CN108564002B - 一种遥感影像时间序列变化检测方法及*** - Google Patents
一种遥感影像时间序列变化检测方法及*** Download PDFInfo
- Publication number
- CN108564002B CN108564002B CN201810239516.XA CN201810239516A CN108564002B CN 108564002 B CN108564002 B CN 108564002B CN 201810239516 A CN201810239516 A CN 201810239516A CN 108564002 B CN108564002 B CN 108564002B
- Authority
- CN
- China
- Prior art keywords
- change
- breakpoint
- cloud
- time sequence
- seasonal
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种遥感影像时间序列变化检测方法,包括:对待测时间序列影像进行去云,得到无云时间序列影像在每个波段的每个像元的无云时间序列曲线;获取每个无云时间序列曲线中季节性断点位置;基于预设的筛选算法,检测所述季节性断点位置的变化是真变化或伪变化。本发明实施例提供的一种遥感影像时间序列变化检测方法及***,通过利用季节性的地表变化的空间信息,准确确定时间序列中季节性断点的位置,从而判断断点位置的变化真伪,实现对时间序列的有效检测。
Description
技术领域
本发明实施例涉及遥感影像处理技术领域,尤其涉及一种遥感影像时间序列变化检测方法及***。
背景技术
对地观测卫星能够长期提供较大范围地表遥感影像,在时间序列变化检测中具有巨大的潜力。时间序列变化检测是用一系列影像来定性分析某现象的时间效应,并对其变换进行定量化,当前,基于中等时间和空间分辨率的变化检测技术在农用地变化,农情和林情检测,城市扩展等发面都有长足的发展。
当前,用于时间序列变化检测的方法多种多样,依据其基本处理单元可以划分为两类:第一类为基于空间尺度的处理方法,该方法将整个遥感影像作为分析的基本单元,将其变换到时谱的独立成分中去,进而区别或者检测到感性的变化动态。常见的分析方法有主成分分析(principal component analysis,PCA),多元变换检测法(multivariatealteration detection,MAD),迭代加权多元变换检测法(iteratively reweighted MAD,IR-MAD)和变化矢量分析(change vector analysis,CVA)等。这类方法可以通过数据维数缩减较好地克服噪声,但是这类方法极少考虑季节性的地表变化;第二类方法基于像元直接进行分析,可以检测出一个像元的时序突变,对于长时间趋势和断点的识别,其中基于计量经济学法则的BFAST(Breaks for Additive Season and Trend)算法将时序数据分为趋势,季节性和噪声3部分,方便应用到其它季节性或非季节性变化检测中。CCDC(ContinuousChange Detection and Classification)算法也可以模拟趋势、季节性变化和突变,在多种土地覆被变化类型检测中得到了良好的应用。
但是,上述的这两种方法的突变探测都是在去除了季节影响后的趋势成分中进行的,会将保留在趋势成分中的云和雪的像元误判为突变像元。并且,上述两个分析方法只考虑了像元的时序变化,没有有效利用到空间信息,特别是与突变像元具有一定空间相关性的周边像元,而周边像元在减小分析虚警率中的作用往往不可忽视,从而造成对于时间序列变化检测效果不佳。
发明内容
针对现有技术存在的问题,本发明实施例提供一种遥感影像时间序列变化检测方法及***,有效利用季节性的地表变化的空间信息,从而有效的对遥感影像时间序列的变化进行检测。
第一方面本发明实施例提供一种遥感影像时间序列变化检测方法,包括:
S1、对待测时间序列影像进行去云,得到无云时间序列影像在每个波段的每个像元的无云时间序列曲线;
S2、获取每个无云时间序列曲线中季节性断点位置;
S3、基于预设的筛选算法,检测所述季节性断点位置的变化是真变化或伪变化。
第二方面本发明实施例提供了一种遥感影像时间序列变化检测***,所述***包括:
去云模块,用于对待测时间序列影像进行去云,得到无云时间序列影像在每个波段的每个像元的无云时间序列曲线;
断点获取模块,用于获取每个无云时间序列曲线中季节性断点位置;
检测模块,用于基于预设的筛选算法,检测所述季节性断点位置的变化是真变化或伪变化。
第三方面本发明实施例提供了一种遥感影像时间序列变化检测设备,包括:
处理器、存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述所述的一种遥感影像时间序列变化检测方法。
第四方面本发明实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述方法。
第五方面本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述方法。
本发明实施例提供的一种遥感影像时间序列变化检测方法及***,通过利用季节性的地表变化的空间信息,准确确定时间序列中季节性断点的位置,从而判断断点位置的变化真伪,实现对时间序列的有效检测。
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是本发明实施例提供的一种遥感影像时间序列变化检测方法流程图;
图2是本发明实施例提供的无云时间序列分解示意图;
图3是本发明实施例提供的变化检测二值图示意图;
图4是本发明实施例提供的一种遥感影像时间序列变化检测***结构图;
图5是本发明实施例提供的时间序列变化检测设备的结构框图。
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。
图1是本发明实施例提供的一种遥感影像时间序列变化检测方法流程图,如图1所示,所述方法包括:
S1、对待测时间序列影像进行去云,得到无云时间序列影像在每个波段的每个像元的无云时间序列曲线;
S2、获取每个无云时间序列曲线中季节性断点位置;
S3、基于预设的筛选算法,检测所述季节性断点位置的变化是真变化或伪变化。
在本发明实施例中,所述时间序列变化检测是指利用一系列影像来定性分析某现象的时间效应,一般的是寻找该现象时间效应的断点位置,通过断点位置的变化来对时间序列进行分析。
可以理解的是,通过捕获时间序列中的断点位置,能够发现时间序列所表示的对象在过去是否发生了某种事件,进而为检测提供必要的数据支持。
在现有技术中,对于时间序列变化检测一般采用了基于空间尺度的处理方法或者基于像元直接进行分析的方法,这两种方法都是在去除了季节影响后的趋势成分中进行的,会将保留在趋势成分中的云和雪的像元误判为突变像元,但实质上与突变像元具有一定空间相关性的周边像元在减小分析虚警率中的作用非常重要。
针对上述现有技术中存在的问题,本发明实施例采用了如图1所示的时间序列变化检测方法来实现对时间序列的有效检测。
具体的,S1中,所述待测时间序列影像为本发明实施例所检测的对象,一般的,本发明实施例会采集需要检测对象的遥感影像,遥感影像一般由对地观测卫星获取,常用的例如:Landsat卫星。
进一步的,由于遥感影像由卫星采集得到,通常会有部分像元位置被云覆盖,被云覆盖的像元会影响本发明实施例的检测过程,故而需要对其进行去云操作,使得待测时间序列影像中的有云像元转换为无云像元,从而得到无云时间序列影像。
更进一步的,对于时间序列影像而言,通常会具有多个波段,每个波段,每个波段都具有多景影像,每一景影像具有多个像元,那么对于每一个波段的每一个像元,都可以获取其在时间维度上的无云时间序列曲线。
S2中,根据S1中获取到的多个无云时间序列曲线,获取每个无云时间序列曲线中的季节性断点位置,可以理解的是,一个时间序列一般由三种成分组成,分别为:趋势、季节以及随机成分,所述趋势是指时间序列呈现某种持续向上或持续下降的状态或规律,季节是指时间序列在某段时间内的周期性波动,随机成分是指时间序列之中的不规则波动。
本发明实施例通过将趋势、季节以及随机成分进行分离,只获取季节成分的信息,这是由于趋势成分为线性趋势,不包含断点信息,而季节成分由余弦模型拟合而成,具有明显的周期性,并且季节成分中包含断点信息,通过检测断点信息位置变化的真伪能够实现对时间序列的有效检测。
S3中,可以理解的是,S2中确定的季节性断点位置的变化只是一个初步的确定结果,为了验证断点位置的真伪,需要利用本发明实施例提供的筛选算法,从中选出真变化的断点,从而为时间序列检测提供最准确的分析断点。
