本发明涉及遥感图像处理，尤其涉及一种卫星遥感图像数据的处理方法及系统。
背景技术：
1、早期的遥感图像主要用于军事侦察和气象观测。随着技术的进步，遥感图像的分辨率和覆盖范围不断提高，使其在地球科学、环境监测和自然资源管理等领域得到了广泛应用。随着计算机技术的发展，数字图像处理技术逐渐成熟，遥感图像的处理从模拟方式转向数字方式。这一时期，图像增强、图像复原和图像分割等基础图像处理技术得到了广泛应用，极大地提升了遥感图像的质量和可用性。随着高分辨率遥感卫星的发射，如美国的landsat系列、法国的spot系列和中国的高分系列，遥感图像的数据量和精度都有了质的飞跃。与此同时，图像处理算法的进步，如机器学习和深度学习的引入，使得遥感图像的自动分类和目标识别成为可能，大大提高了数据处理的效率和准确性，然而，目前传统的低分辨率图像无法满足精细化分析的需求，同时在计算光谱指数时常常忽略了环境干扰的影响，导致卫星遥感图像的精度和质量较低。
技术实现思路
1、基于此，有必要提供一种卫星遥感图像数据的处理方法及系统，以解决至少一个上述技术问题。
2、为实现上述目的，一种卫星遥感图像数据的处理方法，所述方法包括以下步骤：
3、步骤s1：获取卫星遥感观测信号；对对卫星遥感观测信号进行数据解码，生成卫星遥感观测数据；对卫星遥感观测去噪数据进行遥感图像集成，生成卫星遥感观测图像；
4、步骤s2：对卫星遥感观测图像进行光谱超分辨率重建，生成卫星遥感重建图像；对卫星遥感重建图像进行高光谱重构，生成卫星遥感高光谱重构图像；
5、步骤s3：对卫星遥感高光谱重构图像进行光谱指数计算，得到卫星遥感光谱指数；将卫星遥感光谱指数和预设的光谱指数阈值进行对比，当卫星遥感光谱指数大于或等于预设的光谱指数阈值时，则对相应的卫星遥感观测光谱特征数据进行高光谱特征数据；利用高光谱特征数据对卫星遥感光谱特征图进行大气区域干扰优化，生成卫星遥感大气优化图像；
6、步骤s4：利用边缘计算技术将卫星遥感大气优化图像上传至云平台中进行图像存储，得到卫星遥感大气存储图像；对卫星遥感大气存储图像进行分布式处理，以执行卫星遥感图像数据的处理作业。
7、本发明通过从卫星接收原始遥感信号，提供后续处理的原始数据源。对卫星遥感观测信号进行解码，生成可用的观测数据，将原始信号转化为可以进一步处理的数字数据。对观测数据进行去噪处理，提高数据的质量，减少噪声干扰，增强数据的准确性。将去噪后的数据集成生成遥感观测图像，形成初步的遥感图像，为后续处理提供基础。对遥感观测图像进行光谱超分辨率重建，生成高分辨率的重建图像，提高图像的分辨率，增强图像的细节和清晰度。对重建图像进行高光谱重构，生成高光谱重构图像，增加图像的光谱信息，提高图像的光谱分辨率和准确性。计算高光谱重构图像的光谱指数，可以提取关键的光谱特征参数，用于后续分析。将计算的光谱指数与预设的阈值进行对比，可以筛选出符合特定条件的光谱特征数据，进行重点分析。生成用于大气优化的高光谱特征数据，可以提供更精细的特征数据，为优化过程奠定基础。利用高光谱特征数据对图像进行大气区域的干扰优化，生成优化后的图像，可以减少大气干扰，提高图像质量和真实性。将优化后的图像通过边缘计算技术上传至云平台，可以实现高效的数据传输和初步处理，减轻云平台的计算负担。实现高效的数据传输和初步处理，减轻云平台的计算负担，可以提供安全、可靠的图像存储解决方案。对存储在云平台中的图像进行分布式处理，可以提高图像处理的效率和可扩展性，支持大规模数据处理作业。因此，本发明通过系统化的解码、去噪、超分辨率重建、高光谱重构、光谱指数计算及优化、边缘计算与云存储，提高了卫星遥感图像的精度和质量。
8、优选的，步骤s1包括以下步骤：
9、步骤s11：获取卫星遥感观测信号；
10、步骤s12：对卫星遥感观测信号进行数据解码，生成卫星遥感观测数据；
