CN112906531B - 一种基于非监督分类的多源遥感影像时空融合方法及系统 - Google Patents

一种基于非监督分类的多源遥感影像时空融合方法及系统 Download PDF

Info

Publication number
CN112906531B
CN112906531B CN202110168388.6A CN202110168388A CN112906531B CN 112906531 B CN112906531 B CN 112906531B CN 202110168388 A CN202110168388 A CN 202110168388A CN 112906531 B CN112906531 B CN 112906531B
Authority
CN
China
Prior art keywords
remote sensing
sensing image
spatial resolution
pixel
similar
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.)
Active
Application number
CN202110168388.6A
Other languages
English (en)
Other versions
CN112906531A (zh
Inventor
董世元
吴志杰
何炜琪
刘毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Research Institute For Environmental Innovation (suzhou) Tsinghua
Original Assignee
Research Institute For Environmental Innovation (suzhou) Tsinghua
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Research Institute For Environmental Innovation (suzhou) Tsinghua filed Critical Research Institute For Environmental Innovation (suzhou) Tsinghua
Priority to CN202110168388.6A priority Critical patent/CN112906531B/zh
Publication of CN112906531A publication Critical patent/CN112906531A/zh
Application granted granted Critical
Publication of CN112906531B publication Critical patent/CN112906531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于非监督分类的多源遥感影像时空融合方法，包括：获取至少一个参考时刻的第一、第二空间分辨率遥感影像，及预测时刻的第一空间分辨率遥感影像；对获取的遥感影像进行预处理，获取反射率影像数据；以目标像元为中心像元，利用非监督分类方法对邻域范围内的像元进行分类，选择与中心像元为同一类别的像元作为相似像元；计算相似像元与中心像元之间的空间距离，和不同空间分辨率遥感影像之间的光谱差异，得到相似像元权重；根据高空间分辨率遥感影像的空间信息和低空间分辨率遥感影像的时相信息，及相似像元权重大小，计算得到预测时刻的目标像元值。改进了相似像元选取方法和相似像元权重计算方法，提高了融合结果的精度。

