CN112883823A - 一种基于多源遥感数据融合的土地覆盖类别亚像素定位方法 - Google Patents

一种基于多源遥感数据融合的土地覆盖类别亚像素定位方法 Download PDF

Info

Publication number
CN112883823A
CN112883823A CN202110116628.8A CN202110116628A CN112883823A CN 112883823 A CN112883823 A CN 112883823A CN 202110116628 A CN202110116628 A CN 202110116628A CN 112883823 A CN112883823 A CN 112883823A
Authority
CN
China
Prior art keywords
image
mrsfd
spm
sub
information
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.)
Pending
Application number
CN202110116628.8A
Other languages
English (en)
Inventor
王鹏
汪宇蓝
沈珣
叶帅鹏
王堃
周佳乐
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110116628.8A priority Critical patent/CN112883823A/zh
Publication of CN112883823A publication Critical patent/CN112883823A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明通过利用多源遥感融合数据(Multi‑Source Remote Sensing Fusion Data，MRSFD)的空间、光谱、高程信息，提出了一种基于MRSFD的亚像素定位(Sup‑pixel Mapping，SPM)方法。包括如下步骤：(1)对原始的高光谱图像和全色影像进行融合，利用全色锐化技术得到具有高空间分辨率和光谱分辨率的融合图像。(2)将得到的包含空间和光谱信息的融合图像与一种带有高程信息的激光雷达(Light Detection And Ranging，LiDAR)数字表面模型(Digital Surface Model，DSM)进行融合，通过特征融合得到包含空间、光谱和高程信息的MRSFD。(3)对MRSFD进行归一化处理，得到属于土地覆盖类别的亚像素比例分数图像，再通过基于类单元的类别分配方法将类标签分配给亚像素，根据这些比例信息得到SPM结果。