11、步骤s13：对卫星遥感观测数据进行辐射校正，生成卫星遥感观测辐射校正数据；对卫星遥感观测辐射校正数据进行几何校正，生成卫星遥感观测几何校正数据；对卫星遥感观测几何校正数据进行数据去噪，生成卫星遥感观测去噪数据；
12、步骤s14：对卫星遥感观测去噪数据进行遥感图像集成，生成卫星遥感观测图像。
13、本发明通过卫星接收设备获取从地球表面反射或辐射的电磁信号，提供了后续数据处理的基础原始数据，使得遥感信息的获取成为可能。将获取的原始观测信号进行解码，转换为可处理的数字数据格式，将不可直接使用的原始信号转换为可处理的数字数据，为后续的校正和处理奠定基础。对卫星遥感观测数据进行辐射校正，生成卫星遥感观测辐射校正数据，调整观测数据中的辐射误差，确保数据的辐射值准确反映地物的真实辐射特性，提高数据的辐射精度，确保观测数据的辐射真实性，为科学研究和应用提供准确的基础数据。纠正观测数据中的几何畸变，使得图像的空间位置与地理坐标系统准确对应，提高数据的空间精度，确保图像与地理位置的准确对应，为地理信息系统(gis)等应用提供精确的空间数据。去除观测数据中的噪声，提高数据的信噪比，使图像更加清晰，提升数据质量，使得图像更加清晰和可用，减少误差，提高数据的可靠性。将去噪后的遥感数据集成，生成完整的遥感图像，生成可用于分析和应用的高质量遥感图像，提供清晰的地表信息，为环境监测、资源管理等领域提供重要的数据支持。
14、优选的，步骤s14包括以下步骤：
15、步骤s141：对卫星遥感观测去噪数据进行光谱提取，得到卫星遥感光谱数据；对卫星遥感光谱数据进行光谱波段分析，生成卫星遥感光谱波段数据；
16、步骤s142：利用真彩色合成技术对卫星遥感光谱波段数据进行光谱图像合成，生成卫星遥感光谱合成图像；
17、步骤s143：对卫星遥感光谱合成图像进行图像预处理，生成标准卫星遥感光谱合成图像，其中图像预处理包括直方图均值化、图像亮度增强和对比度拉伸；
18、步骤s144：根据gis技术对标准卫星遥感光谱合成图像进行地理信息编码，生成卫星遥感观测图像。
19、本发明通过从去噪后的遥感数据中提取各个光谱波段的数据，进行分析以生成光谱波段数据。通过光谱提取和分析，可以获得详细的光谱信息，这些信息对识别和分类地物特征非常重要，提高了数据的科学价值和应用潜力。使用真彩色合成技术将多个光谱波段数据合成一幅彩色图像，使图像更接近人眼可见光的效果。真彩色合成技术使得图像更直观易懂，增强了图像的可视化效果，有助于快速识别和分析地表特征。均衡图像的亮度分布，提高图像的整体对比度，增加图像的亮度，使暗部细节更加清晰，拉伸图像的对比度，使得图像中不同部分的区分更加明显。预处理步骤提高了图像的视觉质量和细节表现力，使得图像在分析和应用过程中更加易用和准确。利用地理信息系统(gis)技术对预处理后的图像进行地理信息编码，使图像具有准确的地理位置信息，通过gis编码，图像与地理位置精确对应，确保图像可以用于各种地理信息系统的应用，提供精确的空间数据支持。
20、优选的，步骤s2包括以下步骤：
21、步骤s21：对卫星遥感观测图像进行光谱超分辨率重建，生成卫星遥感重建图像；
22、步骤s22：对卫星遥感重建图像进行光谱插值，生成卫星遥感光谱插值图像；
23、步骤s23：对卫星遥感光谱插值图像进行高光谱重构，生成卫星遥感高光谱重构图像。
24、本发明通过利用光谱超分辨率技术，通过算法对低分辨率的卫星遥感图像进行处理，提高其光谱和空间分辨率，生成更高分辨率的图像。提高图像的分辨率，使得图像的细节更加清晰，能够识别更小尺度的地物特征，为高精度的地理信息应用提供基础。对重建后的图像进行光谱插值处理，通过增加光谱数据点，提高图像的光谱分辨率。通过光谱插值，填补光谱数据中的空白，提高图像的光谱连续性和精度，有助于更准确地分析和分类地物。利用高光谱重构技术，将插值后的图像进一步处理，生成高光谱图像，使图像在每个像素点上具有更丰富的光谱信息。高光谱重构使得每个像素点包含更多的光谱波段信息，大大增强了图像的光谱分辨能力，有助于更详细和准确的地物分析和分类。
