CN108257109A - 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 PDFInfo
- Publication number
- CN108257109A CN108257109A CN201810140716.XA CN201810140716A CN108257109A CN 108257109 A CN108257109 A CN 108257109A CN 201810140716 A CN201810140716 A CN 201810140716A CN 108257109 A CN108257109 A CN 108257109A
- Authority
- CN
- China
- Prior art keywords
- satellite image
- frequency spectrum
- target area
- kinds
- substances
- 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.)
- Granted
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims abstract description 216
- 239000000126 substance Substances 0.000 claims abstract description 118
- 230000004927 fusion Effects 0.000 claims abstract description 103
- 230000002123 temporal effect Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000013508 migration Methods 0.000 claims description 19
- 230000005012 migration Effects 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 7
- 238000005316 response function Methods 0.000 abstract 4
- 230000001131 transforming effect Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000000205 computational method Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种数据融合方法，包括：根据同一目标区域的多张高空间分辨率的卫星图像，计算得到目标区域的各类物质的分布图频谱；根据目标区域的高时间分辨率的卫星图像数据，构建高时间分辨率的卫星图像的点响应函数并变换到频域，得到点响应函数频谱；根据各类物质的分布图频谱、高时间分辨率的卫星图像的频谱和点响应函数频谱，计算得到各类物质的频域加权系数；根据各类物质的分布图频谱、各类物质的频域加权系数以及点响应函数频谱计算得到的比例因子，计算得到目标区域的融合卫星图像的频谱，将该频谱变换到时域得到融合卫星图像时域数据。采用上述技术方案可以将高空间分辨率卫星图像和高时间分辨率卫星图像进行有效融合。
Description
技术领域
本发明涉及卫星遥感数据处理技术领域，尤其涉及一种数据融合方法及装置。
背景技术
多时相卫星数据的融合是光学遥感数据处理的重要研究内容。目前光学遥感卫星分为高分辨率(优于30m)和中低分辨率(劣于30m)两种。高分辨率卫星一般重访时间较长，而且经常被云层遮盖，要获取一张可用的遥感图像经常需要20天或者更久；低分辨率卫星则相反，虽然分辨率较低，但是重访时间较短(小于5天)，可以达到较高的时间分辨率。
在进行高时效、高分辨率要求的遥感应用时往往需要遥感图像既有高时间分辨率又有高空间分辨率。研究如何有效地将高空间分辨率和高时间分辨率的卫星数据进行融合，是得到既有高时间分辨率又有高空间分辨率卫星遥感数据的有效方法。
发明内容
基于上述现有技术现状，本发明提出一种数据融合方法，能够有效地将高空间分辨率和高时间分辨率的卫星数据进行融合：
一种数据融合方法，包括：
根据同一目标区域的两张以上不同时期的高空间分辨率的卫星图像，计算得到所述目标区域的各类物质的分布图频谱；
根据所述目标区域的高时间分辨率的卫星图像数据，构建所述高时间分辨率的卫星图像的点响应函数；
将所述高时间分辨率的卫星图像的点响应函数变换到频域，得到所述高时间分辨率的卫星图像的点响应函数频谱；
根据所述目标区域的各类物质的分布图频谱、所述高时间分辨率的卫星图像的频谱和所述高时间分辨率的卫星图像的点响应函数频谱，计算得到所述目标区域的各类物质的频域加权系数；
根据所述目标区域的各类物质的分布图频谱、所述目标区域的各类物质的频域加权系数以及根据所述高时间分辨率的卫星图像的点响应函数频谱计算得到的比例因子，计算得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱；
将所述融合卫星图像的频谱变换到时域，得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的时域数据。
优选地，所述根据同一目标区域的两张以上不同时期的高空间分辨率的卫星图像，计算得到所述目标区域的各类物质的分布图频谱，包括：
对同一目标区域的两张以上不同时期的高空间分辨率的卫星图像进行非监督分类处理，得到所述目标区域的各类物质的分布图；
对所述目标区域的各类物质的分布图进行傅里叶变换处理，得到所述目标区域的各类物质的分布图频谱。
优选地，在计算得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱后，该方法还包括：