Description

一种基于非监督分类的多源遥感影像时空融合方法及系统
技术领域
本发明属于多源卫星遥感影像数据的处理技术领域，具体地涉及一种基于非监督分类的多源遥感影像时空融合方法及系统。
背景技术
遥感影像数据被越来越多的应用于植被变化监测、地物精细化分类、水质变化监测等方面。然而现有的遥感卫星传感器中，具有高空间分辨率的卫星载荷，重访周期较长；具有高时间分辨率的卫星载荷，空间分辨率较差，这种由于传感器硬件导致的“时空矛盾”问题，极大的限制了卫星遥感在对地监测中的应用。为缓解上述问题，利用多源卫星进行联合观测，融合多源卫星影像数据，成为遥感应用技术的一大研究热点。
现有的遥感影像时空融合技术中，基于权重滤波的时空融合方法在植被物候分析、水污染变化监测等方面应用广泛，常见的时空融合方法包括：2006年Gao等提出的STARFM(Spatial and Temporal Adaptive Reflectance Fusion Model)，2010年Zhu等提出的ESTARFM(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model)，2017年Cheng等提出的STNLFFM(A Spatial and Temporal Nonlocal Filter-Based DataFusion Method)。基于权重滤波的时空融合方法主要思想是：输入预测时刻低空间分辨率影像以及参考时刻高空间分辨率和低空间分辨率影像，对预测时刻高空间分辨率影像进行逐像元计算，利用阈值方法在目标像元邻域内进行相似像元搜索，依据检索到的相似像元在空间、光谱上的差异，计算相似像元在预测过程中能够提供的权重信息，最后根据设定的融合规则计算预测时刻目标像元值，对影像中所有像元逐一计算生成预测时刻高空间分辨率图像。从上可以看出，相似像元选取、权重计算是时空融合方法的核心技术。
1)相似像元选取的本质是选取与中心像元为同一类地物的像元作为相似像元。现有的方法大都利用阈值法和分类图像的方法进行相似像元选取。阈值法：整景影像仅设定单一一个阈值，以图像标准差和分类数量作为阈值判定是否为相似像元。这种利用阈值进行判断得到的相似像元，若地物反射率值较低即像元值较低，则阈值限定范围相对较大，选取得到的相似像元结果易掺杂其他地物的像元信息；若地物反射率值高即像元值较高，则阈值限定范围相对较小，相似像元选取结果不能完全囊括邻域内所有像元。分类图像方法：利用高空间分辨率影像进行分类，得到分类成果，若中心像元与相似像元为同一类别，则判断为相似像元，然而该方法基于分类成果，相似像元选取的结果精度与分类成果精度相关联。因此，传统的相似像元选取方法难以选取真实有效的相似像元，进而难以为目标像元的计算提供足够有效的时相变化和空间纹理的辅助信息。
2)相似像元权重计算是核算相似像元与中心像元的差异，包括空间、光谱的两个方面差异。传统方法中，利用相同位置不同空间分辨率的反射率差值，逐波段计算各个波段相似像元的权重值，这种计算方式忽略了地物光谱的多波段特征，无法揭示相似像元与中心像元在所有波段的差异。若无法为相似像元提供正确的权重信息，则直接影响目标像元的计算结果。
发明内容
针对上述存在的技术问题，本发明的目的是提供一种基于非监督分类的多源遥感影像时空融合方法及系统，改进了相似像元选取方法，可以选取真实有效的相似像元，进而可以为目标像元的计算提供足够有效的时相变化和空间纹理的辅助信息；改进了相似像元权重计算方法，可以为相似像元提供正确的权重信息，大大提高了融合结果的精度。
本发明的技术方案是：
一种基于非监督分类的多源遥感影像时空融合方法，包括以下步骤：
S01：获取至少一个参考时刻的第一空间分辨率遥感影像、第二空间分辨率遥感影像，及预测时刻的第一空间分辨率遥感影像；
S02：分别对获取的遥感影像进行预处理，获取反射率影像数据；
S03：在参考时刻的第二空间分辨率遥感影像上，以目标像元为中心像元，设定邻域范围，利用非监督分类方法对邻域范围内的像元进行分类，选择与中心像元为同一类别的像元作为相似像元；
S04：计算相似像元与中心像元之间的空间距离，和同时刻不同空间分辨率遥感影像之间的光谱差异，得到相似像元权重；
S05：根据第二空间分辨率遥感影像的空间信息和第一空间分辨率遥感影像不同时刻的光谱变化信息，以及相似像元权重大小，计算得到预测时刻第二空间分辨率的目标像元值。