本发明实施例提供的一种时间序列变化检测方法及***,通过利用季节性的地表变化的空间信息,准确确定时间序列中季节性断点的位置,从而判断断点位置的变化真伪,实现对时间序列的有效检测。
本发明实施例以采集到的Landsat时间序列影像为例对本发明实施例进行说明,所述Landsat时间序列影像共包括6个波段,本发明实施例选取了从2001年到2006年的Landsat TM5影像,共138景,每景影像中均包含了多个像元,本发明实施例为了相应的实现去云操作,下载了Landsat影像相应的云掩膜产品(CFmask),云掩膜产品对每景影像每个像元都进行了标注,云掩膜产品的取值范围为0~3,其中0表示对应像元无云,1~3表示对应像元有云,通过预设的插值方法,对有云像元进行插值,从而将所有的有云像元转换为无云像元,从而进一步得到无云时间序列影像在每个波段的每个像元的无云时间序列曲线。
进一步的,本发明实施例将时间序列中趋势、季节以及随机成分的季节性成分分离,并获取季节性成分中的季节性断点位置,不同的时间序列曲线中,包含的断点个数不同,本发明实施例需要获取每个时间序列曲线的季节性断点位置,对于无云时间序列影像在各个波段的时间序列曲线上的断点位置,通过预设的筛选算法,对每个断点位置进行筛选,从中选出断点位置为真变化的断点进行断点检测。
在上述实施例的基础上,步骤S1具体包括:
将待测时间序列影像的每个像元标记为有云像元或无云像元;
对所述有云像元进行插值处理,以使所有有云像元转换为无云像元,得到所述无云时间序列影像;
获取所述无云时间序列影像在每个波段的每个像元的无云时间序列曲线。
可以理解的是,对于待测时间序列影像中的每个像元,均可将他们划分为有云像元和无云像元,有云像元是指该像元被云遮盖,无云像元是指该像元未被云遮盖。
进一步的,通过对有云像元的插值,可以将有云像元转换为无云像元,那么待测时间序列影像就可以转换为无云时间序列影像,进一步的,可以从无云时间序列影像中获取每个波段的每个像元的无云时间序列曲线。
具体的,以Landsat时间序列影像为例,本发明实施例中选取从2001年到2006年的Landsat TM5影像,共138景,同时下载Landsat影像相应的云掩膜产品(CFmask),云掩膜产品对每景影像每个像元都进行了标注,云掩膜产品的取值范围为0~3,其中0表示对应像元无云,1~3表示对应像元有云,再根据插值公式计算插值后的像元值,其中,表示时间t处插值后的像元值,Δt1和Δt2分别表示该像元后一时相和前一时相中第一个无云日期相隔天数。
进一步的,再根据公式获取所述无云时间序列影像在每个波段的每个像元的无云时间序列曲线,其中,t∈[1,2,...,T],b∈[1,2,...,B],loc∈[1,2,...,N],tsb,loc表示在波段b,第loc个像元在时间维上的无云时间序列曲线,那么处理的2001年到2006年的Landsat TM5影像就包含138个时相,每幅影像有6个波段,1000000个像元。
在上述实施例的基础上,步骤S2具体包括:
提取每个无云时间序列曲线中的季节性成分;
基于结构变化测试法,确定所述季节性成分中季节性断点的个数和位置。
可以理解的是,时间序列通常由趋势、季节、随机成分这三种成分构成,如果能够将这三种成分分离,那么就可以对他们逐个进行分析,从而简化检测过程。
具体的,本发明实施例提供的步骤S2中,提取每个无云时间序列曲线中的季节性成分首先利用公式tsb,loc=Tt+St+et(t=1,...,T)将无云时间序列曲线分解,其中Tt表示线性趋势成分,Tt=ai+bit,a表示线性趋势的截距,b表示线性趋势的斜率,St表示季节成分,et表示随机成分。
图2是本发明实施例提供的无云时间序列分解示意图,如图2所示,无云时间序列曲线被分解成趋势、季节、噪声三种成分。趋势成分为线性趋势,不包含断点信息,季节成分中包含断点信息,季节成分由余弦模型拟合而成,具有明显的周期性,在本发明实施例中,无云时间序列曲线的周期为23,在迭代了3次之后,确定了季节成分中在2005年至2006年之间存在断点,断点的位置在一定时间范围内均有一定的可信度。
需要说明的是,由于真实环境下,气候变化呈现出一定的规律,因此地表也呈现出一定的季节性规律,当地物发生变化时,时间序列曲线中的季节成分会产生相应的断点。
那么,本发明实施例可以通过获取季节成分中的季节性断点的个数和位置来实现对时间序列的断点检测,在本发明实施例中,将季节性成分用预设的余弦模型进行表示:
将展开为: 从而根据计算季节性成分,其中St表示处于断点和之间的季节成分,K表示余弦模型的个数,f表示影像于一年中的获取数量,参数γj.k表示振幅,参数θj.k表示相位,具体的,在本发明实施例中,优选的将K设置为3,f设置为23。
可以理解的是,不同的时间序列曲线中,包含的断点个数不同,由于本发明实例中Landsat影像个数为每年23景,共包含6年的影像,因此设定断点的最大个数为5,季节性成分最多被分割成6段,且当断点位置确定后,断点间的季节成分可以由曲线拟合方法获取。
具体的,本发明实施例采取的是结构变化测试的方法获取季节性成分中季节性断点的个数和位置。
首先本发明实施例利用MOSUM对季节性成分进行测试,若MOSUM测试表明季节性成分中存在断点,则根据结构变化测试法(structural change test)确定季节性断点的个数和位置,其中,季节性系数γj.k,θj.k可以从基于最小二乘方法的回归方程中计算得出。
具体的,本发明实施例根据公式
获取时间序列曲线上的移动窗口加和结果,并根据公式sctest=max||TS_SUM(t)||获取季节性断点的个数以及出现的位置(时间),其中TS_SUM表示移动窗口加和后的向量,m表示移动窗口的大小。
本发明实施例通过R语言首先对季节性成分进行波动性规律计算,MOSUM方法的函数为efp(tsb,loc-Tt~t,h=h,type=‘MOSUM’),针对每一条时间序列曲线,令tsb,loc-Tt与对应的时间t进行拟合,h为季节性成分分割段数的倒数,优选的,在本发明实施例中为设置1/6,因此MOSUM方法中对应的移动窗口大小设置为23。
接着,本发明实施例通过R语言中的结构变化测试方法判断季节性断点的个数及位置,结构变化测试方法的函数为sctest(efp(tsb,loc-Tt~t,h=h,type=‘MOSUM’)),针对上述MOSUM方法计算后的时间序列波动性规律,将波动值最大值对应的位置记录下来,作为季节性断点的位置,在获取季节性断点的过程中,对于季节性系数γj.k,θj.k的计算过程为:
根据公式α=[γj.1,θj.1,γj.2,θj.2,...,γj.K,θj.K],根据最小二乘法公式计算季节性系数,其中表示从断点j-1到断点j之间的时间序列曲线,表示从断点j-1到断点j之间的季节性成分。
那么通过上述季节性成分的获取过程和季节性断点的计算过程,能够确定出每个无云时间序列对应的季节性断点个数和位置。
可以理解的是,由于测试过程的结果可能会有误差,本发明实施例优选的将相邻两次断点的个数和位置都不再变化的结果作为最终断点位置确定结果。
在上述实施例的基础上,步骤S3包括:
对每个波段的时间序列曲线的断点位置进行第一级筛选,所述第一级筛选为对每一个断点位置所属的波段个数进行统计,;
若包含同一断点位置的波段个数大于第一预设阈值,则判定所述断点位置变化为真变化;
若包含同一断点位置的波段个数小于所述第一预设阈值,则判定所述断点位置为伪变化。
可以理解的是,对于步骤S2中确定的断点位置只是一个初步确定过程,本发明实施例需要对确定出的断点位置进行可靠筛选,从而判断每个断点位置的变化真伪来提供可信度最高的断点位置。
具体的,本发明实施例会对每个波段的时间序列曲线的断点位置进行第一级筛选,可以理解的是,每个波段的时间序列时间曲线如果都在某个位置被判定为断点位置,那么该点作为断点位置的可信度应该最高,相反的,如果某个位置只是极少数波段中被判定为断点位置,那么该点的变化很可能是伪变化,即该点是断点的可信度较低。
具体的,本发明实施例将同一断点位置的波段个数大于第一预设阈值的断点位置变化判定为真变化,将包含同一断点位置的波段个数小于所述第一预设阈值的断点位置判定为伪变化。
例如:Landsat影像共有6个波段,每个像元都会获取6个波段的时间序列曲线,及时间序列曲线的断点位置,在本发明实例中,若有3个或者3个以上的波段都判断在相同位置处产生断点,则该断点位置为真变化;若仅有1个或者2个波段判断某处产生断点,则该断点位置为伪变化。可以理解的是,3即是本发明实施例设置的第一预设阈值,但本发明实施例不对第一阈值的具体数值做限定,根据实际处理对象的不同可进行相应调节。
在上述实施例的基础上,在所述对每个波段的时间序列曲线的断点位置进行第一级筛选后,步骤S3还包括:
将第一级筛选中判定为真变化的断点位置作为候选断点位置进行第二级筛选,所述第二级筛选为:基于预设的变化强度计算模型,计算所述候选断点位置对应的变化强度,若所述变化强度大于第二预设阈值,则判定所述候选断点位置变化为真变化;
