CN103488968A - 遥感图像的混合像素物质构成精细化分解装置及方法 - Google Patents

Abstract

本发明提供一种能够实现像素分解结果的空间相关性以及减少孤立分解所造成的噪声问题的遥感图像的混合像素物质构成精细化分解装置及方法。本发明的遥感图像的混合像素物质构成精细化分解方法，包括：接收步骤，接收上述遥感图像和该图像对应的光谱信息；预处理步骤，根据所接收的遥感图像和光谱信息，初步确定上述图像的各像素中每个地物类别所占组成比例的概率值，来作为第一物质构成信息；以及邻域相关性计算步骤，利用每个像素所邻接的规定范围内的相邻区域中存在的各个像素的第一物质构成信息，对本像素进行与相邻区域的相关性分析，利用相关性分析的结果，优化本像素的第一物质构成信息，从而得到第二物质构成信息。

Description

遥感图像的混合像素物质构成精细化分解装置及方法

技术领域

本发明涉及一种远程图像处理技术，特别是涉及一种对遥感图像进行分析与处理的遥感图像的混合像素物质构成精细化分解装置及混合像素物质构成精细化分解方法。

背景技术

遥感技术自上世纪60年代兴起发展到现在，成为一个涉及现代物理学、空间科学、计算机技术、数学方法和地球科学理论的综合技术领域，在研究地球表面资源环境方面起到越来越重要的作用。

随着成像技术的进步，多波段遥感图像在各个领域的应用越来越广泛。由于成像传感器的光学特性、物理特性以及所观测地表的复杂性，所获得的遥感图像中的一个像素往往包含着多种地物类型，被称为混合像素。为了提高地物分析的精度，需要根据地物的光谱特性从混合像素中提取各类别地物所占的组成比例。

目前，这种从混合像素中提取各类别地物所占的组成比例的混合像素分解方法主要是分析单个像素的光谱混合模型，按不同的混合方式逐像素进行分解。例如，在专利文献1(CN 101221243A)中公开了一种基于非负矩阵因式分解的遥感图像混合像素分解方法，在专利文献2(CN102054273A)中公开了一种基于单形体三角分解的高光谱遥感图像混合像素分解方法。其中，在专利文献1和专利文献2中，具体来说，将单个混合像素视作多个端元光谱线性混合，在端元提取之后，通过非负矩阵因式分解迭代计算的方法或三角形分解方法求得混合像素的各类别组成成分，这里，端元是指影像中出现的各类纯净物质。在影像上表现为只具有单一物质的纯净像元。端元向量是指某类纯净物质对应在多维光谱空间中的光谱向量。在选取端元向量时，每类物质只选取一个纯净像元。

此外，在专利文献3(CN 101221662A)中公开了一种基于自组织映射神经网络的遥感图像混合像素分解方法，同样是将光谱混合方式视为线性，将自组织映射神经网络和模糊理论中的模糊隶属度相结合，来计算分解后的组分信息。其中，在专利文献3中，首先对自组织映射神经网络进行监督的训练，然后基于模糊模型对混合像素进行分解。

此外，在非专利文献1(贾森，《非监督的高光谱图像解混技术研究》，浙江大学计算机学院博士学位论文)中公开了如下分解混合像素的方法，即，在端元信息完全未知的情况下，根据光谱混合模型以及混合像素中端元的非负性等约束条件，利用非监督信号处理(如独立分量分析(Independent components analysis：ICA)方法直接从遥感图像中提取端元光谱及其组分信息。该研究将马尔可夫随机场(Markov Random Field，MRF)和ICA结合，在以非监督方式进行信号分离的同时考虑信号在空间上的连续性，以得到比快速ICA更好的解混效果。但是由于非监督ICA解混的前提条件是信号完全独立，数据统计特性稳定，该条件在处理多波段的遥感图像时很难满足，因此该方法不适于遥感图像混合像素分解。

在以上的现有技术中，涉及到的分解模型都能够对单个的混合像素进行独立的分解。但是，由于图像中的景观的连续性等，在图像中的各个像素之间并不是完全独立的。因此，有时出现相邻像素的分解结果之间存在矛盾等、分解结果在空间上下文无关所引起的问题。

并且，在现有技术中，对不同地物类别的边界处的像素的分解无法体现地物类别的相关性，分解结果不够合理，而且存在噪声。特别是，在分解结果中会出现孤立分解，即某一像素分解出的某类别在其局部区域其他像素中均不存在，或是出现在该区域不合理。

发明内容

本发明就是为了解决上述技术问题而完成的，本发明的目的在于提供一种能够实现像素分解结果的空间相关性以及减少孤立分解所造成的噪声问题的遥感图像的混合像素物质构成精细化分解装置及混合像素物质构成精细化分解方法。

本发明的技术方案中，基于在多尺度空间中分析邻域相关关系，利用邻域范围内的相关像素中的各个地物类别所占组成比例，来优化对本像素中的地物类别所占组成比例的分解结果，从而在亚像素的层次更加精细地分解像素中的地物成分，得到更加准确的地物信息。

本发明是一种遥感图像的混合像素物质构成精细化分解方法，利用不同地物的光谱反射特性，将混合多种地物的像素分解为各类地物的成分，其特征在于，包括：接收步骤，接收上述遥感图像和该图像对应的光谱信息；预处理步骤，根据所接收的遥感图像和光谱信息，初步确定上述图像的各像素中每个地物类别所占组成比例的概率值，来作为第一物质构成信息；以及邻域相关性计算步骤，利用每个像素所邻接的规定范围内的相邻区域中存在的各个像素的第一物质构成信息，对本像素进行与相邻区域的相关性分析，利用相关性分析的结果，优化本像素的第一物质构成信息，从而得到第二物质构成信息。

根据本发明，能够利用规定范围内的相邻像素内的地物构成，优化本像素的地物构成，从而使得像素分解结果存在空间相关性，并且能够减少了噪声。

此外，本发明也可以是，在上述预处理步骤中，对待分解图像进行预处理，针对上述待分解图像对应实地区域中存在的每个地物类别，提取训练样本，利用所提取的训练样本的统计值，计算各个像素中每个地物类别所占组成比例的概率值，来作为上述第一物质构成信息。

此外，本发明也可以是，在上述预处理步骤中，对待分解图像进行预处理，根据地物类别在各波段表现的光谱响应，提取每个地物类别的端元向量，利用光谱混合分解方式，确定各个像素中每个地物类别所占组成比例的概率值，来作为上述第一物质构成信息。

