CN100514085C - 高光谱图像的空间-光谱信息协同提高分辨率的方法 - Google Patents

Abstract

高光谱图像的空间-光谱信息协同提高分辨率的方法，它涉及利用高光谱图像信息提高空间分辨率的方法。它解决了现有高光谱图像处理中存在的不能充分利用空间信息和光谱信息以改善图像分辨率的问题。本发明步骤为：一、输入高光谱图像数据；A、空间信息提取；A一、特征波段选择；A二、空间局部分析及判断；B、光谱信息提取；B一、光谱端元提取；B二、混合像元分解；C、空-谱协同超分辨；D、得到分辨率提高的高光谱图像。本发明突破图像获取时的空间分辨率极限；利用支持向量机解混和局域空间相关性进行空间-光谱信息协同技术提高高光谱图像的空间分辨率，可极大提高目标的探测和定位能力，突破图像获取手段的限制，弥补硬件的不足。

Description

高光谱图像的空间-光谱信息协同提高分辨率的方法

技术领域

本发明涉及一种利用高光谱图像信息提高空间分辨率的方法。

背景技术

空间分辨率简单来说就是成像系统对图像细节分辨能力的一种度量，也是图像中目标细微程度的指标，它表示景物信息详细程度，是评价传感器性能和遥感信息的重要指标之一，也是识别地物目标形状大小的重要依据。遥感图像的空间分辨率的高低与成像光学系统有着直接的关系，如果其分辨率较低，将使得遥感图像中存在较多的混合像元，严重影响图像的分析和理解，这对于目标分类、检测和识别来说，是非常不利的。

光谱分辨率是指传感器在一定波长范围内对地物光谱进行离散采样的精细程度。光谱分辨率是表征传感器获取地物光谱信息性能的主要指标。相对于空间图像信息，作为刻划地物特征的另一种方式，通过远程探测得到的光谱信息同样可实现对地物的辨识，并且光谱信息直接与目标的物质组成有关，特别是对于目标识别、植被的精细分类、海洋水色定量监测以及军事上对伪装的辨识等从光谱的角度比空间的图像更适合。

高光谱遥感(Hyperspectral Remote Sensing)是在20世纪80年代发展起来的一种全新的遥感技术。该技术利用星载或机载的成像光谱仪设备对地面进行成像，成像光谱仪在对目标的空间特征成像的同时，对每个空间像元经过色散形成几十个乃至几百个窄波段以进行连续的光谱覆盖，从而形成谱分辨率达到纳米数量级的遥感数据。这种数据由于光谱分辨率高，通常称为高光谱数据或高光谱图像。高光谱数据的光谱分辨率在10纳米左右，比多光谱(Multispectral)图像高出几十甚至上百倍。伴随着成像光谱技术的不断发展，高光谱数据已经被应用到了众多领域中。从民用领域广泛应用的环境监测、城市规划、农作物估产、洪涝灾害调查、国土资源调查，到军事领域的卫星侦察、目标检测识别等等。

高光谱图像的突出特点是在获得目标图像二维空间景像信息的同时，还可以获得高分辨率的一维表征其物理属性的光谱信息，即图谱合一。通过处理高光谱图像中目标图像的空间特征和光谱特征，可以以较高的可信度辨别和区分地物目标。这对遥感图像军事侦察、真/假目标识别、农林的精细化分类等都具有重要应用意义和巨大的潜力。遥感技术长期以来的两个主要发展趋势就是向高空间分辨率和高光谱分辨率方向发展，但二者的发展往往是相互矛盾、相互制约的，这主要是由于成像光学系统在设计和实现上的限制。高光谱图像的光谱分辨率一般较高，但其空间分辨率却偏低，这对于目标识别算法较为不利。在遥感技术快速发展的今天，我们对遥感图像的分辨率有着越来越高的要求，但对于现有的成像设备，由于其制作工艺和现有技术的约束，还远远不能满足各方面的要求。因此，运用软件方法来有效提高高光谱成像系统的空间分辨率具有重要的实用价值和现实意义。

现有方法是单纯从高光谱图像的空间几何关系出发，通过空间域或者频率域的处理技术来进行空间超分辨。然而在此过程中，很少利用到光谱信息，使得这类算法还局限于原有的一般数字图像超分辨，没有充分发挥高光谱的优势。或者只考虑光谱信息，获得混合像元中各组成成分的比例，而很少利用空间信息进行进一步细化处理。总之，以往的算法没有将光谱和空间信息协同利用，所以高光谱的特点没有充分得以体现，存在信息没有充分利用的不足。

发明内容

本发明的目的是为了解决现有高光谱图像处理技术中存在的不能充分利用空间信息和光谱信息以改善图像分辨率的问题，进而提出了一种高光谱图像的空间-光谱信息协同提高分辨率的方法。

