CN111160185A - 多尺度时间序列遥感影像趋势和断点检测方法 - Google Patents
多尺度时间序列遥感影像趋势和断点检测方法 Download PDFInfo
- Publication number
- CN111160185A CN111160185A CN201911328948.9A CN201911328948A CN111160185A CN 111160185 A CN111160185 A CN 111160185A CN 201911328948 A CN201911328948 A CN 201911328948A CN 111160185 A CN111160185 A CN 111160185A
- Authority
- CN
- China
- Prior art keywords
- time series
- breakpoint
- trend
- scale
- remote sensing
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims description 42
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000008859 change Effects 0.000 claims abstract description 40
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012417 linear regression Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010998 test method Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/20—Classification; Matching by matching signal segments by applying autoregressive analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明实施例提供一种多尺度时间序列遥感影像趋势和断点检测方法，所述方法包括：接收时间序列遥感影像，分析所述遥感影像中的时间序列信号，通过预设的离散小波对所述时间序列信号进行离散小波变化，得到分解信号；获取预设的目标尺度，根据所述目标尺度提取所述分解信号，得到对应的尺度信号，并根据所述离散小波变化得到所述尺度信号的细节成分和近似成分；根据近似成分和时间序列信号的长度计算时间序列信号的时间序列趋势；根据所述细节成分计算并筛选得到所述时间序列信号的断点、断点类型及断点出现的时间。采用本方法能够在不同尺度上进行时间序列趋势、断点类型以及断点出现时间的检测和分析，以适应复杂环境演化过程的分析。
Description
技术领域
本发明涉及遥感影像处理技术领域，尤其涉及一种多尺度时间序列遥感影像趋势和断点检测方法。
背景技术
时间序列趋势和断点检测方法是目前进行遥感影像时间序列分析的重要方法之一，该技术方法体系为植被物候和陆地表层特征参数长时间序列分析提供了可行的方案，有助于揭示全球气候变化和人为活动下的陆地表层变化特征和生态环境变化过程，为自然资源可持续管理提供依据。由于受季节、趋势和噪声影响，植被指数时间序列数据为非平稳序列，主要包含了季节性变化、长期和短期波动等要素。
目前，已有许多方法可以从时间序列数据中分离出季节项、噪声项和趋势成分，并以此为基础进行时间序列趋势和断点检测以及分析生态系统的状态转换和路径。这些方法已经在遥感影像处理领域得到较为广泛的应用，为植被物候变化分析提供了重要基础。
但目前现有的时间序列趋势和断点检测方法在进行季节项、噪声项和趋势成分分离时候，忽视了时间序列数据存在的尺度效应，导致获得的时间序列趋势和断点是唯一尺度的结果，针对的情况比较单一。
发明内容
针对现有技术中存在的问题，本发明实施例提供一种多尺度时间序列遥感影像趋势和断点检测方法及装置。
本发明实施例提供一种多尺度时间序列遥感影像趋势和断点检测方法，包括：
接收时间序列遥感影像，分析所述遥感影像中的时间序列信号，通过预设的离散小波对所述时间序列信号进行离散小波变化，得到分解信号；
获取预设的目标尺度，根据所述目标尺度提取所述分解信号，得到对应的尺度信号，并根据所述离散小波变化得到所述尺度信号的细节成分和近似成分；
根据所述近似成分和所述时间序列信号的长度计算所述时间序列信号的时间序列趋势；
根据所述细节成分计算并筛选得到所述时间序列信号的断点、断点类型及断点出现的时间。
在其中一个实施例中，所述方法还包括：
获取预设的线性回归模型，将所述近似成分和所述时间序列信号的长度代入所述线性回归模型，计算所述时间序列信号的时间序列趋势。
在其中一个实施例中，所述方法还包括：
通过如下线性回归模型的公式计算所述时间序列趋势：
其中，Ai，是近似成分，xj是交叉小波变换近似成分Ai的序号(j＝1,2,3,...,N)，N是时间序列信号的长度，Ai,j是在j处的交叉小波变换近似成分Ai值，S是近似成分Ai的变化率；
当S大于0时，输出所述时间序列趋势增长的结果；
当S小于0时，输出所述时间序列趋势降低的结果。
在其中一个实施例中，所述方法还包括：
通过M-K检验法计算所述时间序列趋势的显著性，输出所述时间序列趋势的显著性计算结果。
在其中一个实施例中，所述方法还包括：
获取预设的峰/谷检测算法，通过所述细节成分及所述峰/谷检测算法检测所述时间序列信号的断点。
在其中一个实施例中，所述预设的峰/谷检测算法，包括：
其中，所述Dj i是位置j的Di，Dj+1 i、Dj-1 i是位置j+1、j-1的Di，Di是细节成分。
在其中一个实施例中，所述方法还包括：
通过预设的判别函数检测所述时间序列信号的断点的断点类型；
所述断点类型包括：峰型、谷型、突然减低型、突然增加型。
在其中一个实施例中，所述方法还包括：
获取预设的趋势局部变化函数及预设的阈值，将所述趋势局部变化函数的计算结果与所述阈值进行对比；
当所述结算结果大于所述阈值时，保存所述时间序列的断点的检测结果；
当所述结算结果大于所述阈值时，剔除所述时间序列的断点的检测结果。
本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述多尺度时间序列遥感影像趋势和断点检测方法的步骤。
本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述多尺度时间序列遥感影像趋势和断点检测方法的步骤。
本发明实施例提供的时间序列遥感影像趋势和断点检测方法及装置，提出一种基于离散小波变换的遥感影像多尺度时间序列趋势和断点检测方法，可以在不同尺度上进行时间序列趋势、断点类型以及断点出现时间的检测和分析，以适应复杂影响环境演化过程的分析。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中多尺度时间序列遥感影像趋势和断点检测方法的流程图；
图2为本发明实施例中多尺度时间序列遥感影像趋势和断点检测装置的结构图；
图3为本发明实施例中电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的多尺度时间序列遥感影像趋势和断点检测方法的流程示意图，如图1所示，本发明实施例提供了一种多尺度时间序列遥感影像趋势和断点检测方法，包括：
步骤S101，接收时间序列遥感影像，分析所述遥感影像中的时间序列信号，通过预设的离散小波对所述时间序列信号进行离散小波变化，得到分解信号。
具体地，服务器接收时间序列遥感影像，分析得到遥感影像中的时间序列信号，遥感影像可以为植物覆盖检测得到的图像，从遥感影像中得到的时间序列信号可以为跟随时间变化的植被的覆盖率、温度的变化率等等因素随时间的变化关系，然后通过离散小波对时间序列信号中的遥感影像逐像元进行分解，得到分解信号，其中，可以选择dmey等小波作为母小波进行离散小波变化。
步骤S102，获取预设的目标尺度，根据所述目标尺度提取所述分解信号，得到对应的尺度信号，并根据所述离散小波变化得到所述尺度信号的细节成分和近似成分。
具体地，获取预设的目标尺度，目标尺度可以根据生态环境的要求自由变化，比如尺度可以为一个月内温度的变化率，也可以为一百年内植被的覆盖率等等，根据目标尺度可以提取分解信号，将处在不同尺度的分解信号合并在一起得到尺度信号，并根据离散小波变化得到尺度包含的细节成分和近似成分，总的来说，细节成分可以大致表示信号的波动情况，而近似成分可以大致表示信号的波动趋势。
步骤S103，根据所述近似成分和所述时间序列信号的长度计算所述时间序列信号的时间序列趋势。
具体地，在尺度包含的近似成分的基础上，结合实践序列信号的长度可以计算得到时间序列信号的时间序列趋势，其中，时间序列趋势也包括趋势变化的显著性，计算方法可以为线性回归统计等，其中，具体的线性回归计算方法可以为获取时间序列信号的长度，以及预设的线性回归模型，通过线性回归模型，将近似成分与时间序列信号的长度代入其中的计算公式，计算公式可以为：
其中，Ai，是近似成分，xj是交叉小波变换近似成分Ai的序号(j＝1,2,3,...,N)，N是时间序列信号的长度，Ai,j是在j处的交叉小波变换近似成分Ai值，S是近似成分Ai的变化率。
根据上述公式中S的计算结果，可以判断时间序列信号的时间序列趋势，即当S大于0时，可以输出时间序列趋势增长的结果；当S小于0时，输出时间序列趋势降低的结果。
步骤S104，根据所述细节成分计算并筛选得到所述时间序列信号的断点及断点类型。
具体地，根据细节成分可以计算得到时间序列信号的断点，因为细节成分可以代表时间序列的波动情况，包括波动方向的转变、波动幅度的转变等等，通过细节成分可以进一步判断时间序列信号的断点、断点类型及断点出现的时间，具体的判断方法可以通过获取预设的峰/谷检测算法，通过相对应的细节成分及峰/谷检测算法可以筛选时间序列信号的断点，峰/谷检测算法可以为：
