CN113392166A - 一种遥感时序数据聚类方法 - Google Patents

一种遥感时序数据聚类方法 Download PDF

Info

Publication number
CN113392166A
CN113392166A CN202110659189.5A CN202110659189A CN113392166A CN 113392166 A CN113392166 A CN 113392166A CN 202110659189 A CN202110659189 A CN 202110659189A CN 113392166 A CN113392166 A CN 113392166A
Authority
CN
China
Prior art keywords
time sequence
data
ndvi
centroid
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
Application number
CN202110659189.5A
Other languages
English (en)
Other versions
CN113392166B (zh
Inventor
杨震
董前林
王珂
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.)
Henan University of Technology
Original Assignee
Henan University of Technology
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 Henan University of Technology filed Critical Henan University of Technology
Priority to CN202110659189.5A priority Critical patent/CN113392166B/zh
Publication of CN113392166A publication Critical patent/CN113392166A/zh
Application granted granted Critical
Publication of CN113392166B publication Critical patent/CN113392166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种遥感时序数据聚类方法，包括如下步骤：S1，数据下载及预处理，下载研究区域每年一景的植被生长季Landsat影像数据，并对影像数据进行预处理，构建研究区域的年际时序NDVI数据；S2，遥感时序数据去噪处理，得到滤波后的NDVI时序数据；S3，距离计算，处理不同变化时间与值域范围的距离测度，获取形状相似性，采用互相关法确定时序数据间的相似性，并得到基于形状相似性的时序数据间的距离；S4，质心计算，通过DTW Barycenter Averaging求解每个聚类的质心；S5，初始质心选择；S6，聚类过程。通过本发明所述的遥感时序数据聚类方法，不仅能够使得人们更方便地进行遥感时序数据分析，还能够将变化时间、值域范围不同但变化趋势相近的遥感时序聚为一类。

