[发明专利]一种时间序列遥感影像降维方法

说明书

本发明提供一种时间序列遥感影像降维方法，包括如下步骤：构建时间序列遥感影像数据，计算像元间的DTW度量距离；选取样本构建标准样本库；通过kNN算法构建近邻图及赋予权重；计算标准样本库像元与时间序列遥感影像数据中所有像元的测地线距离；构建标准样本库像元与时间序列遥感影像数据中所有像元的测地线距离矩阵以及标准样本库像元间的测地线距离子矩阵；用MDS算法获得降维后的结果。本发明极大简化了时间序列遥感影像的预处理过程，直接去除无效数据即可，不需要对数据进行插值或滤波等传统方法中必要的操作，避免了因上述操作带来误差而降低后续处理精度，同时显著降低了算法复杂度，可用于大区域尺度遥感影像。

技术领域

本发明涉及遥感影像处理方法，具体地，涉及一种时间序列遥感影像降维方法。

背景技术

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。

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。

时间序列遥感影像存在着数据冗余，尤其是在土地覆盖类型没有发生改变的区域。因此，在对时间序列遥感影像进行土地覆盖分类之前，往往要先进行降维处理。降维技术是在保留有用信息并减少噪声的前提下，将高维数据变换到低维空间的方法。

由于时间序列遥感影像在成像过程中发生多向散射，使得数据内部结构呈现出非线性特征，因此，非线性降维方法比线性降维方法更适合于处理时间序列遥感影像。非线性降维中，最主要的方法就是基于流形学习的降维方法。主要的流形学习方法有等距特征映射、局部线性嵌入、局部保留嵌入和近邻保留嵌入等。具体方法可参见文献1：Balasubramanian M,Schwartz E L.“The isomap algorithm and topologicalstability”.Science,2002,295(5552):7-7，文献2：D.de Ridder and R.P.Duin,Locallylinear embedding for classification,Pattern Recognition Group,Dept.ofImaging ScienceTechnology,Delft University of Technology,Delft,TheNetherlands,Tech.Rep.PH-2002-01,pp.1-12,2002.和文献3：X.He,D.Cai,S.Yan,and H.-J.Zhang,Neighborhood preserving embedding,in Computer Vision,2005.ICCV2005.Tenth IEEE International Conference on,2005,pp.1208-1213.然而将以上方法直接应用于时间序列遥感影像时，会存在如下问题：第一，时间序列遥感影像由于云雪覆盖，在获取时往往包含一定程度的无效数据，如果想采用上述方法，则需要先对时间序列遥感影像进行插值或去云的预处理，但是这些预处理并没有增加有效的信息，反而会带来较大的预测误差，从而降低后续分类精度；第二，非线性降维算法在用于大区域时间序列遥感影像时，往往由于算法复杂度较高，而导致难以执行，例如等距特征映射算法，需要计算所有像元与像元之间的测地线距离，当影像像元数量较多时，这个计算量是相当庞大的。

发明内容