CN111899300B - 一种面向光场光谱数据亚像元定位的丰度修正方法及装置 - Google Patents

一种面向光场光谱数据亚像元定位的丰度修正方法及装置 Download PDF

Info

Publication number
CN111899300B
CN111899300B CN202010752242.1A CN202010752242A CN111899300B CN 111899300 B CN111899300 B CN 111899300B CN 202010752242 A CN202010752242 A CN 202010752242A CN 111899300 B CN111899300 B CN 111899300B
Authority
CN
China
Prior art keywords
sub
pixel
pixels
abundance
mixed
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.)
Active
Application number
CN202010752242.1A
Other languages
English (en)
Other versions
CN111899300A (zh
Inventor
苏丽娟
袁艳
徐岳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202010752242.1A priority Critical patent/CN111899300B/zh
Publication of CN111899300A publication Critical patent/CN111899300A/zh
Application granted granted Critical
Publication of CN111899300B publication Critical patent/CN111899300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image

Abstract

本发明提出一种面向光场光谱数据亚像元定位的丰度修正方法及装置，所述方法包括：对待修正的混合像元，确定第k类地物类别对应的亚像元生长点的坐标值；根据亚像元生长点的坐标值，计算混合像元内每个亚像元到亚像元生长点的距离；按照从小到大的顺序依次将每个距离对应的亚像元在光场光谱成像条件下混合像元内的丰度系数进行累加，当累加结果大于第k类地物类别在混合像元内的丰度值时，停止累加并获取参与累加的亚像元数目作为第k类地物类别对应的亚像元数量；根据亚像元数量，利用亚像元定位算法进行亚像元定位。通过本发明，能够有效降低光场光谱数据中的端元实际亚像元数目误差，从而提高面向光场光谱数据的亚像元定位精度。

