【技术实现步骤摘要】
本专利技术涉及遥感影像处理，具体来说是一种自适应迁移训练样本的遥感影像土地覆盖演变时空图分析方法。
技术介绍
1、遥感影像是通过遥感技术获取的地球表面及其周边环境的图像数据，包括不同类型的卫星、飞机、无人机获取的可见光、红外、微波波段数据。受气候、地理位置因素影响，获取高质量、连续、长时间序列的训练样本困难。而自适应迁移训练样本可以自动选择合适的训练样本，避免了人工标注和选择样本的繁琐过程，提供更广泛、适用于不同时间段的训练样本。
2、自适应迁移样本是一种自动的跨时间段训练样本迁移方法，该方法通过计算源域和目标域光谱之间的sad和ed，利用优化算法自动确定判断阈值，自动识别和选择在不同时间段内保持稳定、没有发生变化的像素作为训练样本，这样可以利用稳定的样本像素来训练模型，使其适应土地覆盖的动态变化。因此，即使在时间序列中存在差异和变化，该方法能够自动选择合适的训练样本来代表不同时间段的土地覆盖情况。而传统方法上的，迁移样本的阈值是通过可视化分析人工确定的，并不精准，会影响训练样本精度。
3、经典图像时间序列分析中往往将土地覆盖分类视为一个静态问题，即将不同时期的图像视为独立的样本，对每个时期进行分类，相邻时期的数据之间缺乏有效的关联和融合，难以捕捉到土地覆盖类型的动态变化，经典方法在土地覆盖分类中，往往关注的是像素级别的特征，如颜色、纹理，而忽视了地物结构的描述。本专利技术设计了一种自适应确定阈值进行训练样本迁移的方法，将迁移的训练样本与长时间序列结合，可以在时空维度上进行分类和映射，深入研究土地覆盖分类
技术实现思路
1、本专利技术的目的是为了解决长时间序列训练样本缺乏以及经典图像时间序列分析中被忽视的时空关联和结构描述的问题，设计了一种自适应迁移训练样本的遥感影像土地覆盖演变时空图分析的方法，通过计算源域和目标域光谱之间的sad和ed，利用优化算法自动确定判断阈值，自动识别和选择在不同时间段内保持稳定、没有发生变化的像素作为训练样本，这样可以利用稳定的样本像素来训练模型，使其适应土地覆盖的动态变化，最后结合构建的时空图结构，从结构层面独特地切入土地覆盖演变过程，分析长时间序列下的结构特征变化趋势。
2、为了实现上述目的，本专利技术的技术方案如下：
3、一种自适应迁移训练样本的遥感影像土地覆盖演变时空图分析方法，包括以下步骤：
4、11)自适应迁移训练样本的遥感影像土地覆盖演变时空图分析方法的准备工作：获取源域遥感卫星影像source和目标域遥感卫星影像target的地表面反射率数据、土地覆盖分类标签影像数据集；对source和target影像进行预处理；基于地表面反射率数据集的光谱特征，计算得到指数特征集，包括归一化植被指数(ndvi)、归一化水体指数(ndwi)、归一化建筑物指数(ndbi)、差值植被指数(dvi)，通过主成分分析(pca)获得第一和第二主成分，构建纹理特征集；
5、12)自适应迁移训练样本产生遥感长时间序列数据并使用模型进行土地覆盖分类制图的流程：选取源域的参考年份，并选取相邻年份作为目标域，随机均匀选取样本点，提取每个训练样本像元对应的参考光谱；对于目标域包含给定训练样本像素位置的影像，选择与源域时间最接近的影像作为目标影像，目标影像中样本的光谱作为目标光谱；计算参考光谱与目标光谱之间的光谱角差(sad)和欧氏距离(ed)，将测量值与粒子群优化算法确定的阈值进行比较，得到未改变的样本作为可迁移到目标域的样本；根据所选特征集合，在源域训练好的模型进行微调，用于目标域的土地覆盖分类预测和制图；
6、13)基于遥感长时间序列数据土地覆盖演变时空图分析的流程：根据时间序列的土地覆盖分类制图构建时空图，以连接空间和时间域中的每个土地覆被对象(lco)，包括构建空间邻接图和通过时间连接规则连接lco；计算并分配每个节点和边的属性，并从图的时空拓扑中推导出结构特征；在图层面描述lco的空间和时间动态，并对每个节点和边进行总结，构建长时间序列的时空图，分析土地覆盖演化的细节和结构。
7、所述的自适应迁移训练样本的遥感影像土地覆盖演变时空图分析方法的准备工作包括以下步骤：
8、21)获取源域遥感卫星影像source和目标域遥感卫星影像target的地表面反射率数据、土地覆盖分类标签影像数据集；
9、22)对所有影像进行去云和云阴影处理，对源域标签像素值进行归一化处理，对所有影像进行不重叠裁剪，裁剪至256×256像素的固定大小；
10、23)基于地表面反射率数据集的光谱特征，计算得到指数特征集，包括归一化植被指数(ndvi)、归一化水体指数(ndwi)、归一化建筑物指数(ndbi)、差值植被指数(dvi)，通过对原始影像进行主成分分析(pca)获得第一和第二主成分，再利用灰度共生矩阵提取纹理特征因子，构建纹理特征集。
11、所述的自适应迁移训练样本产生遥感长时间序列数据并使用模型进行土地覆盖分类制图的具体步骤如下：
12、31)自适应迁移训练样本产生遥感长时间序列数据具体步骤如下：
13、311)选定遥感卫星种类，确定长时间序列的时间跨度，每五年时间间隔选取参考年份作为源域，源域之间的年份作为目标域，依据随机、均匀原则选取样本点，对每个训练样本像元提取对应遥感影像的参考光谱；
14、312)针对给定的训练样本像素位置，在目标域的图像中，我们选取与源域时间相近的图像作为目标图像，并将目标图像中对应像素的光谱作为目标光谱，并依据以下公式计算参考光谱与目标光谱之间的sad和ed：
15、
16、式中，n表示像素中样本点个数，xi(t1)表示t1时刻参考光谱带中第i个光谱波段的数值，yi(t2)表示t2时刻目标光谱带中第i个光谱波段的数值；
17、
18、式中，θ表示夹角，cos(θ)表示t1,t2时刻样本点之间的角距离；
19、313)粒子群优化算法确定sad和ed阈值的具体步骤如下：
20、3131)选取源域数据集随机采样合适样本，将样本依据时间序列划分为四个季节，以ed与sad阈值大小为粒子变量(x1,x2)，且阈值取值范围为[0,1]，在此约束条件下初始化粒子的位置和速度，在不同阈值组合下迁移到目标域的训练样本，将样本特征输入在源域训练好的模型，依据以下公式计算土地覆盖分类预测准确率，作为目标函数：
21、
22、式中，accuracy表示土地覆盖分类预测准确率，nr表示预测正确的样本点数量，nw表示预测错误的样本点数量；
23、3132)设置最大迭代次数(max_iter)以及粒子数量(number)，在达到max_iter之前根据以下公式不断更新粒子位置、速度以及惯性系数，使粒子位置向最优解方向变化：
24、
25、式中，i表示粒子序号，d表示粒子维度序号，k表示迭代次数，w表本文档来自技高网...
【技术保护点】
1.一种自适应迁移训练样本的遥感影像土地覆盖演变时空图分析方法，包括以下步骤：
2.根据权利要求1所述的一种自适应迁移训练样本的遥感影像土地覆盖演变时空图分析方法，其特征在于，所述的自适应迁移训练样本的遥感影像土地覆盖演变时空图分析方法的准备工作具体步骤如下：
3.根据权利要求1所述的一种自适应迁移训练样本的遥感影像土地覆盖演变时空图分析方法，其特征在于，自适应迁移训练样本产生遥感长时间序列数据并使用模型进行土地覆盖分类制图的具体步骤如下：
4.根据权利要求1所述的一种自适应迁移训练样本的遥感影像土地覆盖演变时空图分析方法，其特征在于，基于遥感长时间序列数据土地覆盖演变时空图分析的具体步骤如下：
【技术特征摘要】
1.一种自适应迁移训练样本的遥感影像土地覆盖演变时空图分析方法，包括以下步骤：
2.根据权利要求1所述的一种自适应迁移训练样本的遥感影像土地覆盖演变时空图分析方法，其特征在于，所述的自适应迁移训练样本的遥感影像土地覆盖演变时空图分析方法的准备工作具体步骤如下：
3.根据权利要求1所述的一种自适应...
【专利技术属性】
技术研发人员：徐凯，金源，封祥，汪安铃，贾兆红，程志友，
申请(专利权)人：安徽大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。