Description

一种遥感时序数据聚类方法
技术领域
本发明涉及遥感与地理信息技术领域，具体涉及一种遥感时序数据聚类方法。
背景技术
许多学者开展了利用多时相遥感数据监测环境变化的研究，取得了丰富的研究成果。而多时相数据不能动态表征地物的变化过程。随着遥感数据的不断积累，遥感时序分析已经成为研究热点，广泛地应用于扰动识别、土地利用变化监测等领域。常见的遥感时序分析方法有基于样本训练的轨迹分析方法等，鲜有基于时间序列聚类的遥感时序分析方法。而本申请拟通过时序聚类实现遥感时序分析。而常用的聚类方法(如k-means)，很难将变化时间、值域范围不同但变化趋势相近的遥感时序聚为一类。因此，解决上述问题，为了实现遥感时序数据的聚类分析，本申请提出一种新的遥感时序数据聚类方法。
发明内容
有鉴于此，本发明针对现有技术的不足，提供一种遥感时序数据聚类方法，不仅能够使得人们更方便地进行遥感时序数据分析，还能够将变化时间、值域范围不同但变化趋势相近的遥感时序聚为一类。
为解决上述技术问题，本发明采用的技术方案是：一种遥感时序数据聚类方法，包括如下步骤：
S1，数据下载及预处理，下载研究区域每年一景的植被生长季Landsat 影像数据，并对影像数据进行预处理，构建研究区域的年际时序NDVI数据；
S2，遥感时序数据去噪处理，得到滤波后的NDVI时序数据；
S3，距离计算，处理不同变化时间与值域范围的距离测度，获取形状相似性，采用互相关法确定时序数据间的相似性，并得到基于形状相似性的时序数据间的距离；
S4，质心计算，通过DTW Barycenter Averaging求解每个聚类的质心；
S5，初始质心选择；
S6，聚类过程，基于初始质心，每次迭代需要执行2个步骤：(a)输入质心，将NDVI时序数据分配给与之最接近的质心；(b)当有新的时序加入，利用 DBA更新聚类质心，重复这2个步骤，直到每个聚类的成员无变化，或达到最大迭代次数。
进一步的，在步骤S1中，对应项数据的预处理方法为：利用掩膜文件去除影像数据中的云和阴影；利用掩膜后的遥感影像反演研究区每年的NDVI；在获取NDVI数据之后，利用求得的NDVI构建研究区年际时序NDVI数据。
进一步的，在步骤S2中，利用BISE-WT滤波器对步骤S1中的时序NDVI 数据进行去噪处理。
进一步的，在步骤S3中，距离计算的方法为：假设两个时序数据分别为 x＝(x1,...,xm)和y＝(y1,...,ym)，为了实现平移不变性，计算互相关时保持y不变，并将x在y上滑动，距离计算公式见公式(1)：
Figure BDA0003112952380000031
其中，xs为平移后的时序，s为平移的步长，基于形状相似性的时序数据距离计算方式见公式(2)：
Figure BDA0003112952380000032
其中Dis(x,y)代表时序x和时序y间的距离，Vw(x,y)为互相关向量，其计算方式见公式(3)：
Vw(x,y)＝Rw-m(x,y),w∈1,2,...,2m-1
而Rw-m(x,y)可以计算公式见公式(4)：
Figure BDA0003112952380000033
进一步的，步骤S5中，初始化质心选择可以分为3个步骤：(a)随机选取待聚类NDVI时序数据中的一个时序，将其作为第一个聚类中心，(b)利用公式(2)计算每个NDVI时序与已有质心之间的最短距离，记为Di，并根据 Di求取每个时序被选取为下一个质心的概率，概率的计算公式见公式(5)：
Figure BDA0003112952380000041
其中Pi代表第i个NDVI时序的概率，∑Di2代表所有NDVI时序的Di2之和，在得到所有NDVI时序的概率Pi之后，按照轮盘赌选择法得到下一个质心的 NDVI时序数据；(c)重复步骤(b)，直到选择出相应聚类个数的质心数目。
与现有技术相比，本发明的有益效果在于：本申请发明了一种遥感时序数据聚类方法。相较于先前的基于样本训练的遥感时序分析方法，本发明申请从聚类的角度实现遥感时序数据分析，可为遥感时序数据分析提供新的思路。
附图说明
图1为本发明的聚类个数为3的k-means的结果示意图；
图2为本发明的聚类个数为3的本申请方法的结果示意图；
图3为本发明的不同聚类方法植被损毁的k-means的结果示意图；
图4为本发明的不同聚类方法植被损毁的本申请方法的结果示意图。
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，所描述的实施例仅仅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做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。
如图1-4所示，一种遥感时序数据聚类方法，包括如下步骤：
S1，数据下载及预处理，下载研究区域每年一景的植被生长季Landsat 影像数据，并利用掩膜文件去除影像中的云和阴影；利用掩膜后的遥感影像反演研究区每年的NDVI；在获取NDVI数据之后，利用求得的NDVI构建研究区年际时序NDVI数据；
S2，遥感时序数据去噪处理，为了去除噪声对后续聚类分析的影响，利用 BISE-WT滤波器对(1)中的时序NDVI数据进行去噪处理，得到滤波后的NDVI 时序数据；
S3，距离计算方式，
为了获取形状相似性，需要处理不同变化时间与值域范围的距离测度，本申请采用互相关法确定时序数据间的相似性，并得到基于形状相似性时序数据间的距离；具体为：假设两个时序数据分别为x＝(x1,...,xm)和y＝(y1,...,ym)，为了实现平移不变性，计算互相关时保持y不变，并将x在y上滑动，具体见下式：
Figure 1
其中，xs为平移后的时序，s为平移的步长，基于形状相似性的时序数据距离计算方式为：