Description

一种面向光场光谱数据亚像元定位的丰度修正方法及装置
技术领域
本发明涉及光场光谱丰度数据获取以及亚像元定位技术应用需求，属于光场光谱数据分析领域，具体涉及一种面向光场光谱数据亚像元定位的丰度修正方法及装置。
背景技术
对于一幅高光谱图像，其每一个像元内的光谱数据信息都是由该像元内各种不同地物的光谱数据信息混合而成，形成一个混合叠加的光谱信息。拥有混合光谱信息的像元，被称为混合像元。混合像元的存在，会给基于光谱影像的地物目标识别以及分类造成很大的困扰，带来的后果是一些有价值的数据信息的损失。通过对混合光谱进行解混，得到混合像元内不同地物目标各自所占丰度，丰度影像的出现很大程度上还原了光谱数据的地物信息，但是由于仅仅给出了各个地物所占混合像元的百分比，所以并不能提供各个地物的空间地理位置信息。
Atkinson在1997年提出了亚像元定位技术(Sub-Pixel Mapping，SPM)，旨在通过对混合像元内的丰度数据进行处理，得到各类地物在亚像元级上的最佳定位位置。通过亚像元定位可以获取丰度影像中各个地物类别的空间分布，从而提高光谱影像的空间分辨率。目前的亚像元定位算法是针对传统光谱成像数据进行的亚像元定位，即定位过程中将每一个亚像元都视为具有相同的权重，然而光场光谱数据中的亚像元权重并不相同，物平面亚像元目标经光场光谱仪成像后，探测器像元对不同位置的亚像元目标的响应不一致，即物平面各个亚像元对探测器像元的响应贡献矩阵不为全一阵。如果不考虑贡献不一致特性直接将丰度数据转换为端元的亚像元数目，其数据与真实值之间会产生误差，从而会影响亚像元定位的精度。因此需要一种方法降低光场光谱数据中端元对应亚像元数量与真实值之间的差值，从而保证亚像元定位算法的精度。
发明内容
本发明所要解决的技术问题是，光场光谱丰度数据对应端元亚像元数目与真实值存在误差，这对面向光场光谱数据的亚像元定位精度产生了不利影响。
针对上述问题，本发明提出了一种面向光场光谱数据亚像元定位的丰度修正方法及装置，以空间相关性为理论基础，通过丰度修正方法尽可能降低或者减少光场光谱数据中的端元实际亚像元数目误差，使预测的端元的亚像元数量及位置与实际端元丰度数据吻合，从而保证亚像元定位的精度。
本发明第一方面实施例提出了一种面向光场光谱数据亚像元定位的丰度修正方法，包括：
对待修正的混合像元，确定第k类地物类别对应的亚像元生长点的坐标值；
根据所述亚像元生长点的坐标值，计算所述混合像元内每个亚像元到所述亚像元生长点的距离；
按照从小到大的顺序对所述混合像元内每个亚像元到所述亚像元生长点的距离进行排序，并根据排序结果依次将每个距离对应的亚像元在光场光谱成像条件下混合像元内的丰度系数进行累加，当累加结果大于所述第k类地物类别在所述混合像元内的丰度值时，停止累加，获取参与累加的亚像元数目作为所述第k类地物类别对应的亚像元数量；
根据所述亚像元数量，利用亚像元定位算法进行亚像元定位。
本发明第二方面实施例提出了一种面向光场光谱数据亚像元定位的丰度修正装置，包括：
确定模块，用于对待修正的混合像元，确定第k类地物类别对应的亚像元生长点的坐标值；
计算模块，用于根据所述亚像元生长点的坐标值，计算所述混合像元内每个亚像元到所述亚像元生长点的距离；
处理模块，用于按照从小到大的顺序对所述混合像元内每个亚像元到所述亚像元生长点的距离进行排序，并根据排序结果依次将每个距离对应的亚像元在光场光谱成像条件下混合像元内的丰度系数进行累加，当累加结果大于所述第k类地物类别在所述混合像元内的丰度值时，停止累加，获取参与累加的亚像元数目作为所述第k类地物类别对应的亚像元数量；
定位模块，用于根据所述亚像元数量，利用亚像元定位算法进行亚像元定位。
本发明第三方面实施例提出了一种计算机设备，包括处理器、存储器和存储在所述存储器上并可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，实现如第一方面实施例所述的面向光场光谱数据的丰度修正方法。
本发明第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现如第一方面实施例所述的面向光场光谱数据的丰度修正方法。
本发明实施例的面向光场光谱数据亚像元定位的丰度修正方法及装置，可以带来如下有益效果：
通过对待修正的混合像元，确定第k类地物类别对应的亚像元生长点的坐标值，并根据亚像元生长点的坐标值，计算混合像元内每个亚像元到亚像元生长点的距离，按照从小到大的顺序对混合像元内每个亚像元到亚像元生长点的距离进行排序，并根据排序结果依次将每个距离对应的亚像元在光场光谱成像条件下混合像元内的丰度系数进行累加，当累加结果大于第k类地物类别在混合像元内的丰度值时，停止累加并获取参与累加的亚像元数目作为第k类地物类别对应的亚像元数量，根据亚像元数量，利用亚像元定位算法进行亚像元定位。由此，能够有效降低光场光谱数据中的端元实际亚像元数目误差，从而提高面向光场光谱数据的亚像元定位精度，并且，对各个混合像元仅需要进行一次迭代计算，计算量小，具有简单快捷的优点。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例提出的面向光场光谱数据亚像元定位的丰度修正方法的流程示意图；
