CN101561882A - 一种基于空间相关性的亚像元空间定位方法 - Google Patents
一种基于空间相关性的亚像元空间定位方法 Download PDFInfo
- Publication number
- CN101561882A CN101561882A CNA200910085474XA CN200910085474A CN101561882A CN 101561882 A CN101561882 A CN 101561882A CN A200910085474X A CNA200910085474X A CN A200910085474XA CN 200910085474 A CN200910085474 A CN 200910085474A CN 101561882 A CN101561882 A CN 101561882A
- Authority
- CN
- China
- Prior art keywords
- pixel
- component
- mixed
- center
- neighborhood
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明是一种基于空间相关性的亚像元空间定位方法。包括利用混合像元自身及其邻域像元的组分(端元)面积矢量或称丰度,计算像元内部基本组分的亚像元空间分布,进而模拟出较常规遥感分类方法更细的地物边界。本发明具有实用性广、模拟精度高等优点,适用于遥感数据进行目标提取、土地利用变化监测、环境污染评价、自然灾害分析等地学信息提取和地学数据挖掘工作。
Description
技术领域
本发明涉及一种亚像元内部各组分的空间定位方法,属于地球空间信息技术领域。
技术背景
利用数字遥感影像制作专题地图(影像分类)是遥感技术中的热点研究领域。然而,由于地表复杂性,光谱传输过程中各种环境的影响及传感器探测元件本身的物理特性等因素的作用,遥感影像中的像元很少是由单一地物组成的,一般都包含两种或两种以上地物。这种由多种地物组成的像元被称为混合像元,其光谱特征是所对应的不同土地覆盖类型光谱响应的综合特征。混合像元在栅格编码影像中是普遍存在的,所占比重也很大,尤其在不同类型地物的交界地带最为普遍,它的存在使同一类型或属性地物的遥感影像灰度值具有一定的变化范围。解决混合像元的问题能够进一步细化影像分类结果,使遥感技术应用进入到亚像元尺度,更加详细地表示地物细节信息,而不仅仅是停留在像元尺度上,就成为一个必要而且有意义的研究内容。
“软分类(soft classification)”(相对于“硬分类(hard classification)”而言)方法在一定程度上克服了混合像元的限制,例如光谱混合模型,监督模糊C-均值分类,人工神经网络,支持向量机,基于知识和基于规则的推理技术等,能够提供了更为理想的土地覆盖类型表达,但是并没有给出混合像元中每个地物类别的空间分布。像元内部地物类别的空间分布信息能够提高一幅粗糙影像的空间分辨率,同时为不确定性的研究提供更为丰富的信息。Atkinson在1997年首先提出亚像元成像(subpixel mapping)的概念,即通过假设像元内部和像元之间的空间依赖性(spatial dependence),对亚像元边界进行映射,确定每个像元内部出现的一定比例的地物类别的位置,以使空间依赖性达到最大化。其后,许多学者相继对此提出了一些解决方法。例如,Aplin等在1999年提出“per-field”方法在亚像元尺度上进行地域边界定位。Aplin和Atkinson也利用矢量数据进行像元分割,然后获得亚像元定位。Schneider提出利用遥感影像边界特征的先验知识实现亚像元的自动定位。Foody利用具有更高空间分辨率的锐化影像,采用基于简单回归的方法,对更粗分辨率影像的软分类输出结果进行锐化,得到亚像元地物类型图。Atkinson在2001年又提出遥感影像中的超分辨率目标成像算法解决此问题。Mertens et al.将遗传算法与空间依赖性假设进行结合,根据邻域值参数对像元内部所有可能的亚像元配置进行评价,从而为每一个亚像元分配位置。Tatem等将Hopfield神经网形式化为能量最小化工具以检测地物目标,利用软分类的输出结果对Hopfi eld神经网进行约束,对亚像元定位。Tatem在2003年利用真实的Landsat TM农作物影像对所提出的方法进行了测试。但是,算法在PII-350计算机上的运行时间分别为约210分钟和510分钟,是令人无法接受的。此外凌峰等还提出基于元胞自动机模型进行亚像元定位。
上述方法在亚像元成像过程中,不仅依赖于原始影像,还应用了其它相关信息,例如矢量数据、先验知识等,而且运算上需要多次迭代,速度较慢。鉴于此,本发明提出一个混合像元内部地物空间定位的新方法,从而在亚像元的级别上提供了地物类型的边界信息,与传统方法相比,此算法计算简单,解释性较强和算法效率高,更为重要的是,除像元内部各端元组分面积比信息之外,此算法不需要任何其他辅助数据,例如矢量数据、具有更高分辨率的影像、地物分布特征的先验知识等。
发明内容
本发明解决的技术问题:提供一种基于空间相关性的亚像元空间定位方法,该方法利用混合像元自身及其邻域像元的组分面积矢量,计算像元内部基本组分的亚像元空间分布,进而模拟出较常规遥感分类方法更细的地物边界,能够提高遥感影像的分辨率,更重要的是能够提高分类的精度。
本发明的技术方案:一种基于空间相关性的亚像元空间定位方法包括如下步骤:
步骤1、预处理遥感数据,采集样本点,进行软分类获取被处理影像上每个像元的软分类信息,即每个像元内部的各组分也称作端元的面积矢量或称丰度;
步骤2、设置亚像元放大系数N,N=4m,m=1,2,3…,为自然数;
步骤3、根据设置的亚像元放大系数,利用混合像元自身及其邻域8个像元的组分面积矢量,计算邻域像元及混合像元自身对混合像元内部各组分的贡献,即计算每个邻域像元在其对应的边界线段上对中心像元各组分空间分布的贡献,这种贡献表现为在对应的线段上的长度和位置,因此在这一步中首先计算邻域像元在对应线段上的长度,然后计算在对应线段上的位置,进一步计算混合像元自身得组分面积矢量在混合像元内部对应的长度和位置;
步骤4、根据邻域像元对中心混合像元的贡献和自身组分对中心混合像元的线段的位置,确定中心混合像元内部各组分的空间分布,即得到原始影像中每个像元内部各组分的空间分布。
所述步骤3中利用混合像元自身及其邻域像元的组分面积矢量,计算每个像元内部各基本组分的亚像元空间分布:假如混合像元内部有三类地物A,B和C,首先要计算邻域8个像元对中心混合像元的贡献,即计算每个邻域像元在其对应的边界线段上对中心混合像元A组分空间分布的贡献,这种贡献表现为在对应的线段上的长度和位置;其次,计算中心像元内部线段位置。在确定了全部邻域像元和中心混合像元在其边界和中心线段上的取值长度和位置之后,将由这些线段确定的边界点连接成多边形,得到中心混合像元内组分A的模拟分布;同样的过程重复两次,就可以模拟出背景组分B和C在中心混合像元内的空间分布。
本发明与现有技术相比的优点在于:本发明利用空间相关性提出一个混合像元内部地物空间定位方法,从而在亚像元的级别上提供了地物类型的边界信息,与传统方法相比,此算法计算简单,解释性较强和算法效率高,更为重要的是,除像元内部各端元组分面积比信息之外,此算法不需要任何其他辅助数据,例如矢量数据、具有更高分辨率的影像、地物分布特征的先验知识等。
附图说明
图1为本发明的主流程图;
图2为中心像元及其邻域像元集合;
图3为中心像元PC、邻域像元Pi在像元PC内部和边界上的对应关系。
具体实施方式
如图1所示,本发明的具体实施步骤如下:
步骤1,预处理遥感数据,采集样本点,进行软分类获取被处理影像上每个像元的软分类信息,即每个像元内部的端元组分面积矢量或称丰度。
假定一个混合像元包含两种组分类型A、B,当取一阶邻域时就可以得到图2中所示的中心像元PC和其邻域像元Pi的空间分布示意图。中心像元PC内部两种组分类型所占面积比记为{aC,cC},各邻域像元Pi中两种组分类型面积比记为{ai,bi}。像元内部各组分所占面积比满足下列条件:aC+bC=1;ai+bi=1,i=0,1,…,N-1。把这些软分类信息作为输入数据。
步骤2,设置亚像元放大系数N,N=4m,m=1,2,3…,其目的在于将混合像元内部细化的程度,如m=1,N=4,这表明每个混合像元被细分为4×4个亚像元,如果m=2,则N=8,这表明每个混合像元被细分为8×8个亚像元。
步骤3,计算邻域像元及混合像元自身对混合像元内部各组分的贡献
(1)计算邻域像元对中心混合像元的贡献。
即计算每个邻域像元在其对应的边界线段上对中心像元各组分空间分布的贡献,定义为V。这种贡献V表现为在对应的线段上的长度和位置。例如,在图3中,P0与线段AB对应,其对中心像元的贡献VAB的长度直接可以通过像元P0内部组分计算。为后面计算方便,再次将线段AB 8等分,等分点分别标以T3、T2、T1、T、T4、T5、T6,如图3中AB线段上所示。这里组分A在PC边界线段AB上的取值记为:
其中,||表示长度;[x]表示实数x的圆整数(rounded number),即最接近于x的整数。
当0<a0<1时,需要进一步确定VAB在线段AB上的取值位置。VAB位置的确定过程分为两步:
(i)初始位置VAB (0)的确定:从线段AB的中点T开始,分别向两侧依次取等分点,直至长度与VAB相等。若VAB表示的长度关于T不对称,则VAB的位置更靠近两个相邻像元中组分面积ai更大的一侧。图2中所示,AB线段上,T1T4标有0.25,也就是说当a0=0.25时, 同理,a0=0.50时, a0=0.75时, 等。
(ii)位置偏移量ΔAB的确定:初始位置VAB (0)确定之后,如果a1≠a7,则需要将VAB向a1、a7中较大的像元一侧进行偏移,偏移量由下式确定:
其中,省略了偏移量ΔAB的单位。容易看出,ΔAB的单位为即线段AB上的一个8等分线段的长度。其余邻域像元对中心像元的贡献也可以通过类似的方法来确定。
(2)计算中心混合像元内部线段位置
中心混合像元PC对应十字交叉线段MON、POQ。MON、POQ为过像元PC的中心点O,且互相垂直、长度相等的两条线段,长度都等于像元PC边长的1/2,且OP=OQ,OM=ON。将线段PQ、MN八等分,等分点分别为V3、V2、V1、O、V4、V5、V6,U3、U2、U1、O、U4、U5、U6,如图3所示。像元PC与线段MON、POQ对应,也就是说,在水平方向上,组分A在像元PC中所占面积aC的值,以及与PC相邻的两个邻域像元P6、P2中a6、a2之间的大小关系,确定了组分A在线段MON上的取值长度和位置。同理,在垂直方向上,组分A在像元PC中所占面积aC的值,以及与PC相邻的两个邻域像元P0、P4中a0、a4之间的大小关系,共同确定组分A在线段POQ上的取值长度和位置。组分A在像元PC中所占面积aC的值确定了组分A的空间分布在线段MON、POQ上的取值长度。取值规则与前面所述的规则相同,只是对于中心像元PC自身来说,取值规则应该先后应用在两条线段MON、POQ上,即在水平方向上,由aC值的大小以及a6、a2之间的大小关系共同确定在线段MON上的取值长度和位置;而在垂直方向上,则由aC值的大小以及a0、a4之间的大小关系共同确定在线段POQ上的取值长度和位置。
步骤4,根据邻域像元对中心混合像元的贡献和自身组分对中心混合像元的线段的位置,确定中心混合像元PC内部各组分的空间分布,进而得到整个原始影像中每个像元内部各组分的空间分布。
在确定了全部邻域像元Pi和中心像元PC在PC的边界和中心线段上的取值长度和位置之后,将由这些线段确定的边界点连接成多边形,就得到了像元PC内组分A的模拟分布。同样的过程重复一次,可以由bi、bC的值模拟出背景组分B在像元PC内的空间分布。依此类推,多类别组分也可以通过此方法获得各组分在亚像元的空间分布。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (3)
1、一种基于空间相关性的亚像元空间定位方法,其特征在于步骤如下:
步骤1、预处理遥感数据,采集样本点,进行软分类获取被处理影像上每个像元的软分类信息,即每个像元内部的各组分面积矢量或称丰度;
步骤2、设置亚像元放大系数N,N=4m,m=1,2,3…;
步骤3、根据设置的亚像元放大系数,利用混合像元自身及其邻域8个像元的组分面积矢量,计算邻域像元及混合像元自身对混合像元内部各组分的贡献,即计算每个邻域像元在其对应的边界线段上对中心像元各组分空间分布的贡献,其计算方法为:首先计算邻域像元在对应线段上的长度,然后计算在对应线段上的位置,再计算混合像元自身得组分面积矢量在混合像元内部对应的长度和位置;
步骤4、根据邻域像元对中心混合像元的贡献和自身组分对中心混合像元的线段的位置,确定中心混合像元内部各组分的空间分布,即得到原始影像中每个像元内部各组分的空间分布。
2、根据权利要求1所述的基于空间相关性的亚像元空间定位方法,其特征在于:所述第二步中设置亚像元放大系数的m=1,N=4;或m=2,N=8。
3、根据权利要求1所述的基于空间相关性的亚像元空间定位方法,其特征在于:所述步骤3中利用混合像元自身及其邻域像元的组分面积矢量,计算每个像元内部各基本组分的亚像元空间分布:假如混合像元内部有三类地物A,B和C,首先要计算邻域8个像元对中心混合像元的贡献,即计算每个邻域像元在其对应的边界线段上对中心混合像元A组分空间分布的贡献,这种贡献表现为在对应的线段上的长度和位置;其次,计算中心像元内部线段位置。在确定了全部邻域像元和中心混合像元在其边界和中心线段上的取值长度和位置之后,将由这些线段确定的边界点连接成多边形,得到中心混合像元内组分A的模拟分布;同样的过程重复两次,就可以模拟出背景组分B和C在中心混合像元内的空间分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910085474XA CN101561882B (zh) | 2009-05-22 | 2009-05-22 | 一种基于空间相关性的亚像元空间定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910085474XA CN101561882B (zh) | 2009-05-22 | 2009-05-22 | 一种基于空间相关性的亚像元空间定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101561882A true CN101561882A (zh) | 2009-10-21 |
CN101561882B CN101561882B (zh) | 2010-12-08 |
Family
ID=41220678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910085474XA Active CN101561882B (zh) | 2009-05-22 | 2009-05-22 | 一种基于空间相关性的亚像元空间定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101561882B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298711A (zh) * | 2011-06-21 | 2011-12-28 | 哈尔滨工程大学 | 一种空间引力描述下的高光谱图像亚像元定位方法 |
CN101799871B (zh) * | 2010-01-18 | 2012-02-29 | 浙江林学院 | 基于回归参数变换的遥感图像专题信息提取方法 |
CN103559506A (zh) * | 2013-11-19 | 2014-02-05 | 中国科学院地理科学与资源研究所 | 一种基于矢量边界的亚像元制图方法 |
CN110263716A (zh) * | 2019-06-21 | 2019-09-20 | 中国科学院地理科学与资源研究所 | 一种基于街景图像的遥感影像超分辨率土地覆被制图方法 |
CN111899300A (zh) * | 2020-07-30 | 2020-11-06 | 北京航空航天大学 | 一种面向光场光谱数据亚像元定位的丰度修正方法及装置 |
CN113408370A (zh) * | 2021-05-31 | 2021-09-17 | 西安电子科技大学 | 基于自适应参数遗传算法的森林变化遥感检测方法 |
-
2009
- 2009-05-22 CN CN200910085474XA patent/CN101561882B/zh active Active
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799871B (zh) * | 2010-01-18 | 2012-02-29 | 浙江林学院 | 基于回归参数变换的遥感图像专题信息提取方法 |
CN102298711A (zh) * | 2011-06-21 | 2011-12-28 | 哈尔滨工程大学 | 一种空间引力描述下的高光谱图像亚像元定位方法 |
CN102298711B (zh) * | 2011-06-21 | 2013-07-03 | 哈尔滨工程大学 | 一种空间引力描述下的高光谱图像亚像元定位方法 |
CN103559506A (zh) * | 2013-11-19 | 2014-02-05 | 中国科学院地理科学与资源研究所 | 一种基于矢量边界的亚像元制图方法 |
CN103559506B (zh) * | 2013-11-19 | 2015-04-15 | 中国科学院地理科学与资源研究所 | 一种基于矢量边界的亚像元制图方法 |
CN110263716A (zh) * | 2019-06-21 | 2019-09-20 | 中国科学院地理科学与资源研究所 | 一种基于街景图像的遥感影像超分辨率土地覆被制图方法 |
CN110263716B (zh) * | 2019-06-21 | 2021-06-22 | 中国科学院地理科学与资源研究所 | 一种基于街景图像的遥感影像超分辨率土地覆被制图方法 |
CN111899300A (zh) * | 2020-07-30 | 2020-11-06 | 北京航空航天大学 | 一种面向光场光谱数据亚像元定位的丰度修正方法及装置 |
CN111899300B (zh) * | 2020-07-30 | 2022-05-31 | 北京航空航天大学 | 一种面向光场光谱数据亚像元定位的丰度修正方法及装置 |
CN113408370A (zh) * | 2021-05-31 | 2021-09-17 | 西安电子科技大学 | 基于自适应参数遗传算法的森林变化遥感检测方法 |
CN113408370B (zh) * | 2021-05-31 | 2023-12-19 | 西安电子科技大学 | 基于自适应参数遗传算法的森林变化遥感检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101561882B (zh) | 2010-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ge et al. | Modeling alpine grassland cover based on MODIS data and support vector machine regression in the headwater region of the Huanghe River, China | |
Guan et al. | Integration of orthoimagery and lidar data for object-based urban thematic mapping using random forests | |
Juel et al. | Spatial application of Random Forest models for fine-scale coastal vegetation classification using object based analysis of aerial orthophoto and DEM data | |
Frohn et al. | Satellite remote sensing classification of thaw lakes and drained thaw lake basins on the North Slope of Alaska | |
Güneralp et al. | Estimation of floodplain aboveground biomass using multispectral remote sensing and nonparametric modeling | |
Kavzoglu | Increasing the accuracy of neural network classification using refined training data | |
Körting et al. | GeoDMA—Geographic data mining analyst | |
CN110929607A (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN101561882B (zh) | 一种基于空间相关性的亚像元空间定位方法 | |
Carbonneau et al. | UAV‐based training for fully fuzzy classification of Sentinel‐2 fluvial scenes | |
Wu et al. | High-resolution Leaf Area Index estimation from synthetic Landsat data generated by a spatial and temporal data fusion model | |
CN103063202A (zh) | 基于遥感影像的蓝藻生物量时空变化监测与可视化方法 | |
Dong | Automated measurement of sand dune migration using multi-temporal lidar data and GIS | |
Patton et al. | High-resolution remapping of the coastal dune fields of south east Queensland, Australia: a morphometric approach | |
CN104899562A (zh) | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 | |
Shaeri Karimi et al. | Application of machine learning to model wetland inundation patterns across a large semiarid floodplain | |
CN102521624A (zh) | 一种土地利用类型分类的方法和系统 | |
Al-Zubieri et al. | Shoreline evolution between Al Lith and Ras Mahāsin on the red sea coast, Saudi Arabia using GIS and DSAS techniques | |
Zhou et al. | Monitoring the change of urban wetland using high spatial resolution remote sensing data | |
CN103559506A (zh) | 一种基于矢量边界的亚像元制图方法 | |
Yu et al. | Multi-temporal remote sensing of land cover change and urban sprawl in the coastal city of Yantai, China | |
CN113223042A (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
Sun et al. | Land use/cover change and the urbanization process in the Wuhan area from 1991 to 2013 based on MESMA | |
Li et al. | Mapping impervious surface distribution in China using multi-source remotely sensed data | |
Dech et al. | Blowout dynamics on Lake Huron sand dunes: analysis of digital multispectral data from colour air photos |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |