Fertigstellen von Satellitenbildkacheln, wenn die Datenreichweite weniger als 100% beträgt

Ich möchte mehrere Bilder (> = 2) zu einem "besten" Bild zusammenfügen. Am besten ist eine niedrige Wolkendecke und eine hohe Datenabdeckung. Ein Beispiel mit kostenlosen Sentinel-Satellitendaten folgt.

Siehe http://sentinel-s2-l1c.s3.amazonaws.com/tiles/12/S/XB/2017/6/1/0/preview.jpg und http: //sentinel-s2-l1c.s3.amazonaws .com / tiles / 12 / S / XB / 2017/6 / für die Quelle der Bilder unten.

Gibt es Algorithmen oder Verfahren zum Vervollständigen von Satellitenbildkacheln, die keine 100% ige Datenabdeckung aufweisen, um eine vollständige Kachel zu generieren?

In den folgenden Visualisierungen finden Sie Beispiele für das, was ich meine.

Ich bin mit der Literatur nicht allzu vertraut und weiß nicht, nach welcher Terminologie ich Ausschau halten soll.

Beispiel:

— val
quelle

Wollen Sie ein Bildmosaik erstellen und nach automatischen Prozessen suchen, um diese Aufgabe auszuführen?

— MAYANK SHARMA

@ MAYANKSHARMA: Bezieht sich nicht auf ein Bildmosaik. Beziehen Sie sich einfach auf eine Methode zur Auswahl der besten Kacheln, um eine vollständige Kachel zu erstellen. Das Mosaizieren würde das Zusammenfügen mehrerer Kacheln (die benachbarte räumliche Bereiche abdecken) erfordern.

— val

Wenn Sie "am besten" sagen, meinen Sie "aktuellste Cloud-frei" oder gibt es andere Kriterien? Wenn ja, dann ist dieses Papier ein guter Ausgangspunkt, der bei Bedarf eher zu einer Sentinel 2-spezifischen Antwort geformt werden könnte. Für eine Einführung in das Vokabular und einen Vergleich der beiden Hauptansätze ist dieser Blog-Beitrag eine Lektüre wert.

— RoperMaps

@RoperMaps: Am besten definiert als niedrige (oder freie) Wolkendecke und hohe Datenabdeckung - idealerweise 100%. Blog ist hilfreich und liest jetzt in Papierform. Thx

— val

Antworten:

Für Bilder am selben Ort, aber mit unterschiedlichen Daten, würde ich eher vom Compositing als vom Mosaizieren sprechen (das Bilder aus verschiedenen Bereichen zu einem größeren Bild kombiniert). Sie werden viele Details finden, wenn Sie nach dem Schlüsselwort "Compositing" suchen, aber hier ist eine kurze Zusammenfassung:

Es gibt zwei Hauptansätze für die Zusammenstellung von Zeitreihen:

Bester Ansatz für verfügbare Pixel (wählen Sie das "beste" Pixel an jedem Ort basierend auf einem bestimmten Kriterium aus, z. B. verwenden Sie das Pixel mit dem maximalen NDVI-Wert oder das Pixel, das nicht der Wolke entspricht und dem zentralen Datum des Zusammenstellungszeitraums am nächsten liegt). Ein Beispiel mit Landsat finden Sie hier
Kombinierter Pixelansatz (z. B. Durchschnittswert aller Pixel an derselben Stelle ( Mean Compositing ) oder zeitliche Regression zur Interpolation "fehlender" Pixel an bestimmten Daten ( Lückenfüllung )). Beachten Sie, dass durch das Ausfüllen von Lücken möglicherweise zu jedem Zeitpunkt ein Bild erstellt wird (und Sie entscheiden, welches Bild Sie behalten), während beim Zusammensetzen nur ein Bild pro Zusammensetzungszeitraum angezeigt wird (Sie können ein gleitendes Zeitfenster verwenden, das jedoch zeitlich weniger genau ist).

"Mean Compositing" wurde in mehreren erfolgreichen Projekten mit MERIS und SPOT VGT eingesetzt (siehe hier ). "Max NDVI" -Compositing wird für das MODIS-Composite verwendet. Die Interpolation an einigen interessanten Daten wurde hier mit Sentinel-2-Bildern durchgeführt. Persönlich bevorzuge ich den "kombinierten Pixel" -Ansatz.

Jetzt müssen Sie sich darüber im Klaren sein, dass die Qualität Ihres Compositings in hohem Maße von der Qualität Ihrer Eingaben abhängt, insbesondere, wenn Sie nicht über eine große Anzahl von Eingabedaten verfügen (Sentinel-2 ist "nur" alle 5 Tage, nicht jeden Tag wie Sentinel-3):

Gute Erkennung von Wolkenmasken (einschließlich Wolkendetektion, Trübungsdetektion, Zirrusdetektion (dünne Wolke in großer Höhe) und Wolkenschattendetektion.
Reflektionsgrad oben auf dem Baldachin: Konvertieren Sie digitale Zahlen vom Satelliten in aussagekräftige Reflektionsgrade, einschließlich Korrekturen von BRDF (das Licht wird nicht in alle Richtungen homogen reflektiert und die Oberfläche beeinflusst die Unterschiede), atmosphärische Korrektur und topografische Korrektur.
gute Registrierung zwischen den verschiedenen Bildern. Pixel müssen so weit wie möglich denselben Ort darstellen.
manchmal auch: vorübergehende Ereigniserkennung (Überschwemmungen und Schnee)

Beachten Sie, dass im Rahmen eines ESA-Projekts ( SEN2AGRI ) eine Software zur Erstellung cloudfreier Verbundwerkstoffe entwickelt wurde.

Bonus: Beispiele für globale Verbundwerkstoffe

mit Sentinel-2 ( nur WMS )
mit MERIS, SPOT VGT und AVHRR Oberflächenreflexion (kann heruntergeladen werden)
mit Landsat circa 2000 und circa 2014 ( Medianwert unter Verwendung des vollständigen Landsat-Archivs )

— radouxju
quelle

Ich denke , dass das, was Sie beschreiben , ist immer noch ein Teil von dem, was genannt wird Mosaikierung (oder Stitching ). Beim Mosaizieren werden zwar benachbarte Kacheln zusammengefügt, doch in der Regel überlappen sich die Kacheln.

Hier interessieren Sie sich insbesondere für zwei Schritte:

Zusammenfügen der Bilder: dh Finden der richtigen Überlappungsposition
Mischen der überlappenden Pixel

In diesem Artikel wird eine hervorragende Übersicht über die verschiedenen Methoden für jeden Schritt gegeben: Ghosh und Kaabouch (2016) Eine Übersicht über Bildmosaik-Techniken, J. Vis. Kommun. Bild R. 34 (2016) 1–11

— Matifou
quelle