Figure BDA0003112952380000052
其中Dis(x,y)代表时序x和时序y间的距离，Vw(x,y)为互相关向量，其计算方式如下：
Vw(x,y)＝Rw-m(x,y),w∈1,2,...,2m-1
而Rw-m(x,y)可以根据以下方式计算：
Figure BDA0003112952380000053
S4，质心计算方式，本申请拟通过DTW Barycenter Averaging求解每个聚类的质心；
S5，初始质心选择，初始化质心选择可以分为3个步骤：(a)随机选取待聚类NDVI时序数据中的一个时序，将其作为第一个聚类中心，(b)利用公式(2)计算每个NDVI时序与已有质心之间的最短距离，记为Di，并根据Di 求取每个时序被选取为下一个质心的概率：
Figure BDA0003112952380000054
其中Pi代表第i个NDVI时序的概率，∑Di2代表所有NDVI时序的Di2之和，在得到所有NDVI时序的概率Pi之后，按照轮盘赌选择法得到下一个质心的 NDVI时序数据；(c)重复步骤(b)，直到选择出相应聚类个数的质心数目；
S6，聚类过程，基于初始质心，本方法每次迭代需要执行2个步骤：(a) 输入质心，将NDVI时序数据分配给与之最接近的质心；(b)当有新的时序加入，利用DBA更新聚类质心，重复这2个步骤，直到每个聚类的成员无变化，或达到最大迭代次数。
具体的，将本申请的方法应用于宝日希勒矿区的部分区域。针对研究区 1998-2015年的Landsat影像数据。利用步骤S1得到研究区的NDVI时序数据，并利用步骤S2、S3、S4、S5、S6实现研究区NDVI时间序列数据的聚类，结果如图 1-4所示。
图1-2为聚类个数为3的结果示意图，图3-4为不同聚类方法植被损毁监测结果。
通过实地验证与目视解译可以发现，本申请的方法可以很好地将植被变化趋势相同但损毁时间与值域范围不同的像元聚为一类，取得了优于k-means聚类的总体精度。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种遥感时序数据聚类方法，其特征在于：包括如下步骤：
S1，数据下载及预处理，下载研究区域每年一景的植被生长季Landsat影像数据，并对影像数据进行预处理，构建研究区域的年际时序NDVI数据；
S2，遥感时序数据去噪处理，得到滤波后的NDVI时序数据；
S3，距离计算，处理不同变化时间与值域范围的距离测度，获取形状相似性，采用互相关法确定时序数据间的相似性，并得到基于形状相似性的时序数据间的距离；
S4，质心计算，通过DTW Barycenter Averaging求解每个聚类的质心；
S5，初始质心选择；
S6，聚类过程，基于初始质心，每次迭代需要执行2个步骤：(a)输入质心，将NDVI时序数据分配给与之最接近的质心；(b)当有新的时序加入，利用DBA更新聚类质心，重复这2个步骤，直到每个聚类的成员无变化，或达到最大迭代次数。
2.如权利要求1所述的遥感时序数据聚类方法，其特征在于：在步骤S1中，对应项数据的预处理方法为：利用掩膜文件去除影像数据中的云和阴影；利用掩膜后的遥感影像反演研究区每年的NDVI；在获取NDVI数据之后，利用求得的NDVI构建研究区年际时序NDVI数据。
3.如权利要求1所述的遥感时序数据聚类方法，其特征在于：在步骤S2中，利用BISE-WT滤波器对步骤S1中的时序NDVI数据进行去噪处理。
4.如权利要求1所述的遥感时序数据聚类方法，其特征在于：在步骤S3中，距离计算的方法为：假设两个时序数据分别为x＝(x1,...,xm)和y＝(y1,...,ym)，为了实现平移不变性，计算互相关时保持y不变，并将x在y上滑动，距离计算公式见公式(1)：
Figure FDA0003112952370000011
其中，xs为平移后的时序，s为平移的步长，基于形状相似性的时序数据距离计算方式见公式(2)：
Figure FDA0003112952370000021
其中Dis(x,y)代表时序x和时序y间的距离，Vw(x,y)为互相关向量，其计算方式见公式(3)：
Vw(x,y)＝Rw-m(x,y),w∈1,2,...,2m-1
而Rw-m(x,y)可以计算公式见公式(4)：
Figure FDA0003112952370000022
5.如权利要求1所述的遥感时序数据聚类方法，其特征在于：步骤S5中，初始化质心选择可以分为3个步骤：(a)随机选取待聚类NDVI时序数据中的一个时序，将其作为第一个聚类中心，(b)利用公式(2)计算每个NDVI时序与已有质心之间的最短距离，记为Di，并根据Di求取每个时序被选取为下一个质心的概率，概率的计算公式见公式(5)：
Figure FDA0003112952370000023
其中Pi代表第i个NDVI时序的概率，∑Di2代表所有NDVI时序的Di2之和，在得到所有NDVI时序的概率Pi之后，按照轮盘赌选择法得到下一个质心的NDVI时序数据；(c)重复步骤(b)，直到选择出相应聚类个数的质心数目。
CN202110659189.5A 2021-06-11 2021-06-11 一种遥感时序数据聚类方法 Active CN113392166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110659189.5A CN113392166B (zh) 2021-06-11 2021-06-11 一种遥感时序数据聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110659189.5A CN113392166B (zh) 2021-06-11 2021-06-11 一种遥感时序数据聚类方法

