hoàn thành các ô hình ảnh vệ tinh khi vùng phủ sóng dữ liệu nhỏ hơn 100%

Tôi muốn nối một số hình ảnh (> = 2) thành một hình ảnh "tốt nhất". Tốt nhất được xác định trên độ che phủ của đám mây thấp và vùng phủ sóng dữ liệu cao. Một ví dụ sử dụng dữ liệu satelite Sentinel miễn phí sau đây.

Xem http://sentinel-s2-l1c.s3.amazonaws.com/tiles/12/S/XB/2017/6/1/0/preview.jpg và http: //sentinel-s2-l1c.s3.amazonaws .com / gạch / 12 / S / XB / 2017/6 / cho nguồn hình ảnh bên dưới.

Có bất kỳ thuật toán hoặc quy trình nào để hoàn thành các ô hình ảnh vệ tinh không có phạm vi bao phủ 100% dữ liệu để tạo ra một ô đầy đủ không?

Xem trực quan dưới đây cho ví dụ về những gì tôi có ý nghĩa.

Tôi không quá quen thuộc với các tài liệu, và không biết thuật ngữ mà tôi nên tìm kiếm là gì.

Thí dụ:

Thí dụ:

Đối với hình ảnh của cùng một vị trí nhưng ngày khác nhau, tôi muốn nói về việc kết hợp hơn là ghép (kết hợp hình ảnh từ các phạm vi khác nhau thành một hình ảnh lớn hơn). Bạn sẽ tìm thấy rất nhiều chi tiết nếu bạn tìm kiếm từ khóa "tổng hợp", nhưng đây là một bản tóm tắt ngắn:

Có hai cách tiếp cận chính cho việc tổng hợp chuỗi thời gian:

• Cách tiếp cận pixel khả dụng tốt nhất (chọn pixel "tốt nhất" tại mỗi vị trí dựa trên một tiêu chí nhất định, ví dụ: sử dụng pixel có giá trị NDVI tối đa hoặc pixel không đám mây gần nhất vào ngày trung tâm của giai đoạn tổng hợp). Một ví dụ với Landsat có thể được tìm thấy ở đây

• Cách tiếp cận pixel kết hợp (ví dụ: lấy trung bình của tất cả các pixel tại cùng một vị trí ( có nghĩa là tổng hợp ) hoặc sử dụng hồi quy tạm thời để nội suy các pixel "bị thiếu" tại một số ngày ( điền vào chỗ trống )). Lưu ý rằng điền vào chỗ trống có khả năng tạo ra một hình ảnh vào bất kỳ ngày nào (và bạn quyết định hình ảnh bạn giữ), trong khi kết hợp chỉ cung cấp một hình ảnh cho mỗi giai đoạn tổng hợp (bạn có thể sử dụng cửa sổ thời gian trượt, nhưng nó ít "chính xác" theo thời gian).

"Kết hợp trung bình" đã được sử dụng trong một số dự án thành công với MERIS và SPOT VGT (xem tại đây ). Kết hợp "Max NDVI" được sử dụng cho hỗn hợp MODIS. Nội suy tại một số ngày quan tâm đã được thực hiện ở đây với hình ảnh Sentinel-2. Cá nhân, tôi thích cách tiếp cận kiểu "pixel kết hợp".

Bây giờ bạn phải biết rằng chất lượng tổng hợp của bạn phụ thuộc rất nhiều vào chất lượng đầu vào của bạn, đặc biệt là nếu bạn không có số lượng lớn dữ liệu đầu vào (sentinel-2 là "chỉ" mỗi 5 ngày, không phải mỗi ngày như Sentinel-3):

• mặt nạ đám mây tốt (bao gồm phát hiện đám mây, phát hiện khói mù, phát hiện xơ gan (đám mây mỏng độ cao) và phát hiện bóng mây.

• đỉnh phản xạ tán: chuyển đổi Số kỹ thuật số từ vệ tinh thành các giá trị phản xạ có ý nghĩa, bao gồm hiệu chỉnh từ BRDF (ánh sáng không bị phản xạ đồng nhất theo mọi hướng và có tác động của bề mặt lên sự khác biệt), hiệu chỉnh khí quyển và hiệu chỉnh địa hình.

• đăng ký tốt giữa các hình ảnh khác nhau. pixel phải đại diện cho cùng một vị trí càng nhiều càng tốt.

• đôi khi cũng: phát hiện sự kiện tạm thời (lũ lụt và tuyết)

Lưu ý rằng một phần mềm đã được phát triển trong khung của dự án ESA ( SEN2AGRI ) để tạo các vật liệu tổng hợp không có đám mây.

Tiền thưởng: ví dụ về vật liệu tổng hợp toàn cầu

• với Sentinel-2 ( chỉ WMS )

• với hệ số phản xạ bề mặt MERIS, SPOT VGT và AVHRR (có thể tải xuống)

• với Landsat vào khoảng năm 2000 và khoảng năm 2014 ( giá trị trung bình sử dụng kho lưu trữ Landsat đầy đủ )

Tôi nghĩ rằng những gì bạn mô tả vẫn là một phần của cái được gọi là ghép (hoặc khâu hình ảnh ). Mosaizing liên quan đến việc thực sự tham gia gạch liền kề, nhưng thường gạch có một số chồng chéo.

Ở đây bạn quan tâm đặc biệt trong hai bước:

1. Khâu hình ảnh: tức là tìm vị trí chồng chéo chính xác

2. Trộn các pixel chồng lấp

Có một khảo sát tuyệt vời về các phương pháp khác nhau cho từng bước trong bài viết này: Ghosh và Kaabouch (2016) Một khảo sát về kỹ thuật ghép ảnh, J. Vis. Cộng đồng. Hình ảnh R. 34 (2016) 1 Hàng11