此外，本发明也可以是，每个像素的相邻区域是二维平面上的相邻区域。

此外，本发明也可以是，每个像素的相邻区域是三维空间上的相邻区域，在上述邻域相关性计算步骤中，在二维空间对作为分析对象的像素进行与邻域的相关性分析，并将作为分析对象的像素作为父像素，依据图像的分辨率和相关性分析结果，使像素分解时使用到的邻域范围大小具有一定的伸缩性，将具有该伸缩性的新的邻域范围作为第三维上存在的上一层区域，将父像素的第二物质构成信息作为该上一层区域中的对应像素的第一物质构成信息，再次进行相关性分析，由此实现多维空间上的相关性分析。

根据本发明，利用金字塔构造，逐层优化上一层的分析结果，能够得到更加精确的地物构成。

此外，本发明也可以是，在上述邻域相关性计算步骤中，利用多尺度影像金字塔的方式，确定邻域范围的伸缩性。

此外，本发明也可以是，在上述邻域相关性计算步骤中，在进行相关性分析时，通过迭代进行多次邻域计算，逐步优化图像范围的第一物质构成信息，来得到第二物质构成信息。

此外，本发明也可以是，在上述邻域相关性计算步骤中，利用马尔可夫随机场，进行本像素与邻域像素的相关性分析。

此外，本发明也可以是，在上述邻域相关性计算步骤中，将邻域范围设置为8像素邻域范围。

此外，本发明也可以是一种遥感图像的混合像素物质构成精细化分解装置，利用不同地物的光谱反射特性，将混合多种地物的像素分解为各类地物的成分，其特征在于，具有：接收单元，接收上述遥感图像和该图像对应的光谱信息；预处理单元，根据所接收的遥感图像和光谱信息，初步确定上述图像的各像素中每个地物类别所占组成比例的概率值，来作为第一物质构成信息；以及邻域相关性计算单元，利用每个像素所邻接的规定范围内的相邻区域中存在的各个像素的第一物质构成信息，对本像素进行与相邻区域的相关性分析，利用相关性分析的结果，优化本像素的第一物质构成信息，从而得到第二物质构成信息。

发明效果：

根据本发明，通过对混合像素进行初始分解之后，再通过邻域像素相关性的分析，对分解的结果进行修正，由此得到更加准确的地物信息。

并且，通过生成多尺度图像，能解决用高阶MRF描述较大邻域范围时带来的计算困难的问题。

并且，在对每个像素初始分解的基础上加以考虑周围邻域像素的类别的影响，能够提高像素分解精度，能够降低孤立分解造成的噪声。

此外，本发明提出的遥感图像像素分解精化的方法，基于邻域相关思想，该方法将基于单个像素的光谱特征的分解结果附加考虑了邻域其他像素的类别信息。对于不同的初始值输入，可以利用局部邻域相关性分析模型重新修正得到新的分解值，进一步提高分解的精度。

附图说明

图1是本发明的混合像素物质构成精细化分解装置所进行的基于邻域相关性分析的遥感图像混合像素分解的示意图。

图2是本发明涉及的混合像素物质构成精细化分解装置的结构框图。

图3是本发明涉及的混合像素物质构成精细化分解方法的流程图。

图4是本发明的第二实施方式涉及的混合像素物质构成精细化分解方法的流程图。

图5是本发明的第二实施方式涉及的混合像素物质构成精细化分解方法的另一流程图。

图6是实施例1涉及的实例数据原图的伪彩色显示的示意图。

图7(a)、图7(b)、图7(c)是实施例2涉及的传统像素分解结果的示意图。

图8(a)、图8(b)、图8(c)是基于本发明的邻域相关性分析的像素分解结果的示意图。

图9(a)、图9(b)、图9(c)是沙地类别下传统像素分解结果和邻域相关性分解结果之间的详细对比图。

具体实施方式

下面结合附图对本发明的优选实施方式进行说明。

(第一实施方式)

图1是本发明的混合像素物质构成精细化分解装置所进行的基于邻域相关性分析的遥感图像混合像素分解的示意图。如图1所示，本发明涉及的混合像素物质构成精细化分解装置被输入由多个像素构成多尺度影像，并对所输入的多尺度影像进行基于3×3像素范围内的邻域的分解，从而输出各个像素中如“水体”、“植被”、“土壤”等各像素物质所在比例等分解结果。

图2是本发明涉及的混合像素物质构成精细化分解装置的结构框图。

如图2所示，混合像素物质构成精细化分解装置包括预处理模块10、初始化模块20以及修正模块30。

其中，预处理模块10接收来自外部的原始影像，并能够对原始影像进行现有技术中的初步处理，例如对遥感图像进行辐射定标、大气校正、几何预处理等，来去除图像成像过程中非地物光谱混合的误差。

也可以使用最小噪声分离算法(Minimum Noise Fraction，MNF)减弱噪声，同时将遥感数据进行降维，减少冗余信息。在变换后的成分中选取噪音较少，且包含90%以上主要信息的成分作为后面处理的输入。可以有效减少后续处理的数据量。对于待处理的数据为高光谱图像时，MNF发挥的作用更大。

这些初步处理的过程并不是必需的，可以根据对影像的不同要求等级进行选择，并且，也可以采用现有的各种初步处理方法，因此，省略详细的说明。

初始化模块20收到经过初步处理之后的影像之后，确定影像中待分解物质类别数目或端元种类，并且，根据所确定的影像和其中的光谱信息，初步确定各像素中每个地物类别所占组成比例的概率值。

其中，物质类别数目或端元种类的确定可以通过人工辅助确定来直接加入输入，或者直接采用根据历史记录等得出的的默认值，或者根据图像覆盖区域的实际地物分布，确定主要包含的地物的种类作为待分解出的类别数目。这些参数即可以预先保存在初始化模块20中，也可以在使用时从外部输入。

此外，初始化模块20可以采用统计学中的采样方法或者其他现有的物质构成分解方法来初步确定各像素中每个地物类别所占组成比例的概率值，作为初始物质构成信息，这里的初始物质构成信息相当于权利要求书中的“第一物质构成信息”。

在采用统计学中的采样方法时，例如，在原始图像上，根据像素光谱特征提取C个类别的初始训练样本或端元向量。该步骤视初始化的方法不同而不同，若以模糊分类方式进行初始化，需要选取各类初始训练样本区域并计算各类样本的均值与协方差，为最大似然法计算初始概率提供参数。若以光谱混合分解的方式进行初始化，则需要提取出各类的端元向量，以便进行初级线性光谱分解。以下，作为例子，分别说明最大似然法和线性光谱分解这两种方法。

