compléter les vignettes d'imagerie satellite lorsque la couverture des données est inférieure à 100%

Je veux joindre plusieurs images (> = 2) en une "meilleure" image. Le meilleur est défini sur une faible couverture nuageuse et une couverture de données élevée. Voici un exemple d'utilisation de données satellites Sentinel gratuites.

Voir http://sentinel-s2-l1c.s3.amazonaws.com/tiles/12/S/XB/2017/6/1/0/preview.jpg et http: //sentinel-s2-l1c.s3.amazonaws .com / tiles / 12 / S / XB / 2017/6 / pour la source des images ci-dessous.

Existe-t-il des algorithmes ou des processus pour compléter les mosaïques d'images satellites qui n'ont pas une couverture de données à 100% afin de générer une mosaïque complète?

Voir les visualisations ci-dessous pour des exemples de ce que je veux dire.

Je ne connais pas trop la littérature et je ne connais pas la terminologie à rechercher.

Exemple:

— val
source

Faites-vous référence à la création d'une mosaïque d'images et recherchez-vous des processus automatiques pour effectuer cette tâche?

— MAYANK SHARMA

@MAYANKSHARMA: Ne fait pas référence à une mosaïque d'images. Se référant simplement à un moyen de sélectionner les meilleures tuiles pour faire une tuile complète. Le mosaïquage impliquerait de mettre plusieurs tuiles (couvrant des zones spatiales adjacentes) ensemble.

— val

Lorsque vous dites «meilleur», voulez-vous dire «sans nuage le plus récent» ou existe-t-il un autre critère? Si oui, ce document est un bon point de départ, qui pourrait être transformé en une réponse plus spécifique à la sentinelle 2 si nécessaire. Pour une introduction à une partie du vocabulaire et une comparaison des deux principales approches, cet article de blog mérite d'être lu.

— RoperMaps

@RoperMaps: mieux défini comme une couverture nuageuse faible (ou sans) et une couverture de données élevée - idéalement 100%. Le blog est utile et lit maintenant le papier. Thx

— val

Réponses:

Pour les images du même endroit mais de dates différentes, je préfère parler de composition que de mosaïquage (qui combine des images de différentes étendues en une image plus grande). Vous trouverez beaucoup de détails si vous recherchez le mot-clé "compositing", mais voici un bref résumé:

Il existe deux approches principales pour la composition de séries chronologiques:

Meilleure approche de pixel disponible (sélectionnez le "meilleur" pixel à chaque emplacement en fonction d'un critère donné, par exemple, utilisez le pixel avec la valeur NDVI maximale ou le pixel non cloud le plus proche de la date centrale de la période de composition). Un exemple avec Landsat peut être trouvé ici
Approche combinée des pixels (par exemple, prendre la moyenne de tous les pixels au même endroit ( composition moyenne ) ou utiliser une régression temporelle pour interpoler les pixels "manquants" à certaines dates ( remplissage des lacunes )). Notez que le remplissage des lacunes crée potentiellement une image à n'importe quelle date (et vous décidez celle que vous conservez), tandis que la composition ne donne qu'une seule image par période de composition (vous pouvez utiliser une fenêtre temporelle coulissante, mais elle est moins "précise" temporellement).

"Mean compositing" a été utilisé dans plusieurs projets réussis avec MERIS et SPOT VGT (voir ici ). Le compositing "Max NDVI" est utilisé pour le composite MODIS. L'interpolation à certaines dates d'intérêt a été effectuée ici avec des images Sentinel-2. Personnellement, je préfère l'approche de type "pixel combiné".

Maintenant, vous devez être conscient que la qualité de votre compositing dépend beaucoup de la qualité de vos entrées, surtout si vous n'avez pas un grand nombre de données d'entrée (sentinel-2 est "seulement" tous les 5 jours, pas tous les jours comme Sentinelle-3):

bon masque de nuage (y compris détection de nuage, détection de brume, détection de cirrus (nuage mince de haute altitude) et détection d'ombre de nuage.
sommet de la réflectance de la canopée: convertissez les nombres numériques du satellite en valeurs de réflectance significatives, y compris les corrections de BRDF (la lumière n'est pas réfléchie de manière homogène dans toutes les directions et il y a un impact de la surface sur les différences), la correction atmosphérique et la correction topographique.
bon repérage entre les différentes images. les pixels doivent autant que possible représenter le même emplacement.
parfois aussi: détection d'événements temporaires (inondations et neige)

A noter qu'un logiciel a été développé dans le cadre d'un projet ESA ( SEN2AGRI ) pour créer des composites sans cloud.

Bonus: exemples de composites mondiaux

avec Sentinel-2 ( WMS uniquement )
avec MERIS, SPOT VGT et AVHRR réflectance de surface (téléchargeable)
avec Landsat vers 2000 et vers 2014 ( valeur médiane à l'aide des archives Landsat complètes )

— radouxju
source

Je pense que ce que vous décrivez fait toujours partie de ce qu'on appelle le mosaïquage (ou assemblage d' images ). Le mosaïquage implique en effet de joindre des tuiles adjacentes, mais généralement les tuiles ont un certain chevauchement.

Ici, vous êtes intéressé en particulier en deux étapes:

Assemblage des images: c'est-à-dire trouver la position de chevauchement correcte
Fusion des pixels qui se chevauchent

Il existe un excellent aperçu des différentes méthodes pour chaque étape dans cet article: Ghosh et Kaabouch (2016) A survey on image mosaicing techniques, J. Vis. Commun. Image R. 34 (2016) 1–11

— Matifou
source