CN102915529A - 基于遥感“时-空-谱-角”的一体化融合技术及其系统 - Google Patents

Abstract

本发明公开了一种一体化的遥感图像融合技术及其系统，属于地理信息科学技术领域。方法主要采用数学算法对不同传感器来源的遥感影像进行互补融合，生成具有高空间、高时间、高光谱分辨率以及高角度的“四高”遥感影像。方法的步骤包括：基于时间、空间、光谱、角度不同标签对数据进行分类和预处理；利用光谱曲线的尺度不变特性，计算参考数据对之间反射率的相关性，构建融合模型；利用模型和基准数据进行高分辨率数据预测，实现低分辨率数据在空间尺度上的扩展。本发明突破传统遥感数据受到地表、自然环境等基本要素的约束，可满足遥感数据产品在频谱、辐射、几何尺度等物理量上的要求。

Description

基于遥感“时-空-谱-角”的一体化融合技术及其系统

技术领域

发明属于地理信息科学技术领域，具体内容为引入一种图像融合算法，对不同传感器来源的遥感影像进行互补融合，并生成具有高空间、高时间、高光谱分辨率以及高角度的“四高”遥感影像。

背景技术

随着社会经济的快速发展，不同应用领域对对地观测数据的需求日益增长，对数据的时间分辨率、空间分辨率、辐射分辨率和光谱分辨率等指标的综合要求也不断提高，导致现有对地观测数据获取与应用模式越来越难以满足不同应用领域的特定需求。

与此同时，对地观测系统受到国家计划、卫星轨道资源、技术和工艺水平等诸多因素的限制，任何国家想单方面通过新建对地观测系统来满足不同应用领域对对地观测数据日益增长的需求是难以实现的。有鉴于此，综合利用国内、国际在轨运行对地观测资源，深入挖掘其应用潜力，实现不同对地观测数据的信息互补，最大限度地发挥已有对地观测资源的综合效益，已成为全球对地观测系统发展的趋势。

与国民经济各行业对对地观测数据需求的多样性和复杂性相比，我国现阶段的对地观测数据获取能力仍然不足，包括重访时间、空间分辨率、成像质量等方面。另外，无论从行业应用的专业需求出发，还是从用户获取和使用遥感数据的便捷性角度考虑，很多行业都需要长期、连续、稳定的数据源，然而，国内民用对地观测卫星在数量、种类以及在时间和空间观测尺度上都难以满足国内各行业的需求。这也是我国应用界多购买使用国外卫星数据的主要原因。高分专项”的实施，期望能对上述困境有所改善。但同样地，由于受高分辨率和宽幅盖这一技术矛盾的限定，目前尚不可能仅靠卫星数据来实现高时间频度的对地观测。综合利用国际卫星资源、合理利用高分辨率卫星资源构建可应用的合成数据，将是投资少、效益高的一种满足国民经济各行业对数据的迫切需求的根本途径。

发明内容

针对以上不足，本发明将利用已有对地观测资源，通过时-空-谱-角智能融合的技术与方法来获取遥感数据，其数据分辨率等同真实对地观测卫星所获取数据精度，以此满足各行业应用对不同属性遥感数据的需求，由于其投入成本和技术风险均比较低，有望以较小代价、在较短时间内形成具有全球综合对地观测能力的自组织对地观测网络，大大降低我国建立全球综合对地观测系统的各项投入。

本发明的基本内容包括两个部分： 其一，在建模方面，创建遥感“时-空-谱-角”互相统一的对地观测数据融合技术框架，该框架基于传感器成像、大气辐射传输、地表辐射机理，依据时空相关性统计规律建立地表反射率信息的时间、空间、光谱扩展与细化，通过物理模型与统计规律相接合，改变长期以来对地观测数据时、空、谱相分离的现状。其二，在技术层面上，突破载荷数据尺度域限制，开发基于多要素融合的遥感数据处理系统。通过多要素耦合建模，突破当前遥感技术条件下，单个传感器不能同时获取高空间分辨率、高时间分辨率、高光谱分辨率以及高角度的限制。解决长期以来遥感反演/信息提取的方法研究都仅是针对特定应用目的、特定卫星、特定参数开展的重复研究问题，建立可用于标准化处理的时空谱多要素耦合的融合方法、算法与平台。