Description

一种基于多源遥感数据融合的土地覆盖类别亚像素定位方法
技术领域
本发明涉及遥感图像处理技术领域，是一种对多源遥感数据融合后的图像进行亚像素定 位的技术。
背景技术
土地覆盖类别的空间分布信息是城市环境与生态研究的重要基础数据之一。高光谱图像 由于其丰富的光谱信息，被广泛应用于土地覆盖类别的观测。然而，随着高光谱图像光谱分 辨率的不断提高，高光谱图像的空间分辨率会受到硬件成像设备的限制，低分辨率高光谱图 像中会出现大量混合像素。这些混合像素阻碍了获取准确的土地覆盖类别的空间分布信息。 虽然光谱分离技术可以处理混合像素，得到混合像素比例属于土地覆盖类别的分数阶图像， 但土地覆盖类别的具体空间分布信息仍然不确定。
为了处理混合像素并获得土地覆盖类别的空间分布，提出了亚像素定位(Sub-pixel Mapping，SPM)作为后续的光谱分解过程。SPM首先对分数阶图像进行改进，将每个混合 像素按比例尺度划分为亚像素，改进后的分数阶图像包含了属于土地覆盖类别的亚像素的比 例。根据这些比例信息，将类标签分配给亚像素，得到属于土地覆盖类别的亚像素比例分数 图像。近几十年来，人们发展了多种SPM方法，如反传神经网络、Hopfield神经网络(Hopfield Neural Network，HNN)、插值算法、指示协同克里金法、空间引力模型等。近年来，随着遥 感技术的不断发展，为了提高高光谱图像的SPM结果，选择了同一区域的另一种高空间分辨 率遥感数据作为辅助数据。例如，Nguyen等人将激光雷达(Light DetectionAnd Ranging， LiDAR)得到的高程信息引入HNN模型，以改进最终的制图结果；Wang等人利用空间信息 丰富的全色影像，采用全色锐化技术对原始高光谱图像进行融合，得到了更好的SPM结果。
然而，SPM中使用的辅助遥感数据类型相对单一，不能同时提供多种类型的辅助信息， 阻碍了SPM结果精度的进一步提高。为了充分利用多源遥感数据中的多种辅助信息，提出了 一种基于多源遥感数据融合的亚像素定位(Sup-pixel Mapping Based on Multi-Source Remote Sensing Fusion Data，SPM-MRSFD)方法。首先利用全色锐化技术将包含光谱信息的原始高 光谱图像与包含空间信息的辅助全色影像进行融合，得到包含空间和光谱信息的融合图像。 其次对包含空间和光谱信息的融合图像和带有高程信息的LiDAR数字表面模型(Digital Surface Model，DSM)进行特征融合，得到包含空间、光谱和高程信息的多源遥感融合数据 (Multi-Source Remote Sensing Fusion Data，MRSFD)。最后对MRSFD进行光谱解混处理处 理，得到属于土地覆盖类别的亚像素比例分数图像，再通过基于类单元的类别分配方法将类 标签分配给亚像素，根据这些比例信息得到SPM结果。由于充分利用了MRSFD的多种辅助 信息(即空间、光谱、高程信息)，最终提高了SPM结果的精度。实验结果表明，SPM-MRSFD 方法优于现有的SPM方法。最终提高了SPM的制图结果。
发明内容
为了处理混合像素并获得土地覆盖类别的空间分布，提出了SPM作为后续的光谱分解过 程。然而，现有的SPM方法选择同一区域的另一种高空间分辨率遥感数据作为辅助数据，这 样做虽然提高了高光谱图像的SPM结果，但是，由于SPM中使用的辅助遥感数据类型相对 单一，不能同时提供多种类型的辅助信息，阻碍了SPM结果精度的进一步提高。为了解决上 述问题并充分利用MRSFD中的多种辅助信息，提出了一种基于多源遥感数据融合的土地覆 盖类别亚像素定位方法。包括如下步骤：
(1)对原始的高光谱图像和全色影像进行融合，利用全色锐化技术得到具有高空间分辨率和 光谱分辨率的融合图像。
(2)将得到的包含空间和光谱信息的融合图像与一种带有高程信息的LiDAR的DSM进行 融合，通过特征融合得到包含空间、光谱和高程信息的MRSFD。
(3)对MRSFD进行光谱解混处理处理，得到属于土地覆盖类别的亚像素比例分数图像，再 通过基于类单元的类别分配方法将类标签分配给亚像素，根据这些比例信息得到SPM结果。
设S为原始高光谱图像与辅助全色影像或LiDAR的DSM之间的比例，即认为高光谱图 像中的一个混合像素在辅助全色影像或LiDAR的DSM上划分为S2个亚像素。由M个混合像素和B波段组成的原始高光谱图像YH包括混合像素PJ(J＝1，2，...，M)。辅助全色影像YP和辅助带有高程信息的LiDAR的DSM分别含有MS2亚像素。
步骤(1)中，利用全色锐化技术得到融合图像的具体步骤为：将高光谱图像转换成主成分 (Principal Components，PCs)，PCs包含高光谱图像的空间信息。根据式(1)用全色影像丰富 的空间信息替换第一个主成分，并在替换前对全色影像和第一个主成分进行直方图匹配，以 减少失真匹配。最后利用逆变换完成全色锐化，得到具有丰富空间和光谱信息的融合图像。
Figure BSA0000232197390000021
其中YF为全色锐化后的融合图像，
Figure RE-GSB0000193249620000022
表示融合图像的第b个波段，
Figure RE-GSB0000193249620000023
表示 高光谱图像的第b个波段，YH按全色影像YP的比例进行插值，gb是注入增益的矢量，wb是 计算高光谱图像和全色影像之间的重叠光谱的权重向量。
步骤(2)中，通过特征融合得到MRSFD的具体步骤为：首先利用预先确定好尺寸和形 状的形态学上开口或闭合的结构元素来提取空间和光谱特征
Figure BSA0000232197390000031
(n为特征数)，其中B 波段来自于融合图像。而高程特征为
Figure BSA0000232197390000032
其中B*波段来自于LiDAR的DSM。因为 融合后的图像有更多的波段，空间和光谱特征的频带数比高程特征的频带数多(例如，B＞B*)。然后为了便于特征融合，需要通过核主成分分析(Kernel Principal ComponentAnalysis， KPCA)将空间和光谱特征的频带数归一化处理为B*。假设
Figure BSA0000232197390000033
和
Figure BSA0000232197390000034
表示空间光谱特征和高程特征叠加的向量。最后通过FFG，获得带有融合特征
Figure BSA0000232197390000035
的MRSFD。FFG的目标是找到一个可以实现
Figure BSA0000232197390000036
的变换矩阵R。矩阵R 定义为式(2)。
Figure BSA0000232197390000037
其中zxy∈{0，1}来自被定义为图像边缘的矩阵Z。利用基于欧式距离的K最近邻算法 (K-Nearest Neighbors，KNN)，找出靠近中心特征
Figure BSA0000232197390000038
的特征
Figure BSA0000232197390000039
如果
Figure BSA00002321973900000310
和
Figure BSA00002321973900000311
接近zxy＝1，并且
Figure BSA00002321973900000312
和
Figure BSA00002321973900000313
相距zxy＝0。另外，我们使用式(3)中的约束来避免简 并。
RT(FS-E)D(FS-E)TR＝I (3)
其中，D是一个对角矩阵，对角线上Dx，x的值为
Figure BSA00002321973900000314
I是单位矩阵。得到R＝(r1，r2，...，ro)的 解，该解由与式(4)中广义问题的最小特征向量o的特征值λ1≤λ2≤…≤λo相关的特征向量 组成。
(FS-E)W(FS-E)Tr＝λ(FS-E)D(FS-E)Tr (4)
其中，W＝D—Z是拉普拉斯算子矩阵。
步骤(3)中，通过特征融合得到具有MS2个混合像素的多源遥感融合数据YM后，利用基于 线性光谱混合模型(Linear Spectral Mixture Model，LSMM)的混合光谱分解技术对MRSFD进 行解混，获得含有土地覆盖类别的亚像素pj(j＝1，2，...，MS2)的比例分数图像L(pj)。比例 L(pj)定义为
Db＝EL+n (5)
其中
Figure BSA0000232197390000041
是MRSFD的谱向量；L＝[L(p1)，L(p2)，...，L(pN)]T是比例向量； E是端元光谱的矩阵，n是随机噪声。在随机噪声最小的情况下，采用LSMM算法进行最优 估计。
接下来根据这些比例L(pj)，利用基于类单元的类别分配方法将类标签分配给亚像素， 得到最终的SPM结果。
本发明的有益效果为：本发明的方法改善了现有的SPM方法，充分利用了MRSFD的空 间、光谱和高程信息，利用新的方法SPM-MRSFD提高了映射结果的准确性，优于现有的最新方法。
附图说明
图1为SPM-MRSFD的流程图
图2(a)为2012年6月23日机载激光测绘中心拍摄的高光谱图像
图2(b)为2012年6月22日机载激光测绘中心拍摄的LiDAR的DSM
图3(a)为SPM映射结果的基准参考图
图3(b)为基于像素内和像素间相关性(Intra-and Inter-pixel Dependence，IID)的SPM映 射结果图
图3(c)为基于减少点扩散函数效应的径向基函数插值(Radial Basis Functioninterpolation by reducing Point Spread Function effect，RBF-PSF)的SPM映射结果图
图3(d)为基于带有LiDAR图像的HNN(HNN-LiDAR)的SPM映射结果图
图3(e)为基于全锐化技术的SPM(SPM-PAN)映射结果图
图3(f)为SPM-MRSFD的映射结果图
图4(a)为SPM结果的子区域基准参考图
图4(b)为基于IID的子区域映射结果图
图4(c)为基于RBF-PSF的子区域映射结果图
图4(d)为基于HNN-LiDAR的子区域映射结果图
图4(e)为SPM-PAN的子区域映射结果图
图4(f)为SPM-MRSFD的子区域映射结果图
具体实施方式
为了处理混合像素并获得土地覆盖类别的空间分布，提出了一种基于多源遥感数据融合的土 地覆盖类别亚像素定位方法。我们测试并比较了五种SPM方法，包括基于IID的SPM，基于 RBF-PSF的SPM，基于HNN-LiDAR的SPM，SPM-PAN，以及提出的SPM-MRSFD。包 括如下步骤：
(1)通过均值滤波器对精细的高光谱图像进行下采样，得出模拟的低分辨率高光谱图 像。对原始的高光谱图像和全色影像进行融合，利用全色锐化技术得到具有高空间分辨率和 光谱分辨率的融合图像。具体为：
将高光谱图像转换成主成分(Principal Components，PCs)，PCs包含高光谱图像的空间 信息。根据式(1)用全色影像丰富的空间信息替换第一个主成分，并在替换前对全色影像和第 一个主成分进行直方图匹配，以减少失真匹配。最后利用逆变换完成全色锐化，得到具有丰 富空间和光谱信息的融合图像。
Figure BSA0000232197390000051
其中YF为全色锐化后的融合图像，
Figure RE-GSB0000193249620000052
表示融合图像的第b个波段，
Figure RE-GSB0000193249620000053
表示 高光谱图像的第b个波段，YH按全色影像YP的比例进行插值，gb是注入增益的矢量，wb是计 算高光谱图像和全色影像之间的重叠光谱的权重向量。
需要注意的是，由于大量混合像素，土地覆盖类别的空间分布无法确定。此外，我们仅 考虑全锐化技术，并避免了由于采集全色影像而引起的误差的影响，通过将IKONOS卫星的 光谱响应函数应用于精细的高光谱图像来创建适当的全色影像。通过对锐化后的融合图像进 行融合，模拟低分辨率的高光谱图像和全色影像。因为全色影像的空间信息被提供给低分辨 率高光谱图像，所以融合图像更加清晰。
(2)将得到的包含空间和光谱信息的融合图像与一种带有高程信息的LiDAR的DSM进行融合，通过特征融合得到包含空间、光谱和高程信息的MRSFD。具体为：
首先利用预先确定好尺寸和形状的形态学上开口或闭合的结构元素来提取空间和光谱特 征
Figure BSA0000232197390000054
(n为特征数)，其中B波段来自于融合图像。而高程特征为
Figure BSA0000232197390000055
其中B*波段来自于LiDAR的DSM。因为融合后的图像有更多的波段，空间和光谱特征的频带数比 高程特征的频带数多(例如，B＞B*)。然后为了便于特征融合，需要通过核主成分分析(Kernel Principal Component Analysis，KPCA)将空间和光谱特征的频带数归一化处理为B*。假设
Figure BSA0000232197390000056
和
Figure BSA0000232197390000057
表示空间光谱特征和高程特征叠加的向量。最后通 过FFG，获得带有融合特征
Figure BSA0000232197390000061
的MRSFD。FFG的目标是找到一个可以实现
Figure BSA0000232197390000062
的变换矩阵R。矩阵R定义为式(2)。
Figure BSA0000232197390000063
其中zxy∈{0，1}来自被定义为图像边缘的矩阵Z。利用基于欧式距离的K最近邻算法 (K-Nearest Neighbors，KNN)，找出靠近中心特征
Figure BSA0000232197390000064
的特征
Figure BSA0000232197390000065
如果
Figure BSA0000232197390000066
和
Figure BSA0000232197390000067
接近zxy＝1，并且
Figure BSA0000232197390000068
和
Figure BSA0000232197390000069
相距zxy＝0。另外，我们使用式(3)中的约束来避免简 并。
RT(FS-E)D(FS-E)TR＝I (3)
其中，D是一个对角矩阵，对角线上Dx，x的值为
Figure BSA00002321973900000610
I是单位矩阵。得到R＝(r1，r2，...，ro)的 解，该解由与式(4)中广义问题的最小特征向量o的特征值λ1≤λ2≤…≤λo相关的特征向量 组成。
(FS-E)W(FS-E)Tr＝λ(FS-E)D(FS-E)Tr (4)
其中，W＝D—Z是拉普拉斯算子矩阵。
(3)对MRSFD进行光谱解混处理处理，得到属于土地覆盖类别的亚像素比例分数图像， 再通过基于类单元的类别分配方法将类标签分配给亚像素，根据这些比例信息得到SPM结 果。具体为：
通过特征融合得到具有MS2个混合像素的多源遥感融合数据YM后，利用基于线性光谱混 合模型(Linear Spectral Mixture Model，LSMM)的混合光谱分解技术对MRSFD进行解混，获 得含有土地覆盖类别的亚像素pj(j＝1，2，...，MS2)的比例分数图像L(pj)。比例L(pj)定义 为
Db＝EL+n (5)
其中
Figure BSA00002321973900000611
是MRSFD的谱向量；L＝[L(p1)，L(p2)，...，L(pN)]T是比例向量； E是端元光谱的矩阵，n是随机噪声。在随机噪声最小的情况下，采用LSMM算法进行最优 估计。
接下来根据这些比例L(pj)，利用基于类单元的类别分配方法将类标签分配给亚像素， 得到最终的SPM结果。
本发明提出的基于多源遥感数据融合的土地覆盖类别亚像素定位方法的原理流程图如图 1所示。
图2的(a)，(b)是该方法使用的数据集，其中(a)为高光谱图像的伪色彩图像，是通过S×S均值滤波器对精细的高光谱图像进行下采样得到的。(b)为LiDAR的DSM，与锐 化后的融合图像进行融合，获得MRSFD。通过利用MRSFD，提出的SPM-MRSFD可以产生 更好的映射结果。该数据集的像素为320×1800，空间分辨率为2.5m。
图3的(a)也来自图2的数据集，包含15类场景，作为SPM结果的基准参考图片。四种SPM方法的映射结果如图3(b)到(f)所示。
图4为放大的图3(a)中标记有像素的子区域。通过视觉比较，SPM-MRSFD的映射结果更接近参考图像。比较其他四种方法，我们可以发现IID，RBF-PSF，HNN-LiDAR和 SPM-PAN的SPM结果并不理想，例如，观察表1，第15类(运行轨迹)在图4(b)到(e) 中有许多突出的毛刺边界和不连续形状的区域。在图4(f)中提出的SPM-MRSFD中减轻 了上述现象。
表1中列出了五种SPM方法的每个类别(％)，OA(％)和Kappa的映射精度。尽管HNN-LiDAR中第4类(合成草皮)，第13类(停车场2)和第14类(网球场)的映射精度 比SPM-MRSFD中的映射精度高，但其他类的映射精度，尤其是小型目标类别，例如第4类 (树)，第7类(住宅)和第9类(道路)，非常低，导致五种SPM方法中的OA(％)和 Kappa最低。与SPM-PAN相比，SPM-MRSFD的OA(％)和Kappa增加了约2.6％和0.027。 根据OA的定义(％)，因为实验数据中有像素，所以大约2.6％的增加意味着SPM-MRSFD 可以产生14976个更正确的映射像素。由评估数据可知SPM-MRSFD的性能优于其他四种 SPM方法。
表1.不同方式的性能评估(S＝8)
Figure BSA0000232197390000071