图2是以混合像元的中心作为坐标轴原建立的横纵坐标系的示例图；
图3是圆环结构下不同重构尺度对应的两类算法获取亚像元数量与真值之间的差值图；
图4是多类地物下重构尺度为12时两类算法获取亚像元数量与真值之间的差值图；
图5是本发明一实施例提出的面向光场光谱数据亚像元定位的丰度修正装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的一种面向光场光谱数据亚像元定位的丰度修正方法及装置。
图1是本发明一实施例提出的面向光场光谱数据亚像元定位的丰度修正方法的流程示意图，该方法可以由本发明实施例提供的面向光场光谱数据亚像元定位的丰度修正装置执行，该装置可以配置于本发明提供的计算机设备中，计算机设备比如可以是服务器、台式电脑、笔记本电脑等。
如图1所示，该面向光场光谱数据亚像元定位的丰度修正方法，可以包括以下步骤：
步骤101，对待修正的混合像元，确定第k类地物类别对应的亚像元生长点的坐标值。
其中，k为正整数，k的最大取值等于该混合像元所包含的地物类别数。
本发明实施例中，对于高光谱图像中的每个待修正的混合像元，可以先确定第k类地物类别对应的亚像元生长点
Figure BDA0002610414670000047
的坐标值。
在本发明实施例一种可能的实现方式中，确定第k类地物类别对应的亚像元生长点的坐标值时，可以先获取混合像元的邻域像元，以混合像元的中心作为坐标轴原点，建立横纵坐标系，根据第k类地物类别在邻域像元中的丰度值，计算得到第k类地物类别在横纵坐标系中对应的亚像元生长点的横坐标值xk和纵坐标值yk。
其中，混合像元内单一地物目标的光谱叫做端元，所含端元的百分比叫作丰度，即丰度值。
本发明实施例中，针对丰度待修正的混合像元Pa,b，首先确定对其丰度产生影响的邻域范围，接着以混合像元的中心作为坐标轴原点，建立横纵坐标系，图2是以混合像元的中心作为坐标轴原建立的横纵坐标系的示例图。建立坐标系之后，根据邻域像元的丰度值以及邻域像元相对于混合像元的位置，可以计算得到亚像元生长点的位置(xk,yk)，即分别计算得到亚像元生长点的横坐标值xk和纵坐标值yk。其中，亚像元生长点的横坐标值xk和纵坐标值yk的计算公式分别如公式(1)和(2)所示：
Figure BDA0002610414670000041
Figure BDA0002610414670000042
其中，S是重构尺度，
Figure BDA0002610414670000043
表示第k类地物类别在邻域像元Pa-1,b-1内的丰度值，同理，
Figure BDA0002610414670000044
表示第k类地物类别在邻域像元Pa-1,b内的丰度值，
Figure BDA0002610414670000045
表示第k类地物类别在邻域像元Pa-1,b+1内的丰度值，
Figure BDA0002610414670000046
表示第k类地物类别在邻域像元Pa+1,b+1内的丰度值，
Figure BDA0002610414670000051
表示第k类地物类别在邻域像元Pa+1,b内的丰度值，
Figure BDA0002610414670000052
表示第k类地物类别在邻域像元Pa+1,b-1内的丰度值，
Figure BDA0002610414670000053
表示第k类地物类别在邻域像元Pa,b-1内的丰度值，
Figure BDA0002610414670000054
表示第k类地物类别在邻域像元Pa,b+1内的丰度值。
步骤102，根据亚像元生长点的坐标值，计算混合像元内每个亚像元到亚像元生长点的距离。
本发明实施例中，在横纵坐标系下确定了第k类地物类别对应的亚像元生长点
Figure BDA0002610414670000055
的坐标值之后，可以进一步根据亚像元生长点的坐标值，计算混合像元内每个亚像元到第k类地物的亚像元生长点的距离。
在本发明实施例一种可能的实现方式中，混合像元被划分为S×S个亚像元，每个亚像元pi,j到亚像元生长点
Figure BDA0002610414670000056
的距离
Figure BDA0002610414670000057
其中i＝1,…,S，j＝1,…,S，可以采用如下公式(3)计算得到：
Figure BDA0002610414670000058
其中，
Figure BDA0002610414670000059
表示混合像元内亚像元pi,j到亚像元生长点的距离，xi,j表示混合像元内亚像元pi,j的横坐标值，yi,j表示混合像元内亚像元pi,j的纵坐标值。
