Kết hợp thông tin chuỗi thời gian từ các nguồn có nhiều độ phân giải / tỷ lệ không gian


9

Tôi có nhiều hình ảnh raster vệ tinh có sẵn từ các cảm biến khác nhau. Từ những cái này, những cái thô hơn có độ phân giải thời gian rất phong phú. Các raster độ phân giải trung bình có xu hướng có ngày mua ít hơn nhưng vẫn có một số mức độ thông tin có sẵn. Các độ phân giải tốt hơn có độ phân giải thời gian rất thấp, kéo dài từ 2 đến 6 ngày quan sát trong vòng hai năm. Tôi đã tự hỏi nếu có ai biết bất kỳ nỗ lực để nghiên cứu loại chuỗi thời gian đa quy mô này theo bất kỳ cách nào? Tôi sẽ quan tâm đến việc dự đoán các giá trị trong tương lai ở quy mô nhỏ hơn bằng cách sử dụng thông tin có sẵn từ các giá trị thô hơn. Điều này có ý nghĩa với tôi rằng dữ liệu phải liên quan (vâng, hình ảnh bao gồm các vùng giống nhau) nhưng tôi không biết làm thế nào để bắt đầu ghép thông tin này trong một mô hình dự đoán.

Câu trả lời:


4

Miền không gian:

Nó có vẻ giống như một vấn đề xử lý hình ảnh với tôi. Các phương pháp phân cụm có thể giúp nhưng số liệu (khoảng cách, phương sai, sự không rõ ràng ...) và thuật toán nào (k-mean, mean-shift, EM ...) phù hợp nhất trong trường hợp của bạn được xác định bởi cấu trúc liên kết hình ảnh và các tính năng của bạn sẽ sử dụng. Bạn có thể thực hiện việc tạo hình ảnh trên các trình quét trung bình và tốt. Sau đó thử các kỹ thuật phân cụm khác nhau để xem cái nào mang lại cho bạn độ chính xác phân đoạn tốt nhất so với các raster trung bình / tốt ban đầu của bạn. Một số chiến lược tiền xử lý để tìm ra hệ thống phân cấp không gian tỷ lệ có thể giúp ích. Có một thuật toán phân đoạn phân cấp được hiển thị trong Chương 3 của báo cáo này, trong đó bạn

(1) Xây dựng không gian quy mô;

(2) Tìm điểm cực và yên ở mọi cấp độ;

(3) Liên kết từng điểm tới hạn ở một mức tỷ lệ nhất định với vị trí tương ứng của nó ở cấp tỷ lệ tiếp theo và tìm các đường dẫn quan trọng;

(4) Xác định phân cấp không gian tỷ lệ dựa trên tìm kiếm bề mặt đẳng cường.

Đối với các phương thức phân cụm mà việc khởi tạo ngẫu nhiên là bắt buộc, chẳng hạn như phương tiện k, bạn có thể sử dụng hệ thống phân cấp được tìm thấy làm cụm và centroid ban đầu để phân cụm tiếp theo. Ngoài ra, tùy thuộc vào các ký tự của hình ảnh của bạn, bạn cũng có thể muốn thêm nhiều tính năng hơn (chẳng hạn như thay đổi kết cấu, thông tin không gian khác ngoài không gian RGB, v.v.) trong thuật toán phân cụm.

Miền tạm thời

Bây giờ bạn có các hình ảnh với quy mô thời gian khác nhau nhưng cùng độ phân giải (hy vọng). Nếu công việc dự đoán của bạn là ước tính chuyển động của một số lục địa, bão hoặc mưa, bạn có thể thử ước tính chuyển động với bộ lọc Kalman . Chuyển động cho mỗi pixel có thể được đặt trọng số bên trong vùng (cụm) tương ứng dựa trên số liệu của nó so với trọng tâm của vùng. Bạn có thể sử dụng mạng thần kinh để dự báo chuỗi thời gian ngắn hạn ( chương 3Trong luận án này). Và vì Kalman fi lter chỉ đơn giản là một phương thức để thực hiện quy tắc Bayes, nên khả năng tối đa có thể được áp dụng cho ước tính trạng thái. Thủ tục ước tính nhà nước có thể được thực hiện đệ quy. Hậu thế từ bước thời gian trước được chạy qua mô hình động lực và trở thành ưu tiên mới cho bước thời gian hiện tại. Sau đó, ưu tiên này có thể được chuyển đổi thành một hậu thế mới bằng cách sử dụng quan sát hiện tại. Kết quả là, các quy trình ước tính lại tham số lặp như EM có thể được sử dụng để tìm hiểu các tham số trong bộ lọc Kalman. Chương 6 của cùng một luận án và nghiên cứu về làm mịn Kalman cả hai bao gồm nhiều chi tiết hơn về các tham số học tập với EM.


2

Bạn nên nhìn vào tài liệu cho siêu phân giải. Khu vực này thường giải quyết vấn đề chụp nhiều ảnh có độ phân giải thô để tạo một ảnh có độ phân giải cao bằng cách mượn cường độ trên nhiều ảnh một cách hiệu quả.

Tôi đã liệt kê một số tài liệu có liên quan nên là một điểm khởi đầu tốt.

5x57x7

Người giới thiệu

Elad, Michael và Arie Feuer. "Phục hồi hình ảnh siêu phân giải duy nhất từ ​​một số hình ảnh đo mờ, nhiễu và thiếu sáng." Xử lý hình ảnh, Giao dịch của IEEE ngày 6.12 (1997): 1646-1658.

Công viên, Sung Cheol, Công viên Min Kyu và Moon Gi Kang. "Tái tạo hình ảnh siêu phân giải: một tổng quan kỹ thuật." Tạp chí xử lý tín hiệu, IEEE 20.3 (2003): 21-36.

Người bảo vệ, Matan, et al. "Tổng quát hóa các phương tiện phi tiêu điểm để tái cấu trúc siêu phân giải." Xử lý hình ảnh, Giao dịch của IEEE ngày 18.1 (2009): 36-51.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.