优选的技术方案中，所述步骤S02中还包括对第一空间分辨率遥感影像进行重采样，得到与第二空间分辨率遥感影像的空间分辨率一样的影像数据。
优选的技术方案中，所述步骤S03中利用非监督分类方法对邻域范围内的像元进行分类的方法包括：
S31：根据遥感影像特征设置分类数量m；
S32：初始化m个初始聚类中心；
S33：对邻域范围内每一个像元xi，计算它到m个聚类中心的距离并将其分到距离最小的聚类中心所对应的分类中；
S34：对每个类别aj，利用类别内像元值均值重新计算各个类别聚类中心值大小
Figure BDA0002938070630000031
xi∈ci，ci表示类别内像元数量；
S35：对步骤S33、S34进行迭代。
优选的技术方案中，所述步骤S04中计算同时刻不同空间分辨率遥感影像之间的光谱差异包括：
使用余弦相似度评价同时刻不同空间分辨率遥感影像之间光谱数据的差异性；计算公式为：
Figure BDA0002938070630000032
上式中，CSij表示第ij个相似像元与中心像元光谱差异计算结果，Fijb、Cijb分别表示同时刻第二空间分辨率、第一空间分辨率第b个波段的第ij个相似像元值，B表示影像波段数量。
优选的技术方案中，所述相似像元权重的计算公式为：
Figure BDA0002938070630000033
其中，Pij＝(1-CSij)×Dij，Dij为第ij个相似像元与中心像元的空间距离，n为邻域大小。
优选的技术方案中，所述步骤S05具体包括：
S51：假设不同空间分辨率遥感影像之间存在Fij＝ACij+e的转换关系，其中A为不同空间分辨率的转换系数，e为不同空间分辨率影像之间的偏差，利用最小二乘方法，求取转换系数A；
s52：预测时刻第二空间分辨率的目标像元值的计算公式为：
Figure BDA0002938070630000041
上式中，Ftp，tk表示利用tk参考时刻数据计算得到的目标像元值，Cij，tp表示预测时刻tp的第一空间分辨率遥感影像的第ij个相似像元值，Cij，tk表示参考时刻tk的第一空间分辨率遥感影像第ij个相似像元值，Ftk表示参考时刻tk的第二空间分辨率遥感影像的中心像元值。
优选的技术方案中，所述步骤S05还包括：
S53：计算至少两个参考时刻的预测结果，计算各个参考时刻所能提供的信息权重大小，计算公式为：
Figure BDA0002938070630000042
其中，l为参考时刻数；
S54：结合各个参考时刻所能提供的信息权重大小，计算最终预测时刻的目标像元值大小，计算公式为：
Figure BDA0002938070630000043
s55：将逐像元计算得到的预测时刻的目标像元值汇总，得到预测时刻的第二空间分辨率遥感影像。
本发明还公开了一种基于非监督分类的多源遥感影像时空融合系统，包括：
遥感影像获取模块，获取至少一个参考时刻的第一空间分辨率遥感影像、第二空间分辨率遥感影像，及预测时刻的第一空间分辨率遥感影像；
遥感影像预处理模块，分别对获取的遥感影像进行预处理，获取反射率影像数据；
相似像元选取模块，在参考时刻的第二空间分辨率遥感影像上，以目标像元为中心像元，设定邻域范围，利用非监督分类方法对邻域范围内的像元进行分类，选择与中心像元为同一类别的像元作为相似像元；
相似像元权重计算模块，计算相似像元与中心像元之间的空间距离，和同时刻不同空间分辨率遥感影像之间的光谱差异，得到相似像元权重；
遥感影像时空融合模块，根据第二空间分辨率遥感影像的空间信息和第一空间分辨率遥感影像不同时刻的光谱变化信息，以及相似像元权重大小，计算得到预测时刻第二空间分辨率的目标像元值。
优选的技术方案中，所述相似像元选取模块中利用非监督分类方法对邻域范围内的像元进行分类的方法包括：
S31：根据遥感影像特征设置分类数量m；
S32：初始化m个初始聚类中心；
S33：对邻域范围内每一个像元xi，计算它到m个聚类中心的距离并将其分到距离最小的聚类中心所对应的分类中；
S34：对每个类别aj，利用类别内像元值均值重新计算各个类别聚类中心值大小
Figure BDA0002938070630000052
xi∈ci，ci表示类别内像元数量；
S35：对步骤S33、S34进行迭代。
优选的技术方案中，所述相似像元权重计算模块中计算同时刻不同空间分辨率遥感影像之间的光谱差异包括：
