Couplage des informations de séries chronologiques à partir de sources avec plusieurs résolutions / échelles spatiales

9

J'ai de nombreuses images raster satellite disponibles à partir de différents capteurs. De ceux-ci, les plus grossiers ont une résolution temporelle très abondante. Les rasters à résolution moyenne ont tendance à avoir moins de dates d'acquisition, mais un certain degré d'informations est toujours disponible. Les plus fines résolutions ont une très faible résolution temporelle, s'étalant de 2 à 6 dates observées en moins de deux ans. Je me demandais si quelqu'un connaissait des efforts pour étudier ce type de séries chronologiques multi-échelles de quelque manière que ce soit? Je serais intéressé à prédire les valeurs futures à des échelles plus fines en utilisant les informations disponibles à partir des plus grosses. Il est logique pour moi que les données doivent être liées (oui, les images couvrent les mêmes régions), mais je ne sais pas comment commencer à coupler ces informations dans un modèle prédictif.

JEquihua
la source

Réponses:

4

Domaine spatial:

Cela ressemble plus à un problème de traitement d'image pour moi. Les méthodes de clustering peuvent aider, mais la métrique (distance, variance, discontiguïté ...) et l'algorithme (k-means, mean-shift, EM ...) qui conviennent le mieux dans votre cas sont déterminés par la topologie de l'image et les fonctionnalités que vous êtes va utiliser. Vous pouvez implémenter le regroupement d'images sur des rasters moyens et fins. Essayez ensuite différentes techniques de clustering pour voir laquelle vous donne la meilleure précision de segmentation globale par rapport à vos rasters moyens / fins originaux. Certaines stratégies de prétraitement afin de trouver la hiérarchie de l'espace d'échelle pourraient être utiles. Il existe un algorithme de segmentation hiérarchique présenté au chapitre 3 de ce rapport dans lequel vous

(1) Construire un espace d'échelle;

(2) Trouver les extrema et les selles à chaque niveau d'échelle;

(3) Relier chaque point critique à un certain niveau d'échelle à son emplacement correspondant au niveau d'échelle suivant et trouver les chemins critiques;

(4) Détermination de la hiérarchie de l'espace d'échelle basée sur la recherche de surface d'iso-intensité.

Pour les méthodes de clustering nécessitant une initialisation aléatoire, telles que k-means, vous pouvez utiliser la hiérarchie trouvée comme cluster initial et centroïde pour un clustering ultérieur. En outre, selon les caractères de votre image, vous pouvez également vouloir ajouter plus de fonctionnalités (telles que les changements de texture, d'autres informations d'espace que l'espace RVB, etc.) dans les algorithmes de clustering.

Domaine temporel

Vous avez maintenant les images avec une échelle de temps différente mais la même résolution (espérons-le). Si votre travail de prédiction consiste à estimer le mouvement d'une partie du continent, les tempêtes ou les précipitations, vous pouvez essayer l'estimation du mouvement avec le filtre de Kalman . Le mouvement de chaque pixel peut être pondéré à l'intérieur de la région (grappe) correspondante en fonction de sa métrique par rapport au centre de gravité de la région. Vous pouvez utiliser le réseau de neurones pour la prévision de séquences temporelles à court terme ( chapitre 3dans cette thèse). Et comme le filtre de Kalman est simplement une méthode pour implémenter la règle de Bayes, le maximum de vraisemblance peut être appliqué pour l'estimation d'état. Les procédures d'estimation d'état peuvent être mises en œuvre de manière récursive. Le postérieur du pas de temps précédent parcourt le modèle dynamique et devient le nouveau prieur pour le pas de temps actuel. Ensuite, cet a priori peut être converti en un nouveau postérieur en utilisant l'observation actuelle. En conséquence, des procédures de réestimation de paramètres itératives telles que EM peuvent être utilisées pour apprendre les paramètres dans le filtre de Kalman. Le chapitre 6 de la même thèse et l' étude sur le lissage de Kalman contiennent tous deux plus de détails sur les paramètres d'apprentissage avec EM.

lennon310
la source
2

Vous devriez consulter la littérature pour la super-résolution. Cette zone résout généralement le problème de la prise d'images multiples à résolution grossière pour créer une image haute résolution en empruntant efficacement la force sur plusieurs images.

J'ai énuméré une documentation pertinente qui devrait être un bon point de départ.

Mon approche préférée ici utilise des moyens non locaux. Cela implique de diviser toutes les images en patchs de ou pixels, créant de meilleures estimations des pixels dans l'image à résolution plus fine en utilisant une combinaison pondérée de pixels dans les images plus grossières.7 x 75x57x7

Références

Elad, Michael et Arie Feuer. "Restauration d'une seule image de superrésolution à partir de plusieurs images mesurées floues, bruyantes et sous-échantillonnées." Traitement d'image, transactions IEEE le 6.12 (1997): 1646-1658.

Park, Sung Cheol, Min Kyu Park et Moon Gi Kang. "Reconstruction d'image super-résolution: un aperçu technique." Magazine Signal Processing, IEEE 20.3 (2003): 21-36.

Protter, Matan et al. "Généraliser les moyens non locaux à la reconstruction de super-résolution." Traitement d'image, transactions IEEE le 18.1 (2009): 36-51.

user3303
la source