一种融合地表反射率图像的方法和装置制造方法及图纸

本发明专利技术公开一种融合地表反射率图像的方法和装置。方法包括：对目标区域多年所有可利用的MODIS地表反射率图像构建MODIS地表反射率差值图像数据集和MODIS地表反射率差值背景场；预测得到与已知时刻相邻时刻的Landsat地表反射率差值图像，并依据贝叶斯解混理论分解从已知时刻到预测时刻所有的MODIS地表反射率差值图像；通过构建线性回归模型推导得到从已知时刻到预测时刻所有的Landsat地表反射率差值图像；最后通过融合已知时刻的Landsat地表反射率图像以及从已知时刻到预测时刻所有的Landsat地表反射率差值图像，得到预测时刻的Landsat地表反射率图像。本发明专利技术能有效的解决云污染问题，可以用于大区域的数据融合工作。

【技术实现步骤摘要】
一种融合地表反射率图像的方法和装置
本专利技术涉及图像处理
，具体涉及一种融合地表反射率图像的方法和装置，可应用于植被遥感的动态变化监测研究中。
技术介绍
现有的时空数据融合方法可分为三类：基于解混的融合算法，基于权重函数的融合算法和基于字典对学习的融合算法。其中，基于解混的融合算法是通过线性光谱混合理论，分解粗分辨率像元，从而得到精细像元的估计值；基于权重函数的融合算法是通过权重函数组合所有输入图像的信息来估计精细图像的像元值；基于字典对学习的融合算法是对观测到的粗-细图像对之间的关系进行建模，根据图像的结构相似性建立高分辨率和粗分辨率图像之间的对应关系，然后对未观测到的精细图像进行预测，来捕捉预测中的主要特征，例如土地覆盖类型的变化。需要融合的地表反射率图像包括：MODIS(moderate-resolutionimagingspectroradiometer，中分辨率成像光谱仪)地表反射率图像和Landsat(陆地资源卫星)地表反射率图像。其中，MODIS图像具有8天的时间分辨率，其空间分辨率可以为250m、500m和1000m；Landsat图像具有16天的时间分辨率，其空间分辨率是30m。空间分辨率即地面分辨率，是指遥感仪器所能分辨的最小目标的实地尺寸，即遥感图像上一个像元所对应的地面范围的大小。如Landsat图像的一个像元对应的地面范围是30m*30m，那么其空间分辨率就是30m。因此MODIS图像与Landsat图像相比较而言，通常认为MODIS图像是粗糙分辨率图像，Landsat图像是精细分辨率图像。现有的三种经典的融合地表反射率图像的模型是：时空自适应反射融合模型(aSpatialandTemporalAdaptiveReflectanceFusionModel,STARFM)、增强型时空自适应反射融合模型(anEnhancedSpatialandTemporalAdaptiveReflectanceFusionModel,ESTARFM)和灵活的时空数据融合模型(aFlexibleSpatiotemporalDataFusionmethod,FSDAF)。其中，STARFM融合模型是通过至少一期的配对影像来获取Landsat图像和MODIS图像之间的回归关系，并根据此回归关系结合MODIS地表反射率图像预测Landsat地表反射率图像。如果MODIS图像中的像元是“纯”像元，则STARFM融合模型假设MODIS和Landsat的反射率比值的变化是一致和可比较的，即一景MODIS图像中仅包括一种土地覆盖类型的情况下，从MODIS图像得到的像元变化可以直接添加到Landsat图像中的像元，以获得预测值；当MODIS图像像元混合了不同土地覆盖类型时，STARFM融合模型使用了一个函数来预测Landsat图像像元，该函数基于来自相邻Landsat图像像素的信息，为纯的MODIS图像像素赋予更高的权重。具体地，STARFM融合模型假设在T1时刻存在一对高分辨率Landsat和低分辨率MODIS的图像对，并且在T0时刻存在一景MODIS图像。首先将T1时刻的MODIS图像重投影和重采样到与Landsat图像相同；然后在T1时刻的Landsat图像中寻找与中心像元相似的像元，这些像元是与中心像元光谱的相似性很高，并且距离较近的像元，中心像元的反射率的结果是其周围所有像元贡献的综合，相似像元会被给予更高的权重；最后将T0时刻的MODIS图像同样进行重投影和重采样，通过上步的权重体系，预测得到T0时刻的Landsat图像。然而，STARFM融合模型的假设在异质景观中是无效的，且该STARFM融合模型中的权重函数是经验性的。当地表覆盖类型比较复杂时，STARFM融合模型的融合精度较低。此外，STARFM融合模型只有在有数据并且数据质量良好的情况下才适用，若预测时刻的MODIS图像包含噪声，则会导致预测结果失效，因此STARFM融合模型不适合应用于大区域批量生产地表反射率数据集。ESTARFM融合模型是对STARFM融合模型的改进，它通过对同质和异质像元在预测过程中计算不同的转换系数来改进STARFM融合模型对空间异质性的捕捉能力，提高了空间维度变化较大的研究区域的反射率融合精度。而且它默认输入两景Landsat图像进行预测，将不同时间的更多光谱信息结合起来，可以更准确地度量Landsat像素和MODIS像素之间的相似性。具体地，ESTARFM融合模型分别需要tm和tn时刻的两对Landsat图像和MODIS图像，以及预测时刻tp的MODIS图像，首先将三个时刻的MODIS图像进行预处理，包括重投影和重采样，使预测得到的Landsat图像具有相同的行列号和像元大小；然后利用与STARFM融合模型相同的相似像元搜索策略以及权重分配体系，得到中心像元周围的相似像元对其反射率的贡献。ESTARFM融合模型相比STARFM融合模型的改进之处在于它引进了一个转换系数，不同的像元拥有不同的系数，使得其在地表异质区域也能有不错的表现，计算相似像元的转换系数并将其加入到权重分配系统中；最后将重采样后的tp时刻的STARFM图像输入到该权重分配系统中，得到最后的tp时刻的Landsat图像。然而，ESTARFM融合模型在计算上是十分耗时的，因此在融合较大区域时需要耗费很大的时间成本；而且ESTARFM融合模型在输入的两景图像时间跨度很大时，融合结果的精度不高；此外，ESTARFM融合模型也不能很好的解决云污染的问题，若预测时刻的MODIS图像有云覆盖，将导致预测结果失效。FSDAF融合模型是一种结合基于解混、权重函数以及空间插值的方法。它只需一个Landsat图像和两个MODIS图像，通过求解线性混合方程来估计它们的反射率变化。对于土地覆被突变，只要在MODIS图像中表现出来，空间插值就可以捕捉到。FSDAF融合模型首先利用已知时刻的Landsat图像进行分类，得到一个MODIS像元中各个端元组分的比例；然后估计MODIS图像中各地物类别时间变化；利用薄板样条插值(ThinPlateSpline,TPS)将预测时刻的MODIS图像进行插值得到Landsat图像的空间变化；最后利用一个残差分配系统进行误差的分配，然后利用邻近相似像元对Landsat图像进行最终结果预测。具体地，FSDAF融合模型仅仅需要t1时刻的MODIS和Landsat图像对，以及t2时刻的MODIS图像即可预测得到t2时刻的Landsat图像。首先它先对t1时刻的Landsat图像进行聚类，得到各种地物分类图像；然后将t2时刻的MODIS图像与t1时刻的MODIS图像做差，结合土地利用分类图像，得到每一种地物类别的时间变化；利用TPS插值法得到t2时刻的Landsat图像的空间预测，并且假设该预测是最接近真实结果的；将时间预测的结果与每个地类的变化进行做差计算残差，并将该残差分配到空间预测的图像上，得到最终的t2时刻的Landsat图像。然而，FSDAF融合模型的融合结果的精度依赖于土地利用分类的精度。在异质性较强的区域，即地表本文档来自技高网...