步骤103，按照从小到大的顺序对混合像元内每个亚像元到亚像元生长点的距离进行排序，并根据排序结果依次将每个距离对应的亚像元在光场光谱成像条件下混合像元内的丰度系数进行累加，当累加结果大于第k类地物类别在混合像元内的丰度值时，停止累加，获取参与累加的亚像元数目作为第k类地物类别对应的亚像元数量。
本发明实施例中，计算得到混合像元内的每个亚像元到亚像元生长点的距离
Figure BDA00026104146700000510
之后，可以将计算得到的每个距离按照从小到大的顺序对所有距离
Figure BDA00026104146700000511
进行排序，并根据排序结果依次将每个距离对应的亚像元在光场光谱成像条件下混合像元内的丰度系数进行累加，当累加结果大于第k类地物类别在混合像元内的丰度值时，停止累加，获取参与累加的亚像元数目作为第k类地物类别对应的亚像元数量。
本发明实施例中，获得每一个亚像元pi,j到第k类地物类别的亚像元生长点
Figure BDA00026104146700000512
的距离
Figure BDA00026104146700000513
之后，将所有的亚像元距离从小到大进行排序，得到d′1<d′2<…<d′s×s。接着，根据该排序结果，依次按照距离由小到大的顺序将对应的亚像元赋为第k类端元地物，每赋类一个亚像元计算当前的光场光谱成像混合像元内的丰度系数，其中，采用如下公式(4)进行累加计算当前的丰度系数：
Figure BDA0002610414670000061
其中，
Figure BDA0002610414670000062
表示第k个地物类别的丰度系数当前累加结果，
Figure BDA0002610414670000063
表示丰度系数的上一累加结果，d′state为按照从小到大的顺序依次从d′1<d′2<…<d′s×s中选择的一个距离，state为赋类迭代次数，Ci,j表示(i,j)位置处的亚像元在光场光谱丰度数据中的贡献系数。其中，贡献系数Ci,j可以通过对光场光谱成像系统进行定标获取。state＝0时，无亚像元为第k类地物，即混合像元中第k类地物的
Figure BDA0002610414670000064
state＝1时，确定与d′1值相等的距离
Figure BDA0002610414670000065
所对应亚像元及其位置(i,j)，将其赋类为第k类地物，并用此位置亚像元的贡献系数Ci,j计算此时的丰度系数。依次增加state时，就找寻与d′state对应的亚像元，确定相关的(i,j)及Ci,j，进而计算此时的第k类地物的丰度系数
Figure BDA0002610414670000066
接着，将丰度系数累加结果
Figure BDA0002610414670000067
与第k类地物类别在所述混合像元内的丰度值进行比较，当
Figure BDA0002610414670000068
小于或等于第k类地物类别在混合像元内的丰度值时，继续迭代累加，直到
Figure BDA0002610414670000069
大于第k类地物类别在混合像元内的丰度值时停止累加。
Figure BDA00026104146700000610
大于第k类地物类别在混合像元内的丰度值时，参与累加的亚像元数目即为迭代的次数state，也即得到第k类地物的亚像元数量
Figure BDA00026104146700000611
也就是本算法经过丰度修正后的对应地物的修正的亚像元数量。
传统算法中，第k类端元亚像元数量(记为
Figure BDA00026104146700000612
)采用如下公式(5)进行确定：
Figure BDA00026104146700000613
其中，S表示重构尺度，Prok表示针对传统成像系统均匀响应理论计算的第k类目标的丰度系数。Prok的具体计算法方法是利用下面公式(6)进行累加：
Figure BDA00026104146700000614
其中，
Figure BDA00026104146700000615
表示第k个大类的丰度系数当前累加结果，
Figure BDA00026104146700000616
表示丰度系数的上一累加结果，
Figure BDA00026104146700000617
将丰度系数累加结果
Figure BDA00026104146700000618
与第k类地物类别在所述混合像元内的丰度值进行比较，当
Figure BDA0002610414670000071
大于第k类地物类别在混合像元内的丰度值时，停止累加，并令Prok等于此时的
Figure BDA0002610414670000072
将其代入公式(5)即得到第k类端元未修正的亚像元数量
Figure BDA0002610414670000073