本发明为了实现上述目的采用如下技术方法：。

步骤1：收集遥感卫星拍摄的原始数据并进行预处理。遥感卫星的原始数据通常具有时空特性、影像分辨率、拍摄角度、波段组合等信息。在数据收集时按照各自特性加以分类。随后还需对原始数据进行一般遥感影像的预处理，如大气辐射校正、去云、几何配准等，最终形成标准的数据集。

步骤2：在步骤1处理的数据中，选取一组数据作为模型参考数据，研究其影像反射率的相关性以构建融合模型。所谓的参考数据指的是同一地区的两幅遥感影像，这两幅影像基于不同的传感器，在成像分辨率上有所不同，即一高分辨率影像和一低分辨率影像。由于传感器的分辨率同其拍摄周期、光谱数、角度之间存在相互制约的关系，通过比较反射率的相关性，挖掘参考数据的光谱和空间信息，建立数据之间的映射模型。

步骤3：在步骤1处理的数据中，另选取一低分辨率影像作为预测的基准数据，使用步骤2所建立的自适应融合模型，实现低分辨率反射率产品在空间尺度上的扩展。

本发明的有益效果：本发明主要特点在于对遥感影像在时-空-谱-角四维空间的智能融合处理，由于传统遥感数据受到地表、自然环境等基本要素的约束，本发明通过建立不同卫星载荷接收能量间的映射关系，分析不同传感器在时间、空间、光谱特性、角度上的差异，从成像机理出发从而构建一套系统的融合框架模型，可以满足特定应用对信息获取在频谱、辐射、几何尺度等物理量上的要求，而且构建的数据集应具备可分解、可实施真实性检验的性质；此外，本发明所开发的系统，针对遥感数据在“时-空-谱-角”不同转换流程的耦合机制，构建了一套统一的操作界面和处理流程，简化复杂的影像处理流程，易于应用及推广。

附图说明

图1是本发明实施例的遥感数据融合建模方法流程图。

图2是本发明实施例的遥感融合模型的低分辨参考数据和基准数据。

图3是本发明实施例的遥感融合模型的高分辨率参考数据和预测结果。

图4是本发明实施例的遥感数据融合系统流程图。

具体实施方式

下面结合附图和实施图，对本发明的具体实施方式做进一步详细描述。本发明实施例的数据为香港市元朗地区的卫星遥感数据，包括MODIS和Landsat两套不同分辨率数据，此数据不限制本发明的范围。该实施例包括三个主要组成部分，如图1所示，即遥感卫星数据的预处理和数据集构建、时-空-谱-角的影像预测模型构建、高分辨率影像模型预测。

步骤1：遥感卫星数据的预处理和数据集构建流程：其详细步骤包括辐射增强、波段融合、几何纠正、数据融合、镶嵌、匀色、正射纠正等，目的是为使图像变为接近平面投影的影像，并要求影像的色彩丰富、美观，为后期影像模型构建做准备。由于本发明所涉及的系统其计算方式是以像元值为单位，因此要求图像在尺度上大小一致，即行列数目相同。预处理完成之后，按照分辨率、时间、空间、传感器角度、光谱几个因素对影像进行分类，随后将分类后的影像导入数据库中存放。

步骤2：在数据库构建完毕后，选取遥感数据集进行数据的输入，数据的选取有如下要求：1）输入数据分别来自两个不同分辨率传感器，即一高空间分辨率（如Landsat），一低空间分辨率（如MODIS）；2）数据模型的构建需要至少一套参照数据和一幅基准数据，其中，一套参照数据包括两幅遥感影像，分别为一幅高空间分辨和一幅空间低分辨率数据，用于计算预测模型。基准数据则为一副低分辨率影像，该基准数据要求在时间、角度、光谱等任一参数上与所要预测的高分辨率影像相关。

