CN114897818A - 基于时空距离矩阵分析的遥感时间序列图像变化检测方法 - Google Patents
基于时空距离矩阵分析的遥感时间序列图像变化检测方法 Download PDFInfo
- Publication number
- CN114897818A CN114897818A CN202210497703.4A CN202210497703A CN114897818A CN 114897818 A CN114897818 A CN 114897818A CN 202210497703 A CN202210497703 A CN 202210497703A CN 114897818 A CN114897818 A CN 114897818A
- Authority
- CN
- China
- Prior art keywords
- time
- time sequence
- distance matrix
- nodes
- 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
Links
- 230000008859 change Effects 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 230000000737 periodic effect Effects 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000012300 Sequence Analysis Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000005286 illumination Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于时空距离矩阵分析的遥感时间序列图像变化检测方法，包括以下步骤：S1：构建时空距离矩阵M；S2：基于时空距离矩阵的拓扑图结构；S3：基于图模型的变化断点检测。本发明充分考虑了遥感影像高维时间序列的变化规律，将拓扑图结构和高维时间序列的时空距离矩阵融合，创建了时间序列拓扑图结构，提出了相应的图分割和合并方法，能够满足高维时间序列的变化检测需求，打破传统时间序列分析方式，其检测识别效率高、准确性高、计算复杂性低。
Description
技术领域
本发明涉及遥感时间序列图像分析领域，具体涉及一种基于时空距离矩阵分析的遥感时间序列图像变化检测方法。
背景技术
卫星遥感几十年的发展，积累了海量的遥感时间序列数据，这些时间序列影像较为真实地反映了地表在长时间范围内的动态变化情况，而地表变化与全球地表覆盖变化、土地利用变化、环境变化、气候变化息息相关。因此，基于遥感长时间序列影像，对地表进行时空动态分析对指导生产生活、合理整合资源以及快速辅助决策具有重要意义。
遥感时间序列图像变化检测是指针对同一地点不同时间的遥感影像，利用图像处理技术对影像间的地物变化程度和变化类别进行分析。目前已存在一些遥感时间序列变化检测的方法，主要基于像元原始光谱或光谱指数的时间序列，以时间数值为自变量，以原始光谱或光谱指数数值为因变量，利用曲线拟合技术模拟地物自身规律，捕捉由于地物变化导致的时间序列异常信息。然而，由于光照条件和大气云雨的影响，影像中存在同物异谱、同谱异物、以及云噪声等干扰，导致曲线拟合结果存在较高的虚警和错漏，精度较低。
部分技术考虑加入空间邻域信息提高变化检测的准确性，在像元级检测结果的基础上，增加空间聚合或空间滤波作为后处理技术。通过后处理方式加入空间邻域信息能够有效降低检测结果的虚警率，但难以提高探测的准确性。
因此，亟需探索空间邻域信息在时间尺度上的变化规律，发展将空间信息融入变化检测过程的理论方法，克服光照和大气等因素对数据的干扰，降低虚警和错漏率，是当前时间序列变化检测需要解决的关键问题。
发明内容
本发明的目的在于提出一种基于时空距离矩阵分析的遥感时间序列图像变化检测方法，充分利用了像元的空间邻域信息，以解决光照和大气等因素对长时序遥感数据的干扰，提高检测的准确率和稳定性。
本发明的技术方案如下：
一种基于时空距离矩阵分析的遥感时间序列图像变化检测方法，其包括：
S1：构建时空距离矩阵M；
S2：基于时空距离矩阵的拓扑图结构；
S3：基于图模型的变化断点检测；
优选地，所述时空距离矩阵M中每个元素M(i,j)为：
M(i，j)＝dis(fi，fj)
其中，M(i，j)是时间点ti和tj所对应像元邻域之间的距离，要求为非负数；时间ti对应的像元邻域信息为fi，fi是描述中心像元及其窗口范围内的特征向量，记为[v1,v2,....vq]；dis函数为距离函数；i和j的范围为[1,T]，其中T为遥感时间序列的时相总数。
其中，所述特征向量为窗口内所有像元的光谱；距离函数采用欧式距离或其他距离函数，欧式距离的公式如下：
优选地，基于时空距离矩阵的图结构将每个时间点作为拓扑图的节点，记为N，则时空距离矩阵的每个元素为连接不同时间节点的边缘E，元素值表示边的权重值。
其中，时空距离矩阵的主对角线表示节点自身的连接(权重为0)，1阶对角线表示连接相邻两个节点的边，n阶对角线表示连接到节点i和节点i+n的边。
其中，拓扑图结构的构建选择1阶对角线，用来连接所有时间节点；选择P阶对角线，令P为每年的时相数量，则时间节点i和i+P为不同年份但相同月份的两个节点之间的连接。时空距离矩的1阶对角线和P阶对角线共同构建了变化检测所需的拓扑图模型。