Publications (2)

Publication Number Publication Date
CN113392166A true CN113392166A (zh) 2021-09-14
CN113392166B CN113392166B (zh) 2022-10-21

Family

ID=77620985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110659189.5A Active CN113392166B (zh) 2021-06-11 2021-06-11 一种遥感时序数据聚类方法

Country Status (1)

Country Link
CN (1) CN113392166B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2849390A1 (en) * 2013-09-13 2015-03-18 Mimecast North America Inc. Facilitating user communication about a common topic
CN104766070A (zh) * 2015-04-22 2015-07-08 福州大学 基于植被指数时序数据离散度的森林信息遥感自动提取方法
US20150294154A1 (en) * 2014-04-15 2015-10-15 Open Range Consulting System and method for assessing riparian habitats
CN105005784A (zh) * 2015-05-21 2015-10-28 中国科学院遥感与数字地球研究所 一种基于cd-dtw距离的时间序列遥感影像土地覆盖分类方法
US20180336405A1 (en) * 2017-05-17 2018-11-22 Tab2Ex, Llc Method of digitizing and extracting meaning from graphic objects
CN109919083A (zh) * 2019-03-06 2019-06-21 武汉大学 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法
CN110647932A (zh) * 2019-09-20 2020-01-03 河南工业大学 一种种植作物结构遥感影像分类方法及装置
CN112164062A (zh) * 2020-10-29 2021-01-01 河海大学 一种基于遥感时序分析的抛荒地信息提取方法及装置
CN112598590A (zh) * 2020-12-18 2021-04-02 河海大学 基于深度学习的光学遥感时间序列影像重建方法及系统
CN112749627A (zh) * 2020-12-09 2021-05-04 北京星衡科技有限公司 一种基于多源遥感影像的烟草动态监测的方法和装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2849390A1 (en) * 2013-09-13 2015-03-18 Mimecast North America Inc. Facilitating user communication about a common topic
US20150294154A1 (en) * 2014-04-15 2015-10-15 Open Range Consulting System and method for assessing riparian habitats
CN104766070A (zh) * 2015-04-22 2015-07-08 福州大学 基于植被指数时序数据离散度的森林信息遥感自动提取方法
CN105005784A (zh) * 2015-05-21 2015-10-28 中国科学院遥感与数字地球研究所 一种基于cd-dtw距离的时间序列遥感影像土地覆盖分类方法
US20180336405A1 (en) * 2017-05-17 2018-11-22 Tab2Ex, Llc Method of digitizing and extracting meaning from graphic objects
CN109919083A (zh) * 2019-03-06 2019-06-21 武汉大学 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法
CN110647932A (zh) * 2019-09-20 2020-01-03 河南工业大学 一种种植作物结构遥感影像分类方法及装置
CN112164062A (zh) * 2020-10-29 2021-01-01 河海大学 一种基于遥感时序分析的抛荒地信息提取方法及装置
CN112749627A (zh) * 2020-12-09 2021-05-04 北京星衡科技有限公司 一种基于多源遥感影像的烟草动态监测的方法和装置
CN112598590A (zh) * 2020-12-18 2021-04-02 河海大学 基于深度学习的光学遥感时间序列影像重建方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
THOMAS LAMPERT，等: "Constrained Distance-Based Clustering for Satellite Image Time-Series", 《 IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 *
詹勇，等: "基于时序植被指数数据的地表覆盖聚类分析研究", 《城市勘测》 *

Also Published As

Publication number Publication date
CN113392166B (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
Zhao et al. Completed robust local binary pattern for texture classification
Huang et al. A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery
Sirmacek et al. A probabilistic framework to detect buildings in aerial and satellite images
An et al. Scene learning for cloud detection on remote-sensing images
CN108280396B (zh) 基于深度多特征主动迁移网络的高光谱图像分类方法
Elbakary et al. Shadow detection of man-made buildings in high-resolution panchromatic satellite images
CN110659589A (zh) 基于姿态和注意力机制的行人再识别方法、系统、装置
Woźniak et al. Graphic object feature extraction system based on cuckoo search algorithm
Licciardi et al. Retrieval of the height of buildings from WorldView-2 multi-angular imagery using attribute filters and geometric invariant moments
CN112464730B (zh) 一种基于域无关前景特征学习的行人再识别方法
CN105389799B (zh) 基于素描图与低秩分解的sar图像目标检测方法
Gonçalves et al. Dynamic texture analysis and segmentation using deterministic partially self-avoiding walks
CN109858494A (zh) 一种低对比度图像中显著性目标检测方法及装置
CN109034213B (zh) 基于相关熵原则的高光谱图像分类方法和系统
Lemaitre et al. Detection and matching of curvilinear structures
Wang et al. Automatic detection of Martian dark slope streaks by machine learning using HiRISE images
Xue et al. Background subtraction based on phase feature and distance transform
CN111339974B (zh) 一种现代陶瓷与古陶瓷的鉴别方法
CN113392166B (zh) 一种遥感时序数据聚类方法
Latif et al. Preprocessing of low-resolution time series contaminated by clouds and shadows
CN110660095B (zh) 动态环境下的视觉slam初始化方法、系统、装置
CN114612692A (zh) 一种基于人工智能图像识别的特征提取方法
Kazmi et al. A comparison of interest point and region detectors on structured, range and texture images
CN106156775A (zh) 基于视频的人体特征提取方法、人体识别方法和装置
Sharma et al. Performance comparison of texture based approach for identification of regions in satellite image

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