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

文档序号:9288598阅读:973来源:国知局
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
【技术领域】
[0001] 本发明属于遥感影像处理技术领域,主要涉及土地覆盖分类技术,具体涉及一种 基于⑶-DTW距离的时间序列遥感影像土地覆盖分类方法。
【背景技术】
[0002] 土地覆盖是指地球表层的植被覆盖物和人工覆盖物的总称,是自然植被与被自然 营造体和人工建造所覆盖的地表诸要素的综合反映。土地覆盖是人类认识自然、掌握自然 规律必备的信息,也是各种资源管理和地理信息服务所需要的最基本数据。因此,土地覆盖 信息的获取、分析和更新显得极其重要。
[0003] 遥感影像数据以其宏观性、实时性的特点,一直以来都是土地覆盖检测的重要手 段。遥感数据的优势在于其包含了丰富的空间信息,有利于研究地物的空间特性。但是地 表事件的发生和地物的演化,是随着时间的推进而进行的,在时间和空间上都表现出了一 定的变化规律。因此,针对遥感影像的分类不能只依靠地物的空间特性,应该采取合适的方 法对遥感影像地物的时间特性进行分析,力求从遥感影像的时间特性中提取与之相关的 信息和知识。随着遥感传感器资源的日益丰富,遥感数据的时间分辨率有了显著提高,同一 区域长期积累的遥感影像数据中蕴含着丰富的时间、空间和光谱信息,为土地覆盖动态监 测提供了优良的数据源。因此,基于长期积累的遥感数据,建立遥感影像时间序列数据集并 进行土地覆盖分类成为了遥感影像分类的一种发展趋势。
[0004] 目前,在其它学科,尤其是金融和生物领域,对序列数据的表达、处理和挖掘方法 已经相对成熟,这些为遥感影像时间序列的研究提供了坚实的基础。然而,遥感影像时间序 列具有一定的特殊性,比如采样间隔不等,固有的时间轴畸变(物候期根据每年的温度等 自然条件有所提前或者延迟),存在云遮挡现象等,使得现有的时间序列处理方法不能完全 适应遥感应用的需要,因此有必要对传统的时间序列处理方法进行改进,使之适应时间序 列遥感影像分类的要求。

【发明内容】

[0005] ( -)发明目的
[0006] 针对面向时间序列遥感影像的土地覆盖分类,提供一种基于⑶-DTW距离的K均值 聚类方法。并且通过多特征的优化组合提高时间序列遥感影像分类的精度,通过对DTW距 离的改进消除云等尖锐噪声对时间序列遥感影像分类的影响。
[0007] (二)技术解决方案
[0008] 本发明提供了一种基于⑶-DTW距离的时间序列遥感影像土地覆盖分类方法,包 含以下步骤:
[0009] 步骤1、对多时相的Landsat8遥感影像进行相对福射校正和几何精校正;
[0010] 步骤2、利用经过所述步骤1处理后的影像的多光谱波段,计算不同时相影像的 NDVI图像。
[0011] 步骤3、将多时相的LandsatS遥感影像的绿、红、近红外波段时间序列以及经过步 骤2处理得到的NDVI时间序列组成多特征时间序列。
[0012] 步骤4、将经过所述步骤3处理后得到的多特征时间序列进行基于⑶-DTW距离的 K均值聚类,得到聚类结果。
[0013] 步骤5、将经过所述步骤4得到的聚类结果进行合并,生成最终的分类图像。
[0014] 所述步骤2中的NDVI能够很好的区分植被与非植被,其计算公式如下:
[0015]
[0016] 其中,P _和P 分别代表某个像素近红波段和红波段的像素值。
[0017] 所述步骤3中将不同时相的LandsatS遥感影像的绿、红、近红外波段时间序列以 及经过步骤2处理得到的NDVI时间序列组成多特征时间序列。遥感影像的绿、红、近红外 波段包含地物信息丰富,能够很好地分辨各种地物,遥感图像的NDVI值能够很好的识别出 水域、植被、岩石等地物,因此选择这4种波段作为时间序列的特征。
[0018] 所述步骤4中的DTW(Dynamic Time Warping)是把时间规整和距离测度计算结合 起来的一种非线性规整算法,该算法基于动态规划的思想,将一个复杂的全局最优化问题 转化为许多局部最优化问题,一步一步地进行决策。DTW算法采用满足一定条件的时间规整 函数描述输入序列和参考序列在时间上的对应关系,求解两者匹配时累计距离最小所对应 的规整函数。求解最优路径的过程可以通过构造累计距离矩阵实现,累计距离矩阵计算如 下:
[0019] 假设存在两条序列A = (a^ a2, . . .,am),B = Od1, b2, . . .,bn),则A和B的累计距 离矩阵可以通过如下公式计算得到:
[0020]
[0021]
[0022] 其中,D(A1, Bj)代表序列A的第i个时间点与序列B的第j个时间点之间的DTW 距离值,D为mXn矩阵,当要处理的时间序列有多个特征时,&1,bj为多维向量,η代表特征 个数。11 · I Ip代表P范数,当P = 1时代表曼哈顿距离,当P = 2时代表欧式距离。
[0023] 得到累计距离矩阵之后,根据每个点的minO的局部选择过程,从累计距离矩阵 的结束点回溯到起始点即可得到一条最优规整路径,这条规整路径对应的就是两条序列时 间点的最佳对应关系。并且,最后一个点的DTW值D (Ani, Bn)受全局时间点的影响,可以作为 衡量两条序列相似性的度量值。
[0024] 本发明将兰氏距离(Canberra Distance)与动态时间规整(Dynamic Time Warping)算法相结合作为不同像素时间序列的相似性度量,本发明称之为CD-DTW距离,两 条序列的CD-DTW距离的计算公式如下:
[0025]
[0026]
[0027] 其中,I alk I是序列A的第i个时间点的第k个特征的绝对值。
[0028] 兰氏距离是曼哈顿距离的一种变形,可以看作带有权重的曼哈顿距离。兰氏距离 具有不受量纲影响的特点,在时间序列的度量中能够消除尖锐噪声对序列相似性的度量。 因此,本发明结合兰氏距离与DTW算法的优点,提出一种新的时间序列相似性度量标准,并 将其应用在时间序列遥感影像的土地覆盖分类中。通过⑶-DTW距离的使用,在发挥DTW比 较时间序列相似性的优势的同时,很好地解决了时间序列遥感影像中云等尖锐噪声对土地 覆盖分类结果的影响。
[0029] 所述步骤4中非监督聚类采用K均值聚类,其具体计算步骤如下:
[0030] 1.选取K个类别的初始中心序列Zf、Zf..... ,初始中心序列的选择对 聚类结果有一定的影响,初始中心序列的选择一般有以下两种方法:
[0031] a)任选K个类别的初始中心序列;
[0032] b)将全部数据随机地分为K个类别,每个类别随机选择一条序列作为中心序列, 利用DBA算法更新该中心序列,将更新后的中心序列作为K个类的初始中心序列。
[0033] 2.在第η次迭代中,对任一时间序列X按如下的方法把它划分到K个类别中的某 一类。对于所有的 i 辛 = #是以矽> 为中心序列的类。
[0034] 3.由第2步利用DBA算法得到类新的类中心Z;fl+1)
[0035] 4对于所有的j = 1,2,…,K,如果|丨芩+1) -Z;n) ||p<0 ,则迭代结束,否则转到第 二步继续进行迭代,Θ为阈值。
[0036] 所述步骤4中的DBA(DTW Barycenter Averaging)算法是根据中心序列与同一类 中其他序列的时间点对应关系,将与中心序列的时间点相对应的所有序列时间点值求平均 值,通过多次迭代更新中心序列。每次迭代过程包含以下具体步骤:
[0037] 1.计算中心序列与同一类中其他序列的DTW值,记录中心序列的时间点与其他序 列的时间点的对应关系。
[0038] 2.利用第1步得到的对应关系更新中心序列,假设第j个中心序列有m个时间点 ,对于新的类中心序列</+1>的第k个时间点1:):
[0039]
[0040] 式中,1为DBA算法的迭代次数,{xkl,xk2,. . .,xka}为与中心序列的第k个时间点 相对应的其他序列的时间点值,a为所有相对应时间点的数目。
[0041] 所述步骤5中将经过所述步骤4得到的聚类结果进行合并,通过计算类中心序列 相互之间的距离,合并明显属于同一类的聚类,并通过目视解译给聚类图斑赋予正确的地 物类型,生成最终的分类图像。
[0042] (三)技术效果
[0043] 本发明与现有的技术方案相比具有如下的优点和有益效果:本发明选取 LandsatS的绿、红、近红外波段与NDVI波段组合用于遥感影像聚类,包含地类信息丰富,聚 类效果好;本发明采用CD-DTW距离作为遥感影像时间序列间的相似性度量值,使序列的相 似性比较更加准确,兰氏距离和DTW距离的结合消除了序列中的尖锐时间点的影响,使时 间序列遥感影像的聚类不受云等尖锐噪声的影响,聚类效果比基于传统DTW距离的聚类要 好。
【附图说明】
[0044] 图1是本发明实施例的基于CD-DTW距离的时间序列遥感影像土地覆盖分类方法 流程图;
[0045] 图2是实验影像中的一幅(北京昌平区的Landsat8影像,拍摄于2013年6月13 曰);
[0046] 图3是实验影像中的一幅(北京昌平区的Landsat8影像,拍摄于2013年11月4 曰);
[0047] 图4是实验影像中的
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1