其中，所述Dj i是位置j的Di，同理，Dj+1 i、Dj-1 i是位置j+1、j-1的Di，Di是细节成分。
上述检测算法中，Di检测到的峰和谷则对应了原始时间序列信号的断点。
本发明实施例提供的一种多尺度时间序列遥感影像趋势和断点检测方法及装置，提出一种基于离散小波变换的遥感影像多尺度时间序列趋势和断点检测方法，可以在不同尺度上进行时间序列趋势、断点类型以及断点出现时间的检测和分析，以适应复杂影响环境演化过程的分析。
在上述实施例的基础上，所述多尺度时间序列遥感影像趋势和断点检测方法，还包括：
通过M-K检验法计算所述时间序列趋势的显著性，输出所述时间序列趋势的显著性计算结果。
在本发明实施例中，由于M-K检验法对样本的分布没有限制，且对于异常值的干扰不明显，所以在时间序列趋势检测基础上采用了M-K检验来验证时间序列趋势的显著性，具体的检测方法可以包括以下步骤：
假设该时间序列是N个相互独立的样本，对于时间序列信号Ai的任意两个点k，j≤N，且如果k≠j，则可以定义检验统计量S
由于S服从正态分布，且均值为0，所以S的方差可以定义为：
当N>10，则定义标准的正态系统变量为：
通过M-K检验法，也可以检测时间序列趋势，即当Z大于0时，可以认为时间序列的趋势是上升的，当Z小于0时，时间序列的趋势是下降的。此外，当Z的绝对值大于1.96，则可以认识时间序列趋势变化在95％的置信度上是显著的。
本发明实施例通过M-K检验法计算时间序列趋势的显著性，以适应复杂影响环境演化过程的分析。
在上述实施例的基础上，所述多尺度时间序列遥感影像趋势和断点检测方法，还包括：
通过预设的判别函数检测所述时间序列信号的断点的断点类型；
所述断点类型包括：峰型、谷型、突然减低型、突然增加型。
在本发明实施例中，由于离散小波变换近似成分Ai-1可以由反映时间序列趋势的Ai和反映时间序列断点的Di重构，所以选择Ai-1序列进行原始时间序列断点检测。本实施例构建了一个判别函数G(j)来分离Ai-1序列的峰/谷以及突变：
其中，0是没有突变的序列，p是峰，v是谷，ad是突然下降，ai是突然上升，F(j)是运用Di进行的峰/谷检测算法获得结果，F(j)＝1意味着在Di时间序列i处存在断点。
本发明实施例通过判别函数分离时间序列趋势中的各个类型断点，以适应复杂影响环境演化过程的分析。
在上述实施例的基础上，所述多尺度时间序列遥感影像趋势和断点检测方法，还包括：
获取预设的趋势局部变化函数及预设的阈值，将所述趋势局部变化函数的计算结果与所述阈值进行对比；
当所述结算结果大于所述阈值时，保存所述时间序列的断点的检测结果；
当所述结算结果大于所述阈值时，剔除所述时间序列的断点的检测结果。
在本实施例中，在获取到时间序列信号的断点及断点类型之后，为了判断检测到的断点的有效性和可用性，构建趋势局部变化函数评价断点变化的趋势和程度：
对于G(j)不为0的时间序列断点，本研究基于断点j和下一个断点z之间Ai-1的变化进行时间序列断点的程度评估。
另外，为了验证断点检测的准确性，在上述通过趋势局部变化函数评价断点变化的趋势和程度之后，还可以采用分段线性建模方法进行时间序列的模拟，并运用模拟的残差均分根(RMSE)进行断点的评估。
具体的评估步骤为：通过预设的趋势局部变化函数H(i)以及预设的阈值(k)进行断点的评价，当H(i)大于k时，保存时间序列断点检测结果；当H(i)小于k时，剔除所述序列断点检测结果。通过时间序列原始信号和断点检测结果，基于预设的分段线性回归方法进行原始信号模拟，模拟的残差均分根(RMSE)和预设的评估阈值(r，推荐设置为0.05)进行断点的评估。当RMSE小于r时，输出时间序列断点检测结果，包括时间序列断点类型和对应时间，即峰/谷检测算法中的j；当H(i)大于r时，时间序列断点检测结果不通过检验，通过降低趋势局部变化函数检验中的阈值k进行循环，直到RMSE达到小于r的要求。
本发明实施例通过趋势局部变化函数完成后续的断点筛选及模型评估。
图2为本发明实施例提供的一种时间序列遥感影像趋势和断点检测装置，包括：接收模块201、获取模块202、第一计算模块203、第二计算模块204，其中：
接收模块201，用于接收时间序列遥感影像，分析遥感影像中的时间序列信号，通过预设的离散小波对时间序列信号进行离散小波变化，得到分解信号。
获取模块202，用于获取预设的目标尺度，根据目标尺度提取分解信号，得到对应的尺度信号，并根据离散小波变化得到尺度信号的细节成分和近似成分。
第一计算模块203，用于根据近似成分和时间序列信号的长度计算时间序列信号的时间序列趋势。
第二计算模块204，用于根据细节成分计算并筛选得到时间序列信号的断点、断点类型及断点出现的时间。
在一个实施例中，装置还可以包括：
第二获取模块，用于获取预设的线性回归模型，将近似成分和时间序列信号的长度代入线性回归模型，计算时间序列信号的时间序列趋势。
在一个实施例中，装置还可以包括
公式模块，用于存储如下线性回归模型的公式计算所述时间序列趋势：
