CN102446278B - 一种基于多时相遥感图像的亚像元定位方法 - Google Patents
一种基于多时相遥感图像的亚像元定位方法 Download PDFInfo
- Publication number
- CN102446278B CN102446278B CN 201110269889 CN201110269889A CN102446278B CN 102446278 B CN102446278 B CN 102446278B CN 201110269889 CN201110269889 CN 201110269889 CN 201110269889 A CN201110269889 A CN 201110269889A CN 102446278 B CN102446278 B CN 102446278B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- pixel
- low resolution
- sensing images
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明的目的在于提供一种基于多时相遥感图像的亚像元定位方法,包括以下步骤:输入低分辨率遥感图像,通过光谱解混技术,得到遥感图像中各类分量图,根据各类分量图,用SPSAM方法得到亚像元的初始空间分布;从低分辨率遥感图像中选取待分析像元Pab,对pij计算属于各个类别c时的能量函数Uc,ij,找出最小Uc,ij对应的类别,并将pij判定为该类;对Pab内的每个亚像元pij均进行以上的操作;对低分辨率遥感图像中每个待分析混合像元进行上述操作;重复上述步骤,直至输出的前后亚相元定位图像不同像元个数差别小于1%。本发明的方法具有更高的亚像元定位精度,且采用了SPSAM进行初始化,使得输出的定位结果不存在着由于随机初始化而引入的不确定性。
Description
技术领域
本发明涉及的是一种遥感信息处理技术领域的定位方法。
背景技术
遥感图像中混合像元普遍存在,这些像元通常是几种类别的混合。光谱解混(又称软分类)技术求解了混合像元中各类别的组分,却未能给出它们的空间分布。亚像元定位正是一种解决混合像元类各类空间分布的技术。该技术按所需放大比例将每个原始像元分割为多个亚像元,通过求解各个类别对应亚像元的空间分布,使得低分辨率遥感图像中各类地物有着更加细致的视觉显示,从而提高遥感图像的空间分辨率。
自Atkinson于1997年提出亚像元定位的理论基础即空间相关性以来,多种亚像元定位技术发展起来。如经典的Hopfield神经网络、遗传算法、像元交换技术和亚像元/像元空间引力(sub-pixel/pixel spatial attraction model,SPSAM),等等。这些技术将光谱解混所得到的各类混合比例作为约束条件,在整个求解定位结果的过程中,只变换各类亚像元的空间位置,而属于各类的亚像元个数被严格限制。这样,光谱解混过程所引入的误差会直接传递到亚像元定位处理过程中,这种完全依赖光谱解混结果的方法导致定位结果中存在较多孤立像素,精度偏低而无法满足实际应用要求。
不同于以上几种技术,基于马尔可夫随机场(Markov random field,MRF)的亚像元定位方法同时考虑空间信息和光谱信息,且光谱信息约束部分包含了类内光谱差异的描述,对光谱信息的挖掘更为充分。MRF仅将光谱解混的结果作为一种初始解,在迭代求解过程中孤立像素逐渐被去除,所得定位结果更加合理,精度也更高。然而,MRF中仅利用待定位低分辨率遥感图像的光谱信息,光谱约束部分约束条件单一,亚像元定位求解过程欠约束。多时相遥感图像是卫星对同一地物场景进行多次成像所得的结果,通常这些低分辨率图像之间存在着亚像元的位移,这种带有亚像元位移的多时相图像能提供更加丰富的光谱信息。
发明内容
本发明的目的在于提供具有更高的亚像元定位精度,且采用了SPSAM进行初始化,使得输出的定位结果不存在着由于随机初始化而引入的不确定性的一种基于多时相遥感图像的亚像元定位方法。
本发明的目的是这样实现的:
本发明一种基于多时相遥感图像的亚像元定位方法,其特征是:
(1)输入低分辨率遥感图像,通过光谱解混技术,得到遥感图像中各类分量图,根据各类分量图,用SPSAM方法得到亚像元的初始空间分布;
(2)从低分辨率遥感图像中选取待分析像元Pab, La和Lb分别为图像的栅格行数和列数;
(3)记Aij为Pab内的亚像元pij受到邻域亚像元的空间引力,S为放大比例,Bt,ij为pij所对应的第t幅图的光谱约束项,T为多时相图的幅数,包括待定位图像自身,对pij计算属于各个类别c时的能量函数Uc,ij,C为类别总数:α为一权值系数;
(4)找出最小Uc,ij对应的类别,并将pij判定为该类;
(5)对Pab内的每个亚像元pij均进行步骤(3)-步骤(4)的操作;
(6)对低分辨率遥感图像中每个待分析混合像元进行步骤(2)-步骤(5);
(7)重复上述步骤,直至输出的前后亚相元定位图像不同像元个数差别小于1%。
本发明的优势在于:本发明在MRF方法的基础上,提出一种基于多时相遥感图像的亚像元定位方法,将带有亚像元位移的多时相图像的光谱信息加入MRF的光谱约束部分,增加约束条件。相比MRF,本发明的方法具有更高的亚像元定位精度,且采用了SPSAM进行初始化,使得输出的定位结果不存在着由于随机初始化而引入的不确定性。
附图说明
图1为本发明的空间引力描述示意图;
图2为本发明的多时相遥感图像单波段下(大小为2λ2个像元)的举例示意图,若取其中:(a)为待定位的低分辨率图,(b)是右移2个亚像元,下移1个亚像元的时相图,(c)是右移1个亚像元,下移3个亚像元的时相图,(d)是右移2个亚像元,下移2个亚像元的时相图,(e)~(g)分别给出了(a)中的某黑色亚像元在(b)~(d)图中的位置;
图3为本发明的流程图;
图4为本发明的具体实施方式的地物分布图;
图5为本发明的具体实施方式遥感图像各个波段下的灰度图,从(a)~(e)分别为印第安农林高光谱遥感数据立方体的第17、29、41、97、200波段;
具体实施方式
下面结合附图举例对本发明做更详细地描述:
结合图1~8,本发明为一种基于多时相遥感图像的亚像元定位方法。下面给出本发明的详细过程:
步骤一:遥感图像的光谱解混:
输入低分辨率遥感图像,通过光谱解混技术,得到遥感图像中混合像元类各类的混合比例即分量图。
步骤二:SPSAM方法的初始化:
根据各类分量图,用SPSAM方法得到具有确定性的亚像元初始空间分布。
步骤三:利用多时相遥感图像的亚像元定位方法:
1)记Aij为Pab内的亚像元pij(S为放大比例)受到邻域亚像元的空间引力,而Bt,ij为pij所对应的第t(T为多时相图的幅数,包括待定位图像自身)幅图的光谱约束项。对pij计算属于各个类别c(C为类别总数)时的Uc,ij:
其中,α为一权值系数,前项Aij表达式为:
其中,dk为亚像元pij的几何中心和邻域亚像元pk的几何中心之间的欧氏距离,n为邻域亚像元的个数,Zc(pk)在pk属于类c时取值为1,否则为0。如图1所示,若图中给出了在八邻域下的空间引力的描述方式。
式(2)后项表达式为:
其中,yt,ij为第t幅图中pij所对应的低分辨率像元Pt,ab的光谱向量,ut,ij和Ct,ij分别为Pt,ab在Pij取值为类c时Pt,ab内S2个亚像元的平均光谱向量和协方差矩阵。图2给出了多时相遥感图像单波段下(大小为2λ2个像元)的示意图,可看到,黑色亚像元在进行定位时需同时满足4幅图中左上角的低分辨率像元的光谱约束条件。
2)根据式(1)找出最小Uc,ij对应的类别cmin,并将pij判定为类cmin。
3)以行或列扫描的顺序,对Pab内的每个亚像元pij均进行1)和2)的操作。
2、以行或列扫描的顺序,对低分辨率遥感图像中每个待分析混合像元Pab,进行步骤1。
3、重复步骤1~2,迭代H次,使前后两次亚像元定位图像的不同像元个数差小于1%。
通过步骤一至步骤三,最终输出本发明下的亚像元定位结果。图3给出了整个技术框图。
我们通过将本发明提出的方法与SPSAM、像元交换技术和传统的MRF方法进行实验比较来证明所提出方法的有效性。地物分布图(图4)像源自文献Quantification of the effects of land-cover-class spectral separability on the accuracyof markov-random-field based superresolution mapping.(IEEE Transactions onGeoscience and remote sensing,2009,47(9):3283-3297),包括三种地物(分别记为C0、C1和C2,分别对应图4中的黑色、灰色和白色类的地物),图像大小为60λ60。光谱数据取自1992年6月拍摄的美国印第安纳州西北部印第安农林高光谱遥感试验区的一部分,图像大小为144M44,200波段(特征)。原始监督数据将该图像界定为除背景外共16种地物类别。先采用文献A novelgeometry-based feature-selection technique for hyperspectral imagery.(IEEEGeoscience and Remote Sensing Letters,2007,4(1):171-175)中的波段选择方法,选择5个波段:17、29、41、97、200。再随机挑选其中的类2、11和10(分别对C0、C1和C2)三类的光谱数据合成含有5个波段的遥感图像,各个波段下的灰度图见图5。为消除配准误差,且对各种方法有一个客观的评价,实验中的低分辨率遥感图像为对高分辨率图像进行逐波段重采样后获得,这样便能将各种方法的亚像元定位结果同真实地物图(图4)进行参照对比和分析。实验选取三幅时相图。
第一组实验中进行时的亚像元定位,即原60λ60λ5的立方体模糊为12λ12λ5的低分辨率数据。进行光谱解混,得到三类地物的分量图,如图6所示。由于边界像元的邻域像元不充足,实验中仅对中间部分的低分辨率像元(大小为10λ10)进行定位。SPSAM、像元交换技术、传统MRF和本发明的方法的亚像元定位结果展示于图7。可看到MRF的效果明显优于SPSAM和像元交换技术,大量孤立像元被去除,而本发明的方法结果最佳,最接近原真实图。
两组实验中各种方法的PCC和Kappa评价见表1。对比分析可进一步看到本发明方法在定位精度上的优势所在。从定量评价的角度验证了提出方法的合理性与优势。
表1
S=5 | S=10 |
Kappa | PCC | Kappa | PCC | |
SPSAM | 0.532 | 0.684 | 0.417 | 0.609 |
像元交换技术 | 0.517 | 0.674 | 0.423 | 0.613 |
传统MRF | 0.863 | 0.910 | 0.618 | 0.742 |
本发明方法 | 0.873 | 0.917 | 0.801 | 0.868 |
Claims (1)
1.一种基于多时相遥感图像的亚像元定位方法,其特征是:
(1)输入低分辨率遥感图像,通过光谱解混技术,得到遥感图像中各类分量图,根据各类分量图,用SPSAM方法得到亚像元的初始空间分布;
(2)从低分辨率遥感图像中选取待分析像元Pab,a=1,2,…,La,b=1,2,…,Lb,La和Lb分别为图像的栅格行数和列数;
(3)记Aij为Pab内的亚像元pij受到邻域亚像元的空间引力,i,j=1,2,…,S,S为放大比例,Bt,ij为pij所对应的第t幅图的光谱约束项,t=1,2,…,T,T为多时相图的幅数,包括待定位图像自身,对pij计算属于各个类别c时的能量函数Uc,ij,c=1,2,…,C,C为类别总数: α为一权值系数;
(4)找出最小Uc,ij对应的类别,并将pij判定为该类;
(5)对Pab内的每个亚像元pij均进行步骤(3)-步骤(4)的操作;
(6)对低分辨率遥感图像中每个待分析混合像元进行步骤(2)-步骤(5);
(7)重复上述步骤,直至输出的前后亚像元定位图像不同像元个数差别小于1%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110269889 CN102446278B (zh) | 2011-09-14 | 2011-09-14 | 一种基于多时相遥感图像的亚像元定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110269889 CN102446278B (zh) | 2011-09-14 | 2011-09-14 | 一种基于多时相遥感图像的亚像元定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102446278A CN102446278A (zh) | 2012-05-09 |
CN102446278B true CN102446278B (zh) | 2013-05-08 |
Family
ID=46008766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110269889 Expired - Fee Related CN102446278B (zh) | 2011-09-14 | 2011-09-14 | 一种基于多时相遥感图像的亚像元定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102446278B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514602A (zh) * | 2013-09-23 | 2014-01-15 | 哈尔滨工程大学 | 基于Volterra级数的高光谱图像非线性解混方法 |
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 |
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 |
CN109492527B (zh) * | 2018-09-28 | 2019-09-10 | 南京航空航天大学 | 一种基于全色锐化技术的遥感图像亚像元定位方法 |
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 |
CN110084747B (zh) * | 2019-03-15 | 2023-04-07 | 南京航空航天大学 | 基于全色锐化技术支持下的空间引力模型亚像元定位方法 |
CN110009066B (zh) * | 2019-03-15 | 2021-03-12 | 北京航空航天大学 | 基于逻辑回归的光谱图像亚像元空间定位方法及装置 |
CN110298883B (zh) * | 2019-05-13 | 2022-06-24 | 南京航空航天大学 | 一种基于扩展随机游走算法的遥感图像亚像元定位方法 |
-
2011
- 2011-09-14 CN CN 201110269889 patent/CN102446278B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102446278A (zh) | 2012-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102446278B (zh) | 一种基于多时相遥感图像的亚像元定位方法 | |
CN108038445B (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
Zhong et al. | Remote sensing image subpixel mapping based on adaptive differential evolution | |
CN111625608B (zh) | 一种基于gan模型根据遥感影像生成电子地图的方法、系统 | |
CN107301372A (zh) | 基于迁移学习的高光谱图像超分辨率方法 | |
CN108182449A (zh) | 一种高光谱图像分类方法 | |
CN113449612B (zh) | 一种基于子流型稀疏卷积的三维目标点云识别的方法 | |
CN102789631A (zh) | 基于图像分割和引力模型的遥感图像分辨率提高处理方法 | |
Tang et al. | A multiple-point spatially weighted k-NN method for object-based classification | |
CN111178304A (zh) | 基于全卷积神经网络的高分辨率遥感影像像素级解译方法 | |
Liu et al. | A comparison of sub-pixel mapping methods for coastal areas | |
CN111583330B (zh) | 一种多尺度时空马尔可夫遥感影像亚像元定位方法及系统 | |
Gao et al. | Multiscale curvelet scattering network | |
Sun et al. | Synergistic use of optical and dual-polarized SAR data with multiple kernel learning for urban impervious surface mapping | |
CN110288050B (zh) | 一种基于聚类及光流法的高光谱和LiDar图像自动化配准方法 | |
CN110852176A (zh) | 一种基于Mask-RCNN的高分三号SAR图像道路检测方法 | |
CN103310461B (zh) | 基于块卡尔曼滤波的图像边缘提取方法 | |
Wang et al. | Sub-pixel mapping based on sub-pixel to sub-pixel spatial attraction model | |
CN102938148A (zh) | 一种基于v-glcm的高光谱影像纹理分析方法 | |
CN102298711A (zh) | 一种空间引力描述下的高光谱图像亚像元定位方法 | |
CN105894494A (zh) | 基于gpu技术的三线阵立体航测相机并行谱段配准方法 | |
CN112529828B (zh) | 参考数据非敏感的遥感影像时空融合模型构建方法 | |
Zhao et al. | Multiple endmembers based unmixing using archetypal analysis | |
Dong et al. | Remote sensing image super-resolution via enhanced back-projection networks | |
CN107392926A (zh) | 基于前期土地专题图的遥感影像特征选择方法 |
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: 20130508 Termination date: 20190914 |
|
CF01 | Termination of patent right due to non-payment of annual fee |