1)最大似然法

最大似然法假设每个波段中的各类训练数据都呈正态(高斯)分布，直方图具有两个或n个波峰的单波段训练数据并不理想。根据训练样本数据的多维光谱特征值，计算概率密度函数。

以最大似然法方式进行初始化时，需要选取各类训练样本。训练样本同样也是指各个类别物质的相对较纯的像元。与端元不同的是，每类物质端元只选一个“最纯净”像元。而训练样本选取的是若干像元的集合，集合中的各像元没有“最纯净”的概念，只被认为是“全部像元相对纯净，以此类物质为主”。

对于单波段图像的训练数据，可以用正态概率密度函数来表达其直方图分布，则第ω_i类的估计概率函数用如下方程计算：

对于多个波段的训练数据

$p\left(X\right|{\mathrm{\ω}}_i)=2{\mathrm{\π}}^{-N/2}{\mathrm{\Σ}}^{-1/2}\exp \{-\frac{1}{2}{(X-M)}^T{\mathrm{\Σ}}^{-1}(X-M)\}$

假设有m类，若未知向量X来自第ω_i类，此时最大似然法判别规则

变为

X ∈ω_i，当且仅当：

p(X|ω_i)·p(ω_i)≥p(X|ω_j)·p(ω_j)

当没有先验概率信息p(ω_i)时，可以假定每一类在场景中出现的概率相等。将求得的类别概率进行归一化，作为各个类别的组成成分百分比。

2)线性光谱分解

基于光谱混合模型的分解是对高光谱数据尤为适用的一类分解方法。在通常划分的五类光谱混合模型中，线性模型在大多数应用领域的可行性和适用性是较高的。该模型假设图像中的每个像素都为各个端元像素通过线性混合得到。设X为多通道遥感图像中的单一像素多光谱矢量，A为各类纯地物信号(端元)的多光谱或高光谱矢量所组成的反射特性矩阵，S为像素中各类地物所占百分比，N为残差，依此模型有如下关系式：

X=AS+N

若遥感图像有n个波段，其中有m个地物类型，则X为n*1的向量，A为n*m的矩阵，S为m*1的向量，N为n*1的向量，一般有n>m。

以光谱混合分解方式进行初始化时，需要选取端元向量。影像中出现的各类纯净物质称为端元。在影像上表现为只具有单一物质的纯净像元。端元向量即某类纯净物质对应在多维光谱空间中的光谱向量。在选取端元向量时，每类物质只选取一个纯净像元。

同时像素分解中S应满足两个约束：

(1)混合像素中各成分s之和为1

(2)各成分分解的比例s应在[0，1]之间。

对应线性混合模型的分解方法即为线性光谱分解。分解方法采用最小二乘法来计算各类端元的组成成分。

如果A矩阵满秩，由最小二乘法，可以得到S的估计值：

S＝(A^TA)^-1A^TX

为保证两个约束条件同时满足，通过对上式构造拉格朗日乘数方程:

$J=\frac{1}{2}{(X-\mathrm{AS})}^T(X-\mathrm{AS})+\mathrm{\λ}(S-\mathrm{\α})$

其中α为引入的非负矢量，

并导出如下迭代方程：

S′＝S-(A^TA)^-1λ

λ＝A^T(X-AS′)

迭代求得结果为全局最优估计值。

以上，初始化模块20按照最大似然法或线性光谱分解等方法，根据所确定的影像和其中的光谱信息，初步确定各像素中每个地物类别所占组成比例的概率值。

修正模块30针对影像中的每个像素，利用该每个像素所邻接的规定范围内的相邻区域中存在的各个像素的、由初始化模块20确定的初始物质构成信息，对该每个像素进行与相邻区域之间的相关性分析，利用相关性分析的结果，优化初始物质构成信息，从而得到优化物质构成信息，这里的优化物质构成信息相当于权利要求书中的“第二物质构成信息”。

关于相关性分析，可以采用马尔可夫随机场(Markov Random Field，MRF)的方法。由于实际地物的分布具有一定的空间相关性，即某一点的地物分布的类别与其周围相邻区域的地物类别相关，而与相邻区域之外的其他区域的地物无关。图像的这一局部相关特性可以利用MRF模型或其他邻域相关性模型来描述。因此，此处引入马尔可夫随机场MRF的方法，进行每个像素与规定范围内的相邻区域之间的相关性分析。其中，规定范围可以根据图像特征或类型任意选取。一般来说，8像素邻域范围具有比较高的参考意义，是优选的。

MRF提供了对上下文相关性的一种方便的、一致的建模方法，其最大优点在于既利用了像素点本身的特征信息，又利用了相邻像素之间的相关信息，因而能很好的描述各种物理现象的空间相关性。图像场的结构一般都可以用有限栅格上的MRF来描述，其中局部像素的相互作用可用低阶邻域系统的MRF模型来描述，而整幅图像可以看作是所有低阶MRF模型的组合；由于MRF和Gibbs分布具有一致性，使得这种组合可以看作是相邻系统的能量函数，因此，一幅图像可以用一组能量函数来表征，对MRF模型的研究就转化为对能量函数的研究。

假设随机场X={X1，，…，XB}是定义在空间二维位置集S={1，2，…，B)上的一簇随机变量，B表示图像中像素的个数。像素值xs(s∈S)是随机变量Xs(s∈S)的一个实现，s为图像中任意一点。

图像中的一个邻域系统N={Ns，s∈S}需要满足以下三个条件：

(1)．N是由S中的子集所组成的集合

(2)．S不属于Ns，即任何一点都不属于自己的邻域

(3)．r∈Ns等价于s∈Nr，即邻域关系是对称的

其中Ns是s的邻域。

图像中的像素是通过邻域系统来建立相互关系的。对于图像边界的像素，可以采取以下方法来凑足其邻域：①将图像周期延拓；②由已知像素点插值获得未知像素点；③未知点简单补零。邻域系统有不同的阶数，在图像模型中可以根据对像素的距离建立一种分阶邻域系统。

x={x1，x2，…，xB)是随机变量簇X={X1，X2，…，XB)的一个实现。所有可能的实现组成一个空间Q，N＝{Ns，s∈S}为定义在S上的邻域系统，若随机场X满足条件：

(1)．P(X=x)>0Vx∈Q

(2)．P(Xs=xs |Xr=xr，r≠s)=P(Xs=xs |Xr=xr，r∈Ns)

我们称x为以N为邻域系统的MRF。

条件2被称为MRF的局部特性。

在数字图像中，一个像素的灰度值仅与其邻域内各像素的灰度值有关，因而可以用MRF来模拟。

假设图像中存在B个待分类的像素，这些像素矢量表示为x={xl，x2，…，xB}，其中B＝(i，j)为通常图像的像素指示方法。进一步，用Ω＝{ω₁，ω₂，…，ω_c}表示B个像素的类别。因为它与对场景中的每个像素进行标号十分类似，称为场景标号。每个ω_c可能为c＝1，2，…，c中的一个。分类的目的是寻找一种图像标号(或最佳估计)，使之与地物真实分布相吻合。令Ω^*表示地物的真实分布。原则上我们要做的就是寻找一个图像标号

也就是所有像素的分解结果，使得后验概率p(Ω/X)达到最大，也就是对于给定的像素矢量X，图像标号Ω全部正确的概率。根据贝叶斯公式，可以将它表示为：

$\widehat{\mathrm{\Ω}}=\arg \max \left\{p\left(X\right|\mathrm{\Ω})p\left(\mathrm{\Ω}\right)\right\}$

其中argmax函数表示选取不同的Ω使该函数的自变量达到最大。p(Ω)为场景标号的先验概率。对上式进行最大化，其涉及的像素在空间上下文上是非独立的，即相邻像素存在一定的相关性，这是因为它们常常属于同一类别。首先考虑像素级的后验概率。对于像素m，我们的目的是寻找类别C，使得

达到最大，其中表示像素m邻域像素的类别标号。我们可以得到：

$p\left({\mathrm{\ω}}_{\mathrm{cm}}\right|x_m,{\mathrm{\ω}}_{\∂m})=\frac{p(x_m,{\mathrm{\ω}}_{\∂m},{\mathrm{\ω}}_{\mathrm{cm}})}{p(x_m,{\mathrm{\ω}}_{\∂m})}$

$\frac{p\left(x_m\right|{\mathrm{\ω}}_{\∂m},{\mathrm{\ω}}_{\mathrm{cm}})p({\mathrm{\ω}}_{\∂m},{\mathrm{\ω}}_{\mathrm{cm}})}{p(x_m,{\mathrm{\ω}}_{\∂m})}$

$=\frac{p\left(x_m\right|{\mathrm{\ω}}_{\∂m},{\mathrm{\ω}}_{\mathrm{cm}})p\left({\mathrm{\ω}}_{\mathrm{cm}}\right|{\mathrm{\ω}}_{\∂m})p\left({\mathrm{\ω}}_{\∂m}\right)}{p(x_m,{\mathrm{\ω}}_{\∂m})}$

等式右侧第一项与条件概率十分类似，但是邻域像素的类别标号也是条件之一。在通常情况下，假设条件概率密度与邻域像素类别标号相互独立，则

$p\left(x_m\right|{\mathrm{\ω}}_{\∂m},{\mathrm{\ω}}_{\mathrm{cm}})p({\mathrm{\ω}}_m,{\mathrm{\ω}}_{\mathrm{cm}}).$

另外注意到中心像素x_m的像素矢量与邻域像素的类别标号也是相互独立，因此 $p(x_m,{\mathrm{\ω}}_{\∂m})=p\left(x_m\right)p\left({\mathrm{\ω}}_{\∂m}\right),$

这样可以得到：

$p\left({\mathrm{\ω}}_{\mathrm{cm}}\right|x_m,{\mathrm{\ω}}_{\∂m})$

$=p\left(x_m\right|{\mathrm{\ω}}_{\mathrm{cm}})p\left({\mathrm{\ω}}_{\mathrm{cm}}\right|{\mathrm{\ω}}_{\∂m})p\left({\mathrm{\ω}}_{\∂m}\right)/p\left(x_m\right)p\left({\mathrm{\ω}}_{\∂m}\right)$

$=p\left(x_m\right|{\mathrm{\ω}}_{\mathrm{cm}})p\left({\mathrm{\ω}}_{\mathrm{cm}}\right|{\mathrm{\ω}}_{\∂m})/p\left(x_m\right)$

由于1/p(x_m)项对像素m属于哪个类别的决策无影响，该项可在表达式中去掉，得到：

$p\left({\mathrm{\ω}}_{\mathrm{cm}}\right|x_m,{\mathrm{\ω}}_{\∂m})\∝p\left(x_m\right|{\mathrm{\ω}}_{\mathrm{cm}})p\left({\mathrm{\ω}}_{\mathrm{cm}}\right|{\mathrm{\ω}}_{\∂m})$

对于

表示在邻域像素被划入现有类别的条件下，像素m属于类别C的概率，本质上它是一个条件先验概率，也就是在有邻域的条件下，中心像素m的类别标号的先验概率。

p(x_m|ω_cm)为类别条件概率，即第C类的地物像素值为x_m的概率，如果各类别视作多元空间中的高斯正态分布，则

$p\left(x_m\right|{\mathrm{\ω}}_{\mathrm{cm}})=2{\mathrm{\π}}^{-N/2}{\mathrm{\Σ}}^{-1/2}\exp \{-\frac{1}{2}{(X-M)}^T{\mathrm{\Σ}}^{-1}(X-M)\}$

MRF提供了关于图像的一种统计描述，这种模型着眼于考虑每个像素点关于其邻近像素点的条件分布，而该条件分布表现为随机场的局部特性，用此局部特性来定义整个场是有一定困难的。当邻域系统的阶数足够大，任何定义在S上的图像数据均可看成是MRF的一个实现，但上述随机场的定义没有明确给出联合概率的具体形式，所以使用起来很不方便。Hammersley-Clifford定理证明了MRF与Gibbs场的对等性，Besag等人建立了MRF与Gibbs场的对应关系，使人们可以利用Gibbs分布式来表征MRF。Gibbs模型的表达形式简洁，能够有效地描述一个质点的局部统计特征和随机场的联合统计特性。

上式的条件先验分布可以用Gibbs分布来表示，即

$p\left({\mathrm{\ω}}_{\mathrm{cm}}\right|{\mathrm{\ω}}_{\∂m})-\frac{1}{Z}\exp \{-U\left({\mathrm{\ω}}_{\mathrm{cm}}\right)\}$