对所述融合卫星图像的频谱进行相位误差校正处理。
优选地，所述对所述融合卫星图像的频谱进行相位误差校正处理，包括：
对所述融合卫星图像的每个波段内的频谱和所述高时间分辨率的卫星图像的频谱进行互相关处理，得到互相关结果矩阵；
根据所述互相关结果矩阵，计算得到所述融合卫星图像的每个波段内的二维偏移量；
根据所述融合卫星图像的每个波段内的二维偏移量，计算得到所述融合卫星图像的频谱的相位误差；
根据所述融合卫星图像的频谱的相位误差、所述目标区域的各类物质的分布图频谱、所述高时间分辨率的卫星图像的频谱和所述高时间分辨率的卫星图像的点响应函数频谱，计算得到所述目标区域的各类物质的新的频域加权系数；
根据所述目标区域的各类物质的分布图频谱、所述目标区域的各类物质的新的频域加权系数以及根据所述高时间分辨率的卫星图像的点响应函数频谱计算得到的比例因子，计算得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱。
一种数据融合装置，包括：
第一计算单元，用于根据同一目标区域的两张以上不同时期的高空间分辨率的卫星图像，计算得到所述目标区域的各类物质的分布图频谱；
函数构建单元，用于根据所述目标区域的高时间分辨率的卫星图像数据，构建所述高时间分辨率的卫星图像的点响应函数；
第一变换单元，用于将所述高时间分辨率的卫星图像的点响应函数变换到频域，得到所述高时间分辨率的卫星图像的点响应函数频谱；
第二计算单元，用于根据所述目标区域的各类物质的分布图频谱、所述高时间分辨率的卫星图像的频谱和所述高时间分辨率的卫星图像的点响应函数频谱，计算得到所述目标区域的各类物质的频域加权系数；
第三计算单元，用于根据所述目标区域的各类物质的分布图频谱、所述目标区域的各类物质的频域加权系数以及根据所述高时间分辨率的卫星图像的点响应函数频谱计算得到的比例因子，计算得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱；
第二变换单元，用于将所述融合卫星图像的频谱变换到时域，得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的时域数据。
优选地，所述第一计算单元，包括：
分类处理单元，用于对同一目标区域的两张以上不同时期的高空间分辨率的卫星图像进行非监督分类处理，得到所述目标区域的各类物质的分布图；
变换处理单元，用于对所述目标区域的各类物质的分布图进行傅里叶变换处理，得到所述目标区域的各类物质的分布图频谱。
优选地，该装置还包括：
误差校正单元，用于对所述融合卫星图像的频谱进行相位误差校正处理。
优选地，所述误差校正单元对所述融合卫星图像的频谱进行相位误差校正处理时，具体用于：
对所述融合卫星图像的每个波段内的频谱和所述高时间分辨率的卫星图像的频谱进行互相关处理，得到互相关结果矩阵；根据所述互相关结果矩阵，计算得到所述融合卫星图像的每个波段内的二维偏移量；根据所述融合卫星图像的每个波段内的二维偏移量，计算得到所述融合卫星图像的频谱的相位误差；根据所述融合卫星图像的频谱的相位误差、所述目标区域的各类物质的分布图频谱、所述高时间分辨率的卫星图像的频谱和所述高时间分辨率的卫星图像的点响应函数频谱，计算得到所述目标区域的各类物质的新的频域加权系数；根据所述目标区域的各类物质的分布图频谱、所述目标区域的各类物质的新的频域加权系数以及根据所述高时间分辨率的卫星图像的点响应函数频谱计算得到的比例因子，计算得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱。
本发明技术方案根据目标区域的高时间分辨率的卫星图像数据的点响应函数的频谱，将同一目标区域的高空间分辨率的卫星图像的各类物质的频谱进行频域加权求和，得到融合的高时间分辨率并且高空间分辨率的卫星图像频谱，然后将得到的高时间分辨率并且高空间分辨率的卫星图像频谱变换到时域，即可得到高时间分辨率并且高空间分辨率的卫星图像数据，达到了将高空间分辨率卫星图像和高时间分辨率卫星图像进行有效融合的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明实施例提供的一种数据融合方法的流程示意图；
图2是本发明实施例提供的另一种数据融合方法的流程示意图；
图3是本发明实施例提供的一种数据融合装置的结构示意图；
图4是本发明实施例提供的另一种数据融合装置的结构示意图；
图5是本发明实施例提供的又一种数据融合装置的结构示意图。
具体实施方式
本发明实施例技术方案适用于将高空间分辨率和高时间分辨率的卫星数据进行融合的应用场景。采用本发明实施例技术方案，能够将高空间分辨率和高时间分辨率的卫星数据进行融合，得到既有高时间分辨率又有高空间分辨率卫星遥感数据。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种数据融合方法，具体为一种融合卫星遥感数据的方法，参见图1所示，该方法包括：
S101、根据同一目标区域的两张以上不同时期的高空间分辨率的卫星图像，计算得到所述目标区域的各类物质的分布图频谱；
具体的，上述目标区域，是指遥感卫星进行遥感探测，采集卫星图像的地理区域。
本发明实施例利用非监督分类方法，对两张或两张以上同一目标区域的高空间分辨率的卫星图像进行分类，得到该目标区域的各类物质的分布图。然后，将各类物质的分布图变换到频域，得到上述目标区域的各类物质的分布图频谱。
S102、根据所述目标区域的高时间分辨率的卫星图像数据，构建所述高时间分辨率的卫星图像的点响应函数；
具体的，本发明实施例根据卫星遥感成像回传的各项成像参数，构建卫星遥感得到的高时间分辨率的卫星图像的点响应函数。
S103、将所述高时间分辨率的卫星图像的点响应函数变换到频域，得到所述高时间分辨率的卫星图像的点响应函数频谱；
