CN103793917B - 一种结合两种插值算法的遥感图像亚像元定位方法 - Google Patents

Abstract

本发明属于遥感信息处理技术领域，特别涉及一种结合两种插值算法的遥感图像亚像元定位方法。本发明包括：将一幅大小为m×n的低分辨图像中的像素隔行隔列地嵌入到大小为2m×2n的高分辨率图像中，其中未知的像素点为待插值点；获取待插值像素点x；利用光谱解混技术得到各地物类别所占的比例，按照预先设定的比例因子S将低分辨率图像中的每一个像元分割成S²个亚像元，进行遥感图像亚像元定位。本发明的方法无需迭代，无需训练样本，效率更高、速度更快、精度更高。

Description

一种结合两种插值算法的遥感图像亚像元定位方法

技术领域

本发明属于遥感信息处理技术领域，特别涉及一种结合两种插值算法的遥感图像亚像元定位方法。

背景技术

由于遥感图像数据在获取过程中受传感器和环境参数等因素影响，使得混合像元成为遥感图像所固有的特征。混合像元的存在，为获取地物分布信息带来了极大的困难。光谱解混技术虽然获得了混合像元中各类地物类别所占的比例(即分量图)，却无法预测出各地物类别具体的空间分布情况。亚像元定位技术正是为了解决上述问题而发展起来的。将混合像元按所需放大比例分割为多个面积更小的亚像元，并根据光谱解混技术所得到的低分辨率分量图确定每个亚像元对应的地物类别，从而得到亚像元级别下的地物分类图。

近年来，亚像元定位技术已成为国内外研究的热点之一。Mertens利用空间引力模型，计算混合像元内各亚像元所受到的空间引力的大小，并以混合像元内各亚像元受到的空间引力的大小为指示判决信息，来确定各亚像元所属的类别。该方法可以得到较好的实验结果，但却只利用了混合像元周围邻域像元的分量值信息，而忽略了其自身地物分布的结构信息。

Tatem采用Hopfield神经网络（HNN）模型作为能量工具，将每个亚像元当作一个神经元，以各混合像元的分量值为约束条件，对输出的神经元采用约束能量最小的原则进行求解。但该方法却需要较长的迭代求解时间。Ling等将多幅具有亚像元级别的位移图像的解混分量图嵌入到HNN的比例约束项中，对亚像元定位过程进行多重约束，减少亚像元定位过程中的不确定性。Wang将多幅位移图像的光谱信息嵌入到马尔科夫模型的光谱约束项中，提供多光谱约束，提高马尔科夫模型的亚像元定位精度。Ling等将亚像元定位过程分为以下两步：首先，对每一地物类别的低分辨率分量图进行插值，得到多幅具有概率信息高分辨率图像；其次，按照多幅图像中的概率信息和光谱解混技术所得到的比例信息，来确定亚像元定位的最终结果。然而，由于传统的插值算法在图像边缘处存在模糊效应，这使得该方法的应用有一定的局限性。

发明内容

本发明的目的在于提供一种具有高精度且快速的应用空间结构相似性插值算法和反距离权值算法的遥感图像亚像元定位方法。

本发明的目的是这样实现的：

（1）将一幅大小为m×n的低分辨图像中的像素隔行隔列地嵌入到大小为2m×2n的高分辨率图像中，其中未知的像素点为待插值点：

1)将原始低分辨率图像中的像素点隔行隔列嵌入高分辨率图像中，已知的像素用黑色表示，待插值的未知像素用白色表示；

2)计算所在行与列之和为偶数的白色像素点q的值，

$q={\mathrm{\α}}_h^{1}f+{\mathrm{\α}}_h^{2}g+{\mathrm{\α}}_h^{3}k+{\mathrm{\α}}_h^{4}j;$

其中，为高分辨率插值系数向量：

$\left\{\begin{array}{c}f={\mathrm{\α}}_h^{1}a+{\mathrm{\α}}_h^{2}c+{\mathrm{\α}}_h^{3}i+{\mathrm{\α}}_h^{4}k\\ g={\mathrm{\α}}_h^{1}b+{\mathrm{\α}}_h^{2}d+{\mathrm{\α}}_h^{3}j+{\mathrm{\α}}_h^{4}l\\ k={\mathrm{\α}}_h^{1}f+{\mathrm{\α}}_h^{2}h+{\mathrm{\α}}_h^{3}p+{\mathrm{\α}}_h^{4}n\\ j={\mathrm{\α}}_h^{1}e+{\mathrm{\α}}_h^{2}g+{\mathrm{\α}}_h^{3}o+{\mathrm{\α}}_h^{4}m\end{array};\right.$