步骤2的算法原理基于传统的遥感图像融合，传统遥感图像融合处理通常为低空间分辨率的多光谱图像和高空间分辨率的全色波段图像的融合，常见的有基于IHS变换的融合方法、基于主成份变换融合方法以及基于小波变换等。本发明在已有定义基础上进行了扩展，引入一种基于贝叶斯估计的图像融合算法。提出基于“时-空-谱-角”的遥感融合体系架构，利用该架构可以满足遥感图像数据在时间、空间、光谱、角度四个维度的需求。

步骤2的算法实现包括以下两部分内容：其一，利用光谱曲线的尺度不变特性，在相同空间位置下，分析对应的高分辨率图像和低分辨率图像之间像元值的关系，进而构建概率分布模型。其二，利用最大后验概率方法来预测高分辨率图像的后验分布。

例如，以光谱模型为例，在参考图层中，其高分辨率图像的像元个数为                                                

，低分辨率图像的像元个数为

，则二者关系为：

 

  (1)

其中t为二者分辨率的比值，对于具有K个光谱波段的低分辨率图像（时间、角度同理），其图像可以用一维列矢量表示：

 

  (2)

相应的，高分辨率图像可以用如下表示

 

   (3)

而所要融合的高分辨率图像应包含低分辨率图像的光谱信息（或者时间、角度）以及高分辨率图像的分辨率，可表示为：

 

  (4)

一般的，低分辨率图像可以认为有高分辨率图像通过低通滤波和降采样过程得到，该模型如下所示：

 

   (5)

其中H表示低通滤波和降采样过程，v为随机噪声，其均值为0，协方差矩阵为C(v)，与z不相关。因此，y对z的条件概率密度函数可表示为：

 

  (6)

如果随机噪声是空间独立的，则其协方差矩阵为一对角矩阵。

对于预测图像，设其图像中任意一点的的像元值为z，其值可以通过高分辨参考数据的对应像元值转化而来，描述如下：

 

  (7)

其中，f为其光谱特征曲线（或者时间序列变化曲线、二项反射角度变化曲线），X为高分辨率参考图像的像元特征值集。但是，由于预测图像的像元值在高分辨率参考数据可能对应许多像元值。假设在样本足够大的情况下，其值分布遵循高斯分布，可描述为：

 

   (8)

式中矩阵m(x)的均值和方差C(x)可以随x而变化。

同样的，低分辨率的参考图像和低分辨率基准图像也可建立一个对应关系，表达为：

 

   (9)

式中X _low 为从低分辨率参考图像提取的像元特征值集，y为低分辨率基准图像。虽然公式中f未知，但由于光谱曲线的尺度不变特性，因此可以通过g来获得f的近似解。

如果变量x和变量y为独立不相关，则z对于x和y的条件概率密度函数可表达为：

 

   (10)

根据贝叶斯定理，可以假设

是一个不提供信息的先验分布，因此

  (11)

因此，条件概率函数值的最大化可表达为：

   (12)

其中，

为公式(6)，而

为公式(8)。理论上最大值可在公式导数值为0获得，但由于涉及到大量的矩阵运算、计算量巨大。因此，对算法进行简化处理，假设模型为严格的点扩展模型，则其H和对应的C(v)为对角矩阵。

例如，选取一个低分辨率像元A，其参考数据的分辨率比例为4，则该像元A对应16个高分辨率的像元，它们的均值

和方差

都为正态分布。

如果此时不考虑噪声的影响，则公式中的v可以忽略，概率模型可以转化为：

 （13）

式中，这16个像元的条件分布

仅与

的条件概率分布有关，进而与

有关，可以表达如下：

  (14)

则模型最终转化为一个带有约束条件的最优估计问题。

为了解决这个优化问题，算法引入拉格朗日乘子并获得的最优估计最终结果：

  (15)

其中，

表示每一个低分辨率像元所对应的差值。所有值组合成一个同低分辨率图像一样大小的差值图像。由于计算过程中假设将采样过程为严格的的点扩展函数，为了避免此假设产生的计算误差，B图像在计算过程会通过立方插值为高分辨率图像。

