CN102982345B - 基于连续小波变换的时序遥感影像半自动分类方法 - Google Patents
基于连续小波变换的时序遥感影像半自动分类方法 Download PDFInfo
- Publication number
- CN102982345B CN102982345B CN201210460579.0A CN201210460579A CN102982345B CN 102982345 B CN102982345 B CN 102982345B CN 201210460579 A CN201210460579 A CN 201210460579A CN 102982345 B CN102982345 B CN 102982345B
- Authority
- CN
- China
- Prior art keywords
- wavelet
- dimension
- variance
- scale
- spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于连续小波变换的时序遥感影像半自动分类方法,该方法首先建立若干已知地物的年内时序变化原始图谱,对其进行连续小波变换,获得小波系数谱,在此基础上建立基于时间维的小波方差谱及基于尺度维的小波方差谱,同时建立整个研究区所有研究单元的基于时间维的小波方差谱及基于尺度维的小波方差谱,然后依据已知地物的小波方差谱的类间差异性最大化原则,分别确定最适宜影像分类的时间域与尺度域区间,最后通过建立综合判别体系,实现遥感影像半自动分类。该方法可以有效地提取时序遥感影像在时间维和尺度维上的特征,具有较少依赖先验知识、鲁棒性好、分类精度好、自动化程度高等特点。
Description
技术领域
本发明涉及遥感影像信息处理技术领域,特别是一种基于连续小波变换的时序遥感影像半自动分类方法。
背景技术
当前,MODIS等卫星遥感系统能够提供每日覆盖全球的遥感影像数据,为监测地表覆盖变化特征提供了详实的数据基础。如何合理地利用遥感影像的时序信息进行自动、半自动分类是一项十分重要的工作。遥感影像分类方法大致可以分为两大类别:第一类是传统的基于空间聚类思想的算法,很多常用的算法属于这种类型,如最大似然判别法、神经元网络分类法、模糊分类法、最小距离分类法与Fisher判别分类法以及各种空间聚类方法;第二类为新型的基于时序特征的分类方法,应用到土地覆盖或农作物监测领域也称为物候法,该类方法充分挖掘不同地物在不同时间、不同季节的时序特征进行分类。第一类方法的不足之处在于它非常依赖使用者的经验和单期影像数据本身的质量,并且由于信息的维度有限,同物异谱和异物同谱的现象非常普遍,已经成为深入应用的最大瓶颈;第二类方法的优越之处显而易见,但由于该方法提出的时间不长,正处在发展阶段,需要开展更深入的研究工作。目前第二类方法的研究重点集中在如何从多维时序特征中提取出有效的参数用于遥感影像分类,主要的方法有统计参数法(均值、方差、极值等)、欧式距离法、决策树法以及基于离散小波变换的方法。这些研究方法能较好辅助提取遥感影像中地物的时序特征,一定程度上为遥感影像半自动分类奠定了基础,因此近年来在一定范围内取得了较好的应用效果。然而,每种不同的地物类型在不同尺度维、时间维等多个维度上都有其特征,上述方法无法完整有效地提取这些特征,从而影响了分类的精度与效率。因此,非常需要引入一种新型遥感影像半自动分类方法。
发明内容
本发明的目的在于提供一种基于连续小波变换的时序遥感影像半自动分类方法,该方法分类精度高,自动化程度高,鲁棒性好。
为实现上述目的,本发明的技术方案是:一种基于连续小波变换的时序遥感影像半自动分类方法,包括以下步骤:
步骤1:基于一定时间步长为间隔的年内时序变化系列遥感影像数据集,建立若干已知地物的年内时序变化原始图谱;
步骤2:分别基于Morlet小波和墨西哥帽小波,对已知地物的年内时序变化原始图谱进行连续小波变换,获得基于Morlet小波变换的小波系数谱和基于墨西哥帽小波变换的小波系数谱;
步骤3:利用基于墨西哥帽小波变换的小波系数谱计算基于时间维的小波方差,利用基于Morlet小波变换的小波系数谱计算基于尺度维的小波方差,从而分别建立所述若干已知地物的基于时间维的小波方差谱和基于尺度维的小波方差谱;
步骤4:导入待分类影像,参照步骤1~3,建立待分类影像中每个栅格单元的基于时间维的小波方差谱和基于尺度维的小波方差谱;
步骤5:分别基于所述若干已知地物类型的类间区分度最大化的原则,以基于时间维的小波方差谱和基于尺度维的小波方差谱为依据,确定最适宜分类的时间域与尺度域区间,作为下一步分类判别的基础;
步骤6:依据基于时间维的小波方差谱的图像相似度或分离度判断所述待分像元属于哪种已知地物类型:在所确定的最适宜分类的时间域范围内,计算待分像元与每种已知地物的基于时间维的小波方差谱的图像相似度或分离度,如果所述待分像元与某种已知地物的基于时间维的小波方差谱的距离最小且距离在设定的阈值范围内,则判断所述待分像元为该已知地物类型;
