Acoplamiento de información de series temporales de fuentes con múltiples resoluciones / escalas espaciales


9

Tengo muchas imágenes de trama de satélite disponibles de diferentes sensores. De estos, los más gruesos tienen una resolución temporal muy abundante. Los rásteres de resolución media tienden a tener menos fechas de adquisición, pero aún hay cierto grado de información disponible. Las de resolución más fina tienen una resolución temporal muy baja, que abarca de 2 a 6 fechas observadas en menos de dos años. Me preguntaba si alguien sabe de algún esfuerzo para estudiar este tipo de series de tiempo de varias escalas de alguna manera. Me interesaría predecir valores futuros en las escalas más finas utilizando la información disponible de las más gruesas. Para mí tiene sentido que los datos deben estar relacionados (sí, las imágenes cubren las mismas regiones) pero no tengo idea de cómo comenzar a acoplar esta información en un modelo predictivo.

Respuestas:


4

Dominio espacial:

Me parece más un problema de procesamiento de imágenes. Los métodos de agrupamiento podrían ayudar, pero qué métrica (distancia, varianza, discontiguidad ...) y qué algoritmo (k-means, mean-shift, EM ...) se ajusta mejor en su caso está determinado por la topología de imagen y las características que usted es va a usar Puede implementar el agrupamiento de imágenes en rásteres medios y finos. Luego, pruebe diferentes técnicas de agrupación para ver cuál le brinda la mejor precisión de segmentación en general en comparación con sus rásteres medios / finos originales. Algunas estrategias de preprocesamiento para encontrar la jerarquía del espacio de escala podrían ayudar. Hay un algoritmo de segmentación de jerarquía que se muestra en el Capítulo 3 de este informe en el que

(1) Construir un espacio a escala;

(2) Encuentra los extremos y las sillas de montar en cada nivel de escala;

(3) Enlace cada punto crítico en un cierto nivel de escala a su ubicación correspondiente en el siguiente nivel de escala, y encuentre las rutas críticas;

(4) Determinación de la jerarquía del espacio de escala basada en la búsqueda de superficie de intensidad iso.

Para los métodos de agrupación que requieren la inicialización aleatoria, como k-means, puede utilizar la jerarquía encontrada como los grupos iniciales y el centroide para la agrupación adicional. Además, dependiendo de los caracteres de su imagen, es posible que también desee agregar más funciones (como cambios de textura, otra información de espacio que no sea el espacio RGB, etc.) en algoritmos de agrupamiento.

Dominio temporal

Ahora tiene las imágenes con una escala de tiempo diferente pero la misma resolución (con suerte). Si su trabajo de predicción es estimar el movimiento de algunos continentes, tormentas o precipitaciones, puede intentar la estimación de movimiento con el filtro Kalman . El movimiento para cada píxel se puede ponderar dentro de la región correspondiente (grupo) en función de su métrica en comparación con el centroide de la región. Puede usar la red neuronal para el pronóstico de secuencia de tiempo a corto plazo ( capítulo 3en esta tesis) Y dado que el filtro Kalman es simplemente un método para implementar la regla de Bayes, la máxima probabilidad se puede aplicar para la estimación del estado. Los procedimientos de estimación de estado se pueden implementar de forma recursiva. El paso posterior del tiempo anterior se ejecuta a través del modelo de dinámica y se convierte en el nuevo paso anterior para el paso de tiempo actual. Entonces este prior puede convertirse en un nuevo posterior utilizando la observación actual. Como resultado, se pueden usar procedimientos iterativos de reestimación de parámetros, como EM, para aprender los parámetros en el filtro de Kalman. El capítulo 6 de la misma tesis y el estudio sobre el suavizado de Kalman incluyen más detalles sobre los parámetros de aprendizaje con EM.


2

Debería buscar en la literatura una súper resolución. Esta área generalmente resuelve el problema de tomar múltiples imágenes de resolución gruesa para crear una imagen de alta resolución tomando prestada la fuerza de varias imágenes de manera efectiva.

He enumerado algunas publicaciones relevantes que deberían ser un buen punto de partida.

Mi enfoque favorito aquí usa medios no locales. Esto implica dividir todas las imágenes en parches de o píxeles, creando mejores estimaciones de píxeles en la imagen de resolución más fina utilizando una combinación ponderada de píxeles en las imágenes más gruesas.7 x 75x57x7

Referencias

Elad, Michael y Arie Feuer. "Restauración de una sola imagen de superresolución a partir de varias imágenes medidas borrosas, ruidosas y submuestreadas". Procesamiento de imágenes, transacciones IEEE en 6.12 (1997): 1646-1658.

Park, Sung Cheol, Min Kyu Park y Moon Gi Kang. "Reconstrucción de imágenes de súper resolución: una descripción técnica". Revista de procesamiento de señales, IEEE 20.3 (2003): 21-36.

Protter, Matan y col. "Generalizando los medios no locales para la reconstrucción de superresolución". Procesamiento de imágenes, transacciones IEEE en 18.1 (2009): 36-51.

Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.