若所述变化强度小于第二预设阈值,则判定所述候选断点位置变化为伪变化。
可以理解的是,在上述实施例进行了第一级筛选的基础上,本发明实施例还提供了第二级筛选,从而更精确的确定断点位置变化的真伪。
具体的,第二级筛选过程如下:
将断点左侧Landsat对应的6个波段的季节成分方程参数A=[α1L,α2L,α3L,α4L,α5L,α6L]和断点右侧的参数B=[α1R,α2R,α3R,α4R,α5R,α6R]作为输入参数,通过变化向量检测模型和获取变化强度|D|,其中αb表示波段b处的季节成分参数,并根据预设阈值判断是否产生变化,若变化强度大于第二预设阈值,则判定断点位置为真变化,若变化强度小于第二预设阈值,则断点位置为伪变化,第二预设阈值可以根据实际情况进行设置。
可以理解的是,所述候选断点位置是在第一级筛选中被判定为真变化的断点位置。
在上述实施例的基础上,在将第一级筛选中判定为真变化的断点位置作为候选断点位置进行第二级筛选后,步骤S3还包括:
将第二级筛选中判定为真变化的断点位置作为目标断点位置进行第三级筛选,所述第三级筛选为:获取所述目标断点位置对应的变化检测二值图,若所述变化检测二值图在邻域窗口内变化的像元个数大于第三预设阈值,则判定所述目标断点位置变化为真变化;
若所述变化检测二值图在领域窗口内变化的像元个数小于第三预设阈值,则判定所述目标断点位置变化为伪变化。
可以理解的是,在上述实施例进行了第一级筛选和第二级筛选的基础上,本发明实施例还提供了第三级筛选,从而更精确的确定断点位置变化的真伪。
在本发明实施例中,将第二级筛选中判定为真变化的断点位置定义为本发明实施例中的目标断点位置,对目标断点位置在空间维上统计其变化检测二值图,如图3所示,图3是本发明实施例提供的变化检测二值图示意图,其中黑色代表变化像元,白色代表未变化像元。
获取了变化检测二值图后,需要检测每个窗口内包含的变化像元的个数,可以理解的是,窗口大小是本发明实施例预设的,若变化检测二值图邻域窗口内的变化像元个数大于等于第三预设阈值,则所述断点位置为真变化,反之,若步变化检测二值图邻域窗口内的变化像元个数小于第三预设阈值,则所述断点位置为伪变化。
例如:设置邻域窗口大小为3*3,如果窗口中变化像元的个数大于等于4,则窗口中心像元处为真变化,如果窗口中变化像元的个数小于4,则窗口中心像元处为伪变化。那么4就是本发明实施例所述的第三预设阈值,同样的,本发明实施例不对第三预设阈值的具体数值做限定,根据实际处理对象的不同可进行相应调节。
通过本发明实施例提供的三级筛选方案,能够精确的确定断点位置,从而提高时间序列检测的准确性。
图4是本发明实施例提供的一种遥感影像时间序列变化检测***结构图,如图4所示,所述***包括:去云模块1、断点获取模块2以及检测模块3,其中:
去云模块1用于对待测时间序列影像进行去云,得到无云时间序列影像在每个波段的每个像元的无云时间序列曲线;
断点获取模块2用于获取每个无云时间序列曲线中季节性断点位置;
检测模块3用于基于预设的筛选算法,检测所述季节性断点位置的变化是真变化或伪变化。
具体的如何通过去云模块1、断点获取模块2以及检测模块3对车辆数据通信可用于执行图1所示的时间序列变化检测方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本发明实施例提供的一种遥感影像时间序列变化检测***,通过利用季节性的地表变化的空间信息,准确确定时间序列中季节性断点的位置,从而判断断点位置的变化真伪,实现对时间序列的有效检测。
本发明实施例提供一种遥感影像时间序列变化检测设备,包括:至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:
图5是本发明实施例提供的时间序列变化检测设备的结构框图,参照图5,所述时间序列变化检测设备,包括:处理器(processor)810、通信接口(CommunicationsInterface)820、存储器(memory)830和总线840,其中,处理器810,通信接口820,存储器830通过总线840完成相互间的通信。通信接口820可以用于服务器与时间序列变化检测设备之间的信息传输。处理器810可以调用存储器830中的逻辑指令,以执行如下方法:S1、对待测时间序列影像进行去云,得到无云时间序列影像在每个波段的每个像元的无云时间序列曲线;S2、获取每个无云时间序列曲线中季节性断点位置;S3、基于预设的筛选算法,检测所述季节性断点位置的变化是真变化或伪变化。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:S1、对待测时间序列影像进行去云,得到无云时间序列影像在每个波段的每个像元的无云时间序列曲线;S2、获取每个无云时间序列曲线中季节性断点位置;S3、基于预设的筛选算法,检测所述季节性断点位置的变化是真变化或伪变化。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:S1、对待测时间序列影像进行去云,得到无云时间序列影像在每个波段的每个像元的无云时间序列曲线;S2、获取每个无云时间序列曲线中季节性断点位置;S3、基于预设的筛选算法,检测所述季节性断点位置的变化是真变化或伪变化。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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 (9)
1.一种遥感影像时间序列变化检测方法,其特征在于,包括:
S1、对待测时间序列影像进行去云,得到无云时间序列影像在每个波段的每个像元的无云时间序列曲线;
S2、获取每个无云时间序列曲线中季节性断点位置;
S3、基于预设的筛选算法,检测所述季节性断点位置的变化是真变化或伪变化;
步骤S3包括:
对每个波段的时间序列曲线的断点位置进行第一级筛选,所述第一级筛选为对每一个断点位置所属的波段个数进行统计,若包含同一断点位置的波段个数大于第一预设阈值,则判定所述断点位置变化为真变化;
若包含同一断点位置的波段个数小于所述第一预设阈值,则判定所述断点位置为伪变化。
2.根据权利要求1所述的方法,其特征在于,步骤S1具体包括:
将待测时间序列影像的每个像元标记为有云像元或无云像元;
对所述有云像元进行插值处理,以使所有有云像元转换为无云像元,得到所述无云时间序列影像;
获取所述无云时间序列影像在每个波段的每个像元的无云时间序列曲线。
3.根据权利要求1所述的方法,其特征在于,步骤S2具体包括:
提取每个无云时间序列曲线中的季节性成分;
基于结构变化测试法,确定所述季节性成分中季节性断点的个数和位置。
4.根据权利要求1所述的方法,其特征在于,在所述对每个波段的时间序列曲线的断点位置进行第一级筛选后,步骤S3还包括:
将第一级筛选中判定为真变化的断点位置作为候选断点位置进行第二级筛选,所述第二级筛选为:基于预设的变化强度计算模型,计算所述候选断点位置对应的变化强度,若所述变化强度大于第二预设阈值,则判定所述候选断点位置变化为真变化;
若所述变化强度小于第二预设阈值,则判定所述候选断点位置变化为伪变化。
5.根据权利要求4所述的方法,其特征在于,在将第一级筛选中判定为真变化的断点位置作为候选断点位置进行第二级筛选后,步骤S3还包括:
将第二级筛选中判定为真变化的断点位置作为目标断点位置进行第三级筛选,所述第三级筛选为:获取所述目标断点位置对应的变化检测二值图,若所述变化检测二值图在邻域窗口内变化的像元个数大于第三预设阈值,则判定所述目标断点位置变化为真变化;
若所述变化检测二值图在领域窗口内变化的像元个数小于第三预设阈值,则判定所述目标断点位置变化为伪变化。
6.一种遥感影像时间序列变化检测***,其特征在于,所述***包括:
去云模块,用于对待测时间序列影像进行去云,得到无云时间序列影像在每个波段的每个像元的无云时间序列曲线;
断点获取模块,用于获取每个无云时间序列曲线中季节性断点位置;
检测模块,用于基于预设的筛选算法,检测所述季节性断点位置的变化是真变化或伪变化;对每个波段的时间序列曲线的断点位置进行第一级筛选,所述第一级筛选为对每一个断点位置所属的波段个数进行统计,若包含同一断点位置的波段个数大于第一预设阈值,则判定所述断点位置变化为真变化;
若包含同一断点位置的波段个数小于所述第一预设阈值,则判定所述断点位置为伪变化。
7.一种计算机设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。
8.一种计算机程序产品,其特征在于,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如权利要求1至5任一项所述的方法。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810239516.XA CN108564002B (zh) | 2018-03-22 | 2018-03-22 | 一种遥感影像时间序列变化检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810239516.XA CN108564002B (zh) | 2018-03-22 | 2018-03-22 | 一种遥感影像时间序列变化检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108564002A CN108564002A (zh) | 2018-09-21 |
CN108564002B true CN108564002B (zh) | 2020-08-21 |
Family
ID=63532144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810239516.XA Active CN108564002B (zh) | 2018-03-22 | 2018-03-22 | 一种遥感影像时间序列变化检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564002B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059658B (zh) * | 2019-04-26 | 2020-11-24 | 北京理工大学 | 一种基于三维卷积神经网络的遥感卫星影像多时相变化检测方法 |
CN110298322B (zh) * | 2019-07-02 | 2021-05-14 | 北京师范大学 | 一种基于遥感数据的耕地提取方法及*** |
CN111160185B (zh) * | 2019-12-20 | 2023-11-10 | 中国农业大学 | 多尺度时间序列遥感影像趋势和断点检测方法 |
CN113538388B (zh) * | 2021-07-23 | 2022-10-11 | 中国电子科技集团公司第五十四研究所 | 一种基于modis ndvi时序数据的耕地损失评估方法 |
CN115795255B (zh) * | 2022-09-21 | 2024-03-26 | 深圳大学 | 一种湿地的时间序列变化检测方法、装置、介质及终端 |
CN117408949B (zh) * | 2023-09-20 | 2024-07-09 | 宁波大学 | 一种季节性动态阈值的云及云阴影检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680151A (zh) * | 2015-03-12 | 2015-06-03 | 武汉大学 | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 |
CN107704807A (zh) * | 2017-09-05 | 2018-02-16 | 北京航空航天大学 | 一种基于多源遥感序列影像的动态监测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7593587B1 (en) * | 2005-04-12 | 2009-09-22 | The United States Of America As Represented By The Secretary Of The Army | Spectral feature generation using high-pass filtering for scene anomaly detection |
CN101650422B (zh) * | 2009-09-27 | 2012-05-30 | 北京师范大学 | 遥感植被指数时间序列数据去噪方法 |
CN102668899B (zh) * | 2012-03-28 | 2015-02-25 | 北京师范大学 | 一种农作物种植模式识别方法 |
CN113607284B (zh) * | 2017-01-23 | 2022-06-24 | 北京师范大学 | 一种利用bfast算法判别潜在火点的方法 |
CN107229715A (zh) * | 2017-05-31 | 2017-10-03 | 福州大学 | 时序数值型遥感专题数据变化过程的地图可视化表达方法 |
CN107330875B (zh) * | 2017-05-31 | 2020-04-21 | 河海大学 | 基于遥感图像正反向异质性的水体周边环境变化检测方法 |
-
2018
- 2018-03-22 CN CN201810239516.XA patent/CN108564002B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680151A (zh) * | 2015-03-12 | 2015-06-03 | 武汉大学 | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 |
CN107704807A (zh) * | 2017-09-05 | 2018-02-16 | 北京航空航天大学 | 一种基于多源遥感序列影像的动态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108564002A (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564002B (zh) | 一种遥感影像时间序列变化检测方法及*** | |
CN111738124B (zh) | 基于Gabor变换和注意力的遥感图像云检测方法 | |
CN101727662B (zh) | Sar图像非局部均值去斑方法 | |
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
CN102013008A (zh) | 一种基于支持向量机的烟雾检测方法及装置 | |
Li et al. | Unsupervised hyperspectral image change detection via deep learning self-generated credible labels | |
CN104408705A (zh) | 一种高光谱图像的异常检测方法 | |
CN110598613B (zh) | 一种高速公路团雾监测方法 | |
CN110766027A (zh) | 图像的区域定位方法和目标区域定位模型的训练方法 | |
CN115830459A (zh) | 基于神经网络的山地林草生命共同体损毁程度检测方法 | |
CN106570862A (zh) | 一种超分辨率重建质量的评价方法及装置 | |
CN107784655A (zh) | 一种自适应阈值的视觉注意模型sar舰船检测算法 | |
CN111612741A (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
CN115908995A (zh) | 数字仪表读数的识别方法、装置、电子设备及存储介质 | |
CN116879192B (zh) | 基于卫星遥感数据的水华预测方法、装置、设备及介质 | |
Müller et al. | Simulating optical properties to access novel metrological parameter ranges and the impact of different model approximations | |
Mustafa et al. | RETRACTED: Water surface area detection using remote sensing temporal data processed using MATLAB | |
CN117975133A (zh) | 高光谱图像分类方法、***、计算机程序产品 | |
CN109945075B (zh) | 一种供水管道泄漏程度检测方法及装置 | |
CN109035306B (zh) | 动目标自动检测方法及装置 | |
CN111179245A (zh) | 图像质量检测方法、装置、电子设备和存储介质 | |
CN103903258B (zh) | 基于次序统计量谱聚类的遥感图像变化检测方法 | |
CN109978855A (zh) | 一种遥感图像变化检测方法及装置 | |
CN114463764A (zh) | 表格线检测方法、装置、计算机设备和存储介质 | |
CN111160185B (zh) | 多尺度时间序列遥感影像趋势和断点检测方法 |
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 |