其中，Ai，是近似成分，xj是交叉小波变换近似成分Ai的序号(j＝1,2,3,...,N)，N是时间序列信号的长度，Ai,j是在j处的交叉小波变换近似成分Ai值，S是近似成分Ai的变化率。当S大于0时，输出时间序列趋势增长的结果；当S小于0时，输出时间序列趋势降低的结果。
在一个实施例中，装置还可以包括：
第三计算模块，用于通过M-K检验法计算时间序列趋势的显著性，输出时间序列趋势的显著性计算结果。
在一个实施例中，装置还可以包括：
第三获取模块，用于获取预设的峰/谷检测算法，通过细节成分及峰/谷检测算法检测时间序列信号的断点。
在一个实施例中，装置还可以包括：
算法模块，用于存储预设的峰/谷检测算法，包括：
其中，Dj i是位置j的Di，同理，Dj+1 i、Dj-1 i是位置j+1、j-1的Di，Di是细节成分。
在一个实施例中，装置还可以包括：
检测模块，用于通过预设的判别函数检测时间序列信号的断点的断点类型；断点类型包括：峰型、谷型、突然减低型、突然增加型。
在一个实施例中，装置还可以包括：
第四获取模块，用于获取预设的趋势局部变化函数及预设的阈值，将所述趋势局部变化函数的计算结果与所述阈值进行对比，当所述结算结果大于所述阈值时，保存所述时间序列的断点的检测结果，当所述结算结果大于所述阈值时，剔除所述时间序列的断点的检测结果。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和通信总线304，其中，处理器301，存储器302，通信接口303通过通信总线304完成相互间的通信。处理器301可以调用存储器302中的逻辑指令，以执行如下方法：接收时间序列遥感影像，分析所述遥感影像中的时间序列信号，通过预设的离散小波对所述时间序列信号进行离散小波变化，得到分解信号；获取预设的目标尺度，根据所述目标尺度提取所述分解信号，得到对应的尺度信号，并根据所述离散小波变化得到所述尺度信号的细节成分和近似成分；根据所述近似成分和所述时间序列信号的长度计算所述时间序列信号的时间序列趋势；根据所述细节成分计算并筛选得到所述时间序列信号的断点、断点类型及断点出现的时间。
此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：接收时间序列遥感影像，分析所述遥感影像中的时间序列信号，通过预设的离散小波对所述时间序列信号进行离散小波变化，得到分解信号；获取预设的目标尺度，根据所述目标尺度提取所述分解信号，得到对应的尺度信号，并根据所述离散小波变化得到所述尺度信号的细节成分和近似成分；根据所述近似成分和所述时间序列信号的长度计算所述时间序列信号的时间序列趋势；根据所述细节成分计算并筛选得到所述时间序列信号的断点、断点类型及断点出现的时间。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种多尺度时间序列遥感影像趋势和断点检测方法，其特征在于，包括：
接收时间序列遥感影像，分析所述遥感影像中的时间序列信号，通过预设的离散小波对所述时间序列信号进行离散小波变化，得到分解信号；
获取预设的目标尺度，根据所述目标尺度提取所述分解信号，得到对应的尺度信号，并根据所述离散小波变化得到所述尺度信号的细节成分和近似成分；
根据所述近似成分和所述时间序列信号的长度计算所述时间序列信号的时间序列趋势；
根据所述细节成分计算并筛选得到所述时间序列信号的断点、断点类型及断点出现的时间。
2.根据权利要求1所述的多尺度时间序列遥感影像趋势和断点检测方法，其特征在于，所述方法还包括：
获取预设的线性回归模型，将所述近似成分和所述时间序列信号的长度代入所述线性回归模型，计算所述时间序列信号的时间序列趋势。
3.根据权利要求2所述的多尺度时间序列遥感影像趋势和断点检测方法，其特征在于，通过如下线性回归模型的公式计算所述时间序列趋势：
其中，Ai是近似成分，xj是交叉小波变换近似成分Ai的序号(j＝1,2,3,...,N)，N是时间序列信号的长度，Ai,j是在j处的交叉小波变换近似成分Ai值，S是近似成分Ai的变化率；
当S大于0时，输出所述时间序列趋势增长的结果；
当S小于0时，输出所述时间序列趋势降低的结果。
4.根据权利要求1所述的多尺度时间序列遥感影像趋势和断点检测方法，其特征在于，所述方法还包括：
通过M-K检验法计算所述时间序列趋势的显著性，输出所述时间序列趋势的显著性计算结果。
5.根据权利要求1所述的多尺度时间序列遥感影像趋势和断点检测方法，其特征在于，所述方法还包括：
获取预设的峰/谷检测算法，通过所述细节成分及所述峰/谷检测算法检测所述时间序列信号的断点。
6.根据权利要求5所述的多尺度时间序列遥感影像趋势和断点检测方法，其特征在于，所述预设的峰/谷检测算法，包括：
其中，所述Dj i是位置j的Di，Dj+1 i、Dj-1 i是位置j+1、j-1的Di，Di是细节成分。
7.根据权利要求5所述的多尺度时间序列遥感影像趋势和断点检测方法，其特征在于，所述方法还包括：
通过预设的判别函数检测所述时间序列信号的断点的断点类型；
所述断点类型包括：峰型、谷型、突然减低型、突然增加型。
8.根据权利要求5所述的多尺度时间序列遥感影像趋势和断点检测方法，其特征在于，所述方法还包括：
