[发明专利]一种时间序列遥感植被指数的噪声检测方法

说明书

一种时间序列遥感植被指数(Time‑Series Vegetation Index，TSVI)的噪声检测方法。首先使用单位根检验将各个像素的观测值分为平稳序列或者非平稳序列；对于非平稳序列，利用一定的数学模型对离散的TSVI进行建模，再计算实际观测值与模型预测值之间的差异，记为偏差。由于偏差消除了季节性成分，从而将非平稳序列转换为平稳序列。对于平稳序列或者偏差数据采用观测值分布在均值附近一定范围内的假设，进行噪声检测；再对去除噪声保留之后的观测值，迭代进行拟合和噪声检测，直到达到最大迭代次数或在某次迭代不再有噪声检出。然后将时间序列转换回图像空间获得噪声掩膜并优化。本发明可以获得准确的噪声掩膜，并提高地表相关应用的可靠性。

技术领域

本发明公开的技术涉及遥感影像处理，更具体地说，是一种从时间序列遥感植被指数中进行噪声检测的技术。

背景技术

与单期或多期影像相比，时间序列遥感影像能够提供地表特征随时间变化的信息，为精确地追踪地表演变过程提供了可能。近年来，随着中等分辨率影像(如Landsat系列卫星获得的TM、ETM+、OLI影像，Sentinel卫星获取的MIS影像)的开放发布和计算技术的快速发展，利用所有可用影像追踪地表时间演变得到了更加广泛地应用。多期的、多光谱遥感影像使得时间序列呈现出一个高维的空间，给数据分析和信息提取带来较大的困难。植被指数能够在一定程度上抑制辐射噪声并突出植被等信息，而时间序列植被指数(Time-Series Vegetation Index,TSVI)能够描述植被等特征随时间的变化，并已经广泛地应用于森林监测、农作物识别等应用中。

遥感成像过程中，云、云阴影、传感器坏道等多种因素都可能导致传感器的观测值偏离地表的真实值，从而导致数据丢失或失真，即噪声。噪声会使得信息提取和影像分类过程出现错误，因而，识别噪声是正确使用数据的前提。具体到TSVI中，噪声导致观测值在较短时间间隔内出现“陡升陡降”的现象，从而掩盖地表的真实变化。同样地，标记受污染的观测值的过程是正确使用TSVI数据提取地表信息的前提。因而，准确地识别其中的噪声具有重要意义。

云和云阴影(以下简称云影)是一种最为常见的噪声，当前大多数的噪声检测方法也是面向云影的噪声检测，本发明主要针对云影引起的噪声，但也可以用于其他类型的噪声。在单期遥感影像上，根据先验知识集成方式，云影检测包括阈值分割类方法和监督分类方法两种主要类型。

阈值分割及其改进方法尝试使用一个或多个阈值将影像分为云影及其干净观测。典型的方法如在多光谱空间中通过一系列规则构建决策树，对影像进行层次分割以获得云影掩膜。然而，在遥感影像上，云影像素和干净像素的光谱特征存在严重的重叠现象，使其难以在原始空间中通过一个或多个阈值来分离。对此，将原始影像投影到一些变换空间中可以提高云/干净像素的可区分性并简化阈值选择过程。但由于云和干净像素之间缺乏内在的可分性，转换空间的阈值分割依然是误检和漏检之间的一种平衡，基于阈值的方法始终无法彻底解决云像素和干净像素的混淆问题。

监督分类方法通过云影样本训练分类器，然后通过训练好的分类器对待处理影像进行处理，获得云影掩膜，该方法不仅可以获取样本呈现的云特征，还可以使用支持向量机(Support Vector Machine,SVM)等分类器获得非线性决策空间。在监督分类方法中，特征设计和分类器选择是决定云检测性能的两个重要因素，颜色、纹理等多种特征及其SVM，浅层神经网络等机器学习方法或者其组合已经用于云影掩膜。近年来，新兴的基于深度学习的方法将特征提取与分类集成在一个结构中，利用标记的样本进行协同优化，获得了优于传统方法的性能。

尽管上述面向单期影像的云影掩膜方法取得了巨大的成功，促进了地表相关应用的发展，但其检测精度远非完美，尤其是上述方法难以实现对薄云和高反射率干净像素的区分。而在TSVI中，残留的薄云导致了时间相邻植被指数出现“陡升陡降”现象，这将掩藏实际的土地覆盖变化并降低时间序列应用的可信度。由于时间序列中影像数目的增多，通过人工解译方式获取薄云区域的劳动和财力消耗将更加巨大，因此，发展面向TSVI的噪声检测方法具有非常重要的意义。