数据同化方法 图像处理方法 基于客观分析和梯度倒数加权滤波提高 时序MODIS LA数据产品质量
基于客观分析和梯度倒数加权滤波提高 时序MODIS LAI数据产品质量 数据同化方法 图像处理方法
FPAR,LAI Quality Control Definition for collection 4 data(v4.*) Variable Bitfield Binary,Decimal Description of Bitfield(s) Values MODLAND 00=0 Best possible {0,1} 01=1 OK,but not the best 10=2 Not produced,due to cloud 11=3 Not produced,due to other reasons ↓100】。0L质量控制信息 DEAD- 0=0 Detectors apparently fine for DETECTO up to 50%of channels 1,2 R 1=1 Dead detectors caused >50% {2) adjacent detector retrievals FparLai_Q CLOUDST 00=0 Significant clouds NOT resent ATE 01=1 (clear) {3,4} 10=2 Significant clouds WERE present Mixed cloud present on pixel 11=3 Cloud state not defined,assumed clear SCF_QC, 000=0 Main(RT)method used with the best {5,6,7} possible results 001=1 Main(RT)method used with saturation 010=2 Main(RT)method failed due to geometry problems,empirical method used Main(RT)method failed due to problems 011=3 other than geometry,empirical method used 100=4 Couldn't retrieve pixel
FPAR, LAI Quality Control Definition for collection 4 data (v4.*) Variable Bitfield Binary,Decimal Values Description of Bitfield(s) FparLai_Q C MODLAND {0,1} 00=0 01=1 10=2 11=3 Best possible OK, but not the best Not produced, due to cloud Not produced, due to other reasons DEADDETECTO R, {2} 0=0 1=1 Detectors apparently fine for up to 50% of channels 1,2 Dead detectors caused >50% adjacent detector retrievals CLOUDST ATE {3,4} 00=0 01=1 10=2 11=3 Significant clouds NOT resent (clear) Significant clouds WERE present Mixed cloud present on pixel Cloud state not defined, assumed clear SCF_QC, {5,6,7} 000=0 001=1 010=2 011=3 100=4 Main (RT) method used with the best possible results Main (RT) method used with saturation Main (RT) method failed due to geometry problems, empirical method used Main (RT) method failed due to problems other than geometry, empirical method used Couldn’t retrieve pixel MODIS LAI 质 量 控 制 信 息
梯度倒数加权滤波 梯度倒数加权滤波算法的主要思想：在一帧离散的图像中，相邻 区域的变化大于区域内部的变化，同一区域内部中像素的变化小 于边缘像素的变化，则边缘区域处的梯度绝对值大于区域内部的 梯度绝对值。在一个NXN窗口中，把中心点像素与其各相邻点的 像素取梯度的绝对值，对所得到的梯度绝对值取倒数。以梯度绝 对值的倒数做权重因子对NXN的邻域内做局部平滑处理，使处理 后的结果既平滑了图像，又不至于使边缘和细节有明显的模糊。 为了使平滑后的图像的灰度值在图像的灰度范围内，采用归一化 的梯度倒数做加权系数，算法原理如下： 设点(x,y)处的灰度值为(x,y),如对5×5的窗口做局部平 滑处理，定义梯度绝对值的倒数为： 8(x,yi,) f(x+i,y+j)-f(x,y) 式中，i,j分别为-2，-1,0,1,2，但不能同时为0
梯度倒数加权滤波 梯度倒数加权滤波算法的主要思想：在一帧离散的图像中,相邻 区域的变化大于区域内部的变化,同一区域内部中像素的变化小 于边缘像素的变化,则边缘区域处的梯度绝对值大于区域内部的 梯度绝对值。在一个N×N窗口中,把中心点像素与其各相邻点的 像素取梯度的绝对值,对所得到的梯度绝对值取倒数。以梯度绝 对值的倒数做权重因子对N×N的邻域内做局部平滑处理,使处理 后的结果既平滑了图像,又不至于使边缘和细节有明显的模糊。 为了使平滑后的图像的灰度值在图像的灰度范围内,采用归一化 的梯度倒数做加权系数,算法原理如下: 设点 处的灰度值为 ,如对5×5的窗口做局部平 滑处理,定义梯度绝对值的倒数为: 式中， 分别为-2，-1，0，1，2，但不能同时为0。 ( , ) x y f x y ( , ) 1 ( , ; , ) ( , ) ( , ) g x y i j f x i y j f x y i j
若fx+i,y+)=fx,),梯度为0，则定义(x,y,》=2。因此 的变化范围在[0,2】之间。建立一个归一化的权重矩阵W作 为平滑的掩膜。 w(x-2,y-2)1w(x-2,y-1)1w(x-2y+2) w(x-1,y-2)w(x-1y-1)w(x-1y+2) W= (xy-2)w(x,y-1)w(x,y+2) w(x+1,y-2)w(x+1,y-1)w(x+1,y+2) w(x+2,y-2)w(x+2,y-1)w(x+2,y+2) 一 般规定中心元素的权值为0.5，其余加权系数的权重系数之和为 0.5,使各元素之和为1。所以除f(x,)外，权重矩阵W中其他元素 的值为：
若 ，梯度为0，则定义 。因此 的变化范围在 之间。建立一个归一化的权重矩阵 作 为平滑的掩膜。 f x i y j f x y ( , ) ( , ) g x y i j ( , ; , ) 2 [0, 2] W ( 2, 2) ( 1, 2) ( , 2) ( 1, 2) ( 2, 2) w x y w x y W w x y w x y w x y ( 2, 1) ( 1, 1) ( , 1) ( 1, 1) ( 2, 1) w x y w x y w x y w x y w x y ( 2, 2) ( 1, 2) ( , 2) ( 1, 2) ( 2, 2) w x y w x y w x y w x y w x y 一般规定中心元素的权值为0.5，其余加权系数的权重系数之和为 0.5，使各元素之和为1。所以除 外，权重矩阵 中其他元素 的值为： f x y ( , ) W
wx+iy+)=*_ g(x,y,i,i) 2∑∑g(x,y,i,) i j 式中，i,j分别为-2，-1,0,1,2，但i,j不能同时为0。 以此权重矩阵为掩膜，分别与图像像素相乘，积之和就是(x,) 平滑输出的G(x,): G(x,y)=∑∑w(x+i,y+)f(x+i,y+j)
1 ( , , , ) ( , ) * 2 ( , , , ) i j g x y i j w x i y j g x y i j 式中， 分别为-2，-1，0，1，2，但 不能同时为0。 以此权重矩阵为掩膜，分别与图像像素相乘，积之和就是 平滑输出的 : i j , i j , f x y ( , ) G x y ( , ) ( , ) ( , ) ( , ) i j G x y w x i y j f x i y j