卫星图像的高级填隙技术

导言

地球观测（EO）数据以相对较低的成本提供高分辨率、大规模和频繁的空间数据，在环境科学中发挥着至关重要的作用。这些数据为全面的环境研究、持续监测和有效管理提供了支持。通过不同的光谱波段和指数，地球观测数据提供了对地球表面特征的宝贵见解，是研究物理过程、预测未来情景和为决策提供信息的模型的重要输入。

地球观测（EO）技术的进步正在扩大环境分析的能力，包括更广泛的光谱指数和更高的空间和时间分辨率，这使得详细的长期环境研究成为可能。然而，挑战依然存在，特别是对高精细 EO 数据的需求与大多数用户所面临的处理限制之间的差距。有效利用 EO 数据往往需要专业技能和昂贵的处理资源，包括数据清理和整合。虽然有一些预处理数据，但它们分散在不同的门户网站上，而且往往是针对特定主题的，需要领域专业知识才能访问和使用。要最大限度地发挥地球观测数据在解决环境和经济问题方面的潜力，就必须为地球观测数据整合提供标准化、可访问的解决方案。

地球观测数据处理的一大挑战是填补云层造成的空白。许多研究已经开发了一些方法（通常使用人工智能）来解决这些空白问题；然而，这些技术通常需要大量的计算资源，因此成本高昂且耗时。幸运的是，图像处理技术也能有效解决这一问题。在本文的其余部分，我将探讨可用的图像处理方法及其在 Python 中的实现。

填补空白的方法        

本实验下载了英国南部一个小区域的陆地卫星陆地表面温度（LST）数据，时间跨度为 2010 年 1 月 1 日至 2023 年 12 月 31 日。应用质量掩码过滤掉了栅格数据中受扩张云、卷云、云和云影影响的区域。之后，我创建了一个季节集合，生成了一个代表冬季的栅格图像，如下所示：

上图显示，即使对卫星图像进行了时间聚合处理，数据中仍存在未填补的空白。要使该数据集可用，就必须填补这些空白。在接下来的章节中，我将讨论实现这一目标的各种可用技术。 

卷积法 

基于卷积的方法是在需要填充的区域直接应用卷积滤波器。通过调整内核（滤波器）大小和应用的操作，卷积可以帮助 "平滑 "或 "扩散 "邻近像素的信息到缺失区域。

def conv_mapping(x):
    """
    When the 60th value (x[60]) of the filter array (the center of the window) 
    is null, replace it with the mean of the surrounding values.
    """
    if np.isnan(x[60]) and not np.isnan(np.delete(x, 60)).all():
        return np.nanmean(np.delete(x, 60))
    else:
        return x[60]

grid_smooth = ndimage.generic_filter(lst.values[0, ...],
            function=conv_mapping,
            footprint=np.ones((11,11)), mode='constant', cval=np.nan)

较小的滤波器不足以填补较大的缝隙，因此需要较大的滤波器--在这种情况下，需要 51 x 51 的滤波器来填补所有缝隙。然而，使用这么大的滤波器可能会影响结果的可靠性，因为它涉及到更大的填隙半径，可能会带来误差。

嵌套法

Telea 油画法：这种方法使用快速行进算法，将信息从受损区域的边界传播到填充区域。一般来说，这种方法速度更快，而且通常能为局部的小区域提供视觉上吸引人的效果。

def inpainting(data):
    """
    Fills in missing values in the input data using inpainting techniques.
    
    Parameters:
    data (numpy.ndarray): Input array with potential NaN values.

    Returns:
    numpy.ndarray: Array with NaN values filled using inpainting, 
                   or the original array if no NaNs are present.
    """
    # Mask for NaN values
    data_copy = np.copy(data)
    na_data_mask = np.isnan(data_copy)

    # If no NaN values, return data as is
    if not na_data_mask.any():
        return data

    # Replace NaNs with the initial median value
    initial_value = np.nanmedian(data_copy)
    data_copy = data_copy.astype('float32')
    data_copy[na_data_mask] = initial_value

    # Inpainting to fill missing data
    filled_data = cv.inpaint(data_copy, na_data_mask.astype('uint8'), 10, cv.INPAINT_TELEA)
    return filled_data

纳维-斯托克斯涂色法：这种方法以流体动力学纳维-斯托克斯方程为基础，通过将线条和结构扩展到缺失区域来引导内绘。对于具有较强方向性结构的区域，这种方法通常能产生更加连贯的结果。

def inpainting(data):
    """
    Fills in missing values in the input data using inpainting techniques.
    
    Parameters:
    data (numpy.ndarray): Input array with potential NaN values.

    Returns:
    numpy.ndarray: Array with NaN values filled using inpainting, 
                   or the original array if no NaNs are present.
    """
    # Mask for NaN values
    data_copy = np.copy(data)
    na_data_mask = np.isnan(data_copy)

    # If no NaN values, return data as is
    if not na_data_mask.any():
        return data

    # Replace NaNs with the initial median value
    initial_value = np.nanmedian(data_copy)
    data_copy = data_copy.astype('float32')
    data_copy[na_data_mask] = initial_value

    # Inpainting to fill missing data
    filled_data = cv.inpaint(data_copy, na_data_mask.astype('uint8'), 10, cv.INPAINT_NS)
    return filled_data

结论

栅格间隙填充是一种用于修复栅格图像中缺失或损坏数据的过程，尤其是那些来自卫星或航空图像的数据。栅格数据集中的缺口或 "无数据 "区域可能是由传感器故障、云层覆盖或数据传输错误等问题造成的，这可能会妨碍精确分析和可视化。填补空白技术旨在使用插值、机器学习或多时态图像融合等各种方法来估计和重建这些缺失值，从而生成连续可靠的数据。在环境监测、土地利用制图和气候研究等应用中，这一过程对于提高数据质量和确保更精确的分析至关重要。在当前的实验中，我应用了不同的图像处理技术，并将结果可视化。