与传统的端元亚像元数量的计算过程相比，本发明提供的丰度修正方法中，对于光场光谱成像系统的任意端元的亚像元数量的计算过程考虑了光场光谱端元丰度，即k类端元的亚像元数量为
Figure BDA0002610414670000074
可以有效降低光场光谱数据中的端元实际亚像元数目误差。
步骤104，根据亚像元数量，利用亚像元定位算法进行亚像元定位。
本发明实施例中，获取了亚像元数量之后，即可根据亚像元数量，利用亚像元定位算法进行亚像元定位。
其中，可以采用传统的亚像元定位算法进行亚像元定位，比如基于人工神经网络模型的亚像元定位算法、遗传定位算法、基于逻辑回归的亚像元定位算法等，本发明对具体的定位过程不作详述。
本实施例的面向光场光谱数据亚像元定位的丰度修正方法，通过对待修正的混合像元，确定第k类地物类别对应的亚像元生长点的坐标值，并根据亚像元生长点的坐标值，计算混合像元内每个亚像元到亚像元生长点的距离，按照从小到大的顺序对混合像元内每个亚像元到亚像元生长点的距离进行排序，并根据排序结果依次将每个距离对应的亚像元在光场光谱成像条件下混合像元内的丰度系数进行累加，当累加结果大于第k类地物类别在混合像元内的丰度值时，停止累加并获取参与累加的亚像元数目作为第k类地物类别对应的亚像元数量，根据亚像元数量，利用亚像元定位算法进行亚像元定位。由此，能够有效降低光场光谱数据中的端元实际亚像元数目误差，从而提高面向光场光谱数据的亚像元定位精度，并且，对各个混合像元仅需要进行一次迭代计算，计算量小，具有简单快捷的优点。
为了清楚地示出采用本发明的方案所带来的有益效果，下面结合附图和附表进行说明，其中，以利用基于逻辑回归的亚像元定位算法(Logistic Regression and PixelSwapping Algorithm,LRPSA)进行亚像元定位作为示例，来解释说明利用本发明的方案修正得到的亚像元数量进行亚像元定位相较于传统方案的优势，能够理解的是，其他亚像元定位算法也能印证本发明的优势。
图3是圆环结构下不同重构尺度对应的两类算法获取亚像元数量与真值之间的差值图，图4是多类地物下重构尺度为12时两类算法获取亚像元数量与真值之间的差值图。表1示出了圆环结构下混合像元内分布采用传统算法(公式(5)所示的计算方案)和丰度修正方法(本发明的方案)获取的亚像元数量与真值之差(Δ)的评价结果，评价标准包括最小值Δmin、最大值Δmax、均值Δmean和均方根误差RMSE。表2示出了圆环结构下分别采用修正的亚像元算法和传统算法得到不同亚像元数量后，利用同一种基于逻辑回归的亚像元定位算法LRPSA进行定位后的精度(％)的比较结果，定位精度用正确分类像素百分比(PercentCorrectly Classified pixels，PCC)和Kappa系数表示。表3示出了多类地物下重构尺度为12时(S＝12)混合像元内采用传统算法和丰度修正方法获取的亚像元数量与真值之差(Δ)的评价结果。表4示出了多类地物下采用修正的亚像元算法和传统算法得到不同亚像元数量后，利用基于逻辑回归的亚像元定位算法(LRPSA)的亚像元定位精度(％)的比较结果。
表1
Figure BDA0002610414670000081
表2
Figure BDA0002610414670000082
表3
Figure BDA0002610414670000091
表4
Figure BDA0002610414670000092
结合图3-4和表1-4可以看出，采用本发明提供的丰度修正方法，获取的亚像元数量与真值之间的差异，相较于采用传统算法获取的亚像元数量与真值之间的差异明显减小，利用本发明获取的亚像元数量进行亚像元定位的定位精度，相较于利用传统算法获取的亚像元数量进行亚像元定位，定位精度明显提高。
为了实现上述实施例，本发明还提出了一种面向光场光谱数据亚像元定位的丰度修正装置。
图5是本发明一实施例提出的面向光场光谱数据亚像元定位的丰度修正装置的结构示意图。
如图5所示，该面向光场光谱数据亚像元定位的丰度修正装置20包括：确定模块210、计算模块220、处理模块230和定位模块240。
其中，确定模块210，用于对待修正的混合像元，确定第k类地物类别对应的亚像元生长点的坐标值。
计算模块220，用于根据所述亚像元生长点的坐标值，计算所述混合像元内每个亚像元到所述亚像元生长点的距离。
处理模块230，用于按照从小到大的顺序对所述混合像元内每个亚像元到所述亚像元生长点的距离进行排序，并根据排序结果依次将每个距离对应的亚像元在光场光谱成像条件下混合像元内的丰度系数进行累加，当累加结果大于所述第k类地物类别在所述混合像元内的丰度值时，停止累加，获取参与累加的亚像元数目作为所述第k类地物类别对应的亚像元数量。
定位模块240，用于根据所述亚像元数量，利用亚像元定位算法进行亚像元定位。
在本发明实施例一种可能的实现方式中，确定模块210具体用于：
获取所述混合像元的邻域像元；
