一种基于像元变化检测的估测算法优化方法及装置

本发明涉及遥感数据处理，尤其涉及一种基于像元变化检测的估测算法优化方法及装置。

背景技术：

1、随着人口大量聚集，城市建设用地快速扩张，导致陆地地表产生了显著变化。这一过程对城市环境产生了显著影响。城市区域的地理空间格局复杂且高度异质。传统的遥感影像监测与分析方法难以满足快速城市化区域的环境监测需要。

2、不透水面是城市区域典型的土地覆盖类型，也是城市生态环境的关键指标，为监测分析城市化及其生态环境效应提供了不可替代的亚像元级别的研究视角。精确、高效的遥感影像信息提取方法是不透水面相关研究的基础，近年来受到众多研究者的持续关注。但在现有多时序监测研究中，亚像元方法本身的系统误差和随机误差累积产生复合误差，往往导致监测结果在时间一致性、时间分辨率等方面受到较大影响，难以准确反映地表变化的真实过程。可见，现有技术存在缺陷，亟需解决。

技术实现思路

1、本发明所要解决的技术问题在于，提供一种基于像元变化检测的估测算法优化方法及装置，能够充分利用不同的像元的变化特性来筛选出不同的训练数据集，以便于后续训练得到可以针对性进行预测的模型，有效提高模型估测的精度。

2、为了解决上述技术问题，本发明第一方面公开了一种基于像元变化检测的估测算法优化方法，所述方法包括：

3、获取目标地表区域的多个时间段的训练样本影像；

4、基于像元变化识别算法模型，从所述多个时间段的训练样本影像中识别出稳定像元和变化待测像元；

5、基于像元变化期检测算法模型，从所述变化待测像元中检测出相对稳定像元和变化像元；

6、将所有所述稳定像元和所述相对稳定像元的波段反射率信息和对应的稳定时间段进行聚合，以得到稳定训练数据库；所述稳定训练数据库用于训练用于估测所述稳定时间段的所述目标地表区域的不透水密度参数的估测算法模型；

7、将同一变化时间段的所有所述变化像元的波段反射率信息进行聚合，以得到变化训练数据库；所述变化训练数据库用于训练用于估测对应的所述变化时间段的所述目标地表区域的不透水密度参数的估测算法模型。

8、作为一个可选的实施方式，在本发明第一方面中，所述基于像元变化识别算法模型，从所述多个时间段的训练样本影像中识别出稳定像元和变化待测像元，包括：

9、将所述多个时间段的训练样本影像输入至训练好的稳定像元识别机器学习模型中，以得到识别出的稳定像元；所述稳定像元识别机器学习模型通过包括有多个训练影像和对应的目测变化标注的训练数据集训练得到；

10、将所述训练样本影像中除所述稳定像元外的确定为变化待测像元。

11、作为一个可选的实施方式，在本发明第一方面中，所述基于像元变化期检测算法模型，从所述变化待测像元中检测出相对稳定像元和变化像元，包括：

12、对于任一所述变化待测像元，计算该变化待测像元的遥感指数参数；

13、判断该变化待测像元的所述遥感指数参数是否在预设的时间段周期内出现变化；

14、若没有，则将该变化待测像元确定为相对稳定像元；

15、若有，则确定该变化待测像元在所述时间段周期内的变化期数量；

16、根据所述变化期数量，和预设的土地覆盖类型变化检测方法，确定该变化待测像元为相对稳定像元或变化像元。

17、作为一个可选的实施方式，在本发明第一方面中，所述计算该变化待测像元的遥感指数参数，包括：

18、计算该变化待测像元的ndisi指数；

19、计算该变化待测像元的缨帽变换的绿度分量；

20、将该变化待测像元的所述ndisi指数和所述绿度分量进行归一化处理，得到该变化待测像元的遥感指数参数。

21、作为一个可选的实施方式，在本发明第一方面中，所述判断该变化待测像元的所述遥感指数参数是否在预设的时间段周期内出现变化，包括：

22、将所述遥感指数参数分为多个级别；

23、判断该变化待测像元在预设的时间段周期内的所述遥感指数参数的级别是否发生了变化。

24、作为一个可选的实施方式，在本发明第一方面中，所述确定该变化待测像元在所述时间段周期内的变化期数量，包括：

25、确定该变化待测像元在所述时间段周期内的所述遥感指数参数的级别发生变化的时间段数量，得到该变化待测像元的变化期数量。

26、作为一个可选的实施方式，在本发明第一方面中，所述根据所述变化期数量，和预设的土地覆盖类型变化检测方法，确定该变化待测像元为相对稳定像元或变化像元，包括：

27、判断所述变化期数量是否为1，若否，则将该变化待测像元确定为变化像元；

28、若是，则基于预设的土地覆盖类型变化检测方法，确定该变化待测像元为相对稳定像元或变化像元。

29、作为一个可选的实施方式，在本发明第一方面中，所述基于预设的土地覆盖类型变化检测方法，确定该变化待测像元为相对稳定像元或变化像元，包括：

30、获取所述目标地表区域对应的所述时间段周期中的首尾两期的土地覆盖数据；

31、使用3*3移动窗口来对所述首尾两期的土地覆盖数据的类型进行检测，判断所述土地覆盖数据中该变化待测像元的类型在所述变化期内是否有变化；

32、若是，则确定该变化待测像元为变化像元；

33、否则确定该变化待测像元为相对稳定像元。

34、本发明第二方面公开了一种基于像元变化检测的估测算法优化装置，所述装置包括：

35、获取模块，用于获取目标地表区域的多个时间段的训练样本影像；

36、识别模块，用于基于像元变化识别算法模型，从所述多个时间段的训练样本影像中识别出稳定像元和变化待测像元；

37、检测模块，用于基于像元变化期检测算法模型，从所述变化待测像元中检测出相对稳定像元和变化像元；

38、第一聚合模块，用于将所有所述稳定像元和所述相对稳定像元的波段反射率信息和对应的稳定时间段进行聚合，以得到稳定训练数据库；所述稳定训练数据库用于训练用于估测所述稳定时间段的所述目标地表区域的不透水密度参数的估测算法模型；

39、第二聚合模块，用于将同一变化时间段的所有所述变化像元的波段反射率信息进行聚合，以得到变化训练数据库；所述变化训练数据库用于训练用于估测对应的所述变化时间段的所述目标地表区域的不透水密度参数的估测算法模型。

40、作为一个可选的实施方式，在本发明第二方面中，所述识别模块基于像元变化识别算法模型，从所述多个时间段的训练样本影像中识别出稳定像元和变化待测像元的具体方式，包括：

41、将所述多个时间段的训练样本影像输入至训练好的稳定像元识别机器学习模型中，以得到识别出的稳定像元；所述稳定像元识别机器学习模型通过包括有多个训练影像和对应的目测变化标注的训练数据集训练得到；

42、将所述训练样本影像中除所述稳定像元外的确定为变化待测像元。

43、作为一个可选的实施方式，在本发明第二方面中，所述检测模块基于像元变化期检测算法模型，从所述变化待测像元中检测出相对稳定像元和变化像元的具体方式，包括：

44、对于任一所述变化待测像元，计算该变化待测像元的遥感指数参数；

45、判断该变化待测像元的所述遥感指数参数是否在预设的时间段周期内出现变化；

46、若没有，则将该变化待测像元确定为相对稳定像元；

47、若有，则确定该变化待测像元在所述时间段周期内的变化期数量；

48、根据所述变化期数量，和预设的土地覆盖类型变化检测方法，确定该变化待测像元为相对稳定像元或变化像元。

49、作为一个可选的实施方式，在本发明第二方面中，所述检测模块计算该变化待测像元的遥感指数参数的具体方式，包括：

50、计算该变化待测像元的ndisi指数；

51、计算该变化待测像元的缨帽变换的绿度分量；

52、将该变化待测像元的所述ndisi指数和所述绿度分量进行归一化处理，得到该变化待测像元的遥感指数参数。

53、作为一个可选的实施方式，在本发明第二方面中，所述检测模块判断该变化待测像元的所述遥感指数参数是否在预设的时间段周期内出现变化的具体方式，包括：

54、将所述遥感指数参数分为多个级别；

55、判断该变化待测像元在预设的时间段周期内的所述遥感指数参数的级别是否发生了变化。

56、作为一个可选的实施方式，在本发明第二方面中，所述检测模块确定该变化待测像元在所述时间段周期内的变化期数量的具体方式，包括：

57、确定该变化待测像元在所述时间段周期内的所述遥感指数参数的级别发生变化的时间段数量，得到该变化待测像元的变化期数量。

58、作为一个可选的实施方式，在本发明第二方面中，所述检测模块根据所述变化期数量，和预设的土地覆盖类型变化检测方法，确定该变化待测像元为相对稳定像元或变化像元的具体方式，包括：

59、判断所述变化期数量是否为1，若否，则将该变化待测像元确定为变化像元；

60、若是，则基于预设的土地覆盖类型变化检测方法，确定该变化待测像元为相对稳定像元或变化像元。

61、作为一个可选的实施方式，在本发明第二方面中，所述检测模块基于预设的土地覆盖类型变化检测方法，确定该变化待测像元为相对稳定像元或变化像元的具体方式，包括：

62、获取所述目标地表区域对应的所述时间段周期中的首尾两期的土地覆盖数据；

63、使用3*3移动窗口来对所述首尾两期的土地覆盖数据的类型进行检测，判断所述土地覆盖数据中该变化待测像元的类型在所述变化期内是否有变化；

64、若是，则确定该变化待测像元为变化像元；

65、否则确定该变化待测像元为相对稳定像元。

66、本发明第三方面公开了另一种基于像元变化检测的估测算法优化装置，所述装置包括：

67、存储有可执行程序代码的存储器；

68、与所述存储器耦合的处理器；

69、所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于像元变化检测的估测算法优化方法中的部分或全部步骤。

70、本发明第四方面公开了一种用于海关分货的便携式终端，包括图形码扫描装置和数据处理装置，其中，所述数据处理装置用于执行本发明第一方面公开的基于像元变化检测的估测算法优化方法中的部分或全部步骤。

71、与现有技术相比，本发明具有以下有益效果：

72、可见，本发明实施例能够基于像元变化检测的算法来从训练样本影像中筛选出稳定不变的像元和变化的像元，并对不同的像元进行聚合以训练不同的估测模型，从而能够充分利用不同的像元的变化特性来筛选出不同的训练数据集，以便于后续训练得到可以针对性进行预测的模型，有效提高模型估测的精度。