需求。
多源卫星的空谱融合是解决上述问题的有效手段之一。空谱融合起源于 20世纪80 年代初，是指将来自不同源的遥感影像数据进行融合，获取更为完整、高质量的遥感图像数据的过程，其目的是要克服单一遥感影像数据所存在的缺陷，如空间分辨率低、光谱信息少等问题，从而提高遥感图像的质量和应用价值。现有技术包括基于成分替换、多分辨率分析、地统计学以及机器学习等各种空谱融合算法，但这些方法均是针对陆地应用，应用于水体时效果有限，尤其应用于动态变化较大的海洋水体时精度较差。
发明内容
本发明的目的在于提供一种遥感数据空谱融合方法及装置、存储介质与终端，用于解决现有技术对于水体遥感数据空谱融合精度较差的技术问题。
第一方面，本发明提供一种遥感数据空谱融合方法，包括：
获取目标海域的多光谱大气顶遥感数据集合和高空间分辨率遥感数据集合，所述多光谱大气顶遥感数据集合包括多条多光谱大气顶遥感数据，所述高空间分辨率遥感数据集合包括多条高空间分辨率遥感数据；
基于水体类型预测数据集对预设分类模型进行训练，以获取水体分类模型，所述水体类型预测数据集包括多条多光谱训练数据，每条所述多光谱训练数据包括作为预测因子的多光谱大气顶遥感数据中的共有波段数据以及作为预测标签的对应多光谱大气顶遥感数据的水体类型；
基于全谱段预测数据集对预设回归模型进行训练，以获取全谱段预测模型，所述全谱段预测数据集包括多条全谱段训练数据，每条全谱段训练数据包括作为预测因子的多光谱大气顶遥感数据中的共有波段数据和对应多光谱大气顶遥感数据中的共有波段数据的水体类型，以及作为预测标签的对应多光谱大气顶遥感数据中全波段数据；
基于所述多光谱大气顶遥感数据集合对所述高空间分辨率遥感数据集合进行辐射校正，以获取校正高空间分辨率遥感数据集合；
将所述校正高空间分辨率遥感数据集合中校正高空间分辨率遥感数据的共有波段数据输入至所述水体分类模型，以获取对应所述校正高空间分辨率遥感数据的水体类型；
将所述校正高空间分辨率遥感数据的共有波段数据和所述校正高空间分辨率遥感数据的水体类型输入至所述全谱段预测模型，以获取多光谱融合数据作为对应所述校正高空间分辨率遥感数据对应的融合结果；
其中，所述多光谱大气顶遥感数据为多光谱遥感数据的大气顶辐亮度数据，所述共有波段数据为所述高空间分辨率遥感数据和所述多光谱大气顶遥感数据中的共有可见光波段数据。
于本发明的一实施例中，基于所述多光谱大气顶遥感数据集合对所述高空间分辨率遥感数据集合进行辐射校正，以获取校正高空间分辨率遥感数据集合包括：
从所述高空间分辨率遥感数据集合中选取部分或全部所述高空间分辨率遥感数据形成预训练数据集合，将所述预训练数据集合中每条所述高空间分辨率遥感数据分辨率数值均降低至所述多光谱大气顶遥感数据分辨率数值以获取初步处理数据集合；
将所述初步处理数据集合中的每条初步处理数据均划分为预设尺寸的多个第一数据斑块，将所述多光谱大气顶遥感数据集合中每条所述多光谱大气顶遥感数据划分为预设尺寸的多个第二数据斑块；
获取所述第一数据斑块预设范围内与其余弦相似度最大的第二数据斑块作为与其对应的修正斑块，所有所述第一数据斑块以及与其对应的修正斑块形成斑块校正数据集，基于所述斑块校正数据集对线性回归模型进行训练，以获取斑块校正模型；
基于所述斑块校正模型对所述高空间分辨率遥感数据集合中所有所述高空间分辨率遥感数据进行分别校正，以获取校正高空间分辨率遥感数据集合；
其中，所述第一数据斑块预设范围为以所述第一数据斑块为中心，以预设数值为半径所形成的范围。
于本发明的一实施例中，还包括：
通过预设残差修正方式对每条所述校正高空间分辨率遥感数据对应的融合结果进行修正，以获取每条所述校正高空间分辨率遥感数据的修正融合结果；
其中，通过预设残差修正方式对目标校正高空间分辨率遥感数据对应的融合结果进行修正，以获取所述目标校正高空间分辨率遥感数据的修正融合结果包括：
将所述多光谱大气顶遥感数据中的共有波段数据和所述多光谱大气顶遥感数据的水体类型输入至所述全谱段预测模型，以获取全谱段多光谱预测数据；
基于残差数据集对多重线性拟合模型进行训练，以获取残差预测模型，所述残差数据集包括多条残差训练数据，每条所述残差训练数据均包括作为预测因子的多光谱大气顶遥感数据中的共有波段数据与对应所述全谱段多光谱预测数据中的共有波段数据的差值，以及作为预测标签的多光谱大气顶遥感数据中非共有波段数据与对应所述全谱段多光谱预测数据中非共有波段数据的差值；
将所述目标校正高空间分辨率遥感数据中的共有波段数据与所述目标校正高空间分辨率遥感数据对应融合结果中的共有波段数据作差以获取目标共有波段残差，将所述目标共有波段残差输入至所述残差预测模型以获取目标非共有波段残差；
将所述目标校正高空间分辨率遥感数据对应融合结果中的共有波段数据与所述目标共有波段残差求和以获取最终共有波段融合结果，将所述目标校正高空间分辨率遥感数据对应融合结果中非共有波段数据与所述目标非共有波段残差求和以获取最终非共有波段融合结果，所述最终共有波段融合结果和所述最终非共有波段融合结果合成所述目标校正高空间分辨率遥感数据对应的修正融合结果；
其中，所述目标校正高空间分辨率遥感数据为所述校正高空间分辨率遥感数据集合中任意一个校正高空间分辨率遥感数据，非共有波段为所述多光谱大气顶遥感数据具有而所述高空间分辨率遥感数据没有的波段。
于本发明的一实施例中，所述共有波段数据包括红波段数据、绿波段数据和蓝波段数据。
于本发明的一实施例中，多光谱大气顶遥感数据水体类型的获取方式为：
对所述多光谱大气顶遥感数据中全波段数据进行大气校正处理以获取对应的多光谱反射率遥感数据的全波段数据；
将所述多光谱反射率遥感数据的全波段数据输入至QA_Wei模型，基于输出结果获取所述多光谱大气顶遥感数据的水体类型。
于本发明的一实施例中，基于输出结果获取所述多光谱大气顶遥感数据的水体类型包括：
当输出结果为11类型至14类型时，设定多光谱大气顶遥感数据的水体类型为赤潮水体类型；当输出结果为15类型至18类型时，设定多光谱大气顶遥感数据的水体类型为中等浑浊水体类型；若输出结果为19类型至23类型时，设定多光谱大气顶遥感数据的水体类型为高浑浊水体。
于本发明的一实施例中，所述预设回归模型为偏最小二乘回归模型。
第二方面，本发明还提供一种遥感数据空谱融合装置，其特征在于，包括数据获取模块、多光谱水体特征提取模块、多光谱全谱段特征提取模块、辐射校正模块、高空间水体分类模块和高空间全谱段预测模块；
所述数据获取模块，用于获取目标海域的多光谱大气顶遥感数据集合和高空间分辨率遥感数据集合，所述多光谱大气顶遥感数据集合包括多条多光谱大气顶遥感数据，所述高空间分辨率遥感数据集合包括多条高空间分辨率遥感数据；
所述多光谱水体特征提取模块，用于基于水体类型预测数据集对预设分类模型进行训练，以获取水体分类模型，所述水体类型预测数据集包括多条多光谱训练数据，每条所述多光谱训练数据包括作为预测因子的多光谱大气顶遥感数据中的共有波段数据以及作为预测标签的对应多光谱大气顶遥感数据的水体类型；
所述多光谱全谱段特征提取模块，用于基于全谱段预测数据集对预设回归模型进行训练，以获取全谱段预测模型，所述全谱段预测数据集包括多条全谱段训练数据，每条全谱段训练数据包括作为预测因子的多光谱大气顶遥感数据中的共有波段数据和对应多光谱大气顶遥感数据中的共有波段数据的水体类型，以及作为预测标签的对应多光谱大气顶遥感数据中全波段数据；
所述辐射校正模块，用于基于所述多光谱大气顶遥感数据集合对所述高空间分辨率遥感数据集合进行辐射校正，以获取校正高空间分辨率遥感数据集合；
所述高空间水体分类模块，用于将所述校正高空间分辨率遥感数据集合中校正高空间分辨率遥感数据的共有波段数据输入至所述水体分类模型，以获取对应所述校正高空间分辨率遥感数据的水体类型；
所述高空间全谱段预测模块，用于将所述校正高空间分辨率遥感数据的共有波段数据和所述校正高空间分辨率遥感数据的水体类型输入至所述全谱段预测模型，以获取多光谱融合数据作为对应所述校正高空间分辨率遥感数据对应的融合结果；
其中，所述多光谱大气顶遥感数据为多光谱遥感数据的大气顶辐亮度数据，所述共有波段数据为所述高空间分辨率遥感数据和所述多光谱大气顶遥感数据中的共有可见光波段数据。
第三方面，本发明还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的遥感数据空谱融合方法。
第四方面，本发明还提供一种终端，包括处理器以及存储器，所述存储器与所述处理器之间通信连接；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上所述的遥感数据空谱融合方法。
如上所述，本发明所述的遥感数据空谱融合方法及装置、存储介质与终端，具有以下有益效果：
1、本发明使用多光谱遥感数据训练水体分类模型和全谱段预测模型以提取多光谱遥感数据的特征，并将学习了多光谱遥感数据特征的全谱段预测模型应用于高空间分辨率遥感数据，对高空间分辨率遥感数据的光谱信息进行了扩展，实现了多光谱遥感数据与高空间分辨率遥感数据的有效融合，提高了高空间分辨率遥感数据的光谱分辨率。
2、利用了不同的水体类型在光学特性上表现出显著的差异这一特点，将水体类型作为全谱段预测模型的预测因子，从而提高了融合精度。
3、通过余弦相似度逐斑块筛选数据并构建辐射校正的线性回归模型，实现了动态水体环境下非同时相遥感数据的相对辐射校正，提高了水体遥感数据的辐射校正效果。
4、使用共有波段残差预测全谱段残差，对融合结果进行了残差修正，进一步提高了融合精度。
附图说明
图1示出了本发明实施例所述的遥感数据空谱融合方法的流程示意图。
图2示出了本发明实施例所述的遥感数据空谱融合方法中辐射校正的流程示意图。
图3示出了本发明实施例所述的包含修正融合的遥感数据空谱融合方法的流程示意图。
图4示出了本发明实施例所述的预设残差修正方式的流程示意图。
图5示出了本发明实施例所述的遥感数据空谱融合装置的结构示意图。
图6示出了本发明实施例所述的终端的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
以下将详细阐述本实施例的遥感数据空谱融合方法及装置、存储介质与终端的原理及实施方式，使本领域技术人员不需要创造性劳动即可理解本实施例的遥感数据空谱融合方法及装置、存储介质与终端。
为了解决现有技术中存在的上述技术问题，本发明实施例提供了一种遥感数据空谱融合方法。
图1示出了本发明实施例的遥感数据空谱融合方法的流程示意图，参考图1所示，本发明实施例遥感数据空谱融合方法主要包括步骤S100~S600。
步骤S100：获取目标海域的多光谱大气顶遥感数据集合和高空间分辨率遥感数据集合。
具体地，设定待融合遥感数据的海域为目标海域，多光谱大气顶遥感数据集合包括多条多光谱大气顶遥感数据，高空间分辨率遥感数据集合包括多条高空间分辨率遥感数据。可选地，使用中国国产海洋1号卫星（HY-1C）的CZI传感器采集目标海域的CZI数据构建高空间分辨率遥感数据集合，使用韩国第二代静止水色卫星（GOCI-II）采集目标海域的GOCI数据构建多光谱大气顶遥感数据集合。
步骤S200：基于水体类型预测数据集对预设分类模型进行训练，以获取水体分类模型。
具体地，水体类型预测数据集包括多条多光谱训练数据，每条多光谱训练数据均以多光谱大气顶遥感数据中的共有波段大气顶辐亮度数据作为预测因子，以共有波段大气顶辐亮度数据对应的水体类型作为预测标签。
需要说明的是，多光谱大气顶遥感数据为多光谱遥感数据的大气顶辐亮度数据，共有波段数据为高空间分辨率遥感数据和多光谱大气顶遥感数据中的共有可见光波段数据。这是因为卫星传感器在硬件设计上通常难以同时满足光谱通道数多和空间分辨率高的需求，因此当前主要使用的海洋遥感数据通常分为两类，一类是中等空间分辨率的多光谱数据，以东海海域的海洋遥感数据为例进行说明，其波段设置除了主要的红、绿、蓝波段外还有一些中间波段，空间分辨率为百米到公里级别；另一类是高空间分辨率数据，以东海海域的海洋遥感数据为例进行说明，其可见光波段范围内的波段设置通常只包含红、绿、蓝三个主要波段，而没有上述中间波段，空间分辨率优于百米级别。此时，两类数据中的共有的红、绿、蓝波段为共有波段，多光谱数据中的其余波段为非共有波段。不同的水体类型在光学特性上表现出显著的差异，尤其是在光谱形状上。于是针对目标海域的水体进行了分类并将水体类型作为融合过程中的中间因子，有助于提高最终的融合精度。由于水体分类模型的构建采用了多光谱大气顶遥感数据中的共有波段数据作为预测因子，而这些共有波段在高空间分辨率遥感数据中同样可见，因此构建的水体分类模型能够应用于高空间分辨率遥感数据。
可选地，共有波段数据包括红波段数据、绿波段数据和蓝波段数据。以CZI数据和GOCI数据为例进行说明，CZI数据中的红波段数据、绿波段数据和蓝波段数据这三个波段数据为可见波段数据，与GOCI数据中的红波段数据、绿波段数据和蓝波段数据三个波段相对应，而GOCI中的其它九个波段在CZI数据中不可见，属于非共有波段。
可选地，多光谱大气顶遥感数据水体类型的获取方式采用了QA_Wei模型，具体地，QA_Wei模型是基于多光谱反射率遥感数据的全波段数据来预测水体类型，所以首先需要对多光谱大气顶遥感数据中全波段数据进行大气校正处理以获取对应的多光谱反射率遥感数据的全波段数据，再将多光谱反射率遥感数据的全波段数据输入至QA_Wei模型，基于输出结果获取多光谱大气顶遥感数据的水体类型。QA_Wei模型是Wei 等人发表的论文“Asystem to measure the data quality of spectral remote-sensing reflectance ofaquatic environments”中提出的quality assurance (QA) system模型，该模型效果优异，使用该模型来获取水体类别，能够保障数据可靠，奠定良好的数据基础，该论文出处为“Wei J , Lee Z , Shang S .A system to measure the data quality of spectralremote-sensing reflectance of aquatic environments[J].Journal of GeophysicalResearch: Oceans, 2016, 121(11).”。
可选地，由于全谱段预测模型仅使用可见波段的大气顶辐亮度作为输入参数，为了提升全谱段预测模型的准确率，可以将上述基于QA_Wei模型得到的水体类型结果中类型相近的水体进行归类，将同一区域内的所有水体分为3类进行光谱分类模型的训练。根据Wei等人提出的水体分类方法，研究区内的水体类型基本被分为23类，数字越大表明浑浊度越高，以东海作为目标海域为例，目标海域的水体基本属于11-23范围的类型，将11-23中类型相近的水体进行归类可以提高全谱段预测模型的效果。具体地，基于输出结果获取多光谱大气顶遥感数据的水体类型包括：当输出结果为11类型至14类型时，设定多光谱大气顶遥感数据的水体类型为赤潮水体类型；当输出结果为15类型至18类型时，设定多光谱大气顶遥感数据的水体类型为中等浑浊水体类型；若输出结果为19类型至23类型时，设定多光谱大气顶遥感数据的水体类型为高浑浊水体。对于其它目标海域，还可以选取23类中其它范围的类型进行归类。
可选地，除了上述的将水体类型作为一个预测因子来训练全谱段预测模型之外，还可以分别针对每一种水体类型都训练一个特定水体类型的全谱段预测模型，此时预测因子为多光谱大气顶遥感数据中的共有波段数据、预测标签为对应多光谱大气顶遥感数据中全波段数据。例如，若水体类型为赤潮水体、中等浑浊水体和高浑浊水体这3类，则可分别针对3类水体训练一个全谱段预测模型，最终获取得到赤潮水体全谱段预测模型、中等浑浊水体全谱段预测模型和高浑浊水体全谱段预测模型，在融合结果中能够更好的体现不同水体的光谱特征。
步骤S300：基于全谱段预测数据集对预设回归模型进行训练，以获取全谱段预测模型。
具体地，全谱段预测数据集包括多条全谱段训练数据，每条全谱段训练数据均以多光谱大气顶遥感数据中的共有波段大气顶辐亮度数据和其对应的水体类别作为两个预测因子，以多光谱大气顶遥感数据中的全谱段大气顶辐亮度数据作为预测目标。
需要说明的是，由于全谱段预测模型的构建采用了多光谱大气顶遥感数据中的共有波段数据作为预测因子，而这些共有波段在高空间分辨率遥感数据中同样可见，因此构建的全谱段预测模型能够应用于高空间分辨率遥感数据，同时将水体类型作为全谱段预测模型的预测因子之一，能够在训练全谱段预测模型的过程中使全谱段预测模型学习到水体类型与全谱段数据的关系，有助于提高最终的融合精度。
可选地，预设回归模型为偏最小二乘回归模型。偏最小二乘回归是一种多元线性回归分析方法，用于处理包含多个自变量和一个或多个因变量的数据集，通过在自变量和因变量之间找到最大方差的新变量，进而建立线性模型。使用偏最小二乘回归算法建立全谱段预测模型，可以有效降低维度，同时当自变量之间存在相关性时能处理多重共线性，使得全谱段预测模型更加稳健。
步骤S400：基于多光谱大气顶遥感数据集合对高空间分辨率遥感数据集合进行辐射校正，以获取校正高空间分辨率遥感数据集合。
可选地，图2示出了本发明实施例的遥感数据空谱融合方法中辐射校正的流程示意图，参考图2所示，基于多光谱大气顶遥感数据集合对高空间分辨率遥感数据集合进行辐射校正，以获取校正高空间分辨率遥感数据集合包括步骤S401~S404。
步骤S401：从高空间分辨率遥感数据集合中选取部分或全部高空间分辨率遥感数据形成预训练数据集合，将预训练数据集合中每条高空间分辨率遥感数据分辨率数值均降低至多光谱大气顶遥感数据分辨率数值以获取初步处理数据集合。
可选地，降分辨率方式如以下公式所示：
其中，是高空间分辨率遥感数据波段/>原始的大气顶辐亮度，/>是高空间分辨率遥感数据波段/>降分辨率后的大气顶辐亮度。/>是高空间分辨率遥感数据的波段响应函数，/>代表卷积运算符。
步骤S402：将初步处理数据集合中的每条初步处理数据均划分为预设尺寸的多个第一数据斑块，将多光谱大气顶遥感数据集合中每条多光谱大气顶遥感数据划分为预设尺寸的多个第二数据斑块。
需要说明的是，第一数据斑块与第二数据斑块之所以需要设置为同样的预设尺寸，是为了使两者面积相同，才能保证余弦相似度计算的像素量级是相同的。
可选地，预设尺寸为2×2km。实际尺寸设置不局限于2×2km，还可以根据需要设置其它合理数值。
步骤S403：获取第一数据斑块预设范围内与其余弦相似度最大的第二数据斑块作为与其对应的修正斑块，所有第一数据斑块以及与其对应的修正斑块形成斑块校正数据集，基于斑块校正数据集对线性回归模型进行训练，以获取斑块校正模型。
具体地，以第一数据斑块作为预测因子、以第一数据斑块对应的修正斑块作为预测标签来构建斑块校正数据集，再基于该斑块校正数据集对线性回归模型进行训练，即可使线性回归模型学习到如何对第一数据斑块进行修正。
可选地，预设范围为10km。实际范围设置不局限于10km，还可以根据需要设置其它合理数值。
可选地，获取第一数据斑块预设范围内与其余弦相似度最大的第二数据斑块之后，还需验证该余弦相似度是否大于预设阈值，若大于预设阈值，则将第二数据斑块作为与其对应的修正斑块并用于构建校正数据集，否则舍弃该组样本。以上基于预设阈值对第一斑块和第二斑块的样本进行校验的目的在于进一步保证校正数据集中样本的质量以提升斑块校正模型的准确率，仅仅满足余弦相似度最大而余弦相似度达不到预设阈值的第一斑块和第二斑块无法作为样本用于训练斑块校正模型。优选地，当目标海域相对较小时，高空间分辨率遥感数据和多光谱遥感数据的时相差异通常也较小，总体余弦相似性相对较高，此时余弦相似度的阈值设置为0.95，根据实际的目标海域不同，可以设置其它的余弦相似度的阈值。
步骤S404：基于斑块校正模型对高空间分辨率遥感数据集合中所有高空间分辨率遥感数据进行分别校正，以获取校正高空间分辨率遥感数据集合。
其中，第一数据斑块预设范围为以第一数据斑块为中心，以预设数值为半径所形成的范围。
具体的，余弦相似度计算方式如下：
其中，表示第一斑块的/>波段的第/>个像素点的辐亮度数值， />表示第二斑块的/>波段的第/>个像素点的辐亮度数值。N表示高空间分辨率遥感数据的波段总数，n表示源或目标斑块中的像素总数。
具体地，斑块校正模型参考如下公式：
其中，表示多光谱大气顶遥感数据的第/>波段的大气顶辐亮度数据，/>和为第/>波段的线性校正系数。通过匹配数据集获得的线性校正系数可以应用于整个区域校正高空间分辨率遥感数据的大气顶辐亮度数据。
由于不同传感器的波段设置的中心波长、通道宽度及光谱响应范围的差异，在开展空谱融合之前对不同传感器进行辐射校正是必不可少的。陆地地物随时间变化非常缓慢所以通常认为是不变的，因此对于陆地遥感空谱融合来说同名区域进行线性校正就能够达到辐射校正的目的，但由于海水的运动变化所以存在不可避免的时间差异，两幅影像在相同的空间区域内的水体必然存在差异，并且这种差异随着时相差异的增加而增加，且无法使用简单的线性校正来进行辐射校正。本发明通过余弦相似度逐斑块筛选数据并构建辐射校正的线性回归模型，提高了水体遥感数据的辐射校正效果。
步骤S500：将校正高空间分辨率遥感数据集合中校正高空间分辨率遥感数据的共有波段数据输入至水体分类模型，以获取对应校正高空间分辨率遥感数据的水体类型。
具体地，将校正高空间分辨率遥感数据集合中，所有校正高空间分辨率遥感数据的共有波段数据分别输出至水体分类模型中，并获取水体分类模输出作为对应输入校正高空间分辨率遥感数据的水体类型。由于水体分类模型是基于多光谱遥感数据进行训练的，所以水体分类模型在训练过程中已经学习了多光谱遥感数据的水体类型特征，将校正高空间分辨率遥感数据的共有波段数据输入至水体分类模型进行分类，可以实现使高空间分辨率遥感数据融合多光谱遥感数据水体类型特征的效果。
步骤S600：将校正高空间分辨率遥感数据的共有波段数据和校正高空间分辨率遥感数据的水体类型输入至全谱段预测模型，以获取多光谱融合数据作为对应校正高空间分辨率遥感数据对应的融合结果。
其中，多光谱大气顶遥感数据为多光谱遥感数据的大气顶辐亮度数据，共有波段数据为高空间分辨率遥感数据和多光谱大气顶遥感数据中的共有可见光波段数据。
具体地，由于全谱段预测模型是基于多光谱遥感数据进行训练的，所以全谱段预测模型在训练过程中已经学习了多光谱遥感数据的共有波段与全谱段之间的关系，将校正高空间分辨率遥感数据的共有波段数据及水体类型输入至全谱段预测模型进行预测，可以实现使高空间分辨率遥感数据融合多光谱遥感数据共有波段与全谱段特征的效果，从而扩展高空间分辨率遥感数据的光谱，最终的融合结果既有具备高空间分辨率又具备多光谱。
图3示出了本发明实施例所述的包含修正融合的遥感数据空谱融合方法的流程示意图，参考图3所示，本发明实施例还包括步骤S700。
步骤S700：通过预设残差修正方式对每条校正高空间分辨率遥感数据对应的融合结果进行修正，以获取每条校正高空间分辨率遥感数据的修正融合结果。
具体地，图4示出了本发明实施例的预设残差修正方式的流程示意图，参考图4所示，通过预设残差修正方式对目标校正高空间分辨率遥感数据对应的融合结果进行修正，以获取目标校正高空间分辨率遥感数据的修正融合结果包括步骤S701~S704。
步骤S701:将多光谱大气顶遥感数据中的共有波段数据和多光谱大气顶遥感数据的水体类型输入至全谱段预测模型，以获取全谱段多光谱预测数据。
这一步骤的目的是为了获取基于全谱段预测模型的多光谱大气顶遥感数据作为全谱段预测数据，而以原始的多光谱大气顶遥感数据集合中的全谱段数据作为全谱段真实数据，为后续计算上述预测数据与真实数据的残差奠定数据基础。
步骤S702:基于残差数据集对多重线性拟合模型进行训练，以获取残差预测模型。
具体地，将每条全谱段真实数据与对应的全谱段预测数据作差，可以得到全谱段残差，根据全谱段残差中的波段是否共有，可以拆分全谱段残差以得到共有波段数据残差和非共有波段数据残差。例如，多光谱大气顶遥感数据一共有12个波段，其中3个波段是共有波段，那么将多光谱大气顶遥感数据的全谱段真实数据与全谱段预测数据作差后，可以得到12个波段的全谱段残差，这12个波段中3个共有波段的残差就是共有波段残差，剩余9个波段的残差就是非共有波段残差。残差数据集包括多条残差训练数据，每条残差训练数据均以多光谱大气顶遥感数据中的共有波段数据残差作为预测因子、以多光谱大气顶遥感数据中的非共有波段数据残差作为预测标签。通过步骤S702，残差预测模型学习了多光谱大气顶遥感数据中的共有波段残差与全谱段残差之间的关系，将共有波段残差输入残差预测模型可以预测得到全谱段的残差。
步骤S703:获取目标校正高空间分辨率遥感数据的共有波段残差和非共有波段残差。
具体地，将目标校正高空间分辨率遥感数据中的共有波段数据与目标校正高空间分辨率遥感数据对应融合结果中的共有波段数据作差以获取目标共有波段残差，将目标共有波段残差输入至残差预测模型以获取目标非共有波段残差。由于残差预测模型已经学习了多光谱大气顶遥感数据的残差关系，所以通过以上方式获取目标非共有波段残差旨在将多光谱残差关系应用在高空间分辨率数据，以进一步增强融合效果。
步骤S704:将目标校正高空间分辨率遥感数据对应融合结果中的共有波段数据与目标共有波段残差求和以获取最终共有波段融合结果，将目标校正高空间分辨率遥感数据对应融合结果中非共有波段数据与目标非共有波段残差求和以获取最终非共有波段融合结果，最终共有波段融合结果和最终非共有波段融合结果合成目标校正高空间分辨率遥感数据对应的修正融合结果。
需要说明的是，由于残差预测模型学习了多光谱大气顶遥感数据中的共有波段残差与全谱段残差之间的关系，因此残差预测模型应用在目标校正高空间分辨率遥感数据对应融合结果，可以进一步地指导目标校正高空间分辨率遥感数据去学习和融合多光谱大气顶遥感数据的残差特征，使用残差特征对融合结果进行修正，将使得融合更加充分和最终的融合效果更加准确。
其中，目标校正高空间分辨率遥感数据为校正高空间分辨率遥感数据集合中任意一个校正高空间分辨率遥感数据，非共有波段为多光谱大气顶遥感数据具有而高空间分辨率遥感数据没有的波段。
本发明实施例的遥感数据空谱融合方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明实施例的遥感数据空谱融合方法提取多光谱遥感数据的特征用来对高空间分辨率遥感数据的光谱信息进行扩展，将水体类型作为全谱段预测模型的预测因子，实现了多光谱遥感数据与高空间分辨率遥感数据的有效融合，提高了高空间分辨率遥感数据的光谱分辨率，同时对融合结果进行残差修正从而提高了融合精度。此外，还使用余弦相似度逐斑块筛选数据并构建辐射校正的线性回归模型，实现了动态水体环境下非同时相遥感数据的相对辐射校正，提高了水体遥感数据的辐射校正效果，有效保障了融合效果。
为了解决现有技术中存在的上述技术问题，本发明实施例还提供了一种遥感数据空谱融合装置。
图5示出了本发明实施例的遥感数据空谱融合装置的结构示意图，参考图5所示，本发明实施例遥感数据空谱融合装置包括数据获取模块、多光谱水体特征提取模块、多光谱全谱段特征提取模块、辐射校正模块、高空间水体分类模块和高空间全谱段预测模块；
数据获取模块，用于获取目标海域的多光谱大气顶遥感数据集合和高空间分辨率遥感数据集合，多光谱大气顶遥感数据集合包括多条多光谱大气顶遥感数据，高空间分辨率遥感数据集合中包括多条高空间分辨率遥感数据；
多光谱水体特征提取模块，用于基于水体类型预测数据集对预设分类模型进行训练，以获取水体分类模型，水体类型预测数据集包括多条多光谱训练数据，每条多光谱训练数据包括作为预测因子的多光谱大气顶遥感数据中的共有波段数据以及作为预测标签的对应多光谱大气顶遥感数据的水体类型；
多光谱全谱段特征提取模块，用于基于全谱段预测数据集对预设回归模型进行训练，以获取全谱段预测模型，全谱段预测数据集包括多条全谱段训练数据，每条全谱段训练数据包括作为预测因子的多光谱大气顶遥感数据中的共有波段数据和对应多光谱大气顶遥感数据中的共有波段数据的水体类型，以及作为预测标签的对应多光谱大气顶遥感数据中全波段数据；
辐射校正模块，用于基于多光谱大气顶遥感数据集合对高空间分辨率遥感数据集合进行辐射校正，以获取校正高空间分辨率遥感数据集合；
高空间水体分类模块，用于将校正高空间分辨率遥感数据集合中校正高空间分辨率遥感数据的共有波段数据输入至水体分类模型，以获取对应校正高空间分辨率遥感数据的水体类型；
高空间全谱段预测模块，用于将校正高空间分辨率遥感数据的共有波段数据和校正高空间分辨率遥感数据的水体类型输入至全谱段预测模型，以获取多光谱融合数据作为对应校正高空间分辨率遥感数据对应的融合结果；
其中，多光谱大气顶遥感数据为多光谱遥感数据的大气顶辐亮度数据，共有波段数据为高空间分辨率遥感数据和多光谱大气顶遥感数据中的共有可见光波段数据。
本发明实施例的遥感数据空谱融合装置提取多光谱遥感数据的特征用来对高空间分辨率遥感数据的光谱信息进行扩展，将水体类型作为全谱段预测模型的预测因子，实现了多光谱遥感数据与高空间分辨率遥感数据的有效融合，提高了高空间分辨率遥感数据的光谱分辨率，同时对融合结果进行残差修正从而提高了融合精度。此外，还使用余弦相似度逐斑块筛选数据并构建辐射校正的线性回归模型，实现了动态水体环境下非同时相遥感数据的相对辐射校正，提高了水体遥感数据的辐射校正效果，有效保障了融合效果。
为了解决现有技术中存在的上述技术问题，本发明实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例遥感数据空谱融合方法的所有步骤。
遥感数据空谱融合方法的具体步骤以及应用本发明实施例提供的可读存储介质获取的有益效果均与上述实施例相同，在此不在对其进行赘述。
本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性（non-transitory）介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带（magnetic tape），软盘（floppy disk），光盘（optical disc）及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如数字视频光盘（digital video disc，DVD））、或者半导体介质（例如固态硬盘（solid state disk，SSD））等。
为了解决现有技术中存在的上述技术问题，本发明实施例还提供了一种终端。图6示出了本发明实施例所述的终端的结构示意图，参考图6所示，本发明实施例终端包括处理器以及存储器，存储器与处理器之间通信连接；存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以使终端执行上述实施例遥感数据空谱融合方法的所有步骤。
遥感数据空谱融合方法的具体步骤以及应用本发明实施例提供的终端获取的有益效果均与上述实施例相同，在此不在对其进行赘述。
需要说明的是，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。同理处理器也可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignalProcessing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (9)
1.一种遥感数据空谱融合方法，包括：
获取目标海域的多光谱大气顶遥感数据集合和高空间分辨率遥感数据集合，所述多光谱大气顶遥感数据集合包括多条多光谱大气顶遥感数据，所述高空间分辨率遥感数据集合包括多条高空间分辨率遥感数据；
基于水体类型预测数据集对预设分类模型进行训练，以获取水体分类模型，所述水体类型预测数据集包括多条多光谱训练数据，每条所述多光谱训练数据包括作为预测因子的多光谱大气顶遥感数据中的共有波段数据以及作为预测标签的对应多光谱大气顶遥感数据的水体类型；
基于全谱段预测数据集对预设回归模型进行训练，以获取全谱段预测模型，所述全谱段预测数据集包括多条全谱段训练数据，每条全谱段训练数据包括作为预测因子的多光谱大气顶遥感数据中的共有波段数据和对应多光谱大气顶遥感数据中的共有波段数据的水体类型，以及作为预测标签的对应多光谱大气顶遥感数据中全波段数据；
基于所述多光谱大气顶遥感数据集合对所述高空间分辨率遥感数据集合进行辐射校正，以获取校正高空间分辨率遥感数据集合；
将所述校正高空间分辨率遥感数据集合中校正高空间分辨率遥感数据的共有波段数据输入至所述水体分类模型，以获取对应所述校正高空间分辨率遥感数据的水体类型；
将所述校正高空间分辨率遥感数据的共有波段数据和所述校正高空间分辨率遥感数据的水体类型输入至所述全谱段预测模型，以获取多光谱融合数据作为对应所述校正高空间分辨率遥感数据对应的融合结果；
其中，所述多光谱大气顶遥感数据为多光谱遥感数据的大气顶辐亮度数据，所述共有波段数据为所述高空间分辨率遥感数据和所述多光谱大气顶遥感数据中的共有可见光波段数据；
基于所述多光谱大气顶遥感数据集合对所述高空间分辨率遥感数据集合进行辐射校正，以获取校正高空间分辨率遥感数据集合包括：
从所述高空间分辨率遥感数据集合中选取部分或全部所述高空间分辨率遥感数据形成预训练数据集合，将所述预训练数据集合中每条所述高空间分辨率遥感数据分辨率数值均降低至所述多光谱大气顶遥感数据分辨率数值以获取初步处理数据集合；
将所述初步处理数据集合中的每条初步处理数据均划分为预设尺寸的多个第一数据斑块，将所述多光谱大气顶遥感数据集合中每条所述多光谱大气顶遥感数据划分为预设尺寸的多个第二数据斑块；
获取所述第一数据斑块预设范围内与其余弦相似度最大的第二数据斑块作为与其对应的修正斑块，所有所述第一数据斑块以及与其对应的修正斑块形成斑块校正数据集，基于所述斑块校正数据集对线性回归模型进行训练，以获取斑块校正模型；
基于所述斑块校正模型对所述高空间分辨率遥感数据集合中所有所述高空间分辨率遥感数据进行分别校正，以获取校正高空间分辨率遥感数据集合；
其中，所述第一数据斑块预设范围为以所述第一数据斑块为中心，以预设数值为半径所形成的范围。
2.根据权利要求1所述的方法，其特征在于，还包括：
通过预设残差修正方式对每条所述校正高空间分辨率遥感数据对应的融合结果进行修正，以获取每条所述校正高空间分辨率遥感数据的修正融合结果；
其中，通过预设残差修正方式对目标校正高空间分辨率遥感数据对应的融合结果进行修正，以获取所述目标校正高空间分辨率遥感数据的修正融合结果包括：
将所述多光谱大气顶遥感数据中的共有波段数据和所述多光谱大气顶遥感数据的水体类型输入至所述全谱段预测模型，以获取全谱段多光谱预测数据；
基于残差数据集对多重线性拟合模型进行训练，以获取残差预测模型，所述残差数据集包括多条残差训练数据，每条所述残差训练数据均包括作为预测因子的多光谱大气顶遥感数据中的共有波段数据与对应所述全谱段多光谱预测数据中的共有波段数据的差值，以及作为预测标签的多光谱大气顶遥感数据中非共有波段数据与对应所述全谱段多光谱预测数据中非共有波段数据的差值；
将所述目标校正高空间分辨率遥感数据中的共有波段数据与所述目标校正高空间分辨率遥感数据对应融合结果中的共有波段数据作差以获取目标共有波段残差，将所述目标共有波段残差输入至所述残差预测模型以获取目标非共有波段残差；
将所述目标校正高空间分辨率遥感数据对应融合结果中的共有波段数据与所述目标共有波段残差求和以获取最终共有波段融合结果，将所述目标校正高空间分辨率遥感数据对应融合结果中非共有波段数据与所述目标非共有波段残差求和以获取最终非共有波段融合结果，所述最终共有波段融合结果和所述最终非共有波段融合结果合成所述目标校正高空间分辨率遥感数据对应的修正融合结果；
其中，所述目标校正高空间分辨率遥感数据为所述校正高空间分辨率遥感数据集合中任意一个校正高空间分辨率遥感数据，非共有波段为所述多光谱大气顶遥感数据具有而所述高空间分辨率遥感数据没有的波段。
3.根据权利要求1所述的方法，其特征在于，所述共有波段数据包括红波段数据、绿波段数据和蓝波段数据。
4.根据权利要求1所述的方法，其特征在于，多光谱大气顶遥感数据水体类型的获取方式为：
对所述多光谱大气顶遥感数据中全波段数据进行大气校正处理以获取对应的多光谱反射率遥感数据的全波段数据；
将所述多光谱反射率遥感数据的全波段数据输入至QA_Wei模型，基于输出结果获取所述多光谱大气顶遥感数据的水体类型。
5.根据权利要求4所述的方法，其特征在于，基于输出结果获取所述多光谱大气顶遥感数据的水体类型包括：
当输出结果为11类型至14类型时，设定多光谱大气顶遥感数据的水体类型为赤潮水体类型；当输出结果为15类型至18类型时，设定多光谱大气顶遥感数据的水体类型为中等浑浊水体类型；若输出结果为19类型至23类型时，设定多光谱大气顶遥感数据的水体类型为高浑浊水体。
6.根据权利要求1所述的方法，其特征在于，所述预设回归模型为偏最小二乘回归模型。
7.一种遥感数据空谱融合装置，其特征在于，包括数据获取模块、多光谱水体特征提取模块、多光谱全谱段特征提取模块、辐射校正模块、高空间水体分类模块和高空间全谱段预测模块；
所述数据获取模块，用于获取目标海域的多光谱大气顶遥感数据集合和高空间分辨率遥感数据集合，所述多光谱大气顶遥感数据集合包括多条多光谱大气顶遥感数据，所述高空间分辨率遥感数据集合包括多条高空间分辨率遥感数据；
所述多光谱水体特征提取模块，用于基于水体类型预测数据集对预设分类模型进行训练，以获取水体分类模型，所述水体类型预测数据集包括多条多光谱训练数据，每条所述多光谱训练数据包括作为预测因子的多光谱大气顶遥感数据中的共有波段数据以及作为预测标签的对应多光谱大气顶遥感数据的水体类型；
所述多光谱全谱段特征提取模块，用于基于全谱段预测数据集对预设回归模型进行训练，以获取全谱段预测模型，所述全谱段预测数据集包括多条全谱段训练数据，每条全谱段训练数据包括作为预测因子的多光谱大气顶遥感数据中的共有波段数据和对应多光谱大气顶遥感数据中的共有波段数据的水体类型，以及作为预测标签的对应多光谱大气顶遥感数据中全波段数据；
所述辐射校正模块，用于基于所述多光谱大气顶遥感数据集合对所述高空间分辨率遥感数据集合进行辐射校正，以获取校正高空间分辨率遥感数据集合；
所述高空间水体分类模块，用于将所述校正高空间分辨率遥感数据集合中校正高空间分辨率遥感数据的共有波段数据输入至所述水体分类模型，以获取对应所述校正高空间分辨率遥感数据的水体类型；
所述高空间全谱段预测模块，用于将所述校正高空间分辨率遥感数据的共有波段数据和所述校正高空间分辨率遥感数据的水体类型输入至所述全谱段预测模型，以获取多光谱融合数据作为对应所述校正高空间分辨率遥感数据对应的融合结果；
其中，所述多光谱大气顶遥感数据为多光谱遥感数据的大气顶辐亮度数据，所述共有波段数据为所述高空间分辨率遥感数据和所述多光谱大气顶遥感数据中的共有可见光波段数据；
基于所述多光谱大气顶遥感数据集合对所述高空间分辨率遥感数据集合进行辐射校正，以获取校正高空间分辨率遥感数据集合包括：
从所述高空间分辨率遥感数据集合中选取部分或全部所述高空间分辨率遥感数据形成预训练数据集合，将所述预训练数据集合中每条所述高空间分辨率遥感数据分辨率数值均降低至所述多光谱大气顶遥感数据分辨率数值以获取初步处理数据集合；
将所述初步处理数据集合中的每条初步处理数据均划分为预设尺寸的多个第一数据斑块，将所述多光谱大气顶遥感数据集合中每条所述多光谱大气顶遥感数据划分为预设尺寸的多个第二数据斑块；
获取所述第一数据斑块预设范围内与其余弦相似度最大的第二数据斑块作为与其对应的修正斑块，所有所述第一数据斑块以及与其对应的修正斑块形成斑块校正数据集，基于所述斑块校正数据集对线性回归模型进行训练，以获取斑块校正模型；
基于所述斑块校正模型对所述高空间分辨率遥感数据集合中所有所述高空间分辨率遥感数据进行分别校正，以获取校正高空间分辨率遥感数据集合；
其中，所述第一数据斑块预设范围为以所述第一数据斑块为中心，以预设数值为半径所形成的范围。
8.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至6中任一项所述的遥感数据空谱融合方法。
9.一种终端，其特征在于，包括处理器以及存储器，所述存储器与所述处理器之间通信连接；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至6中任一项所述的遥感数据空谱融合方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410172628.3A CN117726915B (zh) | 2024-02-07 | 2024-02-07 | 遥感数据空谱融合方法及装置、存储介质与终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410172628.3A CN117726915B (zh) | 2024-02-07 | 2024-02-07 | 遥感数据空谱融合方法及装置、存储介质与终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117726915A CN117726915A (zh) | 2024-03-19 |
| CN117726915B true CN117726915B (zh) | 2024-05-28 |
Family
ID=90207287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410172628.3A Active CN117726915B (zh) | 2024-02-07 | 2024-02-07 | 遥感数据空谱融合方法及装置、存储介质与终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117726915B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019047248A1 (zh) * | 2017-09-07 | 2019-03-14 | 深圳大学 | 高光谱遥感图像的特征提取方法及装置 |
| CN111353424A (zh) * | 2020-02-27 | 2020-06-30 | 中国科学院遥感与数字地球研究所 | 深度递归残差网络的遥感图像空谱融合方法和电子设备 |
| CN111524063A (zh) * | 2019-12-24 | 2020-08-11 | 珠海大横琴科技发展有限公司 | 一种遥感图像融合方法及装置 |
| CN113222836A (zh) * | 2021-04-25 | 2021-08-06 | 自然资源部国土卫星遥感应用中心 | 一种高光谱与多光谱遥感信息融合方法及系统 |
| CN114581347A (zh) * | 2022-01-24 | 2022-06-03 | 中国科学院空天信息创新研究院 | 无参考影像的光学遥感空谱融合方法、装置、设备及介质 |
| WO2022222352A1 (zh) * | 2021-04-22 | 2022-10-27 | 海南大学 | 基于残差网络的遥感全色和多光谱图像分布式融合方法 |
| CN116935214A (zh) * | 2023-06-27 | 2023-10-24 | 福建鼎旸信息科技股份有限公司 | 一种卫星多源遥感数据的时空谱融合方法 |
| CN117079105A (zh) * | 2023-08-04 | 2023-11-17 | 中国科学院空天信息创新研究院 | 遥感图像空谱融合方法、装置、电子设备及存储介质 |
-
2024
- 2024-02-07 CN CN202410172628.3A patent/CN117726915B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019047248A1 (zh) * | 2017-09-07 | 2019-03-14 | 深圳大学 | 高光谱遥感图像的特征提取方法及装置 |
| CN111524063A (zh) * | 2019-12-24 | 2020-08-11 | 珠海大横琴科技发展有限公司 | 一种遥感图像融合方法及装置 |
| CN111353424A (zh) * | 2020-02-27 | 2020-06-30 | 中国科学院遥感与数字地球研究所 | 深度递归残差网络的遥感图像空谱融合方法和电子设备 |
| WO2022222352A1 (zh) * | 2021-04-22 | 2022-10-27 | 海南大学 | 基于残差网络的遥感全色和多光谱图像分布式融合方法 |
| CN113222836A (zh) * | 2021-04-25 | 2021-08-06 | 自然资源部国土卫星遥感应用中心 | 一种高光谱与多光谱遥感信息融合方法及系统 |
| CN114581347A (zh) * | 2022-01-24 | 2022-06-03 | 中国科学院空天信息创新研究院 | 无参考影像的光学遥感空谱融合方法、装置、设备及介质 |
| CN116935214A (zh) * | 2023-06-27 | 2023-10-24 | 福建鼎旸信息科技股份有限公司 | 一种卫星多源遥感数据的时空谱融合方法 |
| CN117079105A (zh) * | 2023-08-04 | 2023-11-17 | 中国科学院空天信息创新研究院 | 遥感图像空谱融合方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 空间分辨率与纹理特征对多光谱遥感分类的影响;杨闫君;田庆久;占玉林;陶波;徐凯健;;地球信息科学学报;20180201(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117726915A (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993237B (zh) | 基于高分卫星光学遥感数据的水体快速提取方法及系统 | |
| Du et al. | Radiometric normalization, compositing, and quality control for satellite high resolution image mosaics over large areas | |
| CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
| CN110544212B (zh) | 基于层级特征融合的卷积神经网络高光谱图像锐化方法 | |
| CN115471437B (zh) | 一种基于卷积神经网络的影像融合方法以及遥感影像融合方法 | |
| CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
| CN115236655B (zh) | 基于全极化sar的滑坡识别方法、系统、设备及介质 | |
| CN113160183B (zh) | 一种高光谱数据处理方法、设备及介质 | |
| CN110647932B (zh) | 一种种植作物结构遥感影像分类方法及装置 | |
| Herrault et al. | A comparative study of geometric transformation models for the historical" Map of France" registration | |
| CN113486975A (zh) | 遥感图像的地物分类方法、装置、设备及存储介质 | |
| CN111144350B (zh) | 一种基于参考底图的遥感影像定位精度评价方法 | |
| CN115546656A (zh) | 一种基于深度学习的遥感影像养殖区域提取方法 | |
| CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
| CN114663749A (zh) | 滑坡体识别模型的训练方法、装置、电子设备及存储介质 | |
| CN114724023A (zh) | 一种基于孪生网络的水体变化检测方法 | |
| Erener et al. | A methodology for land use change detection of high resolution pan images based on texture analysis | |
| CN117726915B (zh) | 遥感数据空谱融合方法及装置、存储介质与终端 | |
| CN117557897A (zh) | 目标农作物的倒伏监测方法、装置、电子设备及存储介质 | |
| CN117058557A (zh) | 基于物理特征与深度学习模型的云和云阴影联合检测方法 | |
| Sakieh et al. | An integrated spectral-textural approach for environmental change monitoring and assessment: analyzing the dynamics of green covers in a highly developing region | |
| CN116309069A (zh) | 一种基于多源融合的星载光谱遥感图像超分辨率重构方法 | |
| CN113628098A (zh) | 一种多时相无云卫星影像重构方法 | |
| CN111680659A (zh) | 国际空间站rgb夜间灯光图像的相对辐射归一化方法 | |
| CN113269789B (zh) | 一种遥感图像无监督域自适应的水陆分割方法 |
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 |