以所述混合像元的中心作为坐标轴原点，建立横纵坐标系；
根据所述第k类地物类别在所述邻域像元中的丰度值，计算得到所述第k类地物类别在所述横纵坐标系中对应的亚像元生长点的横坐标值xk和纵坐标值yk；
其中，采用如下公式计算得到所述亚像元生长点的横坐标值xk和纵坐标值yk：
Figure BDA0002610414670000101
Figure BDA0002610414670000102
其中，S是重构尺度，
Figure BDA0002610414670000103
表示第k类地物类别在邻域像元Pa-1,b-1内的丰度值。
本实施例中，计算模块220具体用于：
采用如下公式计算所述混合像元内每个亚像元到所述亚像元生长点的距离：
Figure BDA0002610414670000104
其中，
Figure BDA0002610414670000105
表示混合像元内亚像元pi,j到所述亚像元生长点的距离，xi,j表示所述亚像元pi,j的横坐标值，yi,j表示所述亚像元pi,j的纵坐标值。
处理模块230具体用于：
采用如下公式将每个距离对应的亚像元在光场光谱成像条件下混合像元内的丰度系数进行累加：
Figure BDA0002610414670000111
其中，
Figure BDA0002610414670000112
表示第k个地物类别的丰度系数当前累加结果，
Figure BDA0002610414670000113
表示丰度系数的上一累加结果，Ci,j表示(i,j)位置处的亚像元在光场光谱丰度数据中的贡献系数。
需要说明的是，前述对面向光场光谱数据的丰度修正方法实施例的解释说明，也适用于本实施例的面向光场光谱数据的丰度修正装置，其实现原理类似，此处不再赘述。
本实施例的面向光场光谱数据的丰度修正装置，通过对待修正的混合像元，确定第k类地物类别对应的亚像元生长点的坐标值，并根据亚像元生长点的坐标值，计算混合像元内每个亚像元到亚像元生长点的距离，按照从小到大的顺序对混合像元内每个亚像元到亚像元生长点的距离进行排序，并根据排序结果依次将每个距离对应的亚像元在光场光谱成像条件下混合像元内的丰度系数进行累加，当累加结果大于第k类地物类别在混合像元内的丰度值时，停止累加并获取参与累加的亚像元数目作为第k类地物类别对应的亚像元数量，根据亚像元数量，利用亚像元定位算法进行亚像元定位。由此，能够有效降低光场光谱数据中的端元实际亚像元数目误差，从而提高面向光场光谱数据的亚像元定位精度，并且，对各个混合像元仅需要进行一次迭代计算，计算量小，具有简单快捷的优点。
为了实现上述实施例，本发明还提出了一种计算机设备，包括处理器、存储器和存储在所述存储器上并可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，实现如前述实施例所述的面向光场光谱数据的丰度修正方法。
为了实现上述实施例，本发明还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现如前述实施例所述的面向光场光谱数据的丰度修正方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种面向光场光谱数据亚像元定位的丰度修正方法，其特征在于，包括：
对待修正的混合像元，确定第k类地物类别对应的亚像元生长点的坐标值；
根据所述亚像元生长点的坐标值，计算所述混合像元内每个亚像元到所述亚像元生长点的距离；
按照从小到大的顺序对所述混合像元内每个亚像元到所述亚像元生长点的距离进行排序，并根据排序结果依次将每个距离对应的亚像元在光场光谱成像条件下混合像元内的丰度系数进行累加，当累加结果大于所述第k类地物类别在所述混合像元内的丰度值时，停止累加，获取参与累加的亚像元数目作为所述第k类地物类别对应的亚像元数量；
根据所述亚像元数量，利用亚像元定位算法进行亚像元定位。
2.如权利要求1所述的方法，其特征在于，所述对待修正的混合像元，确定第k类地物类别对应的亚像元生长点的坐标值，包括：
获取所述混合像元的邻域像元；
以所述混合像元的中心作为坐标轴原点，建立横纵坐标系；
根据所述第k类地物类别在所述邻域像元中的丰度值，计算得到所述第k类地物类别在所述横纵坐标系中对应的亚像元生长点的横坐标值xk和纵坐标值yk；
其中，采用如下公式计算得到所述亚像元生长点的横坐标值xk和纵坐标值yk：
Figure FDA0002610414660000011
Figure FDA0002610414660000012
其中，S是重构尺度，
Figure FDA0002610414660000013
表示第k类地物类别在邻域像元Pa-1,b-1内的丰度值。
3.如权利要求2所述的方法，其特征在于，所述根据所述亚像元生长点的坐标值，计算所述混合像元内每个亚像元到所述亚像元生长点的距离，包括：
采用如下公式计算所述混合像元内每个亚像元到所述亚像元生长点的距离：
