專利名稱：基于連續(xù)小波變換的時序遙感影像半自動分類方法
技術領域：
本發(fā)明涉及遙感影像信息處理技術領域，特別是一種基于連續(xù)小波變換的時序遙感影像半自動分類方法。
背景技術：
當前，MODIS等衛(wèi)星遙感系統(tǒng)能夠提供每日覆蓋全球的遙感影像數據，為監(jiān)測地表覆蓋變化特征提供了詳實的數據基礎。如何合理地利用遙感影像的時序信息進行自動、半自動分類是一項十分重要的工作。遙感影像分類方法大致可以分為兩大類別第一類是傳統(tǒng)的基于空間聚類思想的算法，很多常用的算法屬于這種類型，如最大似然判別法、神經元網絡分類法、模糊分類法、最小距離分類法與Fisher判別分類法以及各種空間聚類方法；第二類為新型的基于時序特征的分類方法，應用到土地覆蓋或農作物監(jiān)測領域也稱為物候法，該類方法充分挖掘不同地物在不同時間、不同季節(jié)的時序特征進行分類。第一類方法的不足之處在于它非常依賴使用者的經驗和單期影像數據本身的質量，并且由于信息的維度有限，同物異譜和異物同譜的現象非常普遍，已經成為深入應用的最大瓶頸；第二類方法的優(yōu)越之處顯而易見，但由于該方法提出的時間不長，正處在發(fā)展階段，需要開展更深入的研究工作。目前第二類方法的研究重點集中在如何從多維時序特征中提取出有效的參數用于遙感影像分類，主要的方法有統(tǒng)計參數法(均值、方差、極值等)、歐式距離法、決策樹法以及基于離散小波變換的方法。這些研究方法能較好輔助提取遙感影像中地物的時序特征，一定程度上為遙感影像半自動分類奠定了基礎，因此近年來在一定范圍內取得了較好的應用效果。然而，每種不同的地物類型在不同尺度維、時間維等多個維度上都有其特征，上述方法無法完整有效地提取這些特征，從而影響了分類的精度與效率。因此，非常需要引入一種新型遙感影像半自動分類方法。

發(fā)明內容
本發(fā)明的目的在于提供一種基于連續(xù)小波變換的時序遙感影像半自動分類方法，該方法分類精度高，自動化程度高，魯棒性好。為實現上述目的，本發(fā)明的技術方案是一種基于連續(xù)小波變換的時序遙感影像半自動分類方法，包括以下步驟
步驟1:基于一定時間步長為間隔的年內時序變化系列遙感影像數據集，建立若干已知地物的年內時序變化原始圖譜；
步驟2 :分別基于Morlet小波和墨西哥帽小波，對已知地物的年內時序變化原始圖譜進行連續(xù)小波變換，獲得基于Morlet小波變換的小波系數譜和基于墨西哥帽小波變換的小波系數譜；
步驟3 :利用基于墨西哥帽小波變換的小波系數譜計算基于時間維的小波方差，利用基于Morlet小波變換的小波系數譜計算基于尺度維的小波方差，從而分別建立所述若干已知地物的基于時間維的小波方差譜和基于尺度維的小波方差譜； 步驟4 :導入待分類影像，參照步驟f 3，建立待分類影像中每個柵格單元的基于時間維的小波方差譜和基于尺度維的小波方差譜；
步驟5 :分別基于所述若干已知地物類型的類間區(qū)分度最大化的原則，以基于時間維的小波方差譜和基于尺度維的小波方差譜為依據，確定最適宜分類的時間域與尺度域區(qū)間，作為下一步分類判別的基礎；
步驟6 :依據基于時間維的小波方差譜的圖像相似度或分離度判斷所述待分像元屬于哪種已知地物類型在所確定的最適宜分類的時間域范圍內，計算待分像元與每種已知地物的基于時間維的小波方差譜的圖像相似度或分離度，如果所述待分像元與某種已知地物的基于時間維的小波方差譜的距離最小且距離在設定的閾值范圍內，則判斷所述待分像元為該已知地物類型；
否則，進一步依據基于尺度維的小波方差譜的圖像相似度或分離度判斷所述待分像元屬于哪種已知地物類型在所確定的最適宜分類的尺度域范圍內，計算待分像元與每種已知地物的基于尺度維的小波方差譜的圖像相似度或分離度，如果所述待分像元與某種已知地物的基于尺度維的小波方差譜的距離最小且距離在設定的閾值范圍內，則判斷所述待分像元為該已知地物類型；
如果依據基于時間維的小波方差譜以及基于尺度維的小波方差譜均未能獲得合理的分類結果，則進一步補充研究區(qū)中的已知地物類型，直至研究區(qū)每個像元均獲得合理的分類結果為止。與現有技術相比，本發(fā)明具有較少依賴先驗知識、魯棒性好、分類精度好、自動化程度高等特點，主要體現在(I)本發(fā)明分別利用Morlet小波和墨西哥帽小波進行連續(xù)小波變換，獲得不同地物類別在不同時間域與尺度域上的小波系數譜，能同時從時間與尺度兩個方面綜合刻畫地物特征，極大地豐富了分類樣本的信息維度，為遙感影像高精度半自動分類奠定了基礎；(2)基于最佳分離度的思想，選取已知地物之間區(qū)分度最大的時間域與尺度域區(qū)間，構建用于基于時序特征的遙感影像分類的特征空間，可以有效地避免因為已知樣本區(qū)分度不高帶來的誤判現象的發(fā)生；(3)基于圖像相似度匹配的思想，綜合待分類像元與已知地物的時間與基于尺度維的小波方差譜的距離進行遙感影像自動判別分類，同時充分合理地利用基于時間維與尺度維多個維度上的信息，具有很好的魯棒性與自適應性。


圖1是本發(fā)明實施例的實現流程圖。圖2是本發(fā)明實施例的綜合判別體系的流程圖。
具體實施例方式本發(fā)明基于連續(xù)小波變換的時序遙感影像半自動分類方法，包括以下步驟
步驟1:基于一定時間步長為間隔的年內時序變化系列遙感影像數據集，建立若干已
知地物的年內時序變化原始圖譜，如基于MODIS EVI指數的若干農作物的年內時序變化原始圖譜，以此作為遙感影像半自動分類的先驗知識和基礎；
步驟2 :分別基于Morlet小波和墨西哥帽小波，對已知地物的年內時序變化原始圖譜進行連續(xù)小波變換，獲得基于Morlet小波變換的小波系數譜和基于墨西哥帽小波變換的小波系數譜；小波系數譜，從時間與尺度兩個方面刻畫已知地物年內變化信息，體現為一幅橫縱坐標分別為時間維與頻率維的二維圖譜，與原始圖譜相比，同時還具有去噪的功能；步驟3 :利用基于墨西哥帽小波變換的小波系數譜計算基于時間維的小波方差，利用基于Morlet小波變換的小波系數譜計算基于尺度維的小波方差(基于時間維的小波方差time-averaged wavelet variance,簡稱 TAWV,基于尺度維的小波方差 scale-averagedwavelet variance,簡稱SAWV),從而分別建立所述若干已知地物的基于時間維的小波方差譜和基于尺度維的小波方差譜；由于墨西哥帽小波為真正的對稱小波，非常適合監(jiān)測時序信號中的峰值和谷值，而頻率變化信息獲取利用Morlet小波，由此分別建立基于墨西哥帽小波的時間維的小波方差譜以及基于Morlet小波的尺度維的小波方差譜；
步驟4 :導入待分類影像，參照步驟f 3，建立待分類影像中每個柵格單元的基于時間維的小波方差譜和基于尺度維的小波方差譜；
步驟5 :分別基于所述若干已知地物類型的類間區(qū)分度最大化的原則，以基于時間維
的小波方差譜和基于尺度維的小波方差譜為依據，確定最適宜分類的時間域與尺度域區(qū)間，作為下一步分類判別的基礎；
步驟6 :依據基于時間維的小波方差譜的圖像相似度或分離度判斷所述待分像元屬于哪種已知地物類型在所確定的最適宜分類的時間域范圍內，計算待分像元與每種已知地物的基于時間維的小波方差譜的圖像相似度或分離度，相似度或分離度計算選用Jeffries - Matusita距離,如果所述待分像元與某種已知地物的基于時間維的小波方差譜的距離最小且距離在某個合理的閾值范圍內，則判斷所述待分像元為該已知地物類型；否則，進一步依據基于尺度維的小波方差譜的圖像相似度或分離度判斷所述待分像元屬于哪種已知地物類型在所確定的最適宜分類的尺度域范圍內，利用Jeffries-Matusita距離計算待分像元與每種已知地物的基于尺度維的小波方差譜的圖像相似度或分離度，如果所述待分像元與某種已知地物的基于尺度維的小波方差譜的距離最小且距離在某個合理的閾值范圍內，則判斷所述待分像元為該已知地物類型；
如果依據基于時間維的小波方差譜以及基于尺度維的小波方差譜均未能獲得合理的分類結果，則進一步補充研究區(qū)中的已知地物類型，直至研究區(qū)每個像元均獲得合理的分類結果為止。在本發(fā)明中，綜合從小波系數譜中提取的基于時間維的小波方差譜和基于尺度維的小波方差譜，作為遙感影像半自動分類的依據。下面結合附圖和具體實施例對本發(fā)明作進一步說明。本發(fā)明實施例的流程參見附圖1。第一階段建立若干已知地物的年內時序變化原始圖譜
依據研究區(qū)特點，確定若干已知地物類型GV=i,名…,/O，基于研究區(qū)某個年份內一定時間步長為間隔的年內時序變化系列遙感影像數據集，如每日的MODIS EVI指數數據集(后面以此為例進行說明)，建立若干已知地物的MODIS EVI指數的年內時序變化原始圖譜。第二階段對原始圖譜進行連續(xù)小波變換，獲得小波系數譜
對若干已知地物的年內時序變化原始圖譜進行連續(xù)小波變換，獲得連續(xù)小波變換后的小波系數譜，小波變換可表示為Ww (a,b) =I a f J /CO w(—)dt(I)
其中a3分別為尺度與時間參數，/ 為原始信號，為連續(xù)小波系數?？紤]到不同小波的特征,分別采用墨西哥帽(Mexican hat)小波和Morlet小波進行連續(xù)小波變換，墨西哥帽小波和Morlet小波分別表示為
墨西哥帽小波基函數福=^-=^-(1 -,(2)
Morlet 小波基函數_ = cos(5x)⑶
第三階段基于小波系數譜，構建若干已知地物的基于時間維的小波方差譜與基于尺度維的小波方差譜
考慮到不同的小波基的特點，從基于墨西哥帽小波變換生成的小波系數譜中計算基于時間的小波方差，基于Morlet小波變換生成的小波系數譜中計算基于尺度的小波方差，從 而分別建立若干已知地物的基于時間維的小波方差譜和基于尺度維的小波方差譜，分別表示為
W(a) = —^T (W(a,h)~ w(a')')2(4)
n -1 ,_i
W (p) 二 -1—T (W(a,h)^ wQ>")f(5)
n — I ,.1
其中、w(b)分別表示某個時刻或某個尺度上小波系數的平均值。第四階段建立整個研究區(qū)所有研究單元的基于時間維的小波方差譜與基于尺度維的小波方差譜
依次對研究區(qū)所有研究單元，逐步按照步驟一至三建立待分類影像的基于時間維的小波方差譜與基于尺度維的小波方差譜。第五階段確定最適宜影像分類的時間域與尺度域區(qū)間
基于若干已知地物之間的基于時間維的小波方差譜和基于尺度維的小波方差譜的區(qū)分度最大化的原則，選取合適的時間域與尺度域區(qū)間，作為下一步分類判斷的基礎。實施例中距離的判斷以Jeffries - Matusita distance (簡稱身距離)為例進行說明，利用身距離計算逐個時間段內若干已知地物的基于時間維的小波方差譜的距離，匯總獲得不同時間段內若干已知地物基于時間維的小波方差譜的距離和，在排序比較的基礎上選取若干已知地物基于時間維的小波方差譜的距離和的數值最大的時間區(qū)間，作為下一步分類的基礎；依據同樣的步驟確定最適宜影像分類的尺度域區(qū)間。/#距離計算公式為
觀(CjjCk) = jxQp(x\c. - P(X^k) dx(6)
其中，&和Ck為兩個已知樣本的基于時間維的小波方差譜或基于尺度維的小波方差
譜，進一步定義距離的值域區(qū)間為
，其中0為低區(qū)分度(高相似度)，2為高區(qū)分度(低相似度)，公式表示為JM = ZO-e~s)(7)
其中
B^ lD + Jln f^J+z^k /^A\Ek\j(8)
D2 =(馬.-A)(9)
K1-)
式中巧，柃分別表示兩個已知地物的基于時間維的小波方差(或基于尺度維的小波方
差)的數學期望值，，1^為已知地物j 和地物a在某個時間區(qū)間(或尺度區(qū)間)的基于時間維的小波方差(或基于尺度維的小波方差)的協(xié)方差值。
匯總獲得不同時間區(qū)間(尺度區(qū)間)若干已知地物基于時間維的小波方差(或基于尺度維的小波方差)的距離和，公式為
^ -lItE I 輯h,do)
訊 IW — I) J.1 *./+1
其中為已知地物的個數，為第J'和々類的/#距離。第六階段建立綜合判別體系，實現遙感影像半自動分類
依據步驟五所確定的最適宜時間域范圍內，逐像元分別計算每個待分像元與每個已知地物的基于時間的小波方差譜的/#距離，表示為
D JM=~ 為)(11)
V !-1
其中h為某像元在某時刻i的基于時間維的小波方差4力某個已知地物在該時刻
的基于時間維的小波方差值，i的取值區(qū)間為步驟五所確定的最適宜時間域范圍。圖2描述了建立綜合判別體系的具體流程，首先依據基于時間的小波方差譜進行判別，如果未能獲得合適的分類結果，則進一步基于尺度的小波方差譜進行識別。具體步驟為首先，針對每個待分像元，選取其與某個已知地物的基于時間維的小波方差譜的/#距離最小的那個地物類型，并且進一步判斷其距離是否在某個合理的閾值6范圍內，如果是，則判分該像元屬于這種地物類型，可表示為
(/ in(JD n , D T_2 ——D j.B) < & &, Min、D r_2....D『. ) = D T^) (12) then Type = J
其中表示待分像元與若干已知地物GV=7,名…的基于時間維的小波方差譜的/#距離。如果該待分像元與所有已知地物的基于時間維的小波方差譜的距離均在某個閾值范圍外，則進一步計算該待分像元與所有已知地物的基于尺度維的小波方差譜的/#距離，表示為
權利要求
1.ー種基于連續(xù)小波變換的時序遙感影像半自動分類方法，其特征在于，包括以下步驟 步驟I :基于一定時間步長為間隔的年內時序變化系列遙感影像數據集，建立若干已知地物的年內時序變化原始圖譜； 步驟2 :分別基于Morlet小波和墨西哥帽小波，對已知地物的年內時序變化原始圖譜進行連續(xù)小波變換，獲得基于Morlet小波變換的小波系數譜和基于墨西哥帽小波變換的小波系數譜； 步驟3 :利用基于墨西哥帽小波變換的小波系數譜計算基于時間維的小波方差，利用基于Morlet小波變換的小波系數譜計算基于尺度維的小波方差，從而分別建立所述若干已知地物的基于時間維的小波方差譜和基于尺度維的小波方差譜； 步驟4 :導入待分類影像，參照步驟f 3，建立待分類影像中每個柵格単元的基于時間維的小波方差譜和基于尺度維的小波方差譜； 步驟5 :分別基于所述若干已知地物類型的類間區(qū)分度最大化的原則，以基于時間維的小波方差譜和基于尺度維的小波方差譜為依據，確定最適宜分類的時間域與尺度域區(qū)間，作為下一歩分類判別的基礎； 步驟6 :依據基于時間維的小波方差譜的圖像相似度或分離度判斷所述待分像元屬于哪種已知地物類型在所確定的最適宜分類的時間域范圍內，計算待分像元與每種已知地物的基于時間維的小波方差譜的圖像相似度或分離度，如果所述待分像元與某種已知地物的基于時間維的小波方差譜的距離最小且距離在設定的閾值范圍內，則判斷所述待分像元為該已知地物類型； 否則，進一歩依據基于尺度維的小波方差譜的圖像相似度或分離度判斷所述待分像元屬于哪種已知地物類型在所確定的最適宜分類的尺度域范圍內，計算待分像元與每種已知地物的基于尺度維的小波方差譜的圖像相似度或分離度，如果所述待分像元與某種已知地物的基于尺度維的小波方差譜的距離最小且距離在設定的閾值范圍內，則判斷所述待分像元為該已知地物類型； 如果依據基于時間維的小波方差譜以及基于尺度維的小波方差譜均未能獲得合理的分類結果，則進一步補充研究區(qū)中的已知地物類型，直至研究區(qū)每個像元均獲得合理的分類結果為止。
2.根據權利要求I所述的基于連續(xù)小波變換的時序遙感影像半自動分類方法，其特征在干，綜合從小波系數譜中提取的基于時間維的小波方差譜和基于尺度維的小波方差譜，作為遙感影像半自動分類的依據。
全文摘要
本發(fā)明涉及一種基于連續(xù)小波變換的時序遙感影像半自動分類方法，該方法首先建立若干已知地物的年內時序變化原始圖譜，對其進行連續(xù)小波變換，獲得小波系數譜，在此基礎上建立基于時間維的小波方差譜及基于尺度維的小波方差譜，同時建立整個研究區(qū)所有研究單元的基于時間維的小波方差譜及基于尺度維的小波方差譜，然后依據已知地物的小波方差譜的類間差異性最大化原則，分別確定最適宜影像分類的時間域與尺度域區(qū)間，最后通過建立綜合判別體系，實現遙感影像半自動分類。該方法可以有效地提取時序遙感影像在時間維和尺度維上的特征，具有較少依賴先驗知識、魯棒性好、分類精度好、自動化程度高等特點。
文檔編號G06K9/62GK102982345SQ201210460579
公開日2013年3月20日 申請日期2012年11月16日 優(yōu)先權日2012年11月16日
發(fā)明者邱炳文, 鐘鳴 申請人:福州大學