【技术保护点】
1.一种融合地表反射率图像的方法，其特征在于，包括：/n收集目标区域多年所有可利用的MODIS地表反射率图像，以及收集目标区域一个或多个可利用的已知时刻的Landsat地表反射率图像；/n对收集的MODIS地表反射率图像进行相邻时刻的两两做差构建多年的MODIS地表反射率差值图像数据集，并根据所述MODIS地表反射率差值图像数据集的多年平均值构建MODIS地表反射率差值背景场；/n根据已知时刻的Landsat地表反射率图像、对应已知时刻的MODIS地表反射率图像以及与已知时刻相邻时刻的MODIS地表反射率图像，预测得到与已知时刻相邻时刻的Landsat地表反射率差值图像；以及/n根据所述MODIS地表反射率差值背景场以及预测当年的MODIS地表反射率差值图像数据集，依据贝叶斯解混理论分解从已知时刻到预测时刻所有的MODIS地表反射率差值图像，得到从已知时刻到预测时刻所有的MODIS地表反射率差值图像的贝叶斯分解值；/n根据预测得到的与已知时刻相邻时刻的Landsat地表反射率差值图像以及从已知时刻到预测时刻所有的MODIS地表反射率差值图像的贝叶斯分解值，通过构建线性回归模型推导得到从已知时刻到预测时刻所有的Landsat地表反射率差值图像；/n融合已知时刻的Landsat地表反射率图像以及所述从已知时刻到预测时刻所有的Landsat地表反射率差值图像，得到预测时刻的Landsat地表反射率图像。/n...