优选地，基于图模型的变化断点检测方法包含2个步骤：图分割和图合并。
其中，图分割方法的步骤是：
1)基于Prim算法生成最小生成树；
2)根据设定的阈值，切断具有较大权重值的边；
3)将仍有边缘连接的节点集合看作子图，得到子图集合。
将图分割获得的每个子图赋予不同的类别标签，在此基础上执行子图合并步骤：
1)考虑时间序列中存在噪声干扰，子图集合中也将存在噪声类，采用滑动窗口法合并噪声类；
2)考虑时间序列中存在周期变化干扰，子图集合中也存在周期类，采用周期合并法合并周期类；
3)根据合并后的新子图集合，提取时间序列断点变化信息。
其中，所述滑动窗口合并，给定尺寸为奇数的时间窗口，以该窗口遍历时间序列，以窗口内最多数量的标签替换窗口中心的类别标签。
其中，所述周期合并，将带有类别标签的时间序列转化为符号时间序列，并使用自相关检测方法识别周期性模式，之后将具有周期性模式的节点合并为同一类别。
其中，所述提取时间序列断点变化信息，按照时间序列标签判别断点情况：当所有时间节点具有相同标签时，该时间序列没有断点，即时间序列未发生变化；当时间序列节点具有不同标签时，提取标签发生变化的时间节点作为断点，即时间序列发生变化。
本发明具有的有益效果：
本发明充分考虑了遥感影像高维时间序列的变化规律，将拓扑图结构和高维时间序列的时空距离矩阵融合，创建了时间序列拓扑图结构，提出了相应的图分割和合并方法，能够满足高维时间序列的变化检测需求，打破传统时间序列分析方式，其检测识别效率高、准确性高、计算复杂性低。
附图说明
图1为本发明流程图；
图2为实施例的时空距离矩阵示意图；
图3为实施例的最小生成树构建示意图；
图4为实施例的拓扑图分割示意图；
图5为实施例的噪声类别合并示意图；
图6为实施例的原始序列到符号序列转化示意图；
图7为实施例的的符号序列到原始序列转化示意图；
图8为实施例的断点提取示意图。
具体实施方式
以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。
根据本发明的技术方案，一种具体的实施方式包括如附图1所示的检测识别流程。
假设给定三年的时间序列图像I1,I2,....,I36,每年12景数据，每景影像有6个光谱波段，待检测像元所在影像位置为(x,y)，具体包括以下步骤：
S1：给定5×5大小的空间窗口，在每个时相图像Ii,中收集空间范围[x-5:x+5,y-5:y+5]的25个像元的光谱值，构成150维的特征向量vi,按时间排序组成的向量集[v1,v2,…,v36]即为高维时间序列，维数为150，包含待探测像元的时空变化信息。
S2：时空距离矩阵构建。基于高维时间序列[v1,v2,…,v36]，计算任意两个时间点向量(vi,vj)之间的距离，距离公式如下：
按图2所示的位置放置计算出的距离值，遍历所有时间点，并按照图2所示的位置放置，即可获得时空距离矩阵。
S3：时序拓扑图构建。基于时空距离矩阵构建时序拓扑图，用来描述时间序列变化规律。
具体地，以每个时间点为拓扑图的节点，记为(N1,N2,…,N36)。首先，由于时间序列是相邻时间点连接而成的，因此构建连接相邻节点的边缘，具体包括：E1,2,E2,3,…,Ei,i+1,…,E35,36。其次，考虑时间序列具有周期性特点，构建连接不同年相同月的时间点，具体包括E1,13,E2,14,…,Ei,i+12,…,E24,36。
其中，Ei,j的值由时空距离矩阵的元素赋予：
Ei,j＝dis(vi,vj)
根据以上边缘构建的拓扑图即为时间序列拓扑图。
S4：时序拓扑图分割方法。基于时空距离矩阵构建时序拓扑图，进行子图分割，具体包括：
①构建最小生成树，从第一个节点起，寻找与之相连的边权重最小的节点，按照该规律，寻找连接全部节点的最小边，过程如图3所示。
②设定阈值为3，将大于3的边进行分割，得到不同的子图，并指定子图类别，如图4所示。
S5：时序拓扑图合并方法。由于噪声和周期干扰影响，子图当中会存在噪声类别和周期类别，需要通过子图合并消除其干扰，具体包括：
①设定窗口大小为5，将中心节点替换为窗口内多数节点的类别，去除噪声影响，如图5所示。
②将时间序列进行符号化处理，将具有相同类别的节点合并为一个节点，如图6所示。
假定符号化的序列长度为d，依据下列公示，计算序列A(1:d-1)与B(2:d)元素之间的距离，将距离为0的部分进行合并，合并为同一类别。
当ai—bj＝0s.t.j＝i+1
节点i与j合并一类。
S6：提取变化断点，具体步骤如下：
①将符号化的序列转变为原始序列，如图7所示
②判别断点位置：当所有节点为同一类别时，不存在断点；当节点属于不同类别时，将类别发生变化的时间点作为断点。如图8所示。
以上实施例仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下的改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.基于时空距离矩阵分析的遥感时间序列图像变化检测方法，其特征在于，包括以下步骤：
S1：构建时空距离矩阵M；
S2：基于时空距离矩阵的拓扑图结构；
S3：基于图模型的变化断点检测。
2.根据权利要求1所述的基于时空距离矩阵分析的遥感时间序列图像变化检测方法，其特征在于，S1中所述时空距离矩阵M中每个元素M(i,j)为：
M(i，j)＝dis(fi，fj)
其中，M(i，j)是时间点ti和tj所对应像元邻域之间的距离，要求为非负数；时间ti对应的像元邻域信息为fi，fi是描述中心像元及其窗口范围内的特征向量，记为[v1,v2,....vq]；dis函数为距离函数；i和j的范围为[1,T]，其中T为遥感时间序列的时相总数；
其中，所述特征向量为窗口内所有像元的光谱；距离函数采用欧式距离函数：
3.根据权利要求1所述的基于时空距离矩阵分析的遥感时间序列图像变化检测方法，其特征在于，S12中，将每个时间点作为拓扑图的节点，记为N，则时空距离矩阵的每个元素为连接不同时间节点的边缘E，元素值表示边的权重值；
其中，时空距离矩阵的主对角线表示节点自身的连接，权重为0；1阶对角线表示连接相邻两个节点的边，n阶对角线表示连接到节点i和节点i+n的边；
其中，拓扑图结构的构建选择1阶对角线，用来连接所有时间节点；选择P阶对角线，令P为每年的时相数量，则时间节点i和i+P为不同年份但相同月份的两个节点之间的连接；时空距离矩的1阶对角线和P阶对角线共同构建了变化检测所需的拓扑图模型。
4.根据权利要求1所述的基于时空距离矩阵分析的遥感时间序列图像变化检测方法，其特征在于，S3包含2个步骤：图分割和图合并；
其中，图分割方法的步骤是：
1)基于Prim算法生成最小生成树；
2)根据设定的阈值，切断具有较大权重值的边；
3)将仍有边缘连接的节点集合看作子图，得到子图集合；
将图分割获得的每个子图赋予不同的类别标签，在此基础上执行子图合并步骤：
1)考虑时间序列中存在噪声干扰，子图集合中也将存在噪声类，采用滑动窗口法合并噪声类；
2)考虑时间序列中存在周期变化干扰，子图集合中也存在周期类，采用周期合并法合并周期类；
3)根据合并后的新子图集合，提取时间序列断点变化信息。
5.根据权利要求4所述的基于时空距离矩阵分析的遥感时间序列图像变化检测方法，其特征在于，所述滑动窗口合并为：给定尺寸为奇数的时间窗口，以该窗口遍历时间序列，以窗口内最多数量的标签替换窗口中心的类别标签；
所述周期合并为：将带有类别标签的时间序列转化为符号时间序列，并使用自相关检测方法识别周期性模式，之后将具有周期性模式的节点合并为同一类别；
所述提取时间序列断点变化信息为：按照时间序列标签判别断点情况：当所有时间节点具有相同标签时，该时间序列没有断点，即时间序列未发生变化；当时间序列节点具有不同标签时，提取标签发生变化的时间节点作为断点，即时间序列发生变化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210497703.4A CN114897818B (zh) | 2022-05-09 | 基于时空距离矩阵分析的遥感时间序列图像变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210497703.4A CN114897818B (zh) | 2022-05-09 | 基于时空距离矩阵分析的遥感时间序列图像变化检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114897818A true CN114897818A (zh) | 2022-08-12 |
| CN114897818B CN114897818B (zh) | 2024-07-26 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115661617A (zh) * | 2022-12-28 | 2023-01-31 | 成都中轨轨道设备有限公司 | 一种面向遥感大数据的动态自适应分布式协同工作方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389571A (zh) * | 2017-08-03 | 2019-02-26 | 香港理工大学深圳研究院 | 一种遥感影像变化检测方法、装置及终端 |
| CN113128388A (zh) * | 2021-04-14 | 2021-07-16 | 湖南大学 | 一种基于时空谱特征的光学遥感图像变化检测方法 |
| CN114049335A (zh) * | 2021-11-18 | 2022-02-15 | 感知天下(北京)信息科技有限公司 | 一种基于时空注意力的遥感影像变化检测方法 |
| WO2022041678A1 (zh) * | 2020-08-30 | 2022-03-03 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 张量协作图判别分析遥感图像特征提取方法 |
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389571A (zh) * | 2017-08-03 | 2019-02-26 | 香港理工大学深圳研究院 | 一种遥感影像变化检测方法、装置及终端 |
| WO2022041678A1 (zh) * | 2020-08-30 | 2022-03-03 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 张量协作图判别分析遥感图像特征提取方法 |
