[發明專利]基于動態時間彎曲的時序SAR影像耕地提取方法

有效

• 申請號: 201410266813.5
• 申請日: 2014-06-16
• 公開（公告）號: CN104008552B
• 公開（公告）日: 2017-01-25
• 發明（設計）人: 鐘禮山;朱明媛;李滿春;程亮;王結臣;王亞飛;姜朋輝;孫越凡;馬磊;潘航
• 申請（專利權）人: 南京大學;南京市國土資源信息中心
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06Q50/02
• 代理公司: 南京同澤專利事務所(特殊普通合伙)32245
• 代理人: 蔡晶晶

技術領域

本發明涉及一種遙感影像信息提取方法，特別涉及一種基于動態時間彎曲的時序SAR影像耕地提取方法。

背景技術

耕地是糧食生產的基本條件，是確保糧食安全的物質基礎，掌握實時的耕地信息對國家農業政策的制定具有重要意義。遙感技術經過幾十年的發展，已經形成了“星——空——地”一體的對地觀測網絡，并產生了海量堆積數據，因此使用遙感技術進行大范圍耕地信息的快速提取領域具有獨到的優勢。

耕地表面附著的作物擁有隨季節變化十分明顯的物候特征，不同生長周期(如播種期、營養生長期、生殖生長期和成熟期等)在遙感影像上有著不同的表現，因此使用單一時間節點的遙感影像往往不能有效提取出耕地信息。時間序列遙感影像(以下簡稱時序遙感影像)是衛星傳感器對同一地區不同時間進行觀測所獲得的數值序列，通過構建時序遙感影像，可以識別觀測數值的時間變化特征，并利用該特征進行耕地信息的有效提取。然而受觀測條件多變、農作物物候差異較大等因素的影響，現階段利用時序遙感影像反演耕地的工作仍存在不少問題，大致可歸納為兩個方面：

1)所使用遙感數據的不足。當前用于耕地反演的時序遙感數據大多數為SPOT/VEGETATION、NOAA/AVHRR、MODIS等影像數據構建的NDVI、EVI等植被指數產品(Sakamoto,2005；Wardlow,2008；Dheeravath,2010)，它們擁有較高的時間分辨率，然而空間分辨率很低(最高僅250m)，復合像元問題十分嚴重；同時，衛星傳感器的光學觀測過程中常受到云層遮擋，得到的時間序列存在大量噪聲；此外，NDVI本身會受到土壤背景和含水量等因素較大的影響，且在高植被覆蓋區域容易達到飽和(Baush,1993；唐怡，2006)。合成孔徑雷達(SAR)為主動式傳感器，發射的微波可以穿透云層，能夠全天時不受天氣影響完成對地觀測任務。隨著技術的發展，SAR傳感器的空間分辨率以及時間分辨率都有了極大的提升，歐空局的ENVISAT?ASAR數據空間分辨率最高可達10m，中國HJ-1C星SAR數據空間分辨率最高可達4m，德國TerraSAR-X、加拿大RADARSAT-2的SAR數據空間分辨率最高可達1m；同時，SAR可側視成像的特性保證了影像的高時間分辨率，許多衛星傳感器能夠提供時間間隔小于10天的SAR影像數據(TerraSAR-X對全球95％的地區可實現2天重訪)。然而盡管SAR影像應用范圍越來越廣，卻少有將其構建時間序列進行耕地信息提取的研究。

2)所采用方法的不足。利用時序遙感影像提取耕地的關鍵技術是時間序列相似性度量，即定量評估待分類像元時間序列與耕地參考時間序列的相似性程度。對大區域耕地而言，其種植的農作物種類多樣，不同種類農作物的物候期開始時間不一，持續長短不同，致使耕地時間序列在時間軸上存在一定的平移和彎曲(Calendar?Shift)。而當前進行遙感時間序列相似性度量的方法大體上可分為三類：距離法(歐氏距離、馬氏距離等)、代數法(作差法、作商法等)和相關法(Pearson相關系數、Spearman相關系數等)，它們均無法適用于“時間軸移位”的時間序列。動態時間彎曲(Dynamic?time?warping,DTW)是一個在計算機科學中常用的時間序列相似度算法，它可以在一定程度上自動尋找發生平移和彎曲的時間節點，并對序列的時間軸進行動態彎曲以實現自適應匹配，從而計算動態彎曲距離，作為兩條時間序列的相似度，從機理上看十分適于耕地時間序列的相似性分析，然而相應的研究或應用卻并不多見。

發明內容

本發明要解決的技術問題是：克服現有技術缺點，提出一種基于動態時間彎曲的時序SAR影像耕地提取方法。

本發明基于動態時間彎曲的時序SAR影像耕地提取方法，包括以下步驟：

第一步、時序SAR影像構建——對研究區研究時段內的原始SAR影像數據進行預處理和配準，并按照時間先后順序構建時序SAR影像；

第二步、耕地參考時間序列提取——選擇研究區內的若干耕地像元作為訓練樣本，針對所述時序SAR影像中的每一幅影像，分別計算訓練樣本中耕地像元的后向散射系數的均值和標準差，若所述標準差之和小于設定的可靠性閾值，則利用所述均值依據對應影像的成像時間構建耕地參考時間序列；否則，重新選擇訓練樣本并重復本步驟，直至標準差小于可靠性閾值；

第三步、時間序列相似度計算——針對每個待分類像元，構建其后向散射系數時間序列，并計算所述后向散射系數時間序列與耕地參考時間序列之間的動態時間彎曲距離，作為兩時間序列之間的相似度；