具体的，对步骤S102中构建的点响应函数进行傅里叶变换处理，即可将高时间分辨率的卫星图像的点响应函数变换到频域，得到高时间分辨率的卫星图像的点响应函数频谱。
S104、根据所述目标区域的各类物质的分布图频谱、所述高时间分辨率的卫星图像的频谱和所述高时间分辨率的卫星图像的点响应函数频谱，计算得到所述目标区域的各类物质的频域加权系数；
具体的，高空间分辨率的目标区域各类物质分布图的频谱范围比高时间分辨率卫星图像的频谱范围要大，如果用合适的窗函数对高空间分辨率的目标区域各类物质分布图的频谱的进行加窗处理，并乘以各类物质分布图的频谱的频域加权系数和上述目标区域的高时间分辨率的卫星图像的点响应函数频谱，可以计算得到上述目标区域的高时间分辨率的卫星图像的频谱。
基于上述理论，本发明实施例逆向求解上述各类物质分布图的频谱的频域加权系数，即利用上述目标区域的各类物质的分布图频谱、上述高时间分辨率的卫星图像的频谱和上述高时间分辨率的卫星图像的点响应函数频谱，反向计算得到上述目标区域的各类物质的频域加权系数。
S105、根据所述目标区域的各类物质的分布图频谱、所述目标区域的各类物质的频域加权系数以及根据所述高时间分辨率的卫星图像的点响应函数频谱计算得到的比例因子，计算得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱。
具体的，当通过步骤S104计算得到上述目标区域的各类物质的分布图频谱的频域加权系数后，根据上述目标区域的各类物质的分布图频谱的频域加权系数，对上述目标区域的各类物质的分布图频谱进行加权求和，结合高时间分辨率的卫星图像的点响应函数造成的频域能量变化的比例因子，即可得到上述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱。
S106、将所述融合卫星图像的频谱变换到时域，得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的时域数据。
具体的，在计算得到上述目标区域的融合卫星图像的频谱后，对上述目标区域的融合卫星图像的频谱进行逆傅里叶变换，将其变换到时域，即可得到上述目标区域的融合卫星图像的时域数据，即得到了上述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的时域数据。
可见，本发明实施例技术方案根据目标区域的高时间分辨率的卫星图像数据的点响应函数的频谱，将同一目标区域的高空间分辨率的卫星图像的各类物质的频谱进行频域加权求和，得到融合的高时间分辨率并且高空间分辨率的卫星图像频谱，进一步可得到上述目标区域的高时间分辨率并且高空间分辨率的卫星图像时域数据，达到了将高空间分辨率卫星图像和高时间分辨率卫星图像进行有效融合的目的。
本发明实施例技术方案的思想是，将高空间分辨率和高时间分辨率的卫星遥感数据转换到频域，然后在频域对两种数据进行融合，融合之后再将频域数据转换到时域，即得到了融合了高空间分辨率卫星数据和高时间分辨率卫星数据的卫星遥感数据。
图1示出了本发明实施例提出的数据融合方法的概括处理过程，下面结合图2，具体介绍本发明实施例所提出的数据融合方法的具体处理过程。参见图2所示，本发明实施例提出的数据融合方法，具体包括：
S201、对同一目标区域的两张以上不同时期的高空间分辨率的卫星图像进行非监督分类处理，得上述该目标区域的各类物质的分布图；
具体的，上述目标区域，是指遥感卫星进行遥感探测，采集卫星图像的地理区域。
非监督分类是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验(已知)类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法。非监督分类根据待分类样本特征参数的统计特征，建立决策规则来进行分类，而不需事先知道类别特征。非监督分类把各样本的空间分布按其相似性分割或合并成一群集，一般算法有：回归分析、趋势分析、等混合距离法、集群分析、主成分分析和图形识别等。
基于上述介绍，本发明实施例采用上述的任意一种非监督分类算法，将针对同一地理区域的两张或两张以上的不同时期的高空间分辨率的卫星图像进行非监督分类处理，得到分类结果，即上述同一地理区域的各类物质的分布图。
S202、对上述目标区域的各类物质的分布图进行傅里叶变换处理，得到上述目标区域的各类物质的分布图频谱；
具体的，在得到上述目标区域的各类物质的分布图后，分别对各类物质的分布图进行傅里叶变换处理，得到上述目标区域的各类物质的分布图频谱。
S203、根据上述目标区域的高时间分辨率的卫星图像数据，构建上述高时间分辨率的卫星图像的点响应函数；
具体的，上述目标区域，是与步骤S201中同一地理区域的卫星遥感区域。当卫星对某一地理区域进行遥感成像时，在输出成像结果时，会同时输出遥感成像的各项参数，例如卫星轨道参数、回传的卫星图像参数等。根据卫星遥感成像回传的各项成像参数，构建卫星遥感得到的高时间分辨率的卫星图像的点响应函数，记为fpsf(x,y)，其中(x,y)分别为空间二维坐标。
S204、将上述高时间分辨率的卫星图像的点响应函数变换到频域，得到上述高时间分辨率的卫星图像的点响应函数频谱；
具体的，对步骤S203中构建的高时间分辨率的卫星图像数据的点响应函数fpsf(x,y)进行傅里叶变换，将其变换到频域，得到上述高时间分辨率的卫星图像的点响应函数频谱，记为Fpsf(kx,ky)。
S205、根据上述目标区域的各类物质的分布图频谱、上述高时间分辨率的卫星图像的频谱和上述高时间分辨率的卫星图像的点响应函数频谱，计算得到上述目标区域的各类物质的频域加权系数；
具体的，高空间分辨率的目标区域各类物质分布图的频谱范围比高时间分辨率卫星图像的频谱范围要大，如果用合适的窗函数对高空间分辨率的目标区域各类物质分布图的频谱的进行加窗处理，并乘以各类物质分布图的频谱的频域加权系数和上述目标区域的高时间分辨率的卫星图像的点响应函数频谱，可以计算得到上述目标区域的高时间分辨率的卫星图像的频谱。