【技术特征摘要】
1.一种融合地表反射率图像的方法，其特征在于，包括：
收集目标区域多年所有可利用的MODIS地表反射率图像，以及收集目标区域一个或多个可利用的已知时刻的Landsat地表反射率图像；
对收集的MODIS地表反射率图像进行相邻时刻的两两做差构建多年的MODIS地表反射率差值图像数据集，并根据所述MODIS地表反射率差值图像数据集的多年平均值构建MODIS地表反射率差值背景场；
根据已知时刻的Landsat地表反射率图像、对应已知时刻的MODIS地表反射率图像以及与已知时刻相邻时刻的MODIS地表反射率图像，预测得到与已知时刻相邻时刻的Landsat地表反射率差值图像；以及
根据所述MODIS地表反射率差值背景场以及预测当年的MODIS地表反射率差值图像数据集，依据贝叶斯解混理论分解从已知时刻到预测时刻所有的MODIS地表反射率差值图像，得到从已知时刻到预测时刻所有的MODIS地表反射率差值图像的贝叶斯分解值；
根据预测得到的与已知时刻相邻时刻的Landsat地表反射率差值图像以及从已知时刻到预测时刻所有的MODIS地表反射率差值图像的贝叶斯分解值，通过构建线性回归模型推导得到从已知时刻到预测时刻所有的Landsat地表反射率差值图像；
融合已知时刻的Landsat地表反射率图像以及所述从已知时刻到预测时刻所有的Landsat地表反射率差值图像，得到预测时刻的Landsat地表反射率图像。


2.根据权利要求1所述的方法，其特征在于，根据已知时刻的Landsat地表反射率图像、对应已知时刻的MODIS地表反射率图像以及与已知时刻相邻时刻的MODIS地表反射率图像，预测得到与已知时刻相邻时刻的Landsat地表反射率差值图像，包括：
在已知时刻建立MODIS地表反射率图像与Landsat地表反射率图像之间的线性回归关系，得到与已知时刻相邻时刻的Landsat地表反射率的空间预测；
假设在短时间内同类地物的变化相同，得到与已知时刻相邻时刻的Landsat地表反射率的时间预测，其中所述时间预测与真实图像之间存在残差；
假设空间预测的结果更接近真实值，得到所述时间预测相对于所述空间预测的误差；
引入权重分配系数对所述误差和所述残差进行分配；
基于所述权重分配系数和所述残差对Landsat地表反射率差值图像进行预测，得到与已知时刻相邻时刻的Landsat地表反射率差值图像。


3.根据权利要求1所述的方法，其特征在于，根据所述MODIS地表反射率差值背景场以及预测当年的MODIS地表反射率差值图像数据集，依据贝叶斯解混理论分解从已知时刻到预测时刻所有的MODIS地表反射率差值图像，得到从已知时刻到预测时刻所有的MODIS地表反射率差值图像的贝叶斯分解值，包括：
假设所述MODIS地表反射率差值背景场服从一个均值为Rp、协方差矩阵为Σp的高斯分布，同时假设预测当年的MODIS地表反射率差值图像数据集服从一个均值为R0、协方差矩阵为Σ0的高斯分布；
根据贝叶斯解混理论，MODIS地表反射率差值的后验分布也服从一个均值为μe、协方差矩阵为Σe的高斯分布，得到所述μe的方差最小的估计值；
根据所述μe构建对应每个MODIS地表反射率差值图像的贝叶斯分解值。


4.根据权利要求1所述的方法，其特征在于，根据预测得到的与已知时刻相邻时刻的Landsat地表反射率差值图像以及从已知时刻到预测时刻所有的MODIS地表反射率差值图像的贝叶斯分解值，通过构建线性回归模型推导得到从已知时刻到预测时刻所有的Landsat地表反射率差值图像，包括：
构建MODIS地表反射率差值和Landsat地表反射率差值的线性方程：
Lt1＝p×Mt1+qt1
Ltk＝p×Mtk+qtk
其中，Lt1和Ltk分别对应t1时刻和tk时刻的Landsat地表反射率差值图像，Mt1和Mtk分别对应t1时刻和tk时刻的MODIS地表反射率差值图像的贝叶斯分解值，p和q为线性方程的拟合系数，k为自然数，k≤45；
并假设M与q之间是正比关系，得到：



并且，当预测当年中存在n个可利用的已知时刻的Landsat地表反射率图像时，则结合n组从t1到tn时刻的所有的MODIS地表反射率差值图像的贝叶斯分解值，并根据时间距离赋予不同大小的权重w，将上式变形为：



所述Ltk即为推导得到的对应预测时刻的Landsat地表反射率差值图像。


5.根据权利要求4所述的方法，其特征在于，融合已知时刻的Landsat地表反射率图像以及所述从已知时刻到预测时刻所有的Landsat地表反射率差值图像，得到预测时刻的Landsat地表反射率图像，包括：
根据如下公式进行图像融合：



其中，...

【专利技术属性】
技术研发人员：宋金玲，杨磊，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：北京;11