获取预设的趋势局部变化函数及预设的阈值，将所述趋势局部变化函数的计算结果与所述阈值进行对比；
当所述结算结果大于所述阈值时，保存所述时间序列的断点的检测结果；
当所述结算结果大于所述阈值时，剔除所述时间序列的断点的检测结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述多尺度时间序列遥感影像趋势和断点检测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至8任一项所述多尺度时间序列遥感影像趋势和断点检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911328948.9A CN111160185B (zh) | 2019-12-20 | 2019-12-20 | 多尺度时间序列遥感影像趋势和断点检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911328948.9A CN111160185B (zh) | 2019-12-20 | 2019-12-20 | 多尺度时间序列遥感影像趋势和断点检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111160185A true CN111160185A (zh) | 2020-05-15 |
| CN111160185B CN111160185B (zh) | 2023-11-10 |
Family
ID=70557621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911328948.9A Active CN111160185B (zh) | 2019-12-20 | 2019-12-20 | 多尺度时间序列遥感影像趋势和断点检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160185B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070260153A1 (en) * | 2006-05-05 | 2007-11-08 | Ghanem Raja N | Method and apparatus for discriminating cardiac signals in a medical device based on wavelet decomposition analysis |
| US20090018798A1 (en) * | 2007-07-09 | 2009-01-15 | International Business Machines Corporation | Method, Data Processing Program and Computer Program Product for Time Series Analysis |
| CN101632587A (zh) * | 2009-08-05 | 2010-01-27 | 南京大学 | 一种基于小波变换的步态信号提取方法 |
| WO2015070513A1 (zh) * | 2013-11-14 | 2015-05-21 | 国家电网公司 | 一种三相共筒式超高压gis局部放电的模式识别方法 |
| CN105069309A (zh) * | 2015-08-21 | 2015-11-18 | 中国科学院地理科学与资源研究所 | 一种识别水文时间序列非线性趋势的方法 |
| CN108564002A (zh) * | 2018-03-22 | 2018-09-21 | 中国科学院遥感与数字地球研究所 | 一种遥感影像时间序列变化检测方法及系统 |
| CN110020659A (zh) * | 2019-03-29 | 2019-07-16 | 武汉九天高分遥感技术有限公司 | 一种基于二进小波的遥感影像多尺度边缘提取与匹配方法和系统 |
| CN110321518A (zh) * | 2019-06-14 | 2019-10-11 | 中国科学院地理科学与资源研究所 | 一种判定水文时间序列趋势类型的方法 |
-
2019
- 2019-12-20 CN CN201911328948.9A patent/CN111160185B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070260153A1 (en) * | 2006-05-05 | 2007-11-08 | Ghanem Raja N | Method and apparatus for discriminating cardiac signals in a medical device based on wavelet decomposition analysis |
| US20090018798A1 (en) * | 2007-07-09 | 2009-01-15 | International Business Machines Corporation | Method, Data Processing Program and Computer Program Product for Time Series Analysis |
| CN101632587A (zh) * | 2009-08-05 | 2010-01-27 | 南京大学 | 一种基于小波变换的步态信号提取方法 |
| WO2015070513A1 (zh) * | 2013-11-14 | 2015-05-21 | 国家电网公司 | 一种三相共筒式超高压gis局部放电的模式识别方法 |
| CN105069309A (zh) * | 2015-08-21 | 2015-11-18 | 中国科学院地理科学与资源研究所 | 一种识别水文时间序列非线性趋势的方法 |
| CN108564002A (zh) * | 2018-03-22 | 2018-09-21 | 中国科学院遥感与数字地球研究所 | 一种遥感影像时间序列变化检测方法及系统 |
| CN110020659A (zh) * | 2019-03-29 | 2019-07-16 | 武汉九天高分遥感技术有限公司 | 一种基于二进小波的遥感影像多尺度边缘提取与匹配方法和系统 |
| CN110321518A (zh) * | 2019-06-14 | 2019-10-11 | 中国科学院地理科学与资源研究所 | 一种判定水文时间序列趋势类型的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111160185B (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110851338B (zh) | 异常检测方法、电子设备及存储介质 | |
| CN108154105B (zh) | 水下生物检测与识别方法、装置、服务器及终端设备 | |
| CN108564002B (zh) | 一种遥感影像时间序列变化检测方法及系统 | |
| CN109239763B (zh) | 模拟核衰变过程的模拟能谱曲线仿真方法 | |
| CN110718235A (zh) | 异常声音检测的方法、电子设备及存储介质 | |
| CN110717472A (zh) | 基于改进的小波阈值去噪的故障诊断方法及系统 | |
| CN111275821A (zh) | 一种电力线拟合方法、系统及终端 | |
| CN111191601A (zh) | 同行用户识别方法、装置、服务器及存储介质 | |
| CN111340233A (zh) | 机器学习模型的训练方法及装置、样本处理方法及装置 | |
| CN113189561A (zh) | 一种海杂波参数估计方法、系统、设备及存储介质 | |
| CN116858999A (zh) | 基于红树林生态系统碳汇潜力监测评估的碳汇统计方法 | |
| CN111768287A (zh) | 周期识别方法、装置、服务器及可读存储介质 | |
| CN114240779A (zh) | 一种点云去噪方法、装置、设备及存储介质 | |
| CN117590172A (zh) | 应用于变压器的局部放电声电联合定位方法、装置和设备 | |
| CN111160185B (zh) | 多尺度时间序列遥感影像趋势和断点检测方法 | |
| CN110008881B (zh) | 多运动目标的奶牛行为的识别方法及装置 | |
| CN115759885B (zh) | 一种基于分布式物资供应下的物资抽检方法和装置 | |
| Hou et al. | Uncertainty reduction in power generation forecast using coupled wavelet-ARIMA | |
| CN113190429B (zh) | 服务器性能预测方法、装置及终端设备 | |
| CN107783942B (zh) | 一种异常行为检测方法及装置 | |
| CN115186751A (zh) | 一种基于s变换的CVT计量误差预测方法、装置及存储介质 | |
| Zhang et al. | Nature scene statistics approach based on ICA for no-reference image quality assessment | |
| CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、系统和装置 | |
| CN112148764B (zh) | 特征的筛选方法、装置、设备和存储介质 | |
| CN113822270B (zh) | 一种结构健康监测高频数据异常值的确定方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |