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
一种空间引力描述下的高光谱图像亚像元定位方法 Download PDFInfo
- Publication number
- CN102298711A CN102298711A CN201110167197A CN201110167197A CN102298711A CN 102298711 A CN102298711 A CN 102298711A CN 201110167197 A CN201110167197 A CN 201110167197A CN 201110167197 A CN201110167197 A CN 201110167197A CN 102298711 A CN102298711 A CN 102298711A
- Authority
- CN
- China
- Prior art keywords
- pixel
- inferior
- gravitation
- space
- inferior pixel
- 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
Landscapes
- Image Analysis (AREA)
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
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Pab,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Pab可能的空间分布,其中σcopyR种分布源自Initial_result中对应像元的直接复制;
其中,k1和k2为两个加权系数;
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;
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Fc(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Pab,操作步骤如下:
其中,Fc(Pk)为像元Pk中类c的量化后的混合比例,dk为亚像元pij的几何中心和像元Pk的几何中心的欧氏距离,h为一参数。
2)、若Fc(Pab)表示Pab内类c的量化后的混合比例值,则对应引力值最大的Fc(Pab)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Pab,操作步骤如下:
1)根据C类分量图Fc中的混合比例值,产生R种像元Pab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σcopyR种分布源自Initial_result中对应像元的直接复制,σcopy为复制比率。
2)记为Pab内的亚像元pij(S为放大比例)受到邻域像元Pk 中属于类c的亚像元的空间引力;而为pij受到邻域亚像元pk(NB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pm为Pab的邻域像元Pk内的亚像元:
其中,Mc为NA个邻域像元的所有亚像元中属于类c的总个数,dm为亚像元pij的几何中心和亚像元pm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,dn为亚像元pij的几何中心和亚像元pk的几何中心之间的欧氏距离,pij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pij的邻域亚像元,图中给出了式(5)下的空间引力描述方式。
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_Pab,用于更新Pab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Pab,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Pab可能的空间分布,其中σcopyR种分布源自Initial_result中对应像元的直接复制;
2)记为Pab内的亚像元pij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pij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;
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;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110167197 CN102298711B (zh) | 2011-06-21 | 2011-06-21 | 一种空间引力描述下的高光谱图像亚像元定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110167197 CN102298711B (zh) | 2011-06-21 | 2011-06-21 | 一种空间引力描述下的高光谱图像亚像元定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102298711A true CN102298711A (zh) | 2011-12-28 |
CN102298711B CN102298711B (zh) | 2013-07-03 |
Family
ID=45359120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110167197 Expired - Fee Related CN102298711B (zh) | 2011-06-21 | 2011-06-21 | 一种空间引力描述下的高光谱图像亚像元定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102298711B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793917A (zh) * | 2014-02-24 | 2014-05-14 | 哈尔滨工程大学 | 一种结合两种插值算法的遥感图像亚像元定位方法 |
CN103854282A (zh) * | 2014-01-13 | 2014-06-11 | 哈尔滨工程大学 | 基于修正遗传算法的高光谱亚像元定位方法 |
CN104268581A (zh) * | 2014-10-15 | 2015-01-07 | 中国科学院地理科学与资源研究所 | 一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法 |
CN107239782A (zh) * | 2017-05-09 | 2017-10-10 | 广州地理研究所 | 基于亚像元定位的遥感影像水体提取方法 |
CN109886897A (zh) * | 2019-03-04 | 2019-06-14 | 重庆工商大学 | 一种高光谱图像解混设备 |
CN110210300A (zh) * | 2019-04-26 | 2019-09-06 | 南京航空航天大学 | 一种融合多光谱图像空-谱信息的城建亚像元定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561882A (zh) * | 2009-05-22 | 2009-10-21 | 中国科学院地理科学与资源研究所 | 一种基于空间相关性的亚像元空间定位方法 |
CN102096830A (zh) * | 2011-01-27 | 2011-06-15 | 武汉大学 | 一种基于克隆选择的高光谱遥感影像亚像元定位方法 |
-
2011
- 2011-06-21 CN CN 201110167197 patent/CN102298711B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561882A (zh) * | 2009-05-22 | 2009-10-21 | 中国科学院地理科学与资源研究所 | 一种基于空间相关性的亚像元空间定位方法 |
CN102096830A (zh) * | 2011-01-27 | 2011-06-15 | 武汉大学 | 一种基于克隆选择的高光谱遥感影像亚像元定位方法 |
Non-Patent Citations (1)
Title |
---|
韩文超等: "多光谱遥感影像亚像元定位的空间引力算法研究", 《测绘学报》, vol. 40, no. 2, 30 April 2011 (2011-04-30), pages 169 - 174 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103854282A (zh) * | 2014-01-13 | 2014-06-11 | 哈尔滨工程大学 | 基于修正遗传算法的高光谱亚像元定位方法 |
CN103854282B (zh) * | 2014-01-13 | 2017-02-22 | 哈尔滨工程大学 | 基于修正遗传算法的高光谱亚像元定位方法 |
CN103793917A (zh) * | 2014-02-24 | 2014-05-14 | 哈尔滨工程大学 | 一种结合两种插值算法的遥感图像亚像元定位方法 |
CN103793917B (zh) * | 2014-02-24 | 2017-02-01 | 哈尔滨工程大学 | 一种结合两种插值算法的遥感图像亚像元定位方法 |
CN104268581A (zh) * | 2014-10-15 | 2015-01-07 | 中国科学院地理科学与资源研究所 | 一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法 |
CN107239782A (zh) * | 2017-05-09 | 2017-10-10 | 广州地理研究所 | 基于亚像元定位的遥感影像水体提取方法 |
CN109886897A (zh) * | 2019-03-04 | 2019-06-14 | 重庆工商大学 | 一种高光谱图像解混设备 |
CN109886897B (zh) * | 2019-03-04 | 2023-04-18 | 重庆工商大学 | 一种高光谱图像解混设备 |
CN110210300A (zh) * | 2019-04-26 | 2019-09-06 | 南京航空航天大学 | 一种融合多光谱图像空-谱信息的城建亚像元定位方法 |
CN110210300B (zh) * | 2019-04-26 | 2023-05-26 | 南京航空航天大学 | 一种融合多光谱图像空-谱信息的城建亚像元定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102298711B (zh) | 2013-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102298711B (zh) | 一种空间引力描述下的高光谱图像亚像元定位方法 | |
CN108596248B (zh) | 一种基于改进深度卷积神经网络的遥感影像分类方法 | |
CN110210486B (zh) | 一种基于素描标注信息的生成对抗迁移学习方法 | |
Figurnov et al. | Perforatedcnns: Acceleration through elimination of redundant convolutions | |
Nie et al. | Resampling and data augmentation for short-term PV output prediction based on an imbalanced sky images dataset using convolutional neural networks | |
CN109190695B (zh) | 一种基于深度卷积神经网络的鱼类图像分类方法 | |
CN108764281A (zh) | 一种基于半监督自步学习跨任务深度网络的图像分类方法 | |
CN111695467A (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
CN111028327B (zh) | 一种三维点云的处理方法、装置及设备 | |
CN108537742A (zh) | 一种基于生成对抗网络的遥感图像全色锐化方法 | |
Rathore et al. | Colour based image segmentation using L* a* b* colour space based on genetic algorithm | |
Albert et al. | Modeling urbanization patterns with generative adversarial networks | |
CN109087375B (zh) | 基于深度学习的图像空洞填充方法 | |
CN102446278B (zh) | 一种基于多时相遥感图像的亚像元定位方法 | |
CN110728295B (zh) | 半监督式的地貌分类模型训练和地貌图构建方法 | |
CN108460749B (zh) | 一种高光谱与多光谱图像的快速融合方法 | |
CN112699838B (zh) | 基于光谱诊断特征加权的高光谱混合像元非线性盲分解方法 | |
Yang et al. | Mfpp: Morphological fragmental perturbation pyramid for black-box model explanations | |
CN107133877B (zh) | 网络中重叠社团的挖掘方法 | |
CN104992183A (zh) | 自然场景中的显著目标的自动检测方法 | |
CN112215199A (zh) | 基于多感受野与密集特征聚合网络的sar图像舰船检测方法 | |
Mu et al. | A climate downscaling deep learning model considering the multiscale spatial correlations and chaos of meteorological events | |
US20230386098A1 (en) | Three-dimensional spectrum situation completion method and device based on generative adversarial network | |
CN111680579A (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
CN114863266A (zh) | 一种基于深度时空模式交互网络的土地利用分类方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130703 Termination date: 20190621 |
|
CF01 | Termination of patent right due to non-payment of annual fee |