否则,进一步依据基于尺度维的小波方差谱的图像相似度或分离度判断所述待分像元属于哪种已知地物类型:在所确定的最适宜分类的尺度域范围内,计算待分像元与每种已知地物的基于尺度维的小波方差谱的图像相似度或分离度,如果所述待分像元与某种已知地物的基于尺度维的小波方差谱的距离最小且距离在设定的阈值范围内,则判断所述待分像元为该已知地物类型;
如果依据基于时间维的小波方差谱以及基于尺度维的小波方差谱均未能获得合理的分类结果,则进一步补充研究区中的已知地物类型,直至研究区每个像元均获得合理的分类结果为止。
与现有技术相比,本发明具有较少依赖先验知识、鲁棒性好、分类精度好、自动化程度高等特点,主要体现在:(1)本发明分别利用Morlet小波和墨西哥帽小波进行连续小波变换,获得不同地物类别在不同时间域与尺度域上的小波系数谱,能同时从时间与尺度两个方面综合刻画地物特征,极大地丰富了分类样本的信息维度,为遥感影像高精度半自动分类奠定了基础;(2)基于最佳分离度的思想,选取已知地物之间区分度最大的时间域与尺度域区间,构建用于基于时序特征的遥感影像分类的特征空间,可以有效地避免因为已知样本区分度不高带来的误判现象的发生;(3)基于图像相似度匹配的思想,综合待分类像元与已知地物的时间与基于尺度维的小波方差谱的距离进行遥感影像自动判别分类,同时充分合理地利用基于时间维与尺度维多个维度上的信息,具有很好的鲁棒性与自适应性。
附图说明
图1是本发明实施例的实现流程图。
图2是本发明实施例的综合判别体系的流程图。
具体实施方式
本发明基于连续小波变换的时序遥感影像半自动分类方法,包括以下步骤:
步骤1:基于一定时间步长为间隔的年内时序变化系列遥感影像数据集,建立若干已知地物的年内时序变化原始图谱,如基于MODIS EVI指数的若干农作物的年内时序变化原始图谱,以此作为遥感影像半自动分类的先验知识和基础;
步骤2:分别基于Morlet小波和墨西哥帽小波,对已知地物的年内时序变化原始图谱进行连续小波变换,获得基于Morlet小波变换的小波系数谱和基于墨西哥帽小波变换的小波系数谱;小波系数谱,从时间与尺度两个方面刻画已知地物年内变化信息,体现为一幅横纵坐标分别为时间维与频率维的二维图谱,与原始图谱相比,同时还具有去噪的功能;
步骤3:利用基于墨西哥帽小波变换的小波系数谱计算基于时间维的小波方差,利用基于Morlet小波变换的小波系数谱计算基于尺度维的小波方差(基于时间维的小波方差time-averaged wavelet variance,简称TAWV,基于尺度维的小波方差 scale-averaged wavelet variance,简称SAWV),从而分别建立所述若干已知地物的基于时间维的小波方差谱和基于尺度维的小波方差谱;由于墨西哥帽小波为真正的对称小波,非常适合监测时序信号中的峰值和谷值,而频率变化信息获取利用Morlet小波,由此分别建立基于墨西哥帽小波的时间维的小波方差谱以及基于Morlet小波的尺度维的小波方差谱;
步骤4:导入待分类影像,参照步骤1~3,建立待分类影像中每个栅格单元的基于时间维的小波方差谱和基于尺度维的小波方差谱;
步骤5:分别基于所述若干已知地物类型的类间区分度最大化的原则,以基于时间维的小波方差谱和基于尺度维的小波方差谱为依据,确定最适宜分类的时间域与尺度域区间,作为下一步分类判别的基础;
步骤6:依据基于时间维的小波方差谱的图像相似度或分离度判断所述待分像元属于哪种已知地物类型:在所确定的最适宜分类的时间域范围内,计算待分像元与每种已知地物的基于时间维的小波方差谱的图像相似度或分离度,相似度或分离度计算选用Jeffries–Matusita距离,如果所述待分像元与某种已知地物的基于时间维的小波方差谱的距离最小且距离在某个合理的阈值范围内,则判断所述待分像元为该已知地物类型;
否则,进一步依据基于尺度维的小波方差谱的图像相似度或分离度判断所述待分像元属于哪种已知地物类型:在所确定的最适宜分类的尺度域范围内,利用Jeffries–Matusita距离计算待分像元与每种已知地物的基于尺度维的小波方差谱的图像相似度或分离度,如果所述待分像元与某种已知地物的基于尺度维的小波方差谱的距离最小且距离在某个合理的阈值范围内,则判断所述待分像元为该已知地物类型;
如果依据基于时间维的小波方差谱以及基于尺度维的小波方差谱均未能获得合理的分类结果,则进一步补充研究区中的已知地物类型,直至研究区每个像元均获得合理的分类结果为止。
在本发明中,综合从小波系数谱中提取的基于时间维的小波方差谱和基于尺度维的小波方差谱,作为遥感影像半自动分类的依据。
下面结合附图和具体实施例对本发明作进一步说明。
本发明实施例的流程参见附图1。
第一阶段:建立若干已知地物的年内时序变化原始图谱
依据研究区特点,确定若干已知地物类型(N=1,2,…,n),基于研究区某个年份内一定时间步长为间隔的年内时序变化系列遥感影像数据集,如每日的MODIS EVI指数数据集(后面以此为例进行说明),建立若干已知地物的MODIS EVI指数的年内时序变化原始图谱。
第二阶段:对原始图谱进行连续小波变换,获得小波系数谱
对若干已知地物的年内时序变化原始图谱进行连续小波变换,获得连续小波变换后的小波系数谱,小波变换可表示为:
(1)
其中a、b分别为尺度与时间参数,为原始信号,为连续小波系数。
考虑到不同小波的特征,分别采用墨西哥帽(Mexican hat)小波和Morlet小波进行连续小波变换,墨西哥帽小波和Morlet小波分别表示为:
墨西哥帽小波基函数:, (2)
Morlet小波基函数: (3)
第三阶段:基于小波系数谱,构建若干已知地物的基于时间维的小波方差谱与基于尺度维的小波方差谱
考虑到不同的小波基的特点,从基于墨西哥帽小波变换生成的小波系数谱中计算基于时间的小波方差,基于Morlet小波变换生成的小波系数谱中计算基于尺度的小波方差,从而分别建立若干已知地物的基于时间维的小波方差谱和基于尺度维的小波方差谱,分别表示为:
(4)
(5)
其中、分别表示某个时刻或某个尺度上小波系数的平均值。
第四阶段:建立整个研究区所有研究单元的基于时间维的小波方差谱与基于尺度维的小波方差谱
依次对研究区所有研究单元,逐步按照步骤一至三建立待分类影像的基于时间维的小波方差谱与基于尺度维的小波方差谱。
第五阶段:确定最适宜影像分类的时间域与尺度域区间
基于若干已知地物之间的基于时间维的小波方差谱和基于尺度维的小波方差谱的区分度最大化的原则,选取合适的时间域与尺度域区间,作为下一步分类判断的基础。实施例中距离的判断以Jeffries–Matusita distance (简称JM距离)为例进行说明,利用JM距离计算逐个时间段内若干已知地物的基于时间维的小波方差谱的距离,汇总获得不同时间段内若干已知地物基于时间维的小波方差谱的距离和,在排序比较的基础上选取若干已知地物基于时间维的小波方差谱的距离和的数值最大的时间区间,作为下一步分类的基础;依据同样的步骤确定最适宜影像分类的尺度域区间。JM距离计算公式为:
(6)
其中,和 为两个已知样本的基于时间维的小波方差谱或基于尺度维的小波方差谱,进一步定义JM距离的值域区间为[0,2],其中0为低区分度(高相似度),2为高区分度(低相似度),公式表示为:
(7)
其中:
(8)
(9)
式中,分别表示两个已知地物的基于时间维的小波方差(或基于尺度维的小波方差)的数学期望值,, 为已知地物j和地物k在某个时间区间(或尺度区间)的基于时间维的小波方差(或基于尺度维的小波方差)的协方差值。
汇总获得不同时间区间(尺度区间)若干已知地物基于时间维的小波方差(或基于尺度维的小波方差)的距离和,公式为:
(10)
其中m为已知地物的个数,为第j和k类的JM距离。
第六阶段:建立综合判别体系,实现遥感影像半自动分类
依据步骤五所确定的最适宜时间域范围内,逐像元分别计算每个待分像元与每个已知地物的基于时间的小波方差谱的JM距离,表示为:
(11)
其中为某像元在某时刻i的基于时间维的小波方差,为某个已知地物在该时刻的基于时间维的小波方差值,i的取值区间为步骤五所确定的最适宜时间域范围。
图2描述了建立综合判别体系的具体流程,首先依据基于时间的小波方差谱进行判别,如果未能获得合适的分类结果,则进一步基于尺度的小波方差谱进行识别。具体步骤为:首先,针对每个待分像元,选取其与某个已知地物的基于时间维的小波方差谱的JM距离最小的那个地物类型,并且进一步判断其距离是否在某个合理的阈值范围内,如果是,则判分该像元属于这种地物类型,可表示为:
(12)
其中表示待分像元与若干已知地物(N=1,2,…,n)的基于时间维的小波方差谱的JM距离。
如果该待分像元与所有已知地物的基于时间维的小波方差谱的距离均在某个阈值范围外,则进一步计算该待分像元与所有已知地物的基于尺度维的小波方差谱的JM距离,表示为:
(13)
其中为某像元在某尺度j的基于尺度维的小波方差,为某个已知地物在该时刻的基于尺度维的小波方差值,j的取值区间为步骤五所确定的最适宜尺度域范围。
然后,找到与该待分像元的基于尺度维的小波方差的距离最小的已知地物类型,并且进一步判断其距离是否在某个合理的阈值范围内,如果是,则判分该像元属于这种地物类型,可表示为:
(14)
其中表示待分像元与若干已知地物(N=1,2,…,n)的基于尺度维的小波方差谱的JM距离。
如果以上综合判别流程均未能进行合理分类,则通过补充研究区中的已知地物类型,直到研究区每个像元都获得合理的分类结果为止。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (2)
1.一种基于连续小波变换的时序遥感影像半自动分类方法,其特征在于,包括以下步骤:
步骤1:基于一定时间步长为间隔的年内时序变化系列遥感影像数据集,建立若干已知地物的年内时序变化原始图谱;
步骤2:分别基于Morlet小波和墨西哥帽小波,对已知地物的年内时序变化原始图谱进行连续小波变换,获得基于Morlet小波变换的小波系数谱和基于墨西哥帽小波变换的小波系数谱;
步骤3:利用基于墨西哥帽小波变换的小波系数谱计算基于时间维的小波方差,利用基于Morlet小波变换的小波系数谱计算基于尺度维的小波方差,从而分别建立所述若干已知地物的基于时间维的小波方差谱和基于尺度维的小波方差谱;
步骤4:导入待分类影像,参照步骤1~3,建立待分类影像中每个栅格单元的基于时间维的小波方差谱和基于尺度维的小波方差谱;
步骤5:分别基于所述若干已知地物类型的类间区分度最大化的原则,以基于时间维的小波方差谱和基于尺度维的小波方差谱为依据,确定最适宜分类的时间域与尺度域区间,作为下一步分类判别的基础;
步骤6:依据基于时间维的小波方差谱的图像相似度或分离度判断所述待分像元属于哪种已知地物类型:在所确定的最适宜分类的时间域范围内,计算待分像元与每种已知地物的基于时间维的小波方差谱的距离,以衡量图像相似度或分离度,如果所述待分像元与某种已知地物的基于时间维的小波方差谱的距离最小且距离在设定的阈值范围内,则判断所述待分像元为该已知地物类型;
否则,进一步依据基于尺度维的小波方差谱的图像相似度或分离度判断所述待分像元属于哪种已知地物类型:在所确定的最适宜分类的尺度域范围内,计算待分像元与每种已知地物的基于尺度维的小波方差谱的图像相似度或分离度,如果所述待分像元与某种已知地物的基于尺度维的小波方差谱的距离最小且距离在设定的阈值范围内,则判断所述待分像元为该已知地物类型;
如果依据基于时间维的小波方差谱以及基于尺度维的小波方差谱均未能获得合理的分类结果,则进一步补充研究区中的已知地物类型,直至研究区每个像元均获得合理的分类结果为止。
2.根据权利要求1所述的基于连续小波变换的时序遥感影像半自动分类方法,其特征在于,综合从小波系数谱中提取的基于时间维的小波方差谱和基于尺度维的小波方差谱,作为遥感影像半自动分类的依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210460579.0A CN102982345B (zh) | 2012-11-16 | 2012-11-16 | 基于连续小波变换的时序遥感影像半自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210460579.0A CN102982345B (zh) | 2012-11-16 | 2012-11-16 | 基于连续小波变换的时序遥感影像半自动分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102982345A CN102982345A (zh) | 2013-03-20 |
CN102982345B true CN102982345B (zh) | 2015-06-03 |
Family
ID=47856327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210460579.0A Expired - Fee Related CN102982345B (zh) | 2012-11-16 | 2012-11-16 | 基于连续小波变换的时序遥感影像半自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102982345B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336956B (zh) * | 2013-07-10 | 2016-08-10 | 福州大学 | 一种基于遥感时序数据的冬小麦面积估算方法 |
CN103927430B (zh) * | 2014-01-23 | 2017-01-11 | 福州大学 | 一种耕地复种指数自动提取方法 |
CN106446555B (zh) * | 2016-09-29 | 2019-01-22 | 福州大学 | 基于时序相似性的植被变化发生时间检测方法 |
CN106943258B (zh) * | 2017-05-11 | 2022-01-28 | 南京信息工程大学 | 一种多功能无线智能床垫及其人体生理信号测量方法 |
CN116052001B (zh) * | 2023-02-10 | 2023-11-17 | 中国矿业大学(北京) | 一种基于类别方差比值法进行最优尺度选择的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1916935A (zh) * | 2006-09-11 | 2007-02-21 | 武汉大学 | 一种可调节的光谱和空间特征混合分类方法 |
CN101976361A (zh) * | 2010-11-23 | 2011-02-16 | 中国矿业大学 | 一种用于遥感影像的多核支持向量机分类方法 |
-
2012
- 2012-11-16 CN CN201210460579.0A patent/CN102982345B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1916935A (zh) * | 2006-09-11 | 2007-02-21 | 武汉大学 | 一种可调节的光谱和空间特征混合分类方法 |
CN101976361A (zh) * | 2010-11-23 | 2011-02-16 | 中国矿业大学 | 一种用于遥感影像的多核支持向量机分类方法 |
Non-Patent Citations (3)
Title |
---|
南方丘陵山区典型地物景观特征尺度研究;邱炳文等;《自然资源学报》;20101130;第25卷(第11期);1970-1978 * |
基于多尺度小波的城市遥感图像纹理特征提取;黄皖毅等;《广东广播电视大学学报》;20101115;第19卷(第4期);106-109 * |
基于改进小波变换的地物类型提取研究;李春静等;《水土保持研究》;20101031;第17卷(第5期);195-198 * |
Also Published As
Publication number | Publication date |
---|---|
CN102982345A (zh) | 2013-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102750703B (zh) | 一种基于直线分割的遥感图像机场自动检测方法 | |
CN102254319B (zh) | 一种多层次分割的遥感影像变化检测方法 | |
CN103632363B (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN102982345B (zh) | 基于连续小波变换的时序遥感影像半自动分类方法 | |
CN101814149B (zh) | 一种基于在线学习的自适应级联分类器训练方法 | |
CN110119438B (zh) | 基于主动学习的机载LiDAR点云滤波方法 | |
CN102169545B (zh) | 一种高分辨率遥感图像的变化检测方法 | |
CN105389550A (zh) | 一种基于稀疏指引与显著驱动的遥感目标检测方法 | |
CN102982534B (zh) | 基于弦线切线法的Canny边缘检测双阈值获取方法 | |
CN101634705B (zh) | 基于方向信息测度的sar图像目标变化检测方法 | |
CN104699755A (zh) | 一种基于数据挖掘的智能化多目标综合识别方法 | |
CN102163333B (zh) | 谱聚类的sar图像变化检测方法 | |
CN105225227A (zh) | 遥感影像变化检测的方法及系统 | |
CN110765962A (zh) | 一种基于三维点云轮廓分维值的植物识别分类方法 | |
CN103675610A (zh) | 局部放电在线检测中的特征因子提取方法 | |
CN103366365A (zh) | 基于人工免疫多目标聚类的sar图像变化检测方法 | |
CN104680151B (zh) | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 | |
CN105321163A (zh) | 检测全极化sar图像的变化区域的方法和装置 | |
CN112347894A (zh) | 基于迁移学习和高斯混合模型分离的单株植被提取方法 | |
CN105205816A (zh) | 多特征加权融合的高分辨率sar影像建筑区提取方法 | |
CN103310235A (zh) | 一种基于参数识别与估计的隐写分析方法 | |
CN101980295A (zh) | 基于偏度分析的黄河主溜线检测方法 | |
CN109740504A (zh) | 一种基于遥感影像提取海域资源的方法 | |
CN104899592A (zh) | 一种基于圆形模板的道路半自动提取方法及系统 | |
CN104715160A (zh) | 基于kmdb的软测量建模数据异常点检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150603 Termination date: 20171116 |
|
CF01 | Termination of patent right due to non-payment of annual fee |