遥感图像的空间、时间与几何融合

遥感图像对于在不同空间尺度上监测和勘测地球至关重要。来自多种遥感源的连续观测可补充单一观测，从而改进应用。将多幅或单幅图像进行融合，可提供更具信息量、更精确、更完整且更一致的数据。已有研究针对特定应用（如全色锐化）和时序分析的空间-时间融合进行了深入探索。融合方法能够处理不同的图像、模态和任务，并期望对各类图像（如光谱图像、分类图和高程图）及场景复杂度具有鲁棒性和自适应性。本文提出了改进现有处理网格化数据并考虑其类型特定不确定性的融合方法的解决方案。贡献包括：1) 一种解决多时相图像光谱异质性的空间-时间滤波器。2) 一种增强分类图时空不一致性的3D迭代时空滤波器。3) 一种自适应语义引导融合方法，可提高数字表面模型(DSM)的精度，并与传统融合方法进行比较，以展示自适应方法的重要性。4) 对深度学习立体匹配方法与传统的Census-SGM方法进行全面分析，以获取在立体匹配层面DSM精度的详细知识。我们分析了整体性能、鲁棒性和泛化能力，这有助于识别当前DSM生成方法的局限性。5) 基于前述分析，我们开发了一种新颖的微调策略，以增强深度学习立体匹配方法的可迁移性，从而提高DSM的精度。我们的工作展示了空间、时间和几何融合在增强遥感应用中的重要性。结果表明，融合问题是特定于具体情况的，取决于图像类型、场景内容和应用。