50、时空图像融合方法与雾计算物联网医疗攻击检测技术解析

时空图像融合方法与雾计算物联网医疗攻击检测技术解析

时空图像融合方法

在遥感领域，时空图像融合方法对于满足各种实际应用需求至关重要。目前，文献中讨论的时空融合方法根据操作级别大致可分为像素级、特征级和决策级三类。

相关工作

在处理作物生长监测等实际问题时，由于田间作物因播种、水分、样本和管理措施等因素呈现不同生长情况，聚焦子田块级变化的方法更为适用。常见的物候变化监测方法如空间和时间自适应反射率融合模型（STARFM）及其增强版（ESTARFM），存在未充分考虑子田块变异性且结果依赖分类精度的问题。其他类似STARFM的方法以及基于空间解混的方法也有同样问题，并且它们未考虑传感器的跨尺度空间失配和点扩散函数（PSF）导致的融合误差，且大多在像素级操作，对地理配准误差敏感。特征级算法如基于稀疏表示的时空反射率融合模型（SPSTFM）虽对地理配准误差不那么敏感，但更关注形状而非空间细节。近期提出的HISTIF方法解决了跨尺度空间失配和PSF导致的融合误差问题，但未考虑乘法调制带来的偏差，影响了异质景观的结果，且多数算法未考虑卫星数据中缺失像素的实际问题。而本文提出的模型克服了上述所有限制，预测精度高于HISTIF。

提出的模型

• 预处理 ：该模型需要参考时间t0的一对图像和时间t1的一幅粗图像作为输入，以预测时间t1的精细图像。使用前，需将所有输入图像校准到地表反射率，并重新投影到同一坐标系。为保留原始图像的光谱完整性，可使用最近邻插值将粗图像重采样到精细分辨率。处理后，设C(bn, t0)、F(bn, t0)、C(bn, t1)分别为时间t0的粗图像、时间t0的精细图像和时间t1的粗图