ข้อมูลอนุกรมเวลารวมจากแหล่งที่มีความละเอียดเชิงพื้นที่ / สเกลหลายตัว

ฉันมีภาพแรสเตอร์ดาวเทียมจำนวนมากจากเซ็นเซอร์ที่แตกต่างกัน จากสิ่งเหล่านี้ coarser มีความละเอียดทางโลกที่เหลือใช้มาก ตัวแก้ไขความละเอียดปานกลางมักจะมีวันที่ซื้อน้อย แต่ก็ยังมีข้อมูลบางส่วนอยู่ คนที่มีความละเอียดปลีกย่อยมีความคมชัดทางโลกต่ำมากซึ่งประกอบไปด้วยวันที่สังเกตจาก 2 ถึง 6 ในไม่เกินสองปี ฉันสงสัยว่าถ้าใครรู้ถึงความพยายามใด ๆ ในการศึกษาซีรีย์เวลาหลายขนาดประเภทนี้ในทางใดทางหนึ่ง? ฉันจะสนใจในการทำนายค่าในอนาคตที่ระดับปลีกย่อยโดยใช้ข้อมูลที่มีอยู่จาก coarser มันสมเหตุสมผลสำหรับฉันที่ข้อมูลจะต้องเกี่ยวข้อง (ใช่ภาพครอบคลุมภูมิภาคเดียวกัน) แต่ฉันไม่รู้ว่าจะเริ่มมีเพศสัมพันธ์ข้อมูลนี้ในรูปแบบการทำนาย

โดเมนเชิงพื้นที่:

ดูเหมือนว่าฉันจะมีปัญหาในการประมวลผลภาพมากขึ้น วิธีการจัดกลุ่มอาจช่วย แต่ตัวชี้วัด (ระยะทาง, ความแปรปรวน, ความไม่พอใจ ... ) และอัลกอริทึมใด (k-mean, ค่าเฉลี่ยเลื่อน, EM ... ) เหมาะสมที่สุดในกรณีของคุณจะถูกกำหนดโดยโทโพโลยีภาพและคุณสมบัติของคุณ กำลังจะใช้ คุณสามารถนำภาพไปใช้กับภาพแรสเตอร์ระดับปานกลางและระดับดีได้ จากนั้นลองใช้เทคนิคการจัดกลุ่มที่แตกต่างกันเพื่อดูว่าอันไหนให้ความแม่นยำในการแบ่งส่วนโดยรวมที่ดีที่สุดเมื่อเทียบกับ rasters แบบกลาง / แบบละเอียดของคุณ กลยุทธ์การประมวลผลล่วงหน้าบางอย่างเพื่อลำดับชั้นพื้นที่สเกลอาจช่วยได้ มีอัลกอริทึมการแบ่งส่วนลำดับชั้นหนึ่งที่แสดงในบทที่ 3 ของรายงานนี้ที่คุณ

(1) สร้างพื้นที่ขนาด

(2) ค้นหา extrema และ saddles ในทุกระดับสเกล

(3) เชื่อมโยงแต่ละจุดวิกฤติที่ระดับสเกลหนึ่งกับตำแหน่งที่สอดคล้องกันในระดับสเกลถัดไปและค้นหาเส้นทางวิกฤต

(4) การกำหนดลำดับชั้นพื้นที่สเกลตามการค้นหาพื้นผิว iso-dark

สำหรับวิธีการทำคลัสเตอร์ที่จำเป็นต้องมีการกำหนดค่าเริ่มต้นแบบสุ่มเช่น k-mean คุณสามารถใช้ลำดับชั้นที่พบเป็นคลัสเตอร์เริ่มต้นและ centroid สำหรับการทำคลัสเตอร์ต่อไป นอกจากนี้คุณอาจต้องการเพิ่มคุณสมบัติเพิ่มเติม (เช่นการเปลี่ยนแปลงพื้นผิวข้อมูลพื้นที่อื่นนอกเหนือจากพื้นที่ RGB ฯลฯ ) ทั้งนี้ขึ้นอยู่กับตัวละครในภาพของคุณ