基于上述理论，本发明实施例逆向求解上述各类物质分布图的频谱的频域加权系数，即利用上述目标区域的各类物质的分布图频谱、上述高时间分辨率的卫星图像的频谱和上述高时间分辨率的卫星图像的点响应函数频谱，计算得到上述目标区域的各类物质的频域加权系数。具体按照如下公式进行技术：
其中，WL为低分辨率图像频域有效区域的频域窗函数，Fci(kx,ky)为各类物质分布图的频谱，Bci为对应的各类物质分布图的频域加权系数，Fpsf(kx,ky)为高时间分辨率图像的点响应函数的频谱，F(kx,ky)为高时间分辨率卫星图像的频谱，K为非监督分类得出的类数，(kx,ky)表示二维频谱的频点。
S206、根据上述目标区域的各类物质的分布图频谱、上述目标区域的各类物质的频域加权系数以及根据上述高时间分辨率的卫星图像的点响应函数频谱计算得到的比例因子，计算得到上述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱；
具体的，当通过步骤S205计算得到上述目标区域的各类物质的分布图频谱的频域加权系数后，根据上述目标区域的各类物质的分布图频谱的频域加权系数，对上述目标区域的各类物质的分布图频谱进行加权求和，即可得到上述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱。
由于在计算上述目标区域的各类物质的分布图频谱的频域加权系数时，引入了上述目标区域的高时间分辨率的卫星图像的点响应函数的频谱，带来了频域能量变化，因此在根据上述目标区域的各类物质的分布图频谱的频域加权系数，对上述目标区域的各类物质的分布图频谱进行加权求和的同时，应当同样考虑上述目标区域的高时间分辨率的卫星图像的点响应函数的频谱带来的频域能量变化，即在对上述目标区域的各类物质的分布图频谱进行加权求和时，乘上上述目标区域的高时间分辨率的卫星图像的点响应函数的频谱带来的频域能量变化的比例因子，得到计算高空间分辨率并且高时间分辨率的融合卫星图像的频谱的计算公式为：
其中，Fgf(kx,ky)为融合后图像频域表达式，Factor为之前点响应函数造成的频域能量变化的比例因子，计算公式见下式：
按照上述计算公式，即可根据上述目标区域的各类物质的分布图频谱、上述目标区域的各类物质的频域加权系数以及根据上述高时间分辨率的卫星图像的点响应函数频谱计算得到的比例因子，计算得到上述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱。
S207、对上述融合卫星图像的每个波段内的频谱和上述高时间分辨率的卫星图像的频谱进行互相关处理，得到互相关结果矩阵；
具体的，在上述计算得到目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱的过程中，会存在相位误差。本发明实施例在计算得到目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱后，还进一步对相位误差进行计算，以消除相位误差，得到更精确的目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱。
一般卫星遥感图像包含几个甚至几十个波段，在每个波段内都包含一定的相位误差，因此，本发明实施例对上述融合卫星图像的每个波段的相位误差进行计算。
具体的，将计算得到的上述融合卫星图像的每个波段内的频谱和上述高时间分辨率的卫星图像的频谱进行互相关处理，即可计算得到互相关结果矩阵Q：
其中，M为融合卫星图像的行数，N为融合卫星图像的列数，Fgf(kx,ky)为融合卫星图像的频谱，为原始高时间分辨率卫星图像频谱的共轭。
S208、根据上述互相关结果矩阵，计算得到上述融合卫星图像的每个波段内的二维偏移量；
取Q进行奇异值分解：
Q＝U∑VT
其中U和V分别为左右奇异矩阵，同时也是正交矩阵，∑为对角阵，所有奇异值构成的对角矩阵。取出其主要成分构成一个新的矩阵Q'：
然后取新矩阵Q'的中间的行(列)进行估计Δx(Δy)。先进行构造矩阵，然后求解(Δx,Δy)。估计时取出相应相位进行加窗，截取中间的有效区域进行估计。
取中心有效部分的频谱(由二者分辨率之比可以计算得，同上文中的加窗范围)，进行估计曲线的斜率，形成拟合相位直线，然后将频谱相位的各点与直线之间的距离误差进行计算获得一个残差值，即可求解出(Δx,Δy)。
需要说明的是，上述计算卫星图像二维偏移量的计算过程，是本领域常用的二维偏移量谱估计计算过程，本发明实施例只说明了其大概的处理过程，其具体处理过程，可以根据本领域常用的计算卫星图像二维偏移量的计算过程进行实施。可以理解，还可以采用本领域其它常用的计算卫星图像二维偏移量的计算方法进行每个频段的二维偏移量的计算。
S209、根据上述融合卫星图像的每个波段内的二维偏移量，计算得到上述融合卫星图像的频谱的相位误差；
具体的，按照步骤S207、S208对每个波段都可以求解对应的二维偏移量，记为(Δxi,Δyi)，得到所有波段的二维偏移量后，进行平均：
即可得到融合卫星图像的整体上的二维偏移量，其中，N为遥感图像波段数。
在通过步骤S207～S209计算得到上述融合卫星图像的频谱的二维偏移量后，根据以下公式即可计算得到上述融合卫星图像的频谱的相位误差：
φerr＝exp[j2π(Δx·kx+Δy·ky)]
计算得到上述融合卫星图像的频谱的相位误差后，根据融合卫星图像的频谱的相位误差，再次执行步骤S205，重新计算得到目标区域的各类物质的新的频域加权系数；
具体的，计算公式如下：