25、优选的，对卫星遥感光谱插值图像进行高光谱重构包括：
26、对卫星遥感光谱插值图像进行光谱区域分辨率分析，生成卫星遥感光谱图像分辨率数据；根据非负矩阵分解对卫星遥感光谱图像分辨率数据进行分辨率恢复，生成卫星遥感高光谱重构图像。
27、本发明通过对插值后的光谱图像进行分析，评估不同光谱区域的分辨率，生成相应的分辨率数据。这个过程通常包括识别和量化图像中每个光谱区域的分辨率。通过分析，可以量化每个光谱区域的分辨率，了解图像的分辨率分布情况。为后续的分辨率恢复提供基础数据，使得分辨率提升过程更有针对性和有效性。利用非负矩阵分解(nmf)技术，对光谱图像分辨率数据进行处理，恢复和提升图像的分辨率，生成高光谱重构图像。nmf是一种矩阵分解技术，可以将数据矩阵分解为两个非负矩阵的乘积，从而提取出图像中的特征信息。通过nmf技术，可以有效恢复和提升光谱图像的分辨率，使得图像在光谱和空间上更加细致。nmf技术能够保持原始数据的非负性，确保重构后的图像具有高保真度，不会引入不真实的负值信息。nmf能够提取出图像中的特征信息，增强图像的细节和分辨能力，有助于进一步的地物分析和分类。通过光谱区域分辨率分析，获得详细的分辨率分布数据，为后续处理提供依据。利用非负矩阵分解技术，有效恢复和提升图像分辨率，同时保持图像数据的非负性，确保重构图像的高保真度，nmf技术能够提取和强化图像中的特征信息，提升图像的细节表现力和分辨能力。
28、优选的，步骤s3包括以下步骤：
29、步骤s31：对卫星遥感高光谱重构图像进行光谱分解，生成卫星遥感观测光谱特征数据；
30、步骤s32：对卫星遥感观测光谱特征数据进行光谱指数计算，得到卫星遥感光谱指数；
31、步骤s33：将卫星遥感光谱指数和预设的光谱指数阈值进行对比，当卫星遥感光谱指数大于或等于预设的光谱指数阈值时，则对相应的卫星遥感观测光谱特征数据进行高光谱标记，生成高光谱特征数据；当卫星遥感光谱指数小于预设的光谱指数阈值时，则对相应的卫星遥感观测光谱特征数据进行剔除；将高光谱特征数据进行光谱特征组合，生成卫星遥感光谱特征图；利用卫星遥感光谱特征图对卫星遥感观测去噪数据进行大气透过率评估，生成大气透过率评估数据；
32、步骤s34：基于大气透过率评估数据对卫星遥感光谱特征图进行大气区域干扰优化，生成卫星遥感大气优化图像。
33、本发明通过从高光谱图像中提取重要的光谱特征，为后续的光谱指数计算和分析提供基础数据。将复杂的高光谱数据分解为可处理的特征数据，简化后续处理步骤。通过光谱指数的计算，能够对不同地物进行定量分析和分类。光谱指数可以用于植被监测、水体分析、土壤分类等多种遥感应用中。对相应的光谱特征数据进行高光谱标记，生成高光谱特征数据。对相应的光谱特征数据进行剔除。将高光谱特征数据进行光谱特征组合，生成卫星遥感光谱特征图。利用卫星遥感光谱特征图对观测去噪数据进行大气透过率评估，生成大气透过率评估数据。通过阈值对比，有效筛选出重要的光谱特征数据，去除无关或噪声数据。对重要光谱特征进行标记，生成更具代表性和分析价值的高光谱特征数据。通过光谱特征图进行大气透过率评估，了解大气对遥感数据的影响，提高数据质量。利用大气透过率评估数据，对光谱特征图进行大气区域干扰优化，减少大气对遥感数据的干扰，生成优化后的图像，有效减少大气对遥感图像的干扰，提高图像的清晰度和真实性。
34、优选的，利用卫星遥感光谱特征图对卫星遥感观测去噪数据进行大气透过率评估包括：
35、对卫星遥感观测去噪数据进行历史数据采集，得到卫星遥感观测历史数据；
36、通过6s辐射传输模型对利用卫星遥感光谱特征图进行光谱特征影响分析，生成初始大气成分数据；对初始大气成分数据进行大气透过率计算，得到大气透过率数据；通过卫星遥感观测去噪数据和卫星遥感观测历史数据对大气透过率数据大气评估优化，生成大气透过率评估数据。
37、本发明通过历史数据的积累，形成丰富的样本库，为大气透过率的评估提供参考，可以分析不同时期和条件下的大气变化趋势，增强评估的准确性。使用6s(secondsimulation of asatellite signal in the solar spectrum)辐射传输模型，结合卫星遥感光谱特征图，分析光谱特征对大气成分的影响，生成初始的大气成分数据。6s模型能够模拟太阳光在大气中传输的过程，精确分析大气成分对光谱特征的影响。基于初始的大气成分数据，计算大气透过率，得到各光谱波段上的透过率数据，精确计算各光谱波段的大气透过率，了解大气对遥感信号的影响程度，为后续的透过率评估优化提供基础数据。结合当前的去噪数据和历史数据，对初步计算的大气透过率数据进行优化评估，生成更加精确的大气透过率评估数据，利用历史数据进行校正，减少误差，提高评估的精确度。生成的透过率评估数据更为准确，可用于进一步的大气校正和图像优化。
38、优选的，基于大气透过率评估数据对卫星遥感光谱特征图进行大气区域干扰优化包括：
39、对卫星遥感光谱特征图进行时序图像采集，得到卫星遥感大气多时相图像；
40、对卫星遥感大气多时相图像进行时序对齐，生成卫星遥感大气多时相对齐图像；对卫星遥感大气多时相对齐图像进行大气变化区域边缘分割，生成大气变化边缘区域图像；
41、基于大气透过率评估数据对大气变化边缘区域图像进行可视区域筛选，得到大气变化可视区域图像；根据大气变化可视区域图像对卫星遥感光谱特征图进行大气干扰区域填补，生成卫星遥感大气优化图像。
42、本发明通过多时相图像，可以分析不同时间点的大气状况和变化趋势，增加了时间维度的数据，提升大气变化的识别和处理能力。对多时相图像进行对齐处理，确保不同时间点的图像在空间上对齐，以便进行后续分析，确保不同时间点的图像准确对齐，减少时序分析中的空间误差，对齐后的图像具有更高的一致性，便于进行比较和分析。通过图像处理技术，分割出多时相对齐图像中大气变化的区域边缘，识别大气变化的具体区域，可以精确识别大气变化区域，提高对大气干扰区域的检测能力，生成的边缘区域图像明确标示出大气变化区域的边界，便于后续处理。通过评估数据筛选出高可视性的区域，确保保留的数据质量更高，剔除可视性低的区域，减少大气噪声对图像的干扰。利用大气变化可视区域图像，填补和修正光谱特征图中的大气干扰区域，生成优化后的图像，可以有效填补和修正大气干扰区域，提高图像的整体质量，生成的大气优化图像具有更高的清晰度和真实性，便于进一步分析和应用。
43、优选的，步骤s4包括以下步骤：
44、步骤s41：利用边缘计算技术对卫星遥感大气优化图像进行图像压缩，生成卫星遥感大气压缩图像；
45、步骤s42：将卫星遥感大气压缩图像上传至云平台中进行图像存储，得到卫星遥感大气存储图像；对卫星遥感大气存储图像进行分布式处理，以执行卫星遥感图像数据的处理作业。
46、本发明通过在靠近数据源的边缘设备上，使用边缘计算技术对大气优化图像进行压缩处理，以减小图像文件的大小，同时保留图像的关键特征和信息。边缘计算技术允许在数据源附近进行实时处理，减少数据传输延迟。通过图像压缩，显著降低数据传输所需的带宽，提高传输效率。边缘计算减轻了中心服务器的负担，提高整体处理效率。将压缩后的图像上传到云平台进行存储，以利用云平台的高容量和高可靠性存储设施。云平台提供高可靠性的存储服务，确保数据的安全性和持久性。云存储具备良好的可扩展性，能够处理大量卫星遥感图像数据。通过云平台，用户可以方便地访问和管理存储的遥感图像。在云平台上利用分布式计算技术，对存储的遥感图像数据进行处理，如分析、分类、监测等，以执行各种遥感图像处理作业。利用云平台的分布式计算资源，能够快速处理大规模遥感图像数据。分布式处理系统具备高度灵活性，能够根据需求动态分配计算资源，分布式处理提高了图像处理任务的效率，缩短了处理时间。
47、在本说明书中，提供了一种卫星遥感图像数据的处理系统，用于执行上述的卫星遥感图像数据的处理方法，该卫星遥感图像数据的处理系统包括：
48、遥感信号转换模块，用于获取卫星遥感观测信号；对对卫星遥感观测信号进行数据解码，生成卫星遥感观测数据；对卫星遥感观测去噪数据进行遥感图像集成，生成卫星遥感观测图像；
49、光谱重构模块，用于对卫星遥感观测图像进行光谱超分辨率重建，生成卫星遥感重建图像；对卫星遥感重建图像进行高光谱重构，生成卫星遥感高光谱重构图像；
50、大气干扰优化模块，用于对卫星遥感高光谱重构图像进行光谱指数计算，得到卫星遥感光谱指数；将卫星遥感光谱指数和预设的光谱指数阈值进行对比，当卫星遥感光谱指数大于或等于预设的光谱指数阈值时，则对相应的卫星遥感观测光谱特征数据进行高光谱特征数据；利用高光谱特征数据对卫星遥感光谱特征图进行大气区域干扰优化，生成卫星遥感大气优化图像；
51、图像存储模块，用于利用边缘计算技术将卫星遥感大气优化图像上传至云平台中进行图像存储，得到卫星遥感大气存储图像；对卫星遥感大气存储图像进行分布式处理，以执行卫星遥感图像数据的处理作业。
52、本发明的有益效果在于通过获得原始的卫星遥感数据，为后续的处理提供基础数据。对卫星遥感观测图像进行光谱超分辨率重建和高光谱重构。这些技术可以提高图像的分辨率和光谱信息，使得观测图像更加清晰和详细，有助于更准确地提取地物信息。对卫星遥感高光谱重构图像进行光谱指数计算，并与预设的光谱指数阈值进行对比。这一步骤可以提供光谱指数信息，用于分析和评估不同地区的植被生长、土壤质量等环境指标，有助于农业、环境监测等领域的研究和决策。利用边缘计算技术将卫星遥感大气优化图像上传至云平台并进行存储，然后进行分布式处理。这种处理方式可以充分利用云平台的计算和存储资源，提高处理效率和数据处理能力，为用户提供快速、高效的卫星遥感数据处理服务。因此，本发明通过系统化的解码、去噪、超分辨率重建、高光谱重构、光谱指数计算及优化、边缘计算与云存储，提高了卫星遥感图像的精度和质量。
1.一种卫星遥感图像数据的处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的卫星遥感图像数据的处理方法，其特征在于，步骤s1包括以下步骤：
3.根据权利要求2所述的卫星遥感图像数据的处理方法，其特征在于，步骤s14包括以下步骤：
4.根据权利要求1所述的卫星遥感图像数据的处理方法，其特征在于，步骤s2包括以下步骤：
5.根据权利要求4所述的卫星遥感图像数据的处理方法，其特征在于，对卫星遥感光谱插值图像进行高光谱重构包括：
6.根据权利要求1所述的卫星遥感图像数据的处理方法，其特征在于，步骤s3包括以下步骤：
7.根据权利要求6所述的卫星遥感图像数据的处理方法，其特征在于，利用卫星遥感光谱特征图对卫星遥感观测去噪数据进行大气透过率评估包括：
8.根据权利要求6所述的卫星遥感图像数据的处理方法，其特征在于，基于大气透过率评估数据对卫星遥感光谱特征图进行大气区域干扰优化包括：
9.根据权利要求7所述的卫星遥感图像数据的处理方法，其特征在于，步骤s4包括以下步骤：
10.一种卫星遥感图像数据的处理系统，其特征在于，用于执行如权利要求1所述的卫星遥感图像数据的处理方法，该卫星遥感图像数据的处理系统包括：