โดเมนชั่วคราว

ตอนนี้คุณมีภาพที่มีช่วงเวลาต่างกัน แต่มีความละเอียดเท่ากัน (หวังว่า) ถ้างานของคุณคือการทำนายประเมินการเคลื่อนไหวของบางส่วนของทวีปพายุหรือฝนที่คุณอาจลองการประมาณค่าการเคลื่อนไหวกับตัวกรองคาลมาน การเคลื่อนไหวของแต่ละพิกเซลสามารถกำหนดน้ำหนักภายในขอบเขต (คลัสเตอร์) ที่สอดคล้องกันโดยอิงตามเมตริกของมันเมื่อเปรียบเทียบกับเซนทรอยด์ของพื้นที่ คุณสามารถใช้โครงข่ายประสาทเทียมสำหรับการพยากรณ์ลำดับเวลาในระยะสั้น ( บทที่ 3)ในวิทยานิพนธ์นี้) และเนื่องจาก Kalman fi lter เป็นเพียงวิธีการในการดำเนินการตามกฎของเบย์ดังนั้นโอกาสสูงสุดจึงสามารถนำมาใช้ในการประเมินสถานะ ขั้นตอนการประเมินสถานการณ์ของรัฐสามารถดำเนินการซ้ำได้ ด้านหลังจากขั้นตอนเวลาก่อนหน้านี้ถูกเรียกใช้ผ่านโมเดลพลศาสตร์และกลายเป็นสิ่งใหม่ก่อนหน้าสำหรับขั้นตอนเวลาปัจจุบัน จากนั้นก่อนหน้านี้สามารถแปลงเป็นหลังใหม่โดยใช้การสังเกตปัจจุบัน เป็นผลให้กระบวนการประเมินพารามิเตอร์ซ้ำ ๆ เช่น EM สามารถใช้เพื่อเรียนรู้พารามิเตอร์ในตัวกรองคาลมาน บทที่ 6ของวิทยานิพนธ์เดียวกันและการศึกษาเกี่ยวกับการปรับคาลมานให้เรียบนั้นรวมถึงรายละเอียดเพิ่มเติมเกี่ยวกับพารามิเตอร์การเรียนรู้ด้วย EM

คุณควรศึกษาวรรณกรรมเพื่อหามติที่ละเอียดยิ่งขึ้น โดยทั่วไปบริเวณนี้แก้ปัญหาการถ่ายภาพความละเอียดหยาบหลายภาพเพื่อสร้างภาพความละเอียดสูงหนึ่งภาพโดยการยืมความแข็งแรงข้ามภาพหลายภาพได้อย่างมีประสิทธิภาพ

ฉันได้ระบุวรรณกรรมที่เกี่ยวข้องซึ่งน่าจะเป็นจุดเริ่มต้นที่ดี

วิธีการโปรดของฉันที่นี่ใช้วิธีการที่ไม่ใช่ท้องถิ่น เรื่องนี้เกี่ยวข้องกับการแยกภาพทั้งหมดออกเป็นแพทช์$5x5$ หรือ $7x7$ พิกเซลสร้างการประมาณพิกเซลที่ดีขึ้นในภาพความละเอียดที่ละเอียดยิ่งขึ้นโดยใช้การรวมพิกเซลในภาพที่หยาบกว่า

อ้างอิง

Elad, Michael และ Arie Feuer "การคืนค่าภาพ superresolution เดียวจากภาพที่ได้จากการเบลอภาพที่ไม่มีสัญญาณรบกวนและภาพที่ไม่ได้ตรวจสอบหลายภาพ" การประมวลผลรูปภาพ, ธุรกรรม IEEE ใน 6.12 (1997): 1646-1658

Park, Sung Cheol, Min Kyu Park และ Moon Gi Kang "การสร้างภาพความละเอียดสูงพิเศษ: ภาพรวมทางเทคนิค" นิตยสารการประมวลสัญญาณ, IEEE 20.3 (2003): 21-36

Protter, Matan, et al. "การสรุปความหมายที่ไม่ใช่เฉพาะในการสร้างความละเอียดสูงสุดใหม่" การประมวลผลภาพ, ธุรกรรม IEEE ใน 18.1 (2009): 36-51