按照上述步骤，结合计算得到的融合卫星图像的频谱的相位误差再次执行步骤S205，得到目标区域的各类物质的新的频域加权系数后，再次执行步骤S206、根据所述目标区域的各类物质的分布图频谱、所述目标区域的各类物质的新的频域加权系数以及根据所述高时间分辨率的卫星图像的点响应函数频谱计算得到的比例因子，计算得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱。
具体的，计算公式如下：
上述计算公式中，只是将各类物质的频域加权系数替换为新的加权系数，其它公式内容和计算方法与步骤S206的公式内容和计算方法相同，可参照执行。此时计算得到的就是经过相位误差校正后的，上述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱。
在得到上述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱后，继续执行步骤S210、将上述融合卫星图像的频谱变换到时域，得到上述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的时域数据。
具体的，在计算得到上述目标区域的融合卫星图像的频谱后，对上述目标区域的融合卫星图像的频谱进行逆傅里叶变换，将其变换到时域，即可得到上述目标区域的融合卫星图像的时域数据，即得到了上述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的时域数据。
通过上述介绍可见，本发明实施例技术方案根据目标区域的高时间分辨率的卫星图像数据的点响应函数的频谱，将同一目标区域的高空间分辨率的卫星图像的各类物质的频谱进行频域加权求和，得到融合的高时间分辨率并且高空间分辨率的卫星图像频谱，进一步可得到上述目标区域的高时间分辨率并且高空间分辨率的卫星图像时域数据，达到了将高空间分辨率卫星图像和高时间分辨率卫星图像进行有效融合的目的。
本发明实施例还公开了一种数据融合装置，参见图3所示，该装置包括：
第一计算单元100，用于根据同一目标区域的两张以上不同时期的高空间分辨率的卫星图像，计算得到所述目标区域的各类物质的分布图频谱；
函数构建单元110，用于根据所述目标区域的高时间分辨率的卫星图像数据，构建所述高时间分辨率的卫星图像的点响应函数；
第一变换单元120，用于将所述高时间分辨率的卫星图像的点响应函数变换到频域，得到所述高时间分辨率的卫星图像的点响应函数频谱；
第二计算单元130，用于根据所述目标区域的各类物质的分布图频谱、所述高时间分辨率的卫星图像的频谱和所述高时间分辨率的卫星图像的点响应函数频谱，计算得到所述目标区域的各类物质的频域加权系数；
第三计算单元140，用于根据所述目标区域的各类物质的分布图频谱、所述目标区域的各类物质的频域加权系数以及根据所述高时间分辨率的卫星图像的点响应函数频谱计算得到的比例因子，计算得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱；
第二变换单元150，用于将所述融合卫星图像的频谱变换到时域，得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的时域数据。
具体的，本实施例中的各个单元的具体工作内容，请参见上述方法实施例的内容，此处不再赘述。
可选的，在本发明的另一个实施例中，参见图4所示，第一计算单元100，包括：
分类处理单元1001，用于对同一目标区域的两张以上不同时期的高空间分辨率的卫星图像进行非监督分类处理，得到所述目标区域的各类物质的分布图；
变换处理单元1002，用于对所述目标区域的各类物质的分布图进行傅里叶变换处理，得到所述目标区域的各类物质的分布图频谱。
具体的，本实施例中的各个单元的具体工作内容，请参见上述方法实施例的内容，此处不再赘述。
可选的，在本发明的另一个实施例中，参见图5所示，该装置还包括：
误差校正单元160，用于对所述融合卫星图像的频谱进行相位误差校正处理。
其中，误差校正单元160对所述融合卫星图像的频谱进行相位误差校正处理时，具体用于：
对所述融合卫星图像的每个波段内的频谱和所述高时间分辨率的卫星图像的频谱进行互相关处理，得到互相关结果矩阵；根据所述互相关结果矩阵，计算得到所述融合卫星图像的每个波段内的二维偏移量；根据所述融合卫星图像的每个波段内的二维偏移量，计算得到所述融合卫星图像的频谱的相位误差；根据所述融合卫星图像的频谱的相位误差、所述目标区域的各类物质的分布图频谱、所述高时间分辨率的卫星图像的频谱和所述高时间分辨率的卫星图像的点响应函数频谱，计算得到所述目标区域的各类物质的新的频域加权系数；根据所述目标区域的各类物质的分布图频谱、所述目标区域的各类物质的新的频域加权系数以及根据所述高时间分辨率的卫星图像的点响应函数频谱计算得到的比例因子，计算得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱。
具体的，上述实施例中的误差校正单元160的具体工作内容，请参见上述方法实施例的内容，此处不再赘述。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种数据融合方法，其特征在于，包括：
根据同一目标区域的两张以上不同时期的高空间分辨率的卫星图像，计算得到所述目标区域的各类物质的分布图频谱；
根据所述目标区域的高时间分辨率的卫星图像数据，构建所述高时间分辨率的卫星图像的点响应函数；
将所述高时间分辨率的卫星图像的点响应函数变换到频域，得到所述高时间分辨率的卫星图像的点响应函数频谱；
根据所述目标区域的各类物质的分布图频谱、所述高时间分辨率的卫星图像的频谱和所述高时间分辨率的卫星图像的点响应函数频谱，计算得到所述目标区域的各类物质的频域加权系数；
根据所述目标区域的各类物质的分布图频谱、所述目标区域的各类物质的频域加权系数以及根据所述高时间分辨率的卫星图像的点响应函数频谱计算得到的比例因子，计算得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱；
将所述融合卫星图像的频谱变换到时域，得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的时域数据。
2.根据权利要求1所述的方法，其特征在于，所述根据同一目标区域的两张以上不同时期的高空间分辨率的卫星图像，计算得到所述目标区域的各类物质的分布图频谱，包括：
对同一目标区域的两张以上不同时期的高空间分辨率的卫星图像进行非监督分类处理，得到所述目标区域的各类物质的分布图；
对所述目标区域的各类物质的分布图进行傅里叶变换处理，得到所述目标区域的各类物质的分布图频谱。
3.根据权利要求1至2中任一权利要求所述的方法，其特征在于，在计算得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱后，该方法还包括：
对所述融合卫星图像的频谱进行相位误差校正处理。
4.根据权利要求3所述的方法，其特征在于，所述对所述融合卫星图像的频谱进行相位误差校正处理，包括：
对所述融合卫星图像的每个波段内的频谱和所述高时间分辨率的卫星图像的频谱进行互相关处理，得到互相关结果矩阵；
根据所述互相关结果矩阵，计算得到所述融合卫星图像的每个波段内的二维偏移量；
根据所述融合卫星图像的每个波段内的二维偏移量，计算得到所述融合卫星图像的频谱的相位误差；
根据所述融合卫星图像的频谱的相位误差、所述目标区域的各类物质的分布图频谱、所述高时间分辨率的卫星图像的频谱和所述高时间分辨率的卫星图像的点响应函数频谱，计算得到所述目标区域的各类物质的新的频域加权系数；
根据所述目标区域的各类物质的分布图频谱、所述目标区域的各类物质的新的频域加权系数以及根据所述高时间分辨率的卫星图像的点响应函数频谱计算得到的比例因子，计算得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱。
5.一种数据融合装置，其特征在于，包括：
第一计算单元，用于根据同一目标区域的两张以上不同时期的高空间分辨率的卫星图像，计算得到所述目标区域的各类物质的分布图频谱；
函数构建单元，用于根据所述目标区域的高时间分辨率的卫星图像数据，构建所述高时间分辨率的卫星图像的点响应函数；
第一变换单元，用于将所述高时间分辨率的卫星图像的点响应函数变换到频域，得到所述高时间分辨率的卫星图像的点响应函数频谱；
第二计算单元，用于根据所述目标区域的各类物质的分布图频谱、所述高时间分辨率的卫星图像的频谱和所述高时间分辨率的卫星图像的点响应函数频谱，计算得到所述目标区域的各类物质的频域加权系数；
第三计算单元，用于根据所述目标区域的各类物质的分布图频谱、所述目标区域的各类物质的频域加权系数以及根据所述高时间分辨率的卫星图像的点响应函数频谱计算得到的比例因子，计算得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱；
第二变换单元，用于将所述融合卫星图像的频谱变换到时域，得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的时域数据。
6.根据权利要求5所述的装置，其特征在于，所述第一计算单元，包括：
分类处理单元，用于对同一目标区域的两张以上不同时期的高空间分辨率的卫星图像进行非监督分类处理，得到所述目标区域的各类物质的分布图；
变换处理单元，用于对所述目标区域的各类物质的分布图进行傅里叶变换处理，得到所述目标区域的各类物质的分布图频谱。
7.根据权利要求5至6中任一权利要求所述的装置，其特征在于，该装置还包括：
误差校正单元，用于对所述融合卫星图像的频谱进行相位误差校正处理。
8.根据权利要求7所述的装置，其特征在于，所述误差校正单元对所述融合卫星图像的频谱进行相位误差校正处理时，具体用于：
对所述融合卫星图像的每个波段内的频谱和所述高时间分辨率的卫星图像的频谱进行互相关处理，得到互相关结果矩阵；根据所述互相关结果矩阵，计算得到所述融合卫星图像的每个波段内的二维偏移量；根据所述融合卫星图像的每个波段内的二维偏移量，计算得到所述融合卫星图像的频谱的相位误差；根据所述融合卫星图像的频谱的相位误差、所述目标区域的各类物质的分布图频谱、所述高时间分辨率的卫星图像的频谱和所述高时间分辨率的卫星图像的点响应函数频谱，计算得到所述目标区域的各类物质的新的频域加权系数；根据所述目标区域的各类物质的分布图频谱、所述目标区域的各类物质的新的频域加权系数以及根据所述高时间分辨率的卫星图像的点响应函数频谱计算得到的比例因子，计算得到所述目标区域的高空间分辨率并且高时间分辨率的融合卫星图像的频谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810140716.XA CN108257109B (zh) | 2018-02-11 | 2018-02-11 | 一种数据融合方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810140716.XA CN108257109B (zh) | 2018-02-11 | 2018-02-11 | 一种数据融合方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108257109A true CN108257109A (zh) | 2018-07-06 |
| CN108257109B CN108257109B (zh) | 2020-05-19 |
Family
ID=62745278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810140716.XA Active CN108257109B (zh) | 2018-02-11 | 2018-02-11 | 一种数据融合方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108257109B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110189247A (zh) * | 2019-05-16 | 2019-08-30 | 北京航空航天大学 | 图像生成的方法、装置及系统 |
| CN111369483A (zh) * | 2020-03-05 | 2020-07-03 | 北京师范大学 | 一种融合多源遥感数据生成高时空分辨率遥感数据的方法 |
| CN113066539A (zh) * | 2021-03-22 | 2021-07-02 | 上海商汤智能科技有限公司 | 预测方法及相关装置、设备 |
| CN113454677A (zh) * | 2018-12-29 | 2021-09-28 | 长沙天仪空间科技研究院有限公司 | 一种遥感卫星系统 |
| CN115937282A (zh) * | 2023-01-10 | 2023-04-07 | 郑州思昆生物工程有限公司 | 一种荧光图像的配准方法、装置、设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609726A (zh) * | 2012-02-24 | 2012-07-25 | 中国科学院东北地理与农业生态研究所 | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 |
| CN102915529A (zh) * | 2012-10-15 | 2013-02-06 | 黄波 | 基于遥感“时-空-谱-角”的一体化融合技术及其系统 |
| US20140064554A1 (en) * | 2011-11-14 | 2014-03-06 | San Diego State University Research Foundation | Image station matching, preprocessing, spatial registration and change detection with multi-temporal remotely-sensed imagery |
-
2018
- 2018-02-11 CN CN201810140716.XA patent/CN108257109B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140064554A1 (en) * | 2011-11-14 | 2014-03-06 | San Diego State University Research Foundation | Image station matching, preprocessing, spatial registration and change detection with multi-temporal remotely-sensed imagery |
| CN102609726A (zh) * | 2012-02-24 | 2012-07-25 | 中国科学院东北地理与农业生态研究所 | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 |
| CN102915529A (zh) * | 2012-10-15 | 2013-02-06 | 黄波 | 基于遥感“时-空-谱-角”的一体化融合技术及其系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘建波等: "遥感高时空融合方法的研究进展及应用现状", 《遥感学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113454677A (zh) * | 2018-12-29 | 2021-09-28 | 长沙天仪空间科技研究院有限公司 | 一种遥感卫星系统 |
| CN110189247A (zh) * | 2019-05-16 | 2019-08-30 | 北京航空航天大学 | 图像生成的方法、装置及系统 |
| CN110189247B (zh) * | 2019-05-16 | 2021-01-19 | 北京航空航天大学 | 图像生成的方法、装置及系统 |
| CN111369483A (zh) * | 2020-03-05 | 2020-07-03 | 北京师范大学 | 一种融合多源遥感数据生成高时空分辨率遥感数据的方法 |
| CN111369483B (zh) * | 2020-03-05 | 2020-11-13 | 北京师范大学 | 一种融合多源遥感数据生成高时空分辨率遥感数据的方法 |
| CN113066539A (zh) * | 2021-03-22 | 2021-07-02 | 上海商汤智能科技有限公司 | 预测方法及相关装置、设备 |
| CN115937282A (zh) * | 2023-01-10 | 2023-04-07 | 郑州思昆生物工程有限公司 | 一种荧光图像的配准方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108257109B (zh) | 2020-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108257109A (zh) | 一种数据融合方法及装置 | |
| Tasse et al. | The LOFAR Two-meter Sky Survey: Deep Fields Data Release 1-I. Direction-dependent calibration and imaging | |
| Heywood et al. | MIGHTEE: total intensity radio continuum imaging and the COSMOS/XMM-LSS Early Science fields | |
| Lu et al. | Correcting GPM IMERG precipitation data over the Tianshan Mountains in China | |
| Baret et al. | VALERI: a network of sites and a methodology for the validation of medium spatial resolution land satellite products | |
| Story et al. | A measurement of the cosmic microwave background gravitational lensing potential from 100 square degrees of SPTpol data | |
| Zhao et al. | Evaluation of TRMM 3B42 product using a new gauge-based analysis of daily precipitation over China | |
| Crites et al. | Measurements of E-mode polarization and temperature-E-mode correlation in the cosmic microwave background from 100 square degrees of SPTpol data | |
| Ma et al. | An updated moving window algorithm for hourly-scale satellite precipitation downscaling: A case study in the Southeast Coast of China | |
| Bertrand et al. | Solar irradiation from the energy production of residential PV systems | |
| Zheng et al. | Spatial variability of terrestrial laser scanning based leaf area index | |
| CN109884279A (zh) | 土壤含水量的反演方法和反演装置 | |
| CN111191673B (zh) | 一种地表温度降尺度方法及系统 | |
| Kim et al. | Retrieval of outgoing longwave radiation at top-of-atmosphere using Himawari-8 AHI data | |
| Lagomasino et al. | High‐resolution forest canopy height estimation in an African blue carbon ecosystem | |
| Yoo et al. | Spatial downscaling of MODIS land surface temperature: Recent research trends, challenges, and future directions | |
| CN109613611A (zh) | 用于结构抗震时程分析的输入地震波的确定方法及系统 | |
| CN106408518A (zh) | 图像融合方法、装置及终端设备 | |
| Ezzine et al. | Downscaling of open coarse precipitation data through spatial and statistical analysis, integrating NDVI, NDWI, elevation, and distance from sea | |
| Kosar et al. | A case study comparing citizen science aurora data with global auroral boundaries derived from satellite imagery and empirical models | |
| Zhang et al. | Modeling and simulation of high-frequency solar irradiance | |
| Espinosa-Gavira et al. | Cloud motion estimation from small-scale irradiance sensor networks: General analysis and proposal of a new method | |
| CN112285808B (zh) | 一种aphrodite降水数据的降尺度方法 | |
| Ade et al. | BICEP/Keck. XVI. Characterizing dust polarization through correlations with neutral hydrogen | |
| KR101547682B1 (ko) | 고해상도기온진단모형을 이용한 과거 사상 상세기온자료복원시스템 및 그 방법 |
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 |