CN102298711A - 一种空间引力描述下的高光谱图像亚像元定位方法 - Google Patents

Abstract

本发明提供的是一种空间引力描述下的高光谱图像亚像元定位方法。包括高光谱图像的预处理；SPSAM方法的初始化；完全贯彻空间相关性的空间引力描述。亚像元/像元空间引力方法初始化是利用亚像元/像元空间引力方法获得初步的亚像元定位结果，以作为下一步的输入；完全贯彻空间相关性的空间引力描述方法是指既考虑像元间的空间相关性，又考虑像元内的亚像元间的相关性，同时像元间的空间相关性的描述是通过计算亚像元与邻域像元内的亚像元之间的空间引力实现的。该方法具有完全贯彻空间相关性，亚像元定位精度高的优点。

Description

一种空间引力描述下的高光谱图像亚像元定位方法

技术领域

本发明涉及的是一种高光谱图像的亚像元定位方法，特别是一种空间引力描述下的亚像元定位方法，属于遥感信息处理技术领域。

背景技术

高光谱图像的光谱分辨率较高，但其空间分辨率一般较低，因而导致了混合像元的广泛存在，即一个像元可能是几种类别的混合。对于这类像元，采用传统硬分类方法将其判定为任何一类，都会导致信息的丢失而难以满足现实要求。光谱混合分析(又称光谱解混)技术求解了混合像元中各个类别的比例，却未能给出类别的空间分布情况。亚像元定位技术即是为了解决此问题而发展起来的。实际上，空间分辨率是制约高光谱图像应用与发展的一个重要因素。空间分辨率的提高，从硬件途径上可以通过减小感光元件尺寸，增加像素密度和采样频率，但由于现有制作技术的限制及昂贵的代价使得这一途径难以实现。而从软件途径上，亚像元定位技术将每个像元分割即放大为多个亚像元，并求解各个类别对应的亚像元的空间分布，使得低分辨率图像中各个地物类别有着更加细致的视觉显示，因而能达到提高空间分辨率这一目的。

Atkinson于1997年首次提出了亚像元定位的理论基础即空间相关性，该理论以最大化像元之间和像元内部的空间相关性为基本原则，求解各个类别对应的亚像元的空间分布。此后，许多亚像元定位技术相继发展起来。如Hopfield神经网络迭代、像元交换技术、马尔可夫随机场模型、元胞自动机技术、正则MAP方法，等等。这些方法都一定程度上对空间相关性进行了间接有效的实现。Mertens于2006年提出的亚像元/像元空间引力(sub-pixel/pixel spatialattraction model，SPSAM)求解方法，对空间相关性理论进行了直观的求解实现，是一种高效且易实现的方法，因而受到广泛关注。然而，SPSAM方法并未完全贯彻空间相关性理论，这一缺陷也一定程度限制了其更深层的应用。一方面，SPSAM在求解邻域像元对中心像元内亚像元的空间引力时，将邻域像元当成一个整体来计算引力，这种空间引力的描述方式存在着不准确性。另一方面，SPSAM只考虑了邻域像元与中心像元的空间相关性，却并未考虑中心像元内亚像元自身的空间相关性，即只考虑了像元之间的相关性而未考虑像元内部的相关性，使得空间相关性的表达并不完善。

发明内容

本发明的目的在于提供一种亚像元定位精度高的空间引力描述下的高光谱图像亚像元定位方法。

本发明的目的是这样实现的：包括以下三个步骤：

步骤一，高光谱图像的预处理：

输入高光谱图像，通过光谱混合分析技术，得到高光谱图像混合像元中各个类别的混合比例值，根据设定的亚像元定位的放大比例，对混合比例值进行量化，得到各类别的分量图；

步骤二，SPSAM方法的初始化：

根据各类别的分量图，用SPSAM方法求得混合像元内各个类别对应的亚像元的初始空间分布，即得初始的亚像元定位结果Initial_result；

步骤三，完全贯彻空间相关性的空间引力描述方法：

1、选取待分析混合像元P_ab，操作步骤如下：

1)根据各类分量图中的混合比例值，产生R种像元P_ab可能的空间分布，其中σ_copyR种分布源自Initial_result中对应像元的直接复制；

2)记

为P_ab内的亚像元p_ij受到邻域像元中属于类c的亚像元的空间引力，其中：

S为放大比例，

C为类别总数；

为p_ij受到邻域亚像元中属于类c的亚像元的空间引力，对R种分布均计算空间引力：

其中，k₁和k₂为两个加权系数；

3)根据式

找出对应引力

最大的一种空间分布，并选出对应

最小的ρ₁R种分布，被引力最大的分布取代；

4)随机选择ρ₂R种分布，对每种分布均交换其中任意两个亚像元的类别；

5)重复步骤2)～4)，进行多次迭代；在所有迭代中，找出对应

最大的一种空间分布，用于更新P_ab内各个类别对应的亚像元的空间分布；

2、对每个待分析混合像元，进行步骤1；

3、重复步骤1～2，多次更新。

通过步骤一至步骤三，最终输出亚像元定位结果Last_result。

本发明针对SPSAM的不足，提出一种新的空间引力描述方法。该方法既对SPSAM的空间引力的描述方式加以改进，同时又考虑中心像元内亚像元的自身空间相关性，具有完全贯彻空间相关性理论，亚像元定位精度高的优点。

附图说明

图1为像元之间的空间相关性描述示意图。

图2为像元内亚像元之间的空间相关性描述示意图。

图3为整个实施过程的具体流程图。

具体实施方式

下面结合附图对本发明做出更详细的描述。

步骤一：高光谱图像的预处理：

输入高光谱图像，采用线性光谱混合模型(LSMM)的光谱混合分析技术，求得高光谱图像混合像元中各个类别的混合比例值。设定S为亚像元定位的放大比例，即将每个像元分割为SλS个亚像元，则各个混合比例值均量化为中的一个，得到各类别的分量图F_c(

C为类别总数)，作为下一步的亚像元定位的输入数据。

步骤二：SPSAM方法的初始化：

1、选取待分析混合像元P_ab，操作步骤如下：

1)、计算每个亚像元p_ij(

S为放大比例)受到邻域像元P_k(

N_A为邻域像元个数)的空间引力

其中，F_c(P_k)为像元P_k中类c的量化后的混合比例，d_k为亚像元p_ij的几何中心和像元P_k的几何中心的欧氏距离，h为一参数。

2)、若F_c(P_ab)表示P_ab内类c的量化后的混合比例值，则对应引力值最大的F_c(P_ab)S²个亚像元判定为类c。

2、对每个待分析混合像元，进行步骤1。

由步骤1和2得到初始的亚像元定位结果Initial_result。

步骤三：完全贯彻空间相关性的空间引力描述方法：

1、选取待分析混合像元P_ab，操作步骤如下：

1)根据C类分量图F_c中的混合比例值，产生R种像元P_ab可能的空间分布，每一种分布中各类的亚像元个数均符合量化后的混合比例值。其中有σ_copyR种分布源自Initial_result中对应像元的直接复制，σ_copy为复制比率。

2)记

为P_ab内的亚像元p_ij(S为放大比例)受到邻域像元P_k

中属于类c的亚像元的空间引力；而为p_ij受到邻域亚像元p_k(

N_B为邻域亚像元个数)中属于类c的亚像元的空间引力。对R种分布均计算空间引力：

其中，k₁和k₂为两个加权系数。记p_m为P_ab的邻域像元P_k内的亚像元：

其中，M_c为N_A个邻域像元的所有亚像元中属于类c的总个数，d_m为亚像元p_ij的几何中心和亚像元p_m的几何中心之间的欧氏距离。式(4)表征的是像元之间的空间相关性。如图1所示，若设类c分布在像元P₁，P₂和P₃内(如图阴影部分)，图中给出了式(4)下的空间引力描述方式。

式(3)后项的计算式为：

其中，d_n为亚像元p_ij的几何中心和亚像元p_k的几何中心之间的欧氏距离，p_ij按属于类c和非类c分别取值为1和0。式(5)表征的是像元内部的亚像元之间的空间相关性。如图2所示，若

浅灰色部分为亚像元p_ij的邻域亚像元，图中给出了式(5)下的空间引力描述方式。

3)根据式(3)找出对应

最大的一种空间分布best_P_ab_t，并以比率ρ₁选出对应

最小的ρ₁R种分布，被best_P_ab_t取代。

4)以比率ρ₂随机选择ρ₂R种分布，对每种分布均交换其中任意两个亚像元的类别。

5)重复步骤2)～4)，迭代T次。在所有的T次迭代中，找出对应最大的一种空间分布best_P_ab，用于更新P_ab内各个类别对应的亚像元的空间分布。

2、对每个待分析混合像元，进行步骤1。

3、重复步骤1～2，更新U次。

通过步骤一至步骤三，最终输出新方法下的亚像元定位结果Last_result。图3给出了整个技术框图。

Claims (1)

1.一种空间引力描述下的高光谱图像亚像元定位方法，其特征是包括以下三个步骤：

步骤一，高光谱图像的预处理：

输入高光谱图像，通过光谱混合分析技术，得到高光谱图像混合像元中各个类别的混合比例值，根据设定的亚像元定位的放大比例，对混合比例值进行量化，得到各类别的分量图；

步骤二，SPSAM方法的初始化：

根据各类别的分量图，用SPSAM方法求得混合像元内各个类别对应的亚像元的初始空间分布，即得初始的亚像元定位结果Initial_result；

步骤三，完全贯彻空间相关性的空间引力描述：

1、选取待分析混合像元P_ab，操作步骤如下：

1)根据各类分量图中的混合比例值，产生R种像元P_ab可能的空间分布，其中σ_copyR种分布源自Initial_result中对应像元的直接复制；

2)记

为P_ab内的亚像元p_ij受到邻域像元中属于类c的亚像元的空间引力，其中：i，j＝1，2，…，S，S为放大比例，c＝1，2，…，C，C为类别总数；

为p_ij受到邻域亚像元中属于类c的亚像元的空间引力，对R种分布均计算空间引力：

$J_{P_{\mathrm{ab}}}=\underset{c=1}{\overset{C}{\mathrm{\Σ}}}\underset{i=1}{\overset{S}{\mathrm{\Σ}}}\underset{i=1}{\overset{S}{\mathrm{\Σ}}}(k_1{A}_{c,p_{\mathrm{ij}}}+k_2{B}_{c,p_{\mathrm{ij}}})$

其中，k₁和k₂为两个加权系数；

3)根据式 $J_{P_{\mathrm{ab}}}=\underset{c=1}{\overset{C}{\mathrm{\Σ}}}\underset{i=1}{\overset{S}{\mathrm{\Σ}}}\underset{i=1}{\overset{S}{\mathrm{\Σ}}}(k_1{A}_{c,p_{\mathrm{ij}}}+k_2{B}_{c,p_{\mathrm{ij}}})$ 找出对应引力

最大的一种空间分布，并选出对应

最小的ρ₁R种分布，被引力最大的分布取代；

4)随机选择ρ₂R种分布，对每种分布均交换其中任意两个亚像元的类别；

5)重复步骤2)～4)，进行多次迭代；在所有迭代中，找出对应

最大的一种空间分布，用于更新P_ab内各个类别对应的亚像元的空间分布；

2、对每个待分析混合像元，进行步骤1；

3、重复步骤1～2，多次更新。

Images