使用余弦相似度评价同时刻不同空间分辨率遥感影像之间光谱数据的差异性；计算公式为：
Figure BDA0002938070630000051
上式中，CSij表示第ij个相似像元与中心像元光谱差异计算结果，Fijb、Cijb分别表示同时刻第二空间分辨率、第一空间分辨率第b个波段的第ij个相似像元值，B表示影像波段数量。
与现有技术相比，本发明的有益效果是：
1、本发明提出的基于非监督分类的多源遥感影像时空融合方法，改进了相似像元选取方法和相似像元权重计算方法，实现了低空间分辨率高时间分辨率影像数据和高空间低时间分辨率影像数据的时空融合，能够得到同时具备高时间高空间属性的遥感影像数据，同时这种改进的时空融合方法，提高了融合结果的精度，为缓解传感器硬件带来的“时空矛盾”问题提供了一种新的技术方法；
2、本发明利用K-means方法在目标像元邻域范围内进行非监督分类，并选取与中心像元在同一类别下的像元作为相似像元。利用非监督分类方法解决阈值设定单一，相似像元选取结果精度差的问题。通过优化相似像元选取策略，可以选取真实有效的相似像元，进而可以为目标像元的计算提供足够有效的时相变化和空间纹理的辅助信息；
3、利用余弦相似度评价相同时刻不同空间分辨率相似像元之间光谱的差异性，本发明针对传统方法权重计算结果不能表征相似像元与中心像元在所有波段上差异的问题，计算中心像元与相似像元在不同空间分辨率下的余弦相似度，描述中心像元与相似像元在光谱上的差异性，进而计算相似像元的权重，可以为相似像元提供正确的权重信息。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1为本发明基于非监督分类的多源遥感影像时空融合方法的流程图；
图2为本发明基于非监督分类的多源遥感影像时空融合方法技术路线示意图；
图3为本发明融合结果展示示意图；
图4为本发明基于非监督分类的多源遥感影像时空融合系统的原理框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
实施例：
一实施例中，如图1、2所示，一种基于非监督分类的多源遥感影像时空融合方法，包括以下步骤：
S01：获取至少一个参考时刻的第一空间分辨率遥感影像、第二空间分辨率遥感影像，及预测时刻的第一空间分辨率遥感影像；
S02：分别对获取的遥感影像进行预处理，获取反射率影像数据；
S03：在参考时刻的第二空间分辨率遥感影像上，以目标像元为中心像元，设定邻域范围，利用非监督分类方法对邻域范围内的像元进行分类，选择与中心像元为同一类别的像元作为相似像元；
S04：计算相似像元与中心像元之间的空间距离，和同时刻不同空间分辨率遥感影像之间的光谱差异，得到相似像元权重；
S05：根据第二空间分辨率遥感影像的空间信息和第一空间分辨率遥感影像不同时刻的光谱变化信息，以及相似像元权重大小，计算得到预测时刻第二空间分辨率的目标像元值。
需要说明的是，这里的第一空间分辨率和第二空间分辨率是指不同的空间分辨率，例如，第一空间分辨率可以为低空间分辨率，第二空间分辨率可以为高空间分辨率，其中高空间分辨率影像数据通常指：Landsat系列、Sentinel-2、高分卫星系列、SPOT卫星数据系列等空间分辨率优于30米的光学遥感卫星影像数据，低空间分辨率影像数据通常指：MODIS、Sentinel-3、环境星系列等时间分辨率优于2天的光学遥感卫星影像数据。
步骤S02中预处理流程可以包括大气校正、辐射校正、几何校正流程，其中大气校正、辐射校正、几何校正方法均为成熟的卫星遥感处理技术，在此不再赘述。
一较佳的实施例中，步骤S02中数据预处理后还包括对第一空间分辨率遥感影像进行重采样，得到与第二空间分辨率遥感影像的空间分辨率一样的影像数据，即相同范围内，不同源影像对应矩阵大小一致。
步骤S03中非监督分类方法，包括ISODATA、K-means和链状方法等等，
一较佳的实施例中，利用K-means对邻域范围内的像元进行分类的方法包括：
S31：根据遥感影像特征设置分类数量m；
S32：初始化m个初始聚类中心；
S33：对邻域范围内每一个像元xi，计算它到m个聚类中心的距离并将其分到距离最小的聚类中心所对应的分类中；
S34：对每个类别aj，利用类别内像元值均值重新计算各个类别聚类中心值大小
Figure BDA0002938070630000081
xi∈ci，ci表示类别内像元数量；
s35：对步骤S33、S34进行迭代。
一较佳的实施例中，步骤s04中计算同时刻不同空间分辨率遥感影像之间的光谱差异包括：
使用余弦相似度评价同时刻不同空间分辨率遥感影像之间光谱数据的差异性；计算公式为：
Figure BDA0002938070630000082
上式中，CSij表示第ij个相似像元与中心像元光谱差异计算结果，Fijb、Cijb分别表示同时刻第二空间分辨率、第一空间分辨率第b个波段的第ij个相似像元值，B表示影像波段数量。
相似像元权重的计算公式为：
Figure BDA0002938070630000083
其中，Pij＝(1-CSij)×Dij，Dij为第ij个相似像元与中心像元的空间距离，n为邻域大小。
一较佳的实施例中，目标像元值计算包括：
S51：假设不同空间分辨率遥感影像之间存在Fij＝ACij+e的转换关系，其中A为不同空间分辨率的转换系数，e为不同空间分辨率影像之间的偏差，利用最小二乘方法，求取转换系数A；
s52：预测时刻第二空间分辨率的目标像元值的计算公式为：
Figure BDA0002938070630000084
上式中，Ftp，tk表示利用tk参考时刻数据计算得到的目标像元值，Cij，tp表示预测时刻tp的第一空间分辨率遥感影像的第ij个相似像元值，Cij，tk表示参考时刻tk的第一空间分辨率遥感影像第ij个相似像元值，Ftk表示参考时刻tk的第二空间分辨率遥感影像的中心像元值。
一较佳的实施例中，步骤S05还包括：
S53：计算至少两个参考时刻的预测结果，计算各个参考时刻所能提供的信息权重大小，计算公式为：
Figure BDA0002938070630000091
其中，l表示参考时刻数量。
S54：结合各个参考时刻所能提供的信息权重大小，计算最终预测时刻的目标像元值大小，计算公式为：
Figure BDA0002938070630000092
S55：将逐像元计算得到的预测时刻的目标像元值汇总，得到预测时刻的第二空间分辨率遥感影像。如图3所示预测时刻高空间分辨率影像为融合结果。
另一实施例中，如图4所示，一种基于非监督分类的多源遥感影像时空融合系统，包括：
遥感影像获取模块，获取至少一个参考时刻的第一空间分辨率遥感影像、第二空间分辨率遥感影像，及预测时刻的第一空间分辨率遥感影像；
遥感影像预处理模块，分别对获取的遥感影像进行预处理，获取反射率影像数据；
相似像元选取模块，在参考时刻的第二空间分辨率遥感影像上，以目标像元为中心像元，设定邻域范围，利用非监督分类方法对邻域范围内的像元进行分类，选择与中心像元为同一类别的像元作为相似像元；
相似像元权重计算模块，计算相似像元与中心像元之间的空间距离，和同时刻不同空间分辨率遥感影像之间的光谱差异，得到相似像元权重；
遥感影像时空融合模块，根据第二空间分辨率遥感影像的空间信息和第一空间分辨率遥感影像不同时刻的光谱变化信息，以及相似像元权重大小，计算得到预测时刻第二空间分辨率的目标像元值。
一较佳的实施例中，上述模块具体包括：
一：遥感影像获取模块
获取一个或多个参考时刻的高空间、低空间分辨率遥感影像，以及预测时刻低空间分辨率遥感影像；
上述的一个或多个参考时刻的高空间、低空间分辨率遥感影像，以及预测时刻低空间分辨率遥感影像，是指获取l(1，2，3...)个参考时刻的不同源卫星影像数据，以及预测时刻的低空间影像数据，其中高空间分辨率影像数据通常指：Landsat系列、sentinel-2、高分卫星系列、SPOT卫星数据系列等空间分辨率优于30米的光学遥感卫星影像数据，低空间分辨率影像数据通常指：MODIS、Sentinel-3、环境星系列等时间分辨率优于2天的光学遥感卫星影像数据。
二：遥感影像预处理模块
影像数据预处理，将获取的遥感影像数据，通过大气校正、辐射校正、几何校正的流程，获取反射率影像数据，并对低空间分辨率影像数据进行重采样，使其空间分辨率与高空间分辨率影像一致。
其中大气校正、辐射校正、几何校正方法均为成熟的卫星遥感处理技术。
将原始低空间分辨率影像数据进行重采样，最终得到与高空间分辨率影像空间分辨率一致的影像数据，即相同范围内，不同源影像对应矩阵大小一致。
三：相似像元选取模块
相似像元选取，以目标像元为中心像元，在中心像元邻域范围内设定n＊n大小的滑动窗口，在高空间分辨率影像数据上，利用K-means方法对滑动窗口内像元进行非监督分类，选取与中心像元为同类别的像元作为相似像元。
K-means方法是一种基于机器学习的非监督分类方法，即两个像元的差异越小，则相似度越大。K-means对滑动窗口内像元进行分类的步骤：
1)依据影像特征设置分类数量m，一般m设置在3-9之间；
2)随机初始化m个初始聚类中心a＝a1，a2，...ak；
3)针对滑动窗口内每一个像元xi，计算它到m个聚类中心的距离并将其分到距离最小的聚类中心所对应的分类中；
4)针对每个类别aj，利用类别内像元值均值重新计算各个类别聚类中心值大小
Figure BDA0002938070630000111
xi∈ci，ci表示类别内像元数量，xi表示类别内第i个像元值的大小；
5)对第3)4)步骤进行迭代，迭代次数为n。
利用K-means方法非监督分类结果，选取与中心像元为同类别的像元为相似像元，将两个参考时刻高空间分辨率图像得到的相似像元取交集，作为最终的相似像元选取结果。
四：相似像元权重计算模块
计算相似像元与中心像元之间的空间距离，和不同空间分辨率影像之间的光谱差异，进而计算相似像元权重。
所述计算相似像元与中心像元之间的空间距离，是指利用欧式距离评价其距离差异，具体计算方法：
Figure BDA0002938070630000112
上式中，Dij为第ij个相似像元与中心像元空间距离差异计算结果，xn/2、yn/2为中心像元位置，xi、yi为相似像元位置，n为邻域大小。
所述不同空间分辨率影像之间的光谱差异，是指利用余弦相似度评价相同时刻不同空间分辨率影像相似像元之间光谱数据的差异性，具体计算方式如下所示：
Figure BDA0002938070630000113
上式中，CSij表示第ij个相似像元与中心像元光谱差异计算结果，Fijb、Cijb分别表示同时刻高空间分辨率、低空间分辨率第b个波段的第ij个相似像元值，B表示影像波段数量。
所述计算相似像元权重，是指将上述计算的空间距离差异和光谱差异进行归一化，具体计算方式如下所示：
Figure BDA0002938070630000114
其中，Pij＝(1-CSij)×Dij。
五：遥感影像时空融合模块
遥感影像时空融合模块中包括目标像元值计算模块，结合高空间分辨率影像的空间信息和低空间分辨率影像之间的光谱变化信息，以及相似像元权重大小，计算预测时刻高空间分辨率的目标像元值。
依据不同源影像数据邻近波段之间反射率具有线性关系，利用最小二乘计算不同源影像数据之间的转换系数，耦合高空间分辨率影像的空间信息和低空间分辨率影像的时相变化信息，结合相似像元权重大小，实现预测时刻高空间分辨率的目标像元值计算，最后结合两个或多个参考时刻的预测结果，计算最终的目标像元值。
假设不同空间分辨率数据之间存在Fij＝ACij+e，其中A为不同空间分辨率的转换系数，e为不同空间分辨率影像之间的偏差，利用最小二乘方法，求取转换系数A，使得低空间分辨率影像反射率数据与高空间分辨率数据具有相似的反射率特征。
所述耦合高空间分辨率影像的空间信息和低空间分辨率影像的时相变化信息，结合相似像元权重大小，实现预测时刻高空间分辨率的目标像元值计算。具体计算方式如下所示：
Figure BDA0002938070630000121
上式中，Ftp，tk表示利用tk时刻数据计算得到的目标像元值，Cij，tp表示预测时刻tp的低空间分辨率影像的第ij个相似像元值，Cij，tk表示参考时刻tk的低空间分辨率影像第ij个相似像元值，Ftk表示参考时刻tk的高空间分辨率影像的中心像元值。
所述结合两个或多个参考时刻的预测结果，计算最终的目标像元值。是指基于上述流程计算出的预测时刻目标像元值，结合各个参考时刻所能提供的信息权重大小，计算最终预测时刻的目标像元值大小。
上述中，各个参考时刻所能提供的信息权重大小，具体计算方式为：
Figure BDA0002938070630000122
上述中，结合各个参考时刻所能提供的信息权重大小，计算最终预测时刻的目标像元值大小。具体计算方式为：
Figure BDA0002938070630000131
将逐像元计算得到的预测时刻的目标像元值汇总，即可得到预测时刻的高空间分辨率遥感影像数据。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (8)

1.一种基于非监督分类的多源遥感影像时空融合方法，其特征在于，包括以下步骤：
S01：获取至少一个参考时刻的第一空间分辨率遥感影像、第二空间分辨率遥感影像，及预测时刻的第一空间分辨率遥感影像；
S02：分别对获取的遥感影像进行预处理，获取反射率影像数据；
S03：在参考时刻的第二空间分辨率遥感影像上，以目标像元为中心像元，设定邻域范围，利用非监督分类方法对邻域范围内的像元进行分类，选择与中心像元为同一类别的像元作为相似像元；
S04：计算相似像元与中心像元之间的空间距离，和同时刻不同空间分辨率遥感影像之间的光谱差异，得到相似像元权重；
S05：根据第二空间分辨率遥感影像的空间信息和第一空间分辨率遥感影像不同时刻的光谱变化信息，以及相似像元权重大小，计算得到预测时刻第二空间分辨率的目标像元值；
所述步骤S04中计算同时刻不同空间分辨率遥感影像之间的光谱差异包括：
使用余弦相似度评价同时刻不同空间分辨率遥感影像之间光谱数据的差异性；计算公式为：
Figure FDA0004177689550000011
上式中，Csij表示第ij个相似像元与中心像元光谱差异计算结果，Fijb、Cijb分别表示同时刻第二空间分辨率、第一空间分辨率第b个波段的第ij个相似像元值，B表示影像波段数量。
2.根据权利要求1所述的基于非监督分类的多源遥感影像时空融合方法，其特征在于，所述步骤S02中还包括对第一空间分辨率遥感影像进行重采样，得到与第二空间分辨率遥感影像的空间分辨率一样的影像数据。
3.根据权利要求1所述的基于非监督分类的多源遥感影像时空融合方法，其特征在于，所述步骤S03中利用非监督分类方法对邻域范围内的像元进行分类的方法包括：
S31：根据遥感影像特征设置分类数量m；
S32：初始化m个初始聚类中心；
S33：对邻域范围内每一个像元xi，计算它到m个聚类中心的距离并将其分到距离最小的聚类中心所对应的分类中；
S34：对每个类别aj，利用类别内像元值均值重新计算各个类别聚类中心值大小
Figure FDA0004177689550000021
xi∈ci，ci表示类别内像元数量；
S35：对步骤S33、S34进行迭代。
4.根据权利要求1所述的基于非监督分类的多源遥感影像时空融合方法，其特征在于，所述相似像元权重的计算公式为：
Figure FDA0004177689550000022
其中，Pij＝(1-CSij)×Dij，Dij为第ij个相似像元与中心像元的空间距离，n为邻域大小。
5.根据权利要求1所述的基于非监督分类的多源遥感影像时空融合方法，其特征在于，所述步骤S05具体包括：
S51：假设不同空间分辨率遥感影像之间存在Fij＝ACij+e的转换关系，其中A为不同空间分辨率的转换系数，e为不同空间分辨率影像之间的偏差，利用最小二乘方法，求取转换系数A；
S52：预测时刻第二空间分辨率的目标像元值的计算公式为：
Figure FDA0004177689550000023
上式中，Ftp,表示利用tk参考时刻数据计算得到的目标像元值，Cij,表示预测时刻tp的第一空间分辨率遥感影像的第ij个相似像元值，Cij,表示参考时刻tk的第一空间分辨率遥感影像第ij个相似像元值，Ftk表示参考时刻tk的第二空间分辨率遥感影像的中心像元值。
6.根据权利要求1所述的基于非监督分类的多源遥感影像时空融合方法，其特征在于，所述步骤S05还包括：
S53：计算至少两个参考时刻的预测结果，计算各个参考时刻所能提供的信息权重大小，计算公式为：
Figure FDA0004177689550000031
其中，l为参考时刻数；
S54：结合各个参考时刻所能提供的信息权重大小，计算最终预测时刻的目标像元值大小，计算公式为：
Figure FDA0004177689550000032
S55：将逐像元计算得到的预测时刻的目标像元值汇总，得到预测时刻的第二空间分辨率遥感影像。
7.一种基于非监督分类的多源遥感影像时空融合系统，其特征在于，包括：
遥感影像获取模块，获取至少一个参考时刻的第一空间分辨率遥感影像、第二空间分辨率遥感影像，及预测时刻的第一空间分辨率遥感影像；
遥感影像预处理模块，分别对获取的遥感影像进行预处理，获取反射率影像数据；
相似像元选取模块，在参考时刻的第二空间分辨率遥感影像上，以目标像元为中心像元，设定邻域范围，利用非监督分类方法对邻域范围内的像元进行分类，选择与中心像元为同一类别的像元作为相似像元；
相似像元权重计算模块，计算相似像元与中心像元之间的空间距离，和同时刻不同空间分辨率遥感影像之间的光谱差异，得到相似像元权重；
遥感影像时空融合模块，根据第二空间分辨率遥感影像的空间信息和第一空间分辨率遥感影像不同时刻的光谱变化信息，以及相似像元权重大小，计算得到预测时刻第二空间分辨率的目标像元值；
所述相似像元权重计算模块中计算同时刻不同空间分辨率遥感影像之间的光谱差异包括：
使用余弦相似度评价同时刻不同空间分辨率遥感影像之间光谱数据的差异性；计算公式为：
Figure FDA0004177689550000041
上式中，CSij表示第ij个相似像元与中心像元光谱差异计算结果，Fijb、Cijb分别表示同时刻第二空间分辨率、第一空间分辨率第b个波段的第ij个相似像元值，B表示影像波段数量。
8.根据权利要求7所述的基于非监督分类的多源遥感影像时空融合系统，其特征在于，所述相似像元选取模块中利用非监督分类方法对邻域范围内的像元进行分类的方法包括：
S31：根据遥感影像特征设置分类数量m；
S32：初始化m个初始聚类中心；
S33：对邻域范围内每一个像元xi，计算它到m个聚类中心的距离并将其分到距离最小的聚类中心所对应的分类中；
S34：对每个类别aj，利用类别内像元值均值重新计算各个类别聚类中心值大小
Figure FDA0004177689550000042
xi∈ci，ci表示类别内像元数量；
S35：对步骤S33、S34进行迭代。
CN202110168388.6A 2021-02-07 2021-02-07 一种基于非监督分类的多源遥感影像时空融合方法及系统 Active CN112906531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110168388.6A CN112906531B (zh) 2021-02-07 2021-02-07 一种基于非监督分类的多源遥感影像时空融合方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110168388.6A CN112906531B (zh) 2021-02-07 2021-02-07 一种基于非监督分类的多源遥感影像时空融合方法及系统