本发明的步骤如下：

步骤一：输入高光谱图像数据：根据数据格式读入高光谱图像数据，将所述高光谱图像数据同时输入到计算机的步骤A中的空间信息提取模块和步骤B中的光谱信息提取模块中进行信息提取；

步骤二：本步骤包括步骤A和步骤B，

步骤A：空间信息提取：通过空间信息模块进行特征波段选择和空间局部分析及判断；

步骤A一：特征波段选择：特征波段选择是对高光谱图像数据信息量大的特征谱段进行提取或选择；

步骤A二：空间局部分析及判断：利用微分算子边缘检测算法提取步骤A一中所提取或选择的特征谱段的边缘信息，通过边缘信息进行边缘像元判断；是非边缘像元，利用复制技术进行插值处理，得到空间类别信息和相互关系信息，输入到步骤三中；是边缘像元，即为混合像元所在，获取混合像元，将混合像元数据输入到步骤B二中；

步骤B：光谱信息提取：通过光谱信息提取模块进行光谱端元提取和混合像元分解；

步骤B一：光谱端元提取：利用PPI或者N-FINDR算法提取高光谱图像中的光谱端元，记录端元的光谱信息和位置信息；

步骤B二：混合像元分解：用得到的端元的光谱信息和位置信息通过支持向量机方法，从混合像元中获取各组成成分的比例；

步骤三：空-谱协同超分辨：对步骤B二中得到的混合象元解混后的各组成成分的比例分布和步骤A二中得到的非边缘像元所取得的空间类别信息和相互关系信息，按照相关性准则进行分布；

步骤四：得到分辨率提高的高光谱图像。

本发明与现有技术相比具有如下优点：

(1)克服通常方法单纯从高光谱图像的空间几何关系出发进行空间超分辨，或者只考虑光谱信息进行混合像元的分解来获得子像元构成，有效解决了现有算法信息利用率低的问题，可突破图像获取时的空间分辨率极限；

(2)利用支持向量机解混和局域空间相关性进行空间-光谱信息协同技术提高高光谱图像的空间分辨率，可极大提高目标的探测和定位能力，突破图像获取手段的限制，弥补硬件的不足。

附图说明

图1是本发明的流程图；图2是混合像元与其他相邻像元的示意图；图3是解混分量图；图4是解混分量图所对应的第一种空间分布关系图；图5是解混分量图所对应的第二种空间分布关系图。

具体实施方式

具体实施方式一：结合图1说明本实施方式，本实施方式的步骤如下：

步骤一：输入高光谱图像数据：根据数据格式读入高光谱图像数据，将所述高光谱图像数据同时输入到计算机的步骤A中的空间信息提取模块和步骤B中的光谱信息提取模块中进行信息提取；

步骤二：本步骤包括步骤A和步骤B，

步骤A：空间信息提取：通过空间信息模块进行特征波段选择和空间局部分析及判断；

步骤A一：特征波段选择：特征波段选择是对高光谱图像数据信息量大的特征谱段进行提取或选择；

步骤A二：空间局部分析及判断：利用微分算子边缘检测算法提取步骤A一中所提取或选择的特征谱段的边缘信息，通过边缘信息进行边缘像元判断；是非边缘像元，利用复制技术进行插值处理，得到空间类别信息和相互关系信息，输入到步骤三中；是边缘像元，即为混合像元所在，获取混合像元，将混合像元数据输入到步骤B二中；

步骤B：光谱信息提取：通过光谱信息提取模块进行光谱端元提取和混合像元分解；

步骤B一：光谱端元提取：利用PPI或者N-FINDR算法提取高光谱图像中的光谱端元，记录端元的光谱信息和位置信息；

步骤B二：混合像元分解：用得到的端元的光谱信息和位置信息通过支持向量机方法，从混合像元中获取各组成成分的比例；

步骤三：空-谱协同超分辨：对步骤B二中得到的混合象元解混后的各组成成分的比例分布和步骤A二中得到的非边缘像元所取得的空间类别信息和相互关系信息，按照相关性准则进行分布；

步骤四：得到分辨率提高的高光谱图像。

具体实施方式二：本实施方式与具体实施方式一不同点在于步骤A一中的特征波段选择采用的方法有主成分变换提取特征波段或者基于信息熵最大原则选择特征波段；其它组成和连接方式与具体实施方式一相同。

具体实施方式三：结合图2说明本实施方式，本实施方式与具体实施方式一不同点在于步骤A二中的空间局部分析及判断是分析每一个特征谱段的高光谱图像，其中x_i，j为单波段高光谱图像中待处理的像元，W为以该像元为中心的局域窗，以3×3的窗为例加以说明：

$W=\left[\begin{array}{c}{x}_{i-1,j-1},x_{i-1,j},x_{i-1,j+1}\\ x_{i,j-1},x_{i,j},x_{i,j+1}\\ x_{i+1,j-1},x_{i+1,j},x_{i+1,j+1}\end{array}\right]---\left(1\right)$

在局域窗W内应用边缘检测算法进行边缘像元判断；x_i，j不是边缘像元，则将其直接进行像元复制处理；x_i，j是边缘像元，则输入数据到步骤B二进行混合像元分解。

局域标准方差能够反映出局域灰度变化的程度，因此能够较好地反映出该处的平滑程度。我们用其作为边缘检测算子。对于像元x_i，j及其3×3局域窗W，其局域标准方差

的计算公式为

${\mathrm{\σ}}_{\mathrm{ij}}^2=\frac{1}{9}\underset{k=i-1}{\overset{i+1}{\mathrm{\Σ}}}\underset{l=j-1}{\overset{j+1}{\mathrm{\Σ}}}{[x_{k,l}-\stackrel{\‾}{x}]}^2---\left(2\right)$

式中，x为窗口内的像元灰度均值。具体地说，对于每一个待插值像元点x_i，j，判断它是否为边缘点的方法为：计算像元x_i，j所在的邻域窗W内像元的标准方差

当且仅当

的值超过预先设定的阈值时，才认为x_i，j为边缘像元点，从而得到准确的边缘像元点。其它组成和连接方式与具体实施方式一相同。

具体实施方式四：本实施方式与具体实施方式一不同点在于步骤B二中的混合像元分解采用支持向量机方法，线性光谱混合模型可以表示为

$x=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{a}_k{s}_k+w=\mathrm{Sa}+w---\left(3\right)$

其中x为观测光谱向量，s₁，s₂，...，s_M为M个线性无关的光谱端元，a₁，a₂，...，a_M为响应的混合比例，称为“丰度”，w代表加性噪声。通常，丰度a₁，a₂，...，a_M满足归一和非负的约束，即

$\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{a}_k=1$ 且a_k≥0                       (4)

在两类混合的情况下，同时考虑到归一和非负的约束，混合模型可以改写为

x＝a1_s1+a₂s₂+w＝as₁+(1-a)s₂+w        (5)

通常我们假设w为高斯白噪声，此时x的最小均方估计可以写作

$\hat{x}=\hat{a}{s}_1+(1-\hat{a})s_2---\left(6\right)$

支持向量机的输出可以写为

$g\left(x\right)=\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{y}_{i}K(x,x_i)+b---\left(7\right)$

其中x_i为支持向量，它位于分类边界附近；y_i为相应的支持向量x_i所属类别，值取+1或-1；α_i为拉格朗日乘子；K(x，x_i)表示输入向量x与支持向量x_i的核函数输出；b为偏置。

公式(7)表明，对于输入向量x，其支持向量机输出为K(x，x_i)的加权和，且这些权值是已知的。在利用支持向量机进行光谱解译的过程中，需要寻找支持向量机输出g(x)与所求丰度之间的关系。进一步的，我们用x的最小均方估计代替x，同时考虑两类情况，那么目前的主要问题即为寻找

与的关系。

根据公式(6)，我们得到

$K(\hat{x},x_i)=K([\hat{a}{s}_1+(1-\hat{a})s_2],x_i)=K([(s_1-s_2)\hat{a}+s_2],x_i)=f(l\left(\hat{a}\right),x_i)---\left(8\right)$

其中 $l\left(\hat{a}\right)=(s_1-s_2)\hat{a}+s_2,$ 为

的线性变换，包括平移、尺度和旋转。公式(10)表明，如果将核函数的形式写作f(.，x)，那么

可以写作与之同种形式的

的函数。

如果采用高斯核函数，

也是

的高斯函数，并且核宽度不变

$K(x,x_i)=e^{-\frac{{\left|\right|x-x_i\left|\right|}^2}{{\mathrm{\σ}}^2}}=e^{-\frac{{|[(s_1-s_2)\hat{a}+s_2]-x_i|}^2}{{\mathrm{\σ}}^2}}=A_g^i{e}^{-{\left(\frac{(\hat{a}-B_g^i)}{C_g^i}\right)}^2}---\left(9\right)$

如果两个端元与的核函数与支持向量x_i的核函数由下式表示，分别对应于 $\hat{a}=1$ 和 $\hat{a}=0$

$k_{1i}=K(s_1,x_i)=e^{-\frac{{\left|\right|s_1-x_i\left|\right|}^2}{{\mathrm{\σ}}^2}}$ 和 $k_{2i}=K(s_2,x_i)=e^{-\frac{{\left|\right|s_2-x_i\left|\right|}^2}{{\mathrm{\σ}}^2}}---\left(10\right)$

那么公式(9)中的待定系数就可以表示为

$C_g^i=\frac{\mathrm{\σ}}{\left|\right|s_1-x_i\left|\right|},$ $B_g^i=\frac{1+{\left(C_g^i\right)}^2\ln \left(\frac{k_{1i}}{k_{2i}}\right)}{2}$ 和 $A_g^i=k_{2i}{e}^{{\left(\frac{B_g^i}{C_g^i}\right)}^2}---\left(10\right)$

其它组成和连接方式与具体实施方式一相同。

具体实施方式五：结合图3、图4和图5说明本实施方式，本实施方式与具体实施方式一不同点在于步骤三，在与图3光谱解混分量图相对应的图4和图5中的高分辨率图像窗中的两种空间分布关系中，图5体现出更强的空间相关性，因此成为更加合理的超分辨结果。BP神经网络可以实现输入空间到输出空间的非线性映射，基于此，利用BP网络训练输入输出之间的函数关系，即用该模型表达解混分量窗中各像元值与其中心像元内部的子像元空间分布之间的函数关系。设窗口W包含3×3个像元，x_ij为中心像元，放大因子为z＝2，该函数关系可以用下式表达：

其中

该模型是建立于空间相关性假设基础上的，即邻近的像元值比远离的像元值更接近。子像元值可由对应的像元值和其邻域像元值确定。邻近的像元值越大，子像元被置为目标的可能性就越大，这使得空间相关性达到最大值。BP网络通过训练可以得到高分辨图像的空间分布规律并将之存储于连接权中。

表达式(12)给出了一对学习模式。解混分量图窗口作为输入模式，以向量X＝(x_i-1，j-1，x_i-1，j，x_i-1，j+1，x_i，j-1，x_i，j，x_i，j+1，x_i+1，j-1，x_i+1，j，x_i+1，j+1)^T的形式输入到网络。高分辨图像中的一个子像元作为输出模式，以 $O=o_{\mathrm{ij}}^k(k=\mathrm{1,2,3,4})$ 的形式输出。因此，表达式(12)需要建立4个BP网络模型。可以看出BP网络输入节点的个数仅由解混分量图窗口大小决定。

学习模式被确定以后，网络开始训练。需要大量样本训练网络，并且这些样本均满足空间相关性原则。设一个子像元的邻域内包含N个像元，空间相关性可由下面的公式来度量：

${\mathrm{SD}}_{\mathrm{ij}}=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{w}_k\×{\mathrm{\α}}_k---\left(14\right)$

其中权值w_k可定义为子像元到第k个像元中心的距离的倒数或该距离平方的倒数，α_k为由步骤B二获得的解混分量，通过这个度量标准可以分析出不合理的样本，并将之淘汰，由此逐像元操作，即可获得分辨率提高的超分辨图像。其它组成和连接方式与具体实施方式一相同。

Claims (1)

1、高光谱图像的空间-光谱信息协同提高分辨率的方法，其特征在于它的步骤如下：

步骤一：输入高光谱图像数据：根据数据格式读入高光谱图像数据，将所述高光谱图像数据同时输入到计算机的步骤A中的空间信息提取模块和步骤B中的光谱信息提取模块中进行信息提取；

步骤二：本步骤包括步骤A和步骤B，

步骤A：空间信息提取：通过空间信息模块进行特征波段选择和空间局部分析及判断；

步骤A一：特征波段选择：特征波段选择是对高光谱图像数据信息量大的特征谱段进行提取或选择；

步骤A二：空间局部分析及判断：利用微分算子边缘检测算法提取步骤A一中所提取或选择的特征谱段的边缘信息，通过边缘信息进行边缘像元判断；是非边缘像元，利用复制技术进行插值处理，得到空间类别信息和相互关系信息，输入到步骤三中；是边缘像元，即为混合像元所在，获取混合像元，将混合像元数据输入到步骤B二中；

步骤B：光谱信息提取：通过光谱信息提取模块进行光谱端元提取和混合像元分解；

步骤B一：光谱端元提取：利用PPI或者N-FINDR算法提取高光谱图像中的光谱端元，记录端元的光谱信息和位置信息；

步骤B二：混合像元分解：用得到的端元的光谱信息和位置信息通过支持向量机方法，从混合像元中获取各组成成分的比例；

步骤三：空-谱协同超分辨：对步骤B二中得到的混合象元解混后的各组成成分的比例分布和步骤A二中得到的非边缘像元所取得的空间类别信息和相互关系信息，按照相关性准则进行分布；

步骤四：得到分辨率提高的高光谱图像。

Images