其中U(ω_cm)为能量函数。代入上式后，两边取对数可以得到

$\ln \left\{p\left({\mathrm{\ω}}_{\mathrm{cm}}\right|x_m,{\mathrm{\ω}}_{\∂m})\right\}=\ln \left\{p\left(x_m\right|{\mathrm{\ω}}_{\mathrm{cm}})\right\}+\ln \left\{p\left({\mathrm{\ω}}_{\mathrm{cm}}\right|{\mathrm{\ω}}_{\∂m})\right\}$

$=-\frac{N}{2}\ln \left(2\mathrm{\π}\right)-\frac{1}{2}\ln \left(\mathrm{\Σ}\right)-\frac{1}{2}{(X-M)}^T{\mathrm{\Σ}}^{-1}(X-M)+\ln \left(\frac{1}{Z}\right)$

$-U\left({\mathrm{\ω}}_{\mathrm{cm}}\right)$

当U(ω_cm)最小时，

最大。

若采用一阶邻域，且类别数为2，则邻域模型为Ising模型，此时

$U\left({\mathrm{\ω}}_{\mathrm{cm}}\right)=\underset{\∂m}{\mathrm{\Σ}}\mathrm{\β}[-\mathrm{\δ}({\mathrm{\ω}}_{\mathrm{cm}},{\mathrm{\ω}}_{\∂m})]$

由此，修正模块30将由初始化模块20确定的初始物质构成信息作为先验概率，利用马尔可夫随机场能够得到涉及邻域的相关性而优化后的物质构成信息。

此外，这里修正模块30利用马尔可夫随机场优化物质构成信息，但是本发明并不仅限于此，只要是能够利用像素与周围规定范围内的相邻区域之间的相关性特征来优化在先概率的计算方法，都能够适用于本发明。

此外，这里的预处理模块10相当于混合像素物质构成精细化分解装置中的“接收单元”，初始化模块20相当于混合像素物质构成精细化分解装置中的“预处理单元”以及修正模块30相当于混合像素物质构成精细化分解装置中的“邻域相关性计算单元”。

下面说明进行混合像素物质构成精细化分解的动作流程。

图3是本发明涉及的混合像素物质构成精细化分解方法的流程图。如图3所示，首先，预处理模块10接收影像数据作为原始的图像数据，并对图像数据进行初步的滤噪等处理(步骤S101)。

接着，初始化模块20按照最大似然法或线性光谱分解等方法，根据所确定的影像和其中的光谱信息，初步确定各像素中每个地物类别所占组成比例的概率值，作为初始物质构成信息(步骤S102)。

接收到初始物质构成信息以及图像信息之后的修正模块30，将这些信息作为初始参数，将每个像素的初始物质构成信息和该每个像素所邻接的规定范围内的相邻区域中存在的各个像素的、由初始化模块20确定的初始物质构成信息、以及遥感影像中的坐标信息等图像信息，代入马尔可夫随机场等相关性分析模型中，对每个像素进行与相邻区域之间的相关性分析(步骤S103)，利用相关性分析模型，计算考虑到周边相关性的优化物质构成信息(步骤S104)。并且，分物质类别地输出优化结果。

由此，本发明的混合像素物质构成精细化分解装置能够输出更加精确的地物分布概率值。

(第二实施方式)

在第一实施方式中说明了在一阶邻域内直接参照图像中每个像素的规定范围内的相邻区域内的像素的初始物质构成信息，来优化该每个像素的初始物质构成信息的构成。

在第二实施方式中，与第一实施方式的区别点在于，还利用高斯尺度空间，在三维空间内改变尺度范围来多次进行精细优化分解，从而得到更加精确的物质构成信息。

第二实施方式中的混合像素物质构成精细化分解装置的构成与第一实施方式相同，援用相同的图2的框图和标号，并省略重复的说明。对第二实施方式与第一实施方式不相同的动作进行详细说明。

在本实施方式中，预处理模块10接收来自外部的原始影像，并能够对原始影像进行现有技术中的初步处理，例如对遥感图像进行辐射定标、大气校正、几何预处理等，来去除图像成像过程中非地物光谱混合的误差。

并且，初始化模块20收到经过初步处理之后的影像之后，按照最大似然法或线性光谱分解等方法，根据所确定的影像和其中的光谱信息，初步确定各像素中每个地物类别所占组成比例的概率值。

修正模块30将由初始化模块20确定的初始物质构成信息作为先验概率，利用马尔可夫随机场等相关性分析模型，得到涉及邻域的相关性而优化后的物质构成信息。

其中，关于马尔可夫随机场，采用不同阶数的MRF可以描述不同大小邻域的相关性。因此，在本实施方式中，修正模块30生成高斯尺度空间，利用高斯尺度空间，建立从原始图像引伸出的立体的图像空间。

高斯尺度空间是图像多分辨率分析领域中的概念，跟人类视觉感知景物是由粗略到精细的过程类似，一幅图像可以生成一系列不同分辨率的图像序列，这个序列则构成了尺度空间。高斯卷积核是实现尺度变换的唯一线性核，通过利用高斯核对图像进行卷积可以建立图像的高斯尺度空间。

L(x，y，σ)＝G(x，y，σ)*I(x，y)

其中，I(x，y)表示原图像第x行、第y列像素值，L(x，y，σ)表示生成的高斯空间中尺度系数为σ的影像第x行、第y列像素值。对应尺度σ的高斯卷积核函数是：

$G(x,y,\mathrm{\σ})=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}\exp [-(x^2+y^2)/{2\mathrm{\σ}}^2].$

修正模块30通过生成高斯尺度空间，从而能够利用马尔可夫随机场在高斯尺度空间中的每一层上进行像素与相邻区域之间的相关性分析，来优化该像素的初始物质构成信息。并且，在进行完某一层的相关性分析之后，以该层的分析结果作为下一层分析中的先验概率，即作为下一层的分析中的初始物质构成信息，再次进行相关性分析，来逐层进行相关性分析，层层优化，并且，在下一层的相关性分析，还可以根据上一层的规定范围的选择尺寸来改变本层的范围选择尺寸，使得某个像素的物质构成分解中不但参照平面图像上的周边像素，还参照了空间上的周边像素来优化物质构成信息。

也就是说，在本实施方式中，修正模块30不但能够进行第一实施方式中的相关性分析，还能够将二维空间中分析对象的像素作为父像素，依据图像的分辨率和相关性分析结果，使像素分解时使用到的邻域范围大小具有一定的伸缩性，将具有该伸缩性的新的邻域范围作为第三维上存在的上一层区域，将父像素的第二物质构成信息作为该上一层区域中的对应像素的第一物质构成信息，再次进行相关性分析，由此实现多维空间上的相关性分析。

这里，将修正模块30在每一层选择的规定范围所构成的空间构成称为“金字塔”。

下面分别以最大似然法或线性光谱分解法来详细说明混合像素物质构成精细化分解方法的具体流程。

图4是本发明的第二实施方式涉及的基于最大似然法的混合像素物质构成精细化分解方法的流程图。

首先，如图4所示，预处理模块10接收到影像数据之后，对所接收到的影像数据构成的遥感图像进行辐射定标、大气校正、几何预处理等，去除图像成像过程中非地物光谱混合的误差(步骤S201)。

接着，使用最小噪声分离算法(Minimum Noise Fraction，MNF)减弱噪声，同时将遥感数据进行降维，减少冗余信息(步骤S202)。在变换后的成分中选取噪音较少，且包含90%以上主要信息的成分作为后面处理的输入。通过这些处理可以有效减少后续处理的数据量。对于待处理的数据为高光谱图像时，MNF发挥的作用更大。

接着，确定要图像分解的地物类别C。可以根据图像覆盖区域的实际地物分布，确定主要包含的地物的种类作为待分解出的类别数目。并且，在通过上述处理之后的原始图像上，根据像素光谱特征提取C个类别的初始训练样本。训练样本的提取视初始化的方法不同而不同，若以模糊分类方式进行初始化，需要选取各类初始训练样本区域并计算各类样本的均值与协方差，为最大似然法计算初始概率提供参数(步骤S203)。

接着，修正模块30生成高斯多尺度影像金字塔(步骤S204)。其中，关于尺度范围的确定与高斯尺度空间的生成，具体来说，例如可以以相邻尺度为0.5*0.5倍缩小比例，对原始图像缩小3次即0.125*0.125倍的情况下，分别形成缩小比例不同的四层金字塔，该尺度下缩小后的3*3大小的邻域对应原始图像中24*24个像素大小的邻域。通过将四层缩小比例不能的邻域按照像素范围从小到大的顺序从上到下组合在一起，形成一个正金字塔形空间。一般情况下，在此局部范围内分析像素空间相关性。此外，也可以人工辅助确定缩小的级别。

高斯尺度空间经证明是符合人眼视觉特性的多尺度空间，且高斯核是生成多尺度空间的唯一的线性变换核。对图像用高斯核卷积，得到高斯多尺度空间的图像金字塔。

接着，初始化模块20利用最大似然法计算各像元分属各类别的初始概率(步骤S205)。计算出初始概率之后，像素修正模块30首先在最上层、即像素的最小范围内根据第一实施方式中说明过的方法，计算本层的8邻域像素中的各个地物类别的优化后的组分。这里，由于第一层是最上层而不存在上层父像元，所以像素修正模块30在计算完最上层的优化后组分之后(步骤S206)，迭代计算至稳定或者超出预设迭代次数(步骤S207)，接着，进入步骤S208，判断是否计算完原始影像。这里所谓“原始影像”，是指邻域缩小前的影像，即对应于金字塔最下层的图像。

由于是上方第一层，因此，在步骤S208判断为“否”，动作返回步骤S205，针对高斯空间中的金字塔下一层再次进行组分的优化。

在第二层的计算中，不但考虑本层中的8邻域像素中的基于最大似然法的各地物类别初始概率(步骤S205)，还考虑上一层的优化后的组分，将上一层的邻域作为父像元，也当作本层的邻域进行相关性分析。也就是说，基于本层8邻域像素和第一层的父像元计算相关性，来优化本层的组分，在空间上考虑金字塔中邻域(含上层父像元)像元类别的基础上，逐点计算分属各个类别的新的组分(步骤206)。具体来说，从金字塔第二层开始逐层向下进行以下处理：

(1)在对当前层的图像中的每个像素，基于八个邻域像素及父像素(金字塔上一层中对应相同地理位置的像素称为其父像素)的当前分解的组成成分值，利用MRF模型确定的邻域函数，计算该像素属于各类别的新的修正后的组成成分。邻域函数描述了邻域像素对中心像素所属类别的影响。

(2)对(1)进行迭代计算至稳定或者超出预设迭代次数。判断计算结果是否稳定，在此设置阈值T(如T=0.05)，若图像中所有像素的各类别成分计算前后的变化量都不超过T，则认为此时分解达到稳定的状态，结束迭代计算。为避免由于局部范围无法达到稳定的问题，设置最大迭代次数(步骤S207)。

如上述这样，沿着金字塔逐层分解，最终完成整幅图像的像素分解，在到达最下层的原始影像之后，在步骤S208判断为“是”时，分别输出各类别分解的组成成分结果(步骤S208)。

此外，在图4所示的流程图中，步骤S204的生成高斯多尺度影像金字塔的动作也可以在步骤S205之后进行。

图5是本发明的第二实施方式涉及的基于线性光谱分解法的混合像素物质构成精细化分解方法的流程图。

首先，如图5所示，预处理模块10接收到影像数据之后，对所接收到的影像数据构成的遥感图像进行辐射定标、大气校正、几何预处理等，去除图像成像过程中非地物光谱混合的误差(步骤S301)。

接着，与图4所示流程同样地，使用最小噪声分离算法(Minimum NoiseFraction，MNF)减弱噪声，同时将遥感数据进行降维，减少冗余信息(步骤S302)。

接着，提取出各类地物的端元向量个数C(步骤303)。

接着，修正模块30生成高斯多尺度影像金字塔(步骤S204)。这里，同样地以相邻尺度为0.5*0.5倍缩小比例为例进行说明，设定对原始图像缩小3次，形成由四层图像组成的正金字塔形空间。

接着，初始化模块20利用线性光谱分解法计算各像元分属各类别的初始组分值(步骤S305)，以各类端元的光谱向量为自变量，各像素的实际光谱向量为因变量，求各类端元组成的丰度矩阵。计算出初始组分值之后，修正模块30如图4中说明过的那样，在首层计算8邻域像素中优化后组分，同样地经过迭代处理等确定优化后的组分之后，在步骤S308中判断为“否”时，返回步骤S305，进行金字塔下一层的组分优化。

在第二层的计算中，不但考虑本层中的8邻域像素中的基于线性光谱分解法的各地物类别初始概率(步骤S305)，还考虑上一层的优化后的组分，将上一层的邻域作为父像元，也当作本层的邻域进行相关性分析。也就是说，基于本层8邻域像素和第一层的父像元计算相关性，来优化本层的组分，在空间上考虑金字塔中邻域(含上层父像元)像元类别的基础上，逐点计算分属各个类别的新的组分(步骤306)。具体来说，从金字塔第二层开始逐层向下进行以下处理：

