여러 공간 해상도 / 스케일로 소스의 시계열 정보 연결


9

다른 센서에서 사용할 수있는 많은 위성 래스터 이미지가 있습니다. 이것들로부터, 더 거친 것들은 매우 풍부한 시간적 해상도를 갖는다. 중간 해상도 래스터는 수집 날짜가 적지 만 여전히 어느 정도의 정보를 사용할 수 있습니다. 더 정밀한 해상도는 2 년 미만에 2 ~ 6 개의 관측 된 날짜에 걸쳐 매우 낮은 시간 해상도를 갖습니다. 어떤 방식 으로든 이러한 유형의 멀티 스케일 시계열을 연구하려는 노력을 아는 사람이 있는지 궁금합니다. 나는 더 거친 것에서 얻을 수있는 정보를 사용하여 더 작은 규모로 미래의 가치를 예측하는 데 관심이 있습니다. 데이터가 관련되어 있어야한다는 것이 의미가 있습니다 (예 : 이미지가 동일한 영역을 덮고 있음).이 정보를 예측 모델에서 결합하는 방법을 모릅니다.

답변:


4

공간 도메인 :

그것은 이미지 처리 문제처럼 보입니다. 클러스터링 방법은 도움이 될 수 있지만 어떤 메트릭 (거리, 분산, 불일치 ...) 및 어떤 알고리즘 (k- 평균, 평균 이동, EM ...)이 사용자의 이미지 토폴로지 및 기능에 따라 결정됩니까? 사용하려고합니다. 중간 및 미세 래스터에서 이미지 비닝을 구현할 수 있습니다. 그런 다음 다른 클러스터링 기술을 사용하여 원래 중형 / 미세 래스터와 비교하여 전체적으로 최고의 분할 정확도를 제공하는 방법을 확인하십시오. 스케일 공간 계층을 찾기위한 일부 전처리 전략이 도움이 될 수 있습니다. 이 보고서의 3 장 에는 하나의 계층 구조 분할 알고리즘 있습니다.

(1) 규모 공간을 구축;

(2) 모든 척도 수준에서 극단과 안장을 찾으십시오.

(3) 특정 스케일 레벨의 각 임계점을 다음 스케일 레벨의 해당 위치에 연결하고 임계 경로를 찾으십시오.

(4) 등 강도 표면 검색을 기반으로 스케일 공간 계층 결정.

k- 평균과 같이 무작위 초기화가 필요한 군집화 방법의 경우, 발견 된 계층 구조를 초기 군집으로 사용하고 추가 군집화를위한 중심으로 사용할 수 있습니다. 또한 이미지의 문자에 따라 클러스터링 알고리즘에 더 많은 기능 (예 : 텍스처 변경, RGB 공간 이외의 다른 공간 정보 등)을 추가 할 수도 있습니다.

임시 도메인

이제 시간 스케일이 다르지만 해상도가 동일한 이미지가 있습니다. 예측 작업이 일부 대륙, 폭풍 또는 강우의 움직임을 추정하는 경우 Kalman filter로 모션 추정을 시도 할 수 있습니다 . 각 픽셀에 대한 모션은 해당 영역의 중심과 비교 된 해당 메트릭을 기반으로 해당 영역 (클러스터) 내부에 가중치를 적용 할 수 있습니다. 단기 시간 순서 예측에 신경망을 사용할 수 있습니다 ( 3 장이 논문에서). 칼만 필터는 단순히 베이 즈 규칙을 구현하는 방법이기 때문에 상태 추정에 최대 가능성을 적용 할 수 있습니다. 상태 추정 절차는 재귀 적으로 구현 될 수 있습니다. 이전 시간 단계의 후부는 역학 모델을 통해 실행되며 현재 시간 단계의 새로운 이전이됩니다. 그런 다음이 사전은 현재 관측 값을 사용하여 새로운 후부로 변환 될 수 있습니다. 결과적으로 EM과 같은 반복 매개 변수 재 추정 절차를 사용하여 칼만 필터의 매개 변수를 학습 할 수 있습니다. 같은 논문의 6 장 과 칼만 스무딩에 대한 연구 에는 EM으로 학습하는 매개 변수에 대한 자세한 내용이 포함되어 있습니다.


2

초 고해상도에 대한 문헌을 조사해야합니다. 이 영역은 일반적으로 여러 이미지에서 강도를 효과적으로 빌려 하나의 고해상도 이미지를 만들기 위해 여러 개의 거친 해상도 이미지를 가져 오는 문제를 해결합니다.

좋은 출발점이되는 관련 문헌을 나열했습니다.

내가 가장 좋아하는 방법은 로컬이 아닌 수단을 사용하는 것입니다. 여기에는 모든 이미지를 패치로 분할하는 작업이 포함됩니다5엑스5 또는 7엑스7 더 거친 이미지에서 가중 된 픽셀 조합을 사용하여 더 정밀한 해상도 이미지에서 더 나은 픽셀 추정치를 생성합니다.

참고 문헌

엘라 드, 마이클, 그리고에 이리 파이어. "흐리거나 시끄러 우며 샘플링이 부족한 여러 측정 이미지에서 단일 초 해상도 이미지를 복원합니다." 6.12 (1997)의 이미지 처리, IEEE 트랜잭션 : 1646-1658.

박성철, 박민규, 강문기. "초 해상도 이미지 재구성 : 기술 개요." Signal Processing Magazine, IEEE 20.3 (2003) : 21-36.

Protter, Matan 등 "비 해상도 평균을 초 해상도 재구성으로 일반화" 이미지 처리, 18.1 (2009)의 IEEE 트랜잭션 : 36-51.

당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.