步骤3通过本发明的预测结构可以进行模型的构建和精度评价，在本例数据，图2，3所示为预测结果数据和实际数据的对比。通过主观目视观测进行分析可知，在对于不同时间节点的预测结果，本发明可以发现植被在不同季节中的变化情况，本例中的参考数据为7月份数据，图中可见植被（红色区域）在山区，尤其是山顶区域多有覆盖。而所预测的遥感数据年份为1月份，其山顶数据的部分植被由于季节变化导致枯萎进而在影像上消失。

本系统是一套基于ArcGIS10开发的扩展插件。系统可实现：遥感数据的读取；时间、空间、光谱以及角度的标签设定；时空预测模型、多光谱预测模型、多角度预测模型的统一构建；遥感数据的预测输出以及显示。如图4所示，本发明的实施例提供了一种可计算“时-空-谱-角”的遥感影像融合系统。 

Claims (11)

1.一种基于“时-空-谱-角”一体化遥感影像融合方法，其特征在于，所述建模方法包括步骤：

步骤1：收集遥感卫星拍摄的原始数据并加以分类和选取，随后对原始数据进行遥感影像的预处理，最终形成所需的数据集；

步骤2：在步骤1处理的数据中，选取一组数据作为模型参考数据，研究其影像反射率的相关性，用以构建融合模型，所谓的参考数据指的是同一地区的两幅遥感影像，即一高空间分辨率影像和一低空间分辨率影像；

步骤3：在步骤1处理的数据中，另选取一低分辨率影像作为预测的基准数据，使用步骤2所建立图像融合模型进行预测，实现低分辨率反射率产品在高分辨率尺度上的扩展。

2.如权利1所述的遥感影像融合方法，其特征在于，在步骤1中的数据选取和分类标准采用传感器的拍摄周期、空间分辨率、拍摄角度、波段组合四个指标。

3.如权利1所述的遥感影像融合方法，其特征在于，在步骤1中的遥感影像预处理，包括大气辐射校正、去云、几何配准。

4.如权利1所述的遥感影像融合方法，其特征在于，在步骤2中的模型构建过程是基于“时-空-谱-角”的一体化思路，通过归纳遥感影像数据融合的耦合关系，采用一套统一的处理流程。

5..如权利4所述的一体化建模思路，该处理流程可描述为：在数据输入方面，包括至少一套参照数据以及一幅基准数据，在建模方面，引入一种基于贝叶斯估计的图像融合算法。

6.如权利5所述的的输入数据，其特征在于，参考数据皆为一高空间分辨率图像和一低空间分辨率图像的组合，此外，对于时空融合而言，参照数据要求为同一时间，对于多角度融合而言，参照数据的传感器要求为同一拍摄角度，对于多光谱而言，参照数据要求为相同或相近的光谱。

7.如权利5所述的的输入数据，其特征在于，基准数据为一幅低分辨率影像，但其在时间、角度、光谱三个指标中，需有任一指标的分辨率高于高空间分辨率参考数据，以满足数据互补的需要。

8.如权利5所述的遥感影像融合模型，其特征在于，算法包括以下两部分内容：其一，利用光谱曲线的尺度不变特性，在相同空间位置下，分析对应的高分辨率图像和低分辨率图像之间像元值的关系，构建概率分布模型。

9.其二，利用最大后验概率方法来预测高分辨率图像的后验分布。

10.一种基于“时-空-谱-角”一体化遥感影像融合系统，其特征在于，所述系统包括：

数据输入模块，用于输入参考数据和基准数据，数据类型可以是不同时间、不同光谱、不同拍摄角度；

参数设定模块，用于设定融合模型的参数，包括取值范围、移动窗口大小、采样比例；

融合模型建模模块，通过比较反射率的相关性，挖掘参考数据的光谱和空间信息，建立数据之间的映射模型；

融合模型预测模块，根据模型和输入的基准数据，进行高分辨率遥感影像的预测。

11.如权利10所述的基于“时-空-谱-角”一体化遥感影像融合系统，其特征在于，所述系统基于ArcGIS地理信息系统软件编写，直接处理原始地理空间数据，不需经过地理数据与传统数据间的相互转化。

Images