3)计算所在行与列之和为奇数的白色像素Q的值，

$Q={\mathrm{\β}}_h^{1}H+{\mathrm{\β}}_h^{2}E+{\mathrm{\β}}_h^{3}I+{\mathrm{\β}}_h^{4}L;$

其中，为高分辨率插值系数向量：

$\left\{\begin{array}{c}H={\mathrm{\β}}_h^{1}G+{\mathrm{\β}}_h^{2}B+{\mathrm{\β}}_h^{3}I+{\mathrm{\β}}_h^{4}N\\ E={\mathrm{\β}}_h^{1}D+{\mathrm{\β}}_h^{2}A+{\mathrm{\β}}_h^{3}F+{\mathrm{\β}}_h^{4}L\\ I={\mathrm{\β}}_h^{1}H+{\mathrm{\β}}_h^{2}C+{\mathrm{\β}}_h^{3}J+{\mathrm{\β}}_h^{4}O\\ L={\mathrm{\β}}_h^{1}K+{\mathrm{\β}}_h^{2}E+{\mathrm{\β}}_h^{3}M+{\mathrm{\β}}_h^{4}P\end{array};\right.$

（2）获取待插值像素点x：

1)计算待插值像素点x的4个近邻像素点的标准方差；

2)当得到的标准方差超过预先设定的阈值时，利用对偶插值方法对像素x进行插值，否则，利用反距离权值插值方法得到x；

（3）利用光谱解混技术得到各地物类别所占的比例，按照预先设定的比例因子S将低分辨率图像中的每一个像元分割成S²个亚像元，进行遥感图像亚像元定位：

1)利用混合插值算法对低分辨率图像进行插值，得到每个亚像元属于某一类别C的概率值；

2)由类别C所占的比例与比例因子S计算属于该类别的亚像元的个M；

3)将S²个概率值按降序排列，选择概率值较大的M个亚像元标记为类别C，得到最终的亚像元定位结果。

本发明的有益效果在于：本发明的方法无需迭代，无需训练样本，效率更高、速度更快、精度更高。

附图说明

图1为用隔行点阵Y_2i±1,2j±1去插值隔行点阵Y_2i,2j的情形示意图。

图2为用隔行点阵Y_i,j(i+j为偶数)去插值隔行点阵Y_i,j(i+j为奇数)的示意图。

图3a为真实分布图。

图3b是降采样后的分量图。

图3c是IDWI方法的定位结果。

图3d是IDWI-SI方法的定位结果。

图4a为真实分布图。

图4b是降采样后的分量图。

图4c是IDWI方法的定位结果。

图4d是IDWI-SI方法的定位结果。

图5为结合两种插值算法的遥感图像亚像元定位方法流程图。

具体实施方式

下面结合附图1-5对本发明做更详细地描述。

本发明包括：

1）输入为低空间分辨率遥感图像，利用光谱解混技术得到各地物类别的所占的比例。按照设定的比例因子S将低分辨率图像中的像元分割成S²个亚像元。

2）将低分辨率图像中的像素点映射到高分辨率图像中，并利用空间结构相似性插值算法和反距离权值算法确定高分辨率图像中待插值点的值，经插值过程后得到具有概率信息的高分辨率图像。

3）对亚像元上所标有的概率值进行排序，按照概率值由大到小的顺序和解混所得到的比例信息确定亚像元所属类别，从而实现亚像元定位。

本发明为一种结合空间结构相似性插值算法和反距离权值算法的亚像元定位方法。根据低分辨率图像与其对应的高分辨率图像之间的空间结构相似特性，本发明应用了一种基于空间结构相似性的插值算法（Similar Interpolation,SI），并将这种算法与反距离权值插值算法（Inverse Distance Weighting Interpolation,IDWI）结合，形成一种具有边缘保持特性的混合插值算法，将其应用到亚像元定位中。

1、所应用的空间结构相似性插值算法，将一幅大小为m×n的低分辨图像插值成大小为2m×2n高分辨图像，具体插值即白色像素点的值的计算过程如下：

1)将原始低分辨率图像中的像素点隔行隔列嵌入高分辨率图像中，状态如图1所示，已知的像素用黑色表示，待插值的未知像素用白色表示。

2)所在行与列之和为偶数的白色像素点的值的计算。以点q为例，其计算公式如下：

$q={\mathrm{\α}}_h^{1}f+{\mathrm{\α}}_h^2+{\mathrm{\α}}_h^{3}k+{\mathrm{\α}}_h^{4}j---\left(1\right)$

其中，为高分辨率插值系数向量,其值有如下方程组的解确定：

$\left\{\begin{array}{c}f={\mathrm{\α}}_h^{1}a+{\mathrm{\α}}_h^{2}c+{\mathrm{\α}}_h^{3}i+{\mathrm{\α}}_h^{4}k\\ g={\mathrm{\α}}_h^{1}b+{\mathrm{\α}}_h^{2}d+{\mathrm{\α}}_h^{3}j+{\mathrm{\α}}_h^{4}l\\ k={\mathrm{\α}}_h^{1}f+{\mathrm{\α}}_h^{2}h+{\mathrm{\α}}_h^{3}p+{\mathrm{\α}}_h^{4}n\\ j={\mathrm{\α}}_h^{1}e+{\mathrm{\α}}_h^{2}g+{\mathrm{\α}}_h^{3}o+{\mathrm{\α}}_h^{4}m\end{array}---\left(2\right)\right.$

3)所在行与列之和为奇数的白色像素的值的计算。经过步骤2），图1插值成如图2所示状态，已知的像素用黑色表示，待插值的未知像素用白色表示。以点Q为例，其计算公式如下：

$Q={\mathrm{\β}}_h^{1}H+{\mathrm{\β}}_h^{2}E+{\mathrm{\β}}_h^{3}I+{\mathrm{\β}}_h^{4}L---\left(3\right)$

其中，为高分辨率插值系数向量,其值有如下方程组的解确定：

$\left\{\begin{array}{c}H={\mathrm{\β}}_h^{1}G+{\mathrm{\β}}_h^{2}B+{\mathrm{\β}}_h^{3}I+{\mathrm{\β}}_h^{4}N\\ E={\mathrm{\β}}_h^{1}D+{\mathrm{\β}}_h^{2}A+{\mathrm{\β}}_h^{3}F+{\mathrm{\β}}_h^{4}L\\ I={\mathrm{\β}}_h^{1}H+{\mathrm{\β}}_h^{2}C+{\mathrm{\β}}_h^{3}J+{\mathrm{\β}}_h^{4}O\\ L={\mathrm{\β}}_h^{1}K+{\mathrm{\β}}_h^{2}E+{\mathrm{\β}}_h^{3}M+{\mathrm{\β}}_h^{4}P\end{array}---\left(4\right)\right.$

2、将基于空间结构相似性的插值算法与反距离加权插值算法结合形成一种混合插值算法，具体过程如下：

1)计算待插值像素点x的4个近邻像素点的标准方差。

2)当得到的标准方差超过预先设定的阈值时，利用对偶插值方法对像素x进行插值。否则，利用反距离权值插值方法得到x。

3、结合两种插值算法的遥感图像亚像元定位方法，具体过程如下：

输入为一幅低空间分辨率遥感图像，利用光谱解混技术得到各地物类别的所占的比例（即分量图）。按照预先设定的比例因子S将低分辨率图像中的每一个像元分割成S²个亚像元。

1)利用混合插值算法对低分辨率图像进行插值，得到每个亚像元属于某一类别C的概率值。

2)由类别C所占的比例与比例因子S计算属于该类别的亚像元的个M。

3)将S²个概率值按降序排列，选择概率值较大的M个亚像元标记为类别C。

经过上面步骤之后，便能得到最终的亚像元定位结果。

图3为比例因子S＝4时南京水体的亚像元定位结果。其中：a)为真实分布图，b)是降采样后的分量图，c)是IDWI方法的定位结果，d)是IDWI-SI方法的定位结果。

图4为比例因子S＝4时的三类地物类别的遥感图像亚像元定位结果。其中：a)为真实分布图，b)是降采样后的分量图，c)是IDWI方法的定位结果，d)是IDWI-SI方法的定位结果。

我们通过将本发明提出方法应用到两组不同的图像上来证明所提出方法的高效性。为了消除光谱解混过程所引入的误差，对本发明有一个更加客观的评价，采用合成的低分辨率分量图来进行仿真实验。光谱解混分量图通过对真实图进行降采样后获得，该过程可通过均值滤波器实现。两组实验降采样比例和放大比例均取S＝4。含两种地物的图像定量评价采用错误定位的像元（error mapping pixels,EMP）个数，含多地物的图像采用总体精度评价（percentage of correctly classified,PCC）来定量评价。

第一组实验中，目标为南京市某局部地区的水体分布图，其通过对原始彩色图进行最大似然分类后获得，原彩图可参考：http://www.ceode.cas.cn/txzs/dxyy/。图3展示了原始真实图、低分辨率分量图和两种方法的制图结果。从图可见，IDWI-SI方法的结果最接近原始真实图，效果最佳。两种方法的EMP见表1。通过数据分析可知，IDWI-SI方法有着最小的EMP值，进而验证了本发明方法的优势所在。

第二组实验选取了一幅含有三类地物类别的遥感图像进行实验。图4展示了原始真实图、低分辨率分量图和两种方法的制图结果。两种方法的PCC值见表2。同样通过图片和数据的对比分析，更充分验证了本发明在亚像元定位上的优势。

此外，两组实验中，两种方法一样，无需迭代，无需训练样本，这是HNN，BP等方法（需要成千上万次的迭代）远不能比拟的，表明该发明同时是一种极为快速的定位方法。

表1为第一组实验各种方法的数据分析结果。

表2为第二组实验各种方法的数据分析结果。

表1

表2

Claims (1)

1.一种结合两种插值算法的遥感图像亚像元定位方法，其特征在于：

(1)输入原始低分辨率图像的光谱解混结果,低分辨率图像中的像素点映射到高分辨率图像中，将一幅大小为m×n的低分辨图像中的像素隔行隔列地嵌入到大小为2m×2n的高分辨率图像中，其中未知的像素点为待插值点：

1)将原始低分辨率图像中的像素点隔行隔列嵌入高分辨率图像中，已知的像素用黑色表示，待插值的未知像素用白色表示；

2)计算所在行与列之和为偶数的白色像素点q的值，

$q={\mathrm{\α}}_h^{1}f+{\mathrm{\α}}_h^{2}g+{\mathrm{\α}}_h^{3}k+{\mathrm{\α}}_h^{4}j;$

其中，为高分辨率插值系数向量：

$\left\{\begin{array}{c}f={\mathrm{\α}}_h^{1}a+{\mathrm{\α}}_h^{2}c+{\mathrm{\α}}_h^{3}i+{\mathrm{\α}}_h^{4}k\\ g={\mathrm{\α}}_h^{1}b+{\mathrm{\α}}_h^{2}d+{\mathrm{\α}}_h^{3}j+{\mathrm{\α}}_h^{4}l\\ k={\mathrm{\α}}_h^{1}f+{\mathrm{\α}}_h^{2}h+{\mathrm{\α}}_h^{3}p+{\mathrm{\α}}_h^{4}n\\ j={\mathrm{\α}}_h^{1}e+{\mathrm{\α}}_h^{2}g+{\mathrm{\α}}_h^{3}o+{\mathrm{\α}}_h^{4}m\end{array}\right.;$

a-p为所在行与列之和为偶数时白色像素q所在图像中为已知的像素点序号；

3)计算所在行与列之和为奇数的白色像素Q的值，

$Q={\mathrm{\β}}_h^{1}H+{\mathrm{\β}}_h^{2}E+{\mathrm{\β}}_h^{3}I+{\mathrm{\β}}_h^{4}L;$

其中，为高分辨率插值系数向量：

$\left\{\begin{array}{c}H={\mathrm{\β}}_h^{1}G+{\mathrm{\β}}_h^{2}B+{\mathrm{\β}}_h^{3}I+{\mathrm{\β}}_h^{4}N\\ E={\mathrm{\β}}_h^{1}D+{\mathrm{\β}}_h^{2}A+{\mathrm{\β}}_h^{3}F+{\mathrm{\β}}_h^{4}L\\ I={\mathrm{\β}}_h^{1}H+{\mathrm{\β}}_h^{2}C+{\mathrm{\β}}_h^{3}J+{\mathrm{\β}}_h^{4}O\\ L={\mathrm{\β}}_h^{1}K+{\mathrm{\β}}_h^{2}E+{\mathrm{\β}}_h^{3}M+{\mathrm{\β}}_h^{4}P\end{array}\right.;$

A-P为所在行与列之和为奇数时白色像素Q所在图像中为已知的像素点序号；

(2)获取待插值像素点x：

1)计算待插值像素点x的4个近邻像素点的标准方差；

2)当得到的标准方差超过预先设定的阈值时，利用空间结构相似性的插值算法对像素x进行插值，否则，利用反距离权值插值方法得到x；

(3)根据所的到的概率值由大到小确定亚像元所属类别，利用光谱解混技术得到各地物类别所占的比例，按照预先设定的比例因子S将低分辨率图像中的每一个像元分割成S²个亚像元，进行遥感图像亚像元定位：

1)利用混合插值算法对低分辨率图像进行插值得到的每个亚像元属于某一类别C的概率值；

2)由类别C所占的比例与比例因子S计算属于该类别的亚像元的个数M；

3)将S²个概率值按降序排列，选择概率值较大的M个亚像元标记为类别C，得到最终的亚像元定位结果。