Publications (2)

Publication Number Publication Date
CN112906531A CN112906531A (zh) 2021-06-04
CN112906531B true CN112906531B (zh) 2023-05-23

Family

ID=76123605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110168388.6A Active CN112906531B (zh) 2021-02-07 2021-02-07 一种基于非监督分类的多源遥感影像时空融合方法及系统

Country Status (1)

Country Link
CN (1) CN112906531B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113324923B (zh) * 2021-06-07 2023-07-07 郑州大学 一种结合时空融合与深度学习的遥感水质反演方法
CN113486814A (zh) * 2021-07-08 2021-10-08 厦门理工学院 一种基于时空融合算法的森林火灾遥感动态监测方法
CN114202705B (zh) * 2022-02-16 2022-05-20 清华大学 光谱特征时间序列构建方法及系统
CN115359369B (zh) * 2022-10-19 2023-01-24 中国科学院、水利部成都山地灾害与环境研究所 一种基于时相自适应的山地卫星影像融合方法和系统
CN117456287B (zh) * 2023-12-22 2024-03-12 天科院环境科技发展（天津）有限公司 一种使用遥感影像观测野生动物种群数量的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103576132A (zh) * 2012-07-20 2014-02-12 上海莱凯数码科技有限公司 一种遥感影像的处理方法及系统
CN108647719A (zh) * 2018-05-10 2018-10-12 北京航空航天大学 用于大数据量光谱遥感图像分类的非监督聚类方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101482929B (zh) * 2009-03-09 2010-08-25 中国农业科学院农业资源与农业区划研究所 遥感影像的处理方法及系统
CN104359847B (zh) * 2014-12-08 2017-02-22 中国科学院遥感与数字地球研究所 获取代表典型水体类别的质心集的方法及装置
WO2019157348A1 (en) * 2018-02-09 2019-08-15 The Board Of Trustees Of The University Of Illinois A system and method to fuse multiple sources of optical data to generate a high-resolution, frequent and cloud-/gap-free surface reflectance product

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103576132A (zh) * 2012-07-20 2014-02-12 上海莱凯数码科技有限公司 一种遥感影像的处理方法及系统
CN108647719A (zh) * 2018-05-10 2018-10-12 北京航空航天大学 用于大数据量光谱遥感图像分类的非监督聚类方法

Also Published As

Publication number Publication date
CN112906531A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN112906531B (zh) 一种基于非监督分类的多源遥感影像时空融合方法及系统
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
Lin et al. Recent advances in intra-hour solar forecasting: A review of ground-based sky image methods
CN110675418B (zh) 一种基于ds证据理论的目标轨迹优化方法
CN110728658A (zh) 一种基于深度学习的高分辨率遥感影像弱目标检测方法
CN109034184B (zh) 一种基于深度学习的均压环检测识别方法
CN107273813A (zh) 基于高分卫星遥感数据的地理空间要素提取系统
CN109118429B (zh) 一种中波红外-可见光多光谱影像快速生成方法
CN108830808B (zh) 基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法
CN108428220A (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
CN109492700A (zh) 一种基于多维信息融合的复杂背景目标识别方法
CN114266977A (zh) 基于超分辨可选择网络的多auv的水下目标识别方法
CN114266947A (zh) 一种基于激光点云和可见光图像融合的分类方法及装置
CN111383203B (zh) 基于分区域拟合的全色与多光谱遥感图像融合方法
Singh et al. Detection of changes in Landsat Images using Hybrid PSO-FCM
CN116665051B (zh) 基于rgb图像重建高光谱图像的垃圾中金属再筛选方法
CN110070513B (zh) 遥感影像的辐射校正方法及系统
Albanwan et al. Spatiotemporal fusion in remote sensing
CN116612430A (zh) 一种基于深度学习利用视频监控系统估计水位的方法
CN116343057A (zh) 一种联合sar与光学图像的舰船目标检测与识别方法
CN114418913B (zh) 一种基于小波变换的isar与红外图像像素级融合方法
CN113537397B (zh) 基于多尺度特征融合的目标检测与图像清晰联合学习方法
CN116052020A (zh) 基于无人机的图像快速解译方法
CN116188990A (zh) 一种基于无人机遥感的地表植被识别方法及系统
CN113689414B (zh) 一种高寒地区长时间序列高频率ndvi生成方法和装置

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