wypełnianie kafelków zdjęć satelitarnych, gdy zasięg danych jest mniejszy niż 100%

Chcę połączyć kilka zdjęć (> = 2) w jeden „najlepszy” obraz. Najlepszą cechą jest niski poziom zachmurzenia i wysoki zasięg danych. Poniżej przedstawiono przykład wykorzystania bezpłatnych danych satelitarnych Sentinel.

Zobacz http://sentinel-s2-l1c.s3.amazonaws.com/tiles/12/S/XB/2017/6/1/0/preview.jpg i http: //sentinel-s2-l1c.s3.amazonaws .com / tiles / 12 / S / XB / 2017/6 / dla źródła zdjęć poniżej.

Czy są jakieś algorytmy lub procesy wypełniania kafelków zdjęć satelitarnych, które nie mają 100% zasięgu danych w celu wygenerowania pełnego kafelka?

Zobacz wizualizacje poniżej, aby zobaczyć przykłady tego, co mam na myśli.

Nie znam się zbyt dobrze na literaturze i nie wiem, jakiej terminologii powinienem się spodziewać.

Przykład:

Przykład:

W przypadku zdjęć z tej samej lokalizacji, ale z różnymi datami, wolałbym mówić o komponowaniu niż mozaikowaniu (który łączy obrazy z różnych zakresów w większy obraz). Znajdziesz wiele szczegółów, jeśli szukasz słowa kluczowego „komponowanie”, ale oto krótkie podsumowanie:

Istnieją dwa główne podejścia do tworzenia szeregów czasowych:

• Najlepsze dostępne piksele (wybierz „najlepszy” piksel w każdej lokalizacji w oparciu o dane kryteria, np. Użyj piksela o maksymalnej wartości NDVI lub najbliższego piksela niebędącego chmurą do centralnej daty okresu kompozytowania). Przykład z Landsatem można znaleźć tutaj

• Połączone podejście do pikseli (np. Weź średnią wszystkich pikseli w tym samym miejscu ( średnia kompozycja ) lub użyj regresji czasowej, aby interpolować „brakujące” piksele w niektórych datach ( wypełnienie luki )). Zauważ, że wypełnienie luki potencjalnie tworzy jeden obraz w dowolnym momencie (i decydujesz, który chcesz zachować), podczas gdy kompozycja daje tylko jeden obraz na okres kompozytu (możesz użyć przesuwanego okna czasowego, ale jest on mniej „precyzyjny” czasowo).

„Mean compositing” został wykorzystany w kilku udanych projektach z MERIS i SPOT VGT (patrz tutaj ). Kompozyt „Max NDVI” jest używany dla kompozytu MODIS. Interpolacja w niektórych terminach zainteresowania zostało zrobione tutaj z Sentinel-2 obrazów. Osobiście wolę podejście typu „połączone piksele”.

Teraz musisz zdawać sobie sprawę, że jakość twojego komponowania zależy w dużej mierze od jakości twoich danych wejściowych, szczególnie jeśli nie masz dużej liczby danych wejściowych (wartownik-2 jest „tylko” co 5 dni, a nie każdego dnia jak Sentinel-3):

• dobra maska ​​chmur (w tym wykrywanie chmur, wykrywanie zamglenia, wykrywanie cirrus (chmur cienkich na dużych wysokościach) i wykrywanie cienia chmur.

• szczyt współczynnika odbicia: zamień cyfry cyfrowe z satelity na znaczące wartości współczynnika odbicia, w tym poprawki z BRDF (światło nie jest jednorodnie odbijane we wszystkich kierunkach i wpływ powierzchni na różnice), korekcja atmosferyczna i korekta topograficzna.

• dobra rejestracja między różnymi obrazami. piksele muszą w możliwie największym stopniu reprezentować tę samą lokalizację.

• czasami także: wykrywanie zdarzeń tymczasowych (powodzie i śnieg)

Należy zauważyć, że w ramach projektu ESA ( SEN2AGRI ) opracowano oprogramowanie do tworzenia kompozytów wolnych od chmury.

Bonus: przykłady globalnych kompozytów

• z Sentinel-2 ( tylko WMS )

• z odbiciem powierzchniowym MERIS, SPOT VGT i AVHRR (można pobrać)

• z Landsat około 2000 i około 2014 ( mediana wartości przy pełnym archiwum Landsat )

Myślę, że to, co opisujesz, jest nadal częścią tak zwanego mozaikowania (lub łączenia obrazów ). Mozaikowanie polega na łączeniu sąsiadujących ze sobą płytek, ale zwykle płytki nakładają się.

Tutaj jesteś zainteresowany w szczególności w dwóch krokach:

1. Zszywanie obrazów: tzn. Znalezienie prawidłowej pozycji nakładania się

2. Mieszanie nakładających się pikseli

W tym artykule znajduje się doskonała ankieta na temat różnych metod dla każdego etapu: Ghosh i Kaabouch (2016) Ankieta na temat technik mozaikowania obrazu, J. Vis. Commun Zdjęcie R. 34 (2016) 1–11