Claims (4)

1.本发明通过利用多源遥感融合数据(Multi-Source Remote Sensing Fusion Data，MRSFD)的空间、光谱、高程信息，提出了一种基于MRSFD的亚像素定位(Sup-pixel Mapping，SPM)方法。包括如下步骤：
(1)对原始的高光谱图像和全色影像进行融合，利用全色锐化技术得到具有高空间分辨率和光谱分辨率的融合图像。
(2)将得到的包含空间和光谱信息的融合图像与一种带有高程信息的激光雷达(LightDetection And Ranging，LiDAR)数字表面模型(Digital Surface Model，DSM)进行融合，通过特征融合得到包含空间、光谱和高程信息的MRSFD。
(3)对MRSFD进行归一化处理，得到属于土地覆盖类别的亚像素比例分数图像，再通过基于类单元的类别分配方法将类标签分配给亚像素，根据这些比例信息得到SPM结果。
2.如权利要求1所述的一种基于多源遥感数据融合的亚像素定位(Sup-pixel MappingBased on Multi-Source Remote Sensing Fusion Data，SPM-MRSFD)方法，其特征在于，步骤(1)中，将高光谱图像转换成主成分(Principal Components，PCs)，PCs包含高光谱图像的空间信息。根据式(1)用全色影像丰富的空间信息替换第一个主成分，并在替换前对全色影像和第一个主成分进行直方图匹配，以减少失真匹配。最后利用逆变换完成全色锐化，得到具有丰富空间和光谱信息的融合图像。
Figure RE-FSB0000193249610000011
其中YF为全色锐化后的融合图像，
Figure RE-FSB0000193249610000012
表示融合图像的第b个波段，
Figure RE-FSB0000193249610000013
表示高光谱图像的第b个波段，YH按全色影像YP的比例进行插值，gb是注入增益的矢量，wb是计算高光谱图像和全色影像之间的重叠光谱的权重向量。
3.如权利要求1所述的SPM-MRSFD方法，其特征在于，步骤(2)中，首先利用预先确定好尺寸和形状的形态学上开口或闭合的结构元素来提取空间和光谱特征
Figure RE-FSB0000193249610000014
(n为特征数)，其中B波段来自于融合图像。而高程特征为
Figure RE-FSB0000193249610000015
其中B*波段来自于LiDAR的DSM。因为融合后的图像有更多的波段，空间和光谱特征的频带数比高程特征的频带数多(例如，B＞B*)。然后为了便于特征融合，需要通过核主成分分析(Kernel Principal ComponentAnalysis，KPCA)将空间和光谱特征的频带数归一化为B*。假设
Figure RE-FSB0000193249610000016
和
Figure RE-FSB0000193249610000017
表示空间光谱特征和高程特征叠加的向量。最后通过FFG，获得带有融合特征
Figure RE-FSB0000193249610000021
的MRSFD。FFG的目标是找到一个可以实现
Figure RE-FSB0000193249610000022
的变换矩阵R。矩阵R定义为式(2)。
Figure RE-FSB0000193249610000023
其中zxy∈{0，1}来自被定义为图像边缘的矩阵Z。利用基于欧式距离的K最近邻算法(K-Nearest Neighbors，KNN)，找出靠近中心特征
Figure RE-FSB0000193249610000024
的特征
Figure RE-FSB0000193249610000025
如果
Figure RE-FSB0000193249610000026
和
Figure RE-FSB0000193249610000027
接近zxy＝1，并且
Figure RE-FSB0000193249610000028
和
Figure RE-FSB0000193249610000029
相距zxy＝0。另外，我们使用式(3)中的约束来避免简并。
RT(FS-E)D(FS-E)TR＝I (3)
其中，D是一个对角矩阵，对角线上Dx，x的值为
Figure RE-FSB00001932496100000210
I是单位矩阵。得到R＝(r1，r2，...，ro)的解，该解由与式(4)中广义问题的最小特征向量o的特征值λ1≤λ2≤…≤λo相关的特征向量组成。
(FS-E)W(FS-E)Tr＝λ(FS-E)D(FS-E)Tr (4)
其中，W＝D-Z是拉普拉斯算子矩阵。
4.如权利要求1所述的SPM-MRSFD方法，其特征在于，步骤(3)中，通过特征融合得到具有MS2个混合像素的多源遥感融合数据YM后，利用基于线性光谱混合模型(Linear SpectralMixture Model，LSMM)的混合光谱分解技术对MRSFD进行解混，获得含有土地覆盖类别的亚像素pj(j＝1，2，...，MS2)的比例分数图像L(pj)。比例L(pj)定义为
Db＝EL+n (5)
其中
Figure RE-FSB00001932496100000211
是MRSFD的谱向量；L＝[L(p1)，L(p2)，...，L(pN)]T是比例向量；E是端元光谱的矩阵，n是随机噪声。在随机噪声最小的情况下，采用LSMM算法进行最优估计。
接下来根据这些比例L(pj)，利用基于类单元的类别分配方法将类标签分配给亚像素，得到最终的SPM结果。
CN202110116628.8A 2021-01-21 2021-01-21 一种基于多源遥感数据融合的土地覆盖类别亚像素定位方法 Pending CN112883823A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110116628.8A CN112883823A (zh) 2021-01-21 2021-01-21 一种基于多源遥感数据融合的土地覆盖类别亚像素定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110116628.8A CN112883823A (zh) 2021-01-21 2021-01-21 一种基于多源遥感数据融合的土地覆盖类别亚像素定位方法

Publications (1)

Publication Number Publication Date
CN112883823A true CN112883823A (zh) 2021-06-01

Family

ID=76053600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110116628.8A Pending CN112883823A (zh) 2021-01-21 2021-01-21 一种基于多源遥感数据融合的土地覆盖类别亚像素定位方法

Country Status (1)

Country Link
CN (1) CN112883823A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155433A (zh) * 2021-11-30 2022-03-08 北京新兴华安智慧科技有限公司 一种违法土地的检测方法、装置、电子设备及存储介质
CN116935214A (zh) * 2023-06-27 2023-10-24 福建鼎旸信息科技股份有限公司 一种卫星多源遥感数据的时空谱融合方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170251134A1 (en) * 2014-09-16 2017-08-31 University Of New Brunswick Optical sensor systems and image processing methods for remote sensing
CN109492527A (zh) * 2018-09-28 2019-03-19 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
CN112130169A (zh) * 2020-09-23 2020-12-25 广东工业