(1)在对当前层的图像中的每个像素，基于八个邻域像素及父像素(金字塔上一层中对应相同地理位置的像素称为其父像素)的当前分解的组成成分值，利用MRF模型确定的邻域函数，计算该像素属于各类别的新的修正后的组成成分。邻域函数描述了邻域像素对中心像素所属类别的影响。

(2)对(1)进行迭代计算至稳定或者超出预设迭代次数。判断计算结果是否稳定，在此设置阈值T(如T=0.05)，若图像中所有像素的各类别成分计算前后的变化量都不超过T，则认为此时分解达到稳定的状态，结束迭代计算。为避免由于局部范围无法达到稳定的问题，设置最大迭代次数(步骤S307)。

如上述这样，沿着金字塔逐层分解，最终完成整幅图像的像素分解，在到达最下层的原始影像之后，在步骤S308判断为“是”时，分别输出各类别分解的组成成分结果(步骤S308)。

由此，通过利用高斯多尺度影像金字塔和有限次数迭代，能够更加精准地计算图像中各个地物所在比例。

此外，在图5所示的流程图中，步骤S304的生成高斯多尺度影像金字塔的动作也可以在步骤S305之后进行。

下面说明利用本发明进行的具体试验以及与现有技术之间的结果对比。

实施例1：

数据源采用EO-1星载高光谱成像光谱仪Hyperion于2004年6月在中国甘肃拍摄的高光谱图像。光谱区间为400-2500nm，共有242个波段，分辨率为30m。实验所用图像大小为256*768，图6显示了该数据的伪彩色图。该地区地物主要为草地、水面、裸露沙地、不透水覆盖层等。

利用本发明的混合像素物质构成精细化分解装置执行如下各个步骤。

步骤1：预处理模块10进行低质量波段剔除，使用其中176个质量较好波段，进行坏线条带修复，MNF去噪降维。

步骤2：经调查确认该区域地物类别为6种(草地、水面、裸露沙地、居民建筑以及云层及云层阴影)，从而从外部将确定结果输入分解装置。

步骤3：初始化模块20在原始图像分别在每个类型所属区域中选取训练样本区域，不同类的训练样本区域可以大小不同，但是包含像素数要大于波段数目。

步骤4：修正模块30生成2层的多尺度图像金字塔。

步骤5：初始化模块20首先在金字塔第一层图像中用最大似然法求每个像素属于各类别的初始概率。对于同一个像素，求得的各类别概率进行比较，去除比例过小的类别，即若最大概率与最小概率之比大于10000，则将最小概率赋值为0。

步骤6：修正模块30以处理后的像素属于各类别的初始概率值为输入进行邻域迭代分解。对于图像边界点的邻域，按最近邻像素值进行扩展，此时父像素值视为0。分解稳定阈值设为0.05，最大迭代次数设为50。

步骤7：对金字塔的第二层图像进行如上所述的处理。同样先进行最大似然法初始值求取。扩充最大似然法初始概率结果的边界值，并且以第一层的分解结果作为第二层图像邻域相关分解计算时的父像素的来源，同样方法进行第二层的迭代计算，直至计算结果稳定或超出迭代次数阈值50。

对于真实遥感数据，由于缺少作为参考标准的地物分布数据，通过与高分辨率图像分类结果作对比加以验证。该结果与高分辨率图像识别结果匹配较好，精度比一般分类方法得到了提高。

实施例2：

在实施例2中使用与实施例1中的数据相同的数据，因此省略详细说明。

利用本发明的混合像素物质构成精细化分解装置执行如下各个步骤。

步骤1和步骤2与实施例1相同。

步骤3：初始化模块20提取各类别端元向量。

步骤4：修正模块30生成2层的多尺度图像金字塔。

步骤5：初始化模块20首先在金字塔第一层图像中逐像素进行线性光谱分解。并进行邻域相关分解，迭代计算。

步骤6：对金字塔的第二层图像进行处理。同样先进行线性光谱分解求取初始值。扩充初始结果的边界值，并且以第一层的分解结果作为第二层图像邻域相关分解计算时的父像素的来源，同样方法进行第二层的迭代计算，直至计算结果稳定或超出迭代次数阈值50。

实施例2的初始分解结果如图7所示，其中，图7(a)示出了水面，图7(b)示出了草地，图7(c)示出了裸露沙地。

另一方面，经过本发明的混合像素物质构成精细化分解装置优化后的各地物类别最终分解结果如图8所示。其中，图8(a)示出了水面，图8(b)示出了草地，图8(c)示出了裸露沙地。

分解结果值域为[0-1]，显示图像被拉伸至0-255，地物成分百分比越大，则像素值越亮。初始分解结果中同类别内的像素被分解出其他类的成分，这是由于线性分解算法只适应于理想的线性混合模型，而实际混合像素本身混合类别及受周围因素的影响，光谱特征发生变化。在经过本发明的分解装置优化之后，类别内部的像素分解结果中该类的成分有提升，在边界过渡区的像素仍保持混合状态。

图9是是沙地类别下传统像素分解结果和领域相关性分解结果之间的详细对比图。其中，图9(a)示出了原始影像及其局部放大图，图9(b)示出了传统分解方法处理结果下的图像及其局部放大图，图9(c)示出了经由本发明的邻域相关性分解结果下的图像及其局部放大图。

在图9的情况下，对于孤立分解像素，表1和表2是从处理结果中提取出的局部区域的沙地的分解值。具体来说，表1是未经邻域相关计算优化的分解结果，表2是经过邻域相关计算优化的结果。通过对比表1和表2可知，通过本发明的处理，孤立分解像素的成分得到了有效抑制。

表1：

0	0	0	0	0
					0	0	0.26	0	0
0	0	0	0.26	0
					0.25	0	0	0	0
0	0	0.26	0	0

表2：

0	0	0	0	0
					0	0	0.003	0	0
0	0	0	0.003	0
					0	0	0	0	0
0	0	0.03	0	0

对于边缘过渡区像素，表3是未经邻域相关计算优化的分解结果，表4是经过邻域相关计算优化的分解结果。通过对比表3和表4可知，表3中边缘像素存在的过度分解情况在表4中经过邻域相关计算优化后得到较好的平衡。

表3：

0	0	0	0	0
					0.74	1	0	0	0
0.22	0.30	0.59	0	0
					0.18	0.24	0.28	0.55	0
0	0	0.11	0.20	1

表4：

0.26	0.25	0	0	0
					0.29	0.28	0.25	0	0
0.42	0.36	0.22	0	0
					0.17	0.21	0.22	0.19	0
0	0	0.12	0.24	0.20

根据以上的实施例中的试验，可以看出本发明相对于现有技术，能够得到更加准确的地物信息，并且能够提高像素分解精度，能够降低孤立分解造成的噪声。

因此，本发明能够适用于需要对遥感影像中的地物情况进行分析的各个领域中。

Claims (18)

1.一种遥感图像的混合像素物质构成精细化分解装置，利用不同地物的光谱反射特性，将混合多种地物的像素分解为各类地物的成分，其特征在于，具有：

接收单元，接收上述遥感图像和该图像对应的光谱信息；

预处理单元，根据所接收的遥感图像和光谱信息，初步确定上述图像的各像素中每个地物类别所占组成比例的概率值，来作为第一物质构成信息；以及

邻域相关性计算单元，利用每个像素所邻接的规定范围内的相邻区域中存在的各个像素的第一物质构成信息，对本像素进行与相邻区域的相关性分析，利用相关性分析的结果，优化本像素的第一物质构成信息，从而得到第二物质构成信息。

2.如权利要求1所述的混合像素物质构成精细化分解装置，其特征在于，

上述预处理单元对待分解图像进行预处理，针对上述待分解图像对应实地区域中存在的每个地物类别，提取训练样本，利用所提取的训练样本的统计值，计算各个像素中每个地物类别所占组成比例的概率值，来作为上述第一物质构成信息。

3.如权利要求1所述的混合像素物质构成精细化分解装置，其特征在于，

上述预处理单元对待分解图像进行预处理，根据地物类别在各波段表现的光谱响应，提取每个地物类别的端元向量，利用光谱混合分解方式，确定各个像素中每个地物类别所占组成比例的概率值，来作为上述第一物质构成信息。

4.如权利要求1所述的混合像素物质构成精细化分解装置，其特征在于，

每个像素的相邻区域是二维平面上的相邻区域。

5.如权利要求1所述的混合像素物质构成精细化分解装置，其特征在于，

每个像素的相邻区域是三维空间上的相邻区域，

上述邻域相关性计算单元在二维空间对作为分析对象的像素进行与邻域的相关性分析，并将作为分析对象的像素作为父像素，依据图像的分辨率和相关性分析结果，使像素分解时使用到的邻域范围大小具有一定的伸缩性，将具有该伸缩性的新的邻域范围作为第三维上存在的上一层区域，将父像素的第二物质构成信息作为该上一层区域中的对应像素的第一物质构成信息，再次进行相关性分析，由此实现多维空间上的相关性分析。

6.如权利要求5所述的混合像素物质构成精细化分解装置，其特征在于，

上述邻域相关性计算单元利用多尺度影像金字塔的方式，确定邻域范围的伸缩性。

7.如权利要求1所述的混合像素物质构成精细化分解装置，其特征在于，

上述邻域相关性计算单元在进行相关性分析时，通过迭代进行多次邻域计算，逐步优化图像范围的第一物质构成信息，来得到第二物质构成信息。

8.如权利要求1所述的混合像素物质构成精细化分解装置，其特征在于，

上述邻域相关性计算单元利用马尔可夫随机场，进行本像素与邻域像素的相关性分析。

9.根据权利要求1所述的混合像素物质构成精细化分解装置，其特征在于：

上述邻域相关性计算单元将邻域范围设置为8像素邻域范围。

10.一种遥感图像的混合像素物质构成精细化分解方法，利用不同地物的光谱反射特性，将混合多种地物的像素分解为各类地物的成分，其特征在于，包括：

接收步骤，接收上述遥感图像和该图像对应的光谱信息；

预处理步骤，根据所接收的遥感图像和光谱信息，初步确定上述图像的各像素中每个地物类别所占组成比例的概率值，来作为第一物质构成信息；以及

邻域相关性计算步骤，利用每个像素所邻接的规定范围内的相邻区域中存在的各个像素的第一物质构成信息，对本像素进行与相邻区域的相关性分析，利用相关性分析的结果，优化本像素的第一物质构成信息，从而得到第二物质构成信息。

11.如权利要求10所述的混合像素物质构成精细化分解方法，其特征在于，

在上述预处理步骤中，对待分解图像进行预处理，针对上述待分解图像对应实地区域中存在的每个地物类别，提取训练样本，利用所提取的训练样本的统计值，计算各个像素中每个地物类别所占组成比例的概率值，来作为上述第一物质构成信息。

12.如权利要求10所述的混合像素物质构成精细化分解方法，其特征在于，

在上述预处理步骤中，对待分解图像进行预处理，根据地物类别在各波段表现的光谱响应，提取每个地物类别的端元向量，利用光谱混合分解方式，确定各个像素中每个地物类别所占组成比例的概率值，来作为上述第一物质构成信息。

13.如权利要求10所述的混合像素物质构成精细化分解方法，其特征在于，

每个像素的相邻区域是二维平面上的相邻区域。

14.如权利要求10所述的混合像素物质构成精细化分解方法，其特征在于，

每个像素的相邻区域是三维空间上的相邻区域，

在上述邻域相关性计算步骤中，在二维空间对作为分析对象的像素进行与邻域的相关性分析，并将作为分析对象的像素作为父像素，依据图像的分辨率和相关性分析结果，使像素分解时使用到的邻域范围大小具有一定的伸缩性，将具有该伸缩性的新的邻域范围作为第三维上存在的上一层区域，将父像素的第二物质构成信息作为该上一层区域中的对应像素的第一物质构成信息，再次进行相关性分析，由此实现多维空间上的相关性分析。

15.如权利要求14所述的混合像素物质构成精细化分解方法，其特征在于，

在上述邻域相关性计算步骤中，利用多尺度影像金字塔的方式，确定邻域范围的伸缩性。

16.如权利要求10所述的混合像素物质构成精细化分解方法，其特征在于，

在上述邻域相关性计算步骤中，在进行相关性分析时，通过迭代进行多次邻域计算，逐步优化图像范围的第一物质构成信息，来得到第二物质构成信息。

17.如权利要求10所述的混合像素物质构成精细化分解方法，其特征在于，

在上述邻域相关性计算步骤中，利用马尔可夫随机场，进行本像素与邻域像素的相关性分析。

18.根据权利要求10所述的混合像素物质构成精细化分解方法，其特征在于：

在上述邻域相关性计算步骤中，将邻域范围设置为8像素邻域范围。

Images