| CN113128388A (zh) * | 2021-04-14 | 2021-07-16 | 湖南大学 | 一种基于时空谱特征的光学遥感图像变化检测方法 |
| CN114049335A (zh) * | 2021-11-18 | 2022-02-15 | 感知天下(北京)信息科技有限公司 | 一种基于时空注意力的遥感影像变化检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李亮等: "考虑时空关系的遥感影像变化检测和变化类型识别", 武汉大学学报(信息科学版), vol. 38, no. 5, 5 May 2013 (2013-05-05) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115661617A (zh) * | 2022-12-28 | 2023-01-31 | 成都中轨轨道设备有限公司 | 一种面向遥感大数据的动态自适应分布式协同工作方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lv et al. | Land cover change detection techniques: Very-high-resolution optical images: A review | |
| CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和*** | |
| CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
| Zhan et al. | Iterative feature mapping network for detecting multiple changes in multi-source remote sensing images | |
| CN108875806B (zh) | 基于时空数据的虚假林火热点挖掘方法 | |
| CN114972191A (zh) | 一种耕地变化检测方法和装置 | |
| CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
| Chai et al. | Annual urban expansion extraction and spatio-temporal analysis using Landsat time series data: a case study of Tianjin, China | |
| CN108876810A (zh) | 视频摘要中利用图割算法进行运动目标检测的方法 | |
| CN103685866A (zh) | 视频稳像方法及其装置 | |
| Petitjean et al. | Discovering significant evolution patterns from satellite image time series | |
| CN114494695A (zh) | 一种智慧水利城乡积涝水位监测预警方法及装置 | |
| CN114205766A (zh) | 一种无线传感器网络异常节点检测与定位方法 | |
| Taubenbock et al. | A transferable and stable object oriented classification approach in various urban areas and various high resolution sensors | |
| CN114897818B (zh) | 基于时空距离矩阵分析的遥感时间序列图像变化检测方法 | |
| CN114897818A (zh) | 基于时空距离矩阵分析的遥感时间序列图像变化检测方法 | |
| Mangala et al. | A new automatic road extraction technique using gradient operation and skeletal ray formation | |
| CN112232303A (zh) | 一种基于高分遥感影像的草原道路信息提取方法 | |
| Liu et al. | Container-code recognition system based on computer vision and deep neural networks | |
| CN116168213A (zh) | 人流量数据的识别方法和人流量数据识别模型的训练方法 | |
| CN113098989A (zh) | 字典生成方法、域名检测方法、装置、设备及介质 | |
| CN115937701A (zh) | 基于多源异构数据融合的山火识别及过火面积估算方法 | |
| Musy et al. | Automated forest area estimation using iterative guided spectral class rejection | |
| CN103903258A (zh) | 基于次序统计量谱聚类的遥感图像变化检测方法 | |
| CN114120309A (zh) | 一种仪表读数识别方法、装置及计算机设备 |
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 |