Figure FDA0002610414660000014
其中，
Figure FDA0002610414660000015
表示混合像元内亚像元pi,j到所述亚像元生长点的距离，xi,j表示所述亚像元pi,j的横坐标值，yi,j表示所述亚像元pi,j的纵坐标值。
4.如权利要求3所述的方法，其特征在于，所述按照从小到大的顺序对所述混合像元内每个亚像元到所述亚像元生长点的距离进行排序，并根据排序结果依次将每个距离对应的亚像元在光场光谱成像条件下混合像元内的丰度系数进行累加，包括：
采用如下公式将每个距离对应的亚像元在光场光谱成像条件下混合像元内的丰度系数进行累加：
Figure FDA0002610414660000021
其中，
Figure FDA0002610414660000022
表示第k个地物类别的丰度系数当前累加结果，
Figure FDA0002610414660000023
表示丰度系数的上一累加结果，Ci,j表示(i,j)位置处的亚像元在光场光谱丰度数据中的贡献系数。
5.一种面向光场光谱数据亚像元定位的丰度修正装置，其特征在于，包括：
确定模块，用于对待修正的混合像元，确定第k类地物类别对应的亚像元生长点的坐标值；
计算模块，用于根据所述亚像元生长点的坐标值，计算所述混合像元内每个亚像元到所述亚像元生长点的距离；
处理模块，用于按照从小到大的顺序对所述混合像元内每个亚像元到所述亚像元生长点的距离进行排序，并根据排序结果依次将每个距离对应的亚像元在光场光谱成像条件下混合像元内的丰度系数进行累加，当累加结果大于所述第k类地物类别在所述混合像元内的丰度值时，停止累加，获取参与累加的亚像元数目作为所述第k类地物类别对应的亚像元数量；
定位模块，用于根据所述亚像元数量，利用亚像元定位算法进行亚像元定位。
6.如权利要求5所述的装置，其特征在于，所述确定模块，具体用于：
获取所述混合像元的邻域像元；
以所述混合像元的中心作为坐标轴原点，建立横纵坐标系；
根据所述第k类地物类别在所述邻域像元中的丰度值，计算得到所述第k类地物类别在所述横纵坐标系中对应的亚像元生长点的横坐标值xk和纵坐标值yk；
其中，采用如下公式计算得到所述亚像元生长点的横坐标值xk和纵坐标值yk：
Figure FDA0002610414660000024
Figure FDA0002610414660000025
其中，S是重构尺度，
Figure FDA0002610414660000026
表示第k类地物类别在邻域像元Pa-1,b-1内的丰度值。
7.如权利要求6所述的装置，其特征在于，所述计算模块，具体用于：
采用如下公式计算所述混合像元内每个亚像元到所述亚像元生长点的距离：
Figure FDA0002610414660000031
其中，
Figure FDA0002610414660000032
表示混合像元内亚像元pi,j到所述亚像元生长点的距离，xi,j表示所述亚像元pi,j的横坐标值，yi,j表示所述亚像元pi,j的纵坐标值。
8.如权利要求7所述的装置，其特征在于，所述处理模块，具体用于：
采用如下公式将每个距离对应的亚像元在光场光谱成像条件下混合像元内的丰度系数进行累加：
Figure FDA0002610414660000033
其中，
Figure FDA0002610414660000034
表示第k个地物类别的丰度系数当前累加结果，
Figure FDA0002610414660000035
表示丰度系数的上一累加结果，Ci,j表示(i,j)位置处的亚像元在光场光谱丰度数据中的贡献系数。
9.一种计算机设备，其特征在于，包括处理器、存储器和存储在所述存储器上并可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，实现如权利要求1-4任一项所述的面向光场光谱数据的丰度修正方法。
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1-4任一项所述的面向光场光谱数据的丰度修正方法。
CN202010752242.1A 2020-07-30 2020-07-30 一种面向光场光谱数据亚像元定位的丰度修正方法及装置 Active CN111899300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010752242.1A CN111899300B (zh) 2020-07-30 2020-07-30 一种面向光场光谱数据亚像元定位的丰度修正方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010752242.1A CN111899300B (zh) 2020-07-30 2020-07-30 一种面向光场光谱数据亚像元定位的丰度修正方法及装置

Publications (2)

Publication Number Publication Date
CN111899300A CN111899300A (zh) 2020-11-06
CN111899300B true CN111899300B (zh) 2022-05-31

Family

ID=73182709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010752242.1A Active CN111899300B (zh) 2020-07-30 2020-07-30 一种面向光场光谱数据亚像元定位的丰度修正方法及装置

Country Status (1)

Country Link
CN (1) CN111899300B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
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
CN102682441A (zh) * 2012-03-01 2012-09-19 清华大学 基于亚像元映射的高光谱图像超分辨重建方法
CN104463224A (zh) * 2014-12-24 2015-03-25 武汉大学 基于丰度显著性分析的高光谱图像解混方法及系统
CN105447452A (zh) * 2015-11-13 2016-03-30 中国科学院地理科学与资源研究所 一种基于地物空间分布特征的遥感亚像元制图方法
CN108921035A (zh) * 2018-06-06 2018-11-30 中国农业科学院农业资源与农业区划研究所 基于空间引力和像元聚集度的亚像元定位方法和系统
CN109086655A (zh) * 2018-06-06 2018-12-25 中国农业科学院农业资源与农业区划研究所 基于对称初始化和聚集度优化的亚像元定位方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
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
CN102682441A (zh) * 2012-03-01 2012-09-19 清华大学 基于亚像元映射的高光谱图像超分辨重建方法
CN104463224A (zh) * 2014-12-24 2015-03-25 武汉大学 基于丰度显著性分析的高光谱图像解混方法及系统
CN105447452A (zh) * 2015-11-13 2016-03-30 中国科学院地理科学与资源研究所 一种基于地物空间分布特征的遥感亚像元制图方法
CN108921035A (zh) * 2018-06-06 2018-11-30 中国农业科学院农业资源与农业区划研究所 基于空间引力和像元聚集度的亚像元定位方法和系统
CN109086655A (zh) * 2018-06-06 2018-12-25 中国农业科学院农业资源与农业区划研究所 基于对称初始化和聚集度优化的亚像元定位方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李晓东.遥感影像亚像元定位研究.《测绘学报》.2014,第43卷(第3期), *
苏丽娟，袁艳，徐岳.A_Sub-Pixel_Mapping_Method_Based_on_Logistic_Regression_and_Pixel-Swapping_Model.《IEEE》.2019, *
马晓峰，洪友堂.亚像元定位方法综述.《北京测绘》.2019,第33卷(第7期), *

Also Published As

Publication number Publication date
CN111899300A (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
CN107767440B (zh) 基于三角网内插及约束的文物序列影像精细三维重建方法
CN104296876B (zh) 基于fpga的场景非均匀性校正方法及其装置
CN107255521A (zh) 一种红外图像非均匀性校正方法及系统
CN108428220A (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
CN108759788B (zh) 无人机影像定位定姿方法及无人机
CN110986998B (zh) 一种基于有理函数模型的卫星视频相机在轨几何定标方法
CN113222878B (zh) 一种图像拼接方法
CN112946679B (zh) 一种基于人工智能的无人机测绘果冻效应检测方法及系统
CN112070891B (zh) 数字地面模型作为三维控制的影像区域网平差方法及系统
CN109327712A (zh) 固定场景的视频消抖方法
CN114241064B (zh) 一种遥感卫星内外方位元素实时几何定标方法
CN112258587A (zh) 一种基于灰狼粒子群混合算法的相机标定方法
CN117288169B (zh) 一种稳健的卫星影像无控区域网平差方法
CN115861264A (zh) 晶圆检测设备定位方法、装置、计算机设备和存储介质
CN111899300B (zh) 一种面向光场光谱数据亚像元定位的丰度修正方法及装置
CN113888583A (zh) 一种视觉跟踪准确性的实时判断方法及装置
CN111179184A (zh) 基于随机抽样一致性的鱼眼图像有效区域提取方法
CN107220947B (zh) 一种遥感图像相对辐射校正方法及系统
CN117030620A (zh) 一种基于多源光学遥感卫星影像区域网平差的方法及装置
CN110673428B (zh) 一种结构光补偿方法、装置及设备
CN107016695B (zh) 一种亚像素级影像配准方法及系统
CN110866877B (zh) 基于约束粒子群算法的色彩校正方法、装置及终端设备
CN114399540A (zh) 一种基于二维迭代最近点的异源图像配准方法及系统
CN110009066B (zh) 基于逻辑回归的光谱图像亚像元空间定位方法及装置
CN109377525A (zh) 一种拍摄目标的三维坐标估计方法和拍摄设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant