CN102096826B - 基于真实似然特征的多分辨率遥感图像复合分类方法 - Google Patents

Abstract

本发明为一种基于真实似然特征的多分辨率遥感图像复合分类方法，包括以下步骤，首先，进行局部训练区域内的配准，其次，进行真实似然分布提取，然后，进行真实似然特征提取，最后，进行遥感图像复合监督分类；本方法综合利用多分辨率遥感图像，构建高低分辨率遥感图像像元间多对一空间关系，获得低分辨率图像像元内的地物分布状况，分析空间分辨率退化对地表状况刻画所产生的影响，从而解决高精度的广域低分辨率遥感图像的分类问题。

Description

基于真实似然特征的多分辨率遥感图像复合分类方法

技术领域

本发明属于模式识别和计算机视觉领域，也涉及到遥感和农业领域，具体涉及到基于真实似然特征的多分辨率遥感图像复合分类方法。

背景技术

土地覆盖和土地利用与人类的生活、生产行为息息相关，地表覆盖分类是获取土地覆盖和土地利用现状的基础技术，在环境评估、地图更新、作物估产等领域有着重要应用价值。

空间分辨率是遥感图像的重要性能指标之一，像元尺度的具体取值将直接影响遥感图像处理与分析的最终精度。近年来遥感数据源日益增多，不同空间分辨率的遥感图像在不同尺度上给出了更多的地表信息。传统的多分辨率遥感图像分类方法重点大多放在了最优像元尺度选择、以及基于特征整合的多分辨率复合分类方法上，然而单一空间分辨率下的地表分类难以充分发挥多遥感数据源的综合作用，特征级多分辨率复合分类则需要高分辨率数据整体覆盖目标区域，因此上述方法在应用形态上均存在一定的局限性，如何充分利用同一地区、不同空间覆盖率的多种空间分辨率遥感数据，进一步提高广域分类精度已成为遥感图像分析的一个挑战。

对于广域地表分类问题，一般来讲固然使用高分辨率遥感图像可以得到更为精确的地表分类结果，但高分辨率遥感数据所固有的重访周期长、覆盖范围小、数据价格高等诸多限制，制约了其在大范围或长期地表监测中的实际应用。因此，采用遥感图像复合分类方法可以综合利用多种遥感数据在覆盖范围以及空间分辨率上的互补性，在保持较大覆盖范围的同时提高综合分类精度，基本解决思路是在低空间分辨率数据的大覆盖范围中选用若干小覆盖范围的高空间分辨率数据来指导全局低空间分辨率数据的分类过程。

现有的高低分辨率图像复合分类方法根据分类过程中高分辨率图像指导低分辨率图像时的退化级别的不同，可以分为像元级复合监督分类和亚像元级退化分析。目前像元级复合分类方法采用传统的监督分类方法，比如SVM、决策树等，由于高分辨率图像需要经过重采样降分辨率至低分辨率像元精度后再加使用，这造成了观测信息的丢失，无法充分利用高低分辨率图像间的多对一空间对应关系，低分辨率混合像元问题也无法得到很好地解决。基于退化函数的亚像元级退化分析复合分类方法在高低分辨率图像解析结果之间的衔接多采用参数化的线性或非线性退化模型，分类精度受模型描述方式的影响较大，且由于参数化退化模型的本质是基于样本的回归分析，因此相关参数与空间分辨率变化的相关强度将直接影响退化模型的建模精度，这会带来分类结果的不确定性。基于真实似然函数的亚像元级退化分析复合分类方法是近年来逐步发展起来的新型算法之一，该方法较好反映了低分辨率图像的亚像元级类别组成，但真实似然函数下的最大似然分类判别准则制约了对多分类特征的支持，影响了对真实似然分布的表达能力和地物类别区分能力，且抗噪能力较差。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提供一种基于真实似然特征的多分辨率遥感图像复合分类方法，本方法综合利用多分辨率遥感图像，构建高低分辨率遥感图像像元间多对一空间关系，获得低分辨率图像像元内的地物分布状况，分析空间分辨率退化对地表状况刻画所产生的影响，从而解决高精度的广域低分辨率遥感图像的分类问题。

为了实现上述目的，本发明采用的技术方案是：

基于真实似然特征的多分辨率遥感图像复合分类方法，包括以下步骤，

步骤一，进行局部训练区域内的配准：首先，选择一个或者一个以上同时具有高低分辨率图像且包含各类地物类别的局部区域作为训练区域，其次，根据高低分辨率图像的分辨率比例关系对高分辨率图像进行分辨率整数倍率调整，使得高低分辨率比例为整数倍，最后，对高低分辨率图像进行局部空间配准；

步骤二，进行真实似然分布提取：首先，提取低分辨率图像的光谱特征，其次，对高分辨率图像进行无监督分类，最后，利用高低分辨率图像间空间多对一关系获得真实似然分布；

步骤三，进行真实似然特征提取：在真实似然分布基础上进一步提取真实似然特征，由公式(1)，公式(2)和公式(3)分别求取平滑似然期望值ML_lc(x)、平滑方差VL_lc(x)和归一化样本数量N_w(x)；

${\mathrm{ML}}_{\mathrm{lc}}\left(x\right)=\frac{1}{Z}\underset{x_i\∈x\±w}{\mathrm{\Σ}}{L}_{\mathrm{lc}}\left(x_i\right)*\mathrm{\κ}(x_i,x)---\left(1\right)$

${\mathrm{VL}}_{\mathrm{lc}}\left(x\right)=\frac{1}{Z}\underset{x_i\∈x\±w}{\mathrm{\Σ}}{(L_{\mathrm{lc}}\left(x_i\right)-{\mathrm{ML}}_{\mathrm{lc}}\left(x\right))}^2*\mathrm{\κ}(x_i,x)---\left(2\right)$

$N_w\left(x\right)=\frac{n\left(x\right)}{\underset{x}{\mathrm{\Σ}}n\left(x\right)}---\left(3\right)$

其中，w是平滑窗宽；

是所有样本的归一化因子，

是平滑窗函数，按距离调整邻近样本的影响权重，n(x)是该光谱特征值对应的样本数量；

步骤四，进行遥感图像复合监督分类：利用真实似然特征提取模型获取低分辨率遥感图线的分类特征，利用监督分类方法在局部高低分辨率遥感图像配准区域内对分类模型进行训练，并将训练好的监督分类模型推广至整个低分辨率图像覆盖区域，对广域低分辨率图像进行分类。

步骤一中的局部空间配准具体是指，

首先，匹配预处理，使用Sobel算子对高分辨的航空相片进行边缘提取，边缘提取完成后，进行一次或一次以上的扩散，得到图像边界作为进一步的处理对象；

其次，进行基于手动匹配的粗匹配，先根据控制点选择建议，采用目视观察的方法在待配准的高低分辨率图像上确定6～7组一一对应的控制点，提取其位置坐标，再进行基于手动粗匹配的几何变换，接着进行粗匹配后的插值处理，所述插值处理为双向线性插补法进行内插处理；

最后，采用全自动匹配模式进行精匹配，在自动精匹配过程中，通过具有最佳空间分布控制点的再次自动选取，依据灰度匹配准则进行最佳配准，精确计算高分辨率图像与低分辨率图像的空间坐标对应关系，实现等同于高分辨率图像的像元级精确匹配，所述自动精匹配借助计算两个图像之间某种相似性或不相似性的度量来完成。首先，在高分辨率图像中选择“窗口”区域，在低分辨率图像中选择“搜索”区域，通过位移在搜索区域内对所有可能的重叠关系进行相关计算。再将搜索区域高分辨率图像通过取平均方法降分辨率至低分辨率，之后在搜索区域内移动窗口，计算两幅图像块间的灰度方差，方差最小的点即为最佳匹配点。这样的搜索区域可以依照手动匹配时选取的控制点为基础，自动匹配的结果就是在原来所取点的附近区域中找到最佳匹配点。

步骤二中所述光谱特征为规一化植被指数或者植被条件指数或者温度条件指数。

步骤四中所述监督分类模型为SVM分类器。

本发明与现有技术相比，具有以下优点：

一)分类精度高。

二)移植性强、适用性高，可在现有遥感图像复合分类系统基础上应用，对分类精度进行进一步提升。

三)可以与其他遥感图像复合分类器进行级联，建立整合的多分辨率遥感图像复合分类模型。

四)避免了高分辨率遥感数据所固有的重访周期长、覆盖范围小、数据价格高等诸多限制，可实现高精度大面积地表分类。

五)在全局低分辨率遥感图像分类过程中，不需要用户进行人工干预，具有自动化程度高等优点。

附图说明

图1为本发明系统流程框图。

图2为“林地”类别的非参数化真实似然分布示意图，其中横坐标表示光谱特征值，纵坐标表示类别隶属度值。

图3为“林地”类别归一化植被指数真实似然特征示意图，其中横坐标表示光谱特征值，左纵坐标表示归一化样本数量值，右纵坐标表示真实似然度值。柱状图表示归一化样本数量N_w(x)，线段中心点位置表示平滑似然期望值ML_lc(x)、线段长度表示平滑方差VL_lc(x)。

具体实施方式

下面结合附图对本发明进行详细说明。

本发明分为局部训练和全局分类两大部分，由局部训练区域内的配准、分类特征提取、条件随机场建模以及全局分类四大基本模块组成，图1给出了本发明的整体框架。以下，将对各自模块的主要功能及其所采用的具体算法分别加以阐述。

步骤一，进行局部训练区域内的配准

该模块的主要作用是实现训练区域高低分辨率图像间的亚像元级空间关系匹配，包括三个步骤：

第一步：训练区域选择，

选择若干同时具有高低分辨率图像且包含各类地物类别的局部区域作为训练区域，保证训练样本的合理性；

第二步：高低分辨率图像像元整数倍率调整，

根据高低分辨率图像的分辨率比例关系对高分辨率图像进行分辨率整数倍率调整，使得高低分辨率比例为整数倍，便于配准及建立高低分辨率图像多对一空间关系；

第三步：高精度空间配准，

本发明采用多级配准方法，解决异传感器多分辨率遥感图像间的高精度配准问题，建立精确的高低分辨率图像多对一空间关系，对高低分辨率图像进行局部空间配准。具体思路是，首先采用具有一定交互性的半自动匹配模式进行粗匹配，通过少数控制点的人工选取，粗略估计高分辨率遥感图像与低分辨率遥感图像在观测区域、相对比例尺、相对旋转角度等的基本对应参数。然后采用全自动匹配模式进行精匹配，在自动精匹配过程中，通过具有最佳空间分布控制点的再次自动选取，依据灰度匹配准则进行最佳配准，精确计算高分辨率图像与低分辨率图像的空间坐标对应关系，实现等同于高分辨率图像的像元级精确匹配。

具体过程如下：

1.匹配预处理

在多源遥感匹配中，控制点的选取方式及其合理性是决定匹配精度的关键因素之一。如果控制点选择在图像灰度变化缓慢或者没有明显边缘特征的区域，则会造成伪匹配现象，很难通过自动匹配的方式找到最佳的、合理匹配点。因此，在控制点的选取中引入图像区域所特有的边缘特性，通过对待匹配图像边缘分析的方式，向用户建议首选那些边缘结构较为明显的区域，最后由用户手动选定所关心目标区域的特征点作为最佳控制点。

这里，首先使用常规的Sobel算子对高分辨的航片进行边缘提取。Sobel算子具有方法简单，处理速度快，并且所得的边缘连续光滑。常规Sobel算子的计算过程如下，设，

A＝|(f(i-1，j-1)+2f(i-1，j)+f(i-1，j+1))-(f(i+1，j-1)+2f(i+1，j)+f(i+1，j+1))|  (1)

B＝|(f(i-1，j-1)+2f(i，j-1)+f(i+1，j-1))-(f(i-1，j+1)+2f(i，j+1)+f(i+1，j+1))|  (2)

则，S(i，j)＝max(A，B)。

适当选取门限TH，判断若S(i，j)＞TH，则像元(i，j)为边缘点。边缘提取过程完成后，进行一次或多次的扩散，使得小的边界消失，只留下较大尺度的边界作为进一步的处理对象。最佳控制点的选择原则是选择这些边界区域上变化陡峭的点，同时保证控制点均匀分布在整幅图像上。

2.基于手动匹配的粗匹配

首先进行基于优化建议的手动控制点选择：根据控制点选择建议，采用目视观察的方法在待配准的高低分辨率图像上确定6～7组一一对应的控制点，提取其位置坐标。

再进行基于手动粗匹配的几何变换：假设两幅图像之间存在某个最优的线性坐标变换关系来近似逼近复杂的非线性变换，坐标变换可用一个由最小二乘拟合控制点得到的、低阶线性多项式来模拟。这种低阶仿射变换可以表达这两幅图像间的位移、旋转、偏斜及比例尺差异，同时可以通过最小二乘处理避免个别控制点所可能带来的过大影响。

最后进行粗匹配后的插值处理：对粗匹配处理后图像的每一像元(X′，Y′)，需要计算在它原始图像中所对应的坐标(X，Y)。由于坐标变换方程所给出的(X，Y)值不一定精确出现在原始像元的坐标处上，因此需要通过内插处理计算原图像在(X，Y)处的像元值。本发明采用了双向线性插补法进行内插处理，这是由于该方法的插补图像具有较好的灰度连续性、且精度高。

3.全自动精匹配

自动数字配准可以借助计算两个图像之间某种相似性或不相似性的度量来完成，这个度量是图像之间相对位移的函数，一种相似性的度量是两个重叠图像区域之间的相关。如果这两个区域是具有较好对应性，则会产生较大的相关特性。由于大区域图像间的相关计算会带来较大的运算量，所以采用分布在两个图像整个重叠范围内的一些较小区域进行相关评估。具体方法如下：首先，在高分辨率图像中选择“窗口”区域，在低分辨率图像中选择“搜索”区域，通过位移在搜索区域内对所有可能的重叠关系进行相关计算。再将搜索区域高分辨率图像通过取平均方法降分辨率至低分辨率，之后在搜索区域内移动窗口，计算两幅图像块间的方差，方差最小的点即为最佳匹配点。

这样的搜索区域可以依照手动匹配时选取的控制点为基础，自动匹配的结果就是在原来所取点的附近区域中找到最佳匹配点。然后，再进行几何变换和插值，方法和手动匹配相应步骤相同。

步骤二，进行真实似然分布提取

基于参数化密度分布模型的最大似然分类法是遥感图像分类中最常用的手段之一，相对于其他方法，它具有清晰的参数解释能力、易于与先验知识融合和算法简单易于实施等优点。在单一分辨率遥感图像地表分类中，由于没有足够的训练样本，因此最大似然分类法通常按照一般性地物分布特点对样本分布进行某种形式的假设，如假设样本服从正态分布，再由聚类或者标注典型类别样本区域的方式估计正态分布参数。但由于地物分布具有高度的复杂性和随机性，当地物的真实分布不符合预先假设的分布状况，或其特征分布较为离散、样本选取不具代表性时，传统的基于参数的最大似然分类结果会偏离实际情况，导致分类精度的降低。本模块通过对高低分辨率图像间的多对一空间关系退化分析得到低分辨率图像光谱特征与地物类别间的映射关系，即非参数真实似然分布。

非参数化真实似然分布图描述的是某一光谱特征下，低分辨率图像中各地物类别的真实似然分布状况。由于更高分辨率的遥感图像可以更为细致地刻画地物分布状况，从而得到精度更高的地表分类结果，因此如果高分辨率图像已经独立完成了单一分辨率下的地表分类，可以利用该区域内高低分辨率图像间的多对一空间关系，建立低分辨率图像光谱特征与地物类别间的映射关系，从而形成该地物类别的真实似然分布图。这一过程可以通过下述步骤加以实现。

为了确保高低分辨率间的比例关系为整数倍，这里如上节所述，首先对高分辨率图像进行必要的整数倍率调整，进而完成高低分辨率图像间的局部配准等预处理过程。设配准后的高低分辨率比例为N∶1，即一个低分辨率像元x_i对应N×N个高分辨率像元所组成的像元块。对高分辨率图像进行非监督分类后，得到该高分辨率像元块的类别集合

该集合提供了低分辨率像元x_i所对应的亚像元级地物类别组成结构。

在获取低分辨率图像某一特定光谱特征的非参数化真实似然分布图前，首先需要由低分辨率遥感图像计算训练区域内该光谱特征。一般情况下，光谱特征可以直接选用单一波段的光谱特征，也可以选用某些波段的组合光谱特征，较为常用的光谱特征包括规一化植被指数(NDVI，Normalized DifferenceVegetation Index)、植被条件指数(VCI，V egetation Condition Index)、温度条件指数(TCI，Temperature Condition Index)等，这里不失一般性，以可表征地表覆盖与作物长势等状况的NDVI指数为例对方法步骤加以描述。通过计算得到低分辨率像元x_i的NDVI指数ndvi_i，其中，NIR和R分别为近红外光波段与红光段。从而可以通过低分辨率像元x_i以及与之相对应的高分辨率类别集合

计算出该ndvi_i对各地物类别的隶属度

在对训练区域内所有低分辨率像素的隶属度进行计算后，即可得到各地物类别的非参数化真实似然分布图

图2给出了“林地”类别的非参数化真实似然分布示意图。该分布以非参数化的“点云”形态真实反映了NDVI指数与该地物类别的似然度，可以期待由此获得更为准确的地表分类结果。

步骤三，进行真实似然特征提取

图2所示的真实似然分布图中，每个“点云”的似然值越大说明意味着具有相应光谱特征值的低分辨率像元在高分辨率图像中被分类为该类别的概率越大，每个“点云”离散点都具有不同灰度值，灰度值越大意味着出现在该位置的概率越大，也就是该“点云”的可信度越高。这里需要寻求一种方法对各类别的真实概率分布特性加以描述。以往的似然分布特征表达方法大多采用由原始数据直接求取概率分布曲线的思路，但单一曲线并不能充分体现地物类别概率分布的复杂性，曲线拟合方法的欠评价缺陷也会引起对原始离散化似然分布图的均化趋势，拟合精度是该类方法难以回避的问题。

云理论提供了在离散情况下求取概率分布特征的新思路，考虑到在基本概念上的隶属云图与似然度分布图的相似性，本发明将云理论的思想引入到复合分类中来，建立真实似然特征空间，从而更好地反映似然分布图中各离散点的空间位置及在各类别概率分布上的不确定性。

由于真实似然分布图反映了NDVI等光谱特征与地物类别间的关系，这里采用云理论的思想，通过平滑似然期望值、平滑方差和归一化样本数量作为真实似然特征对真实似然分布状况加以描述。若将图2中各NDVI指数的似然均值表为则其平滑似然期望值ML_lc(x)、平滑方差VL_lc(x)和归一化样本数量N_w(x)可通过公式(1)，公式(2)和公式(3)求取。

${\mathrm{ML}}_{\mathrm{lc}}\left(x\right)=\frac{1}{Z}\underset{x_i\∈x\±w}{\mathrm{\Σ}}{L}_{\mathrm{lc}}\left(x_i\right)*\mathrm{\κ}(x_i,x)---\left(1\right)$

${\mathrm{VL}}_{\mathrm{lc}}\left(x\right)=\frac{1}{Z}\underset{x_i\∈x\±w}{\mathrm{\Σ}}{(L_{\mathrm{lc}}\left(x_i\right)-{\mathrm{ML}}_{\mathrm{lc}}\left(x\right))}^2*\mathrm{\κ}(x_i,x)---\left(2\right)$

$N_w\left(x\right)=\frac{n\left(x\right)}{\underset{x}{\mathrm{\Σ}}n\left(x\right)}---\left(3\right)$

其中，w是平滑窗宽；

是所有样本的归一化因子；

是平滑窗函数，按距离调整邻近样本的影响权重；n(x)是该光谱特征值对应的样本数量。各似然期望值的平滑方差反映了一定似然分布图区域内的不确定性，平滑方差越大，说明该区域的不确定性越大。该区域的归一化样本数量N_w(x)也反映了该区域期望的不确定性，归一化样本数量N_w(x)越少，不确定性越高。

图3为“林地”类别归一化植被指数真实似然特征示意图，反映了从NDVI指数到真实似然特征值的映射。其中，柱状图为离散归一化后的样本数量参数N_w。图中上半部线段的中心位置反映了平滑似然期望，即该NDVI指数的最大概率似然度，线段长度与该似然期望值的确定性成正比。真实似然分布分析将NDVI等光谱特征空间映射到真实似然特征空间，保留了真实似然分布的期望和不确定性，从而为后续的遥感图像复合监督分类提供了具有区分度的分类特征。

步骤四，进行遥感图像复合监督分类

遥感图像复合监督分类模块的主要作用是利用真实似然特征提取模型获取低分辨率遥感图线的分类特征，利用监督分类方法在局部高低分辨率遥感图像配准区域内对分类模型进行训练，并将训练好的分类模型推广至整个低分辨率图像覆盖区域，对广域低分辨率图像进行分类。具体包括如下步骤：

第一步：在高低分辨率图像匹配区域内，利用高低分辨率图像对应关系生成训练数据，对低分辨率像元所对应的高分辨率图像块的分类结果进行投票，比例最高的类别作为该低分辨率像元的地物类别。

第二步：确定监督分类模型，以SVM分类器为例，由真实似然特征映射模型获取低分辨率遥感图像像元对应的真实似然特征，以像元的真实似然特征作为分类特征、并以上一步骤获得的对应的地位类别作为标注组成训练数据，确定SVM分类器核函数，由训练数据训练SVM分类器参数。

第三步：在低分辨率遥感图像全局覆盖范围内提取真实似然特征，利用训练好的分类器对低分辨率遥感图像进行基于真实似然特征的分类，得到各像元对应的最终地物类别。本发明在分类过程中通过建立像元间的上下文关系考虑了地物分布的空间连续性，并利用条件随机场建模提供了对多分类特征的支持，从而进一步提高分类的精度。相对于其它复合分类方法，本发明对遥感图像分类过程中像元空间邻域关系进行了综合利用，同时，由于模型可以支持自定义多特征，并在实现流程上具有独立性，本发明可以作为现有遥感图像复合分类方法的有益补充，通过与其他复合分类模型进行级联，实现综合亚像元级、像元级和邻域区间级的高精度广域复合分类。

本发明在退化分析过程中，利用高低分辨率图像间多对一关系获得低分辨率图像像元内的地物分布状况，依据云理论进一步得到真实似然特征提取模型，并在大覆盖范围低分辨率图像上应用真实似然特征提取模型进行全局的复合分类。真实似然特征更好地反映似然分布图中各离散点的空间位置及在各类别概率分布上的不确定性，更为准确的描述各类地物的真实似然状况，分析了空间分辨率退化对地表状况刻画所产生的影响。本发明提出的真实似然特征作为分类特征还可以应用于现有的其他复合分类方法，作为原有分类特征的有益补充或替代，通过对遥感图像分类过程中低分辨率图像亚像元级地物分布状况进行更为准确、细致的描述，提高分类器对地物类别的区分能力，提高分类精度。

本发明为遥感图像复合分类方法提供了一种全新的思路。

Claims (5)

1.基于真实似然特征的多分辨率遥感图像复合分类方法，包括以下步骤，

步骤一，进行局部训练区域内的配准：首先，选择一个或者一个以上同时具有高低分辨率图像且包含各类地物类别的局部区域作为训练区域，其次，根据高低分辨率图像的分辨率比例关系对高分辨率图像进行分辨率整数倍率调整，使得高低分辨率比例为整数倍，最后，对高低分辨率图像进行局部空间配准；

步骤二，进行真实似然分布提取：首先，提取低分辨率图像的光谱特征，其次，对高分辨率图像进行无监督分类，最后，利用高低分辨率图像间空间多对一关系获得真实似然分布；

步骤三，进行真实似然特征提取：在真实似然分布基础上进一步提取真实似然特征，由公式(1)，公式(2)和公式(3)分别求取平滑似然期望值ML_lc(x)、平滑方差VL_lc(x)和归一化样本数量N_w(x)；

${\mathrm{ML}}_{\mathrm{lc}}\left(x\right)=\frac{1}{Z}\underset{x_i\∈x\±w}{\mathrm{\Σ}}{L}_{\mathrm{lc}}\left(x_i\right)*\mathrm{\κ}(x_i,x)---\left(1\right)$

${\mathrm{VL}}_{\mathrm{lc}}\left(x\right)=\frac{1}{Z}\underset{x_i\∈x\±w}{\mathrm{\Σ}}{(L_{\mathrm{lc}}\left(x_i\right)-{\mathrm{ML}}_{\mathrm{lc}}\left(x\right))}^2*\mathrm{\κ}(x_i,x)---\left(2\right)$

$N_w\left(x\right)=\frac{n\left(x\right)}{\underset{x}{\mathrm{\Σ}}n\left(x\right)}---\left(3\right)$

其中，w是平滑窗宽；

是所有样本的归一化因子，是平滑窗函数，按距离调整邻近样本的影响权重，n(x)是该光谱特征对应的样本数量；

步骤四，进行遥感图像复合监督分类：利用真实似然特征提取模型获取低分辨率遥感图像的分类特征，利用监督分类方法在局部高低分辨率遥感图像配准区域内对分类模型进行训练，并将训练好的监督分类模型推广至整个低分辨率图像覆盖区域，对广域低分辨率图像进行分类。

2.根据权利要求1所述的基于真实似然特征的多分辨率遥感图像复合分类方法，其特征在于，步骤一中的局部空间配准具体是指，

首先，匹配预处理，使用Sobel算子对高分辨率的航空相片进行边缘提取，边缘提取完成后，进行一次或一次以上的扩散，得到图像边界作为进一步的处理对象；

其次，进行基于手动匹配的粗匹配，先根据控制点选择建议，采用目视观察的方法在待配准的高低分辨率图像上确定6～7组一一对应的控制点，提取其位置坐标，再进行基于手动粗匹配的几何变换，接着进行粗匹配后的插值处理；

最后，采用全自动匹配模式进行精匹配，在自动精匹配过程中，通过具有最佳空间分布控制点的再次自动选取，在高分辨率图像中选择“窗口”区域，在低分辨率图像中选择“搜索”区域，搜索区域依照手动匹配时选取的控制点为基础，自动匹配的结果就是在原来所取点的附近区域中找到最佳匹配点，通过位移在搜索区域内对所有可能的重叠关系进行相关计算，再将搜索区域高分辨率图像通过取平均方法降分辨率至低分辨率，之后在搜索区域内移动窗口，计算两幅图像块间的方差，方差最小的点即为最佳匹配点。

3.根据权利要求2所述的基于真实似然特征的多分辨率遥感图像复合分类方法，其特征在于，所述插值处理为双向线性插补法进行内插处理。

4.根据权利要求1所述的基于真实似然特征的多分辨率遥感图像复合分类方法，其特征在于，步骤二中所述光谱特征为规一化植被指数或者植被条件指数或者温度条件指数。

5.根据权利要求1所述的基于真实似然特征的多分辨率遥感图像复合分类方法，其特征在于，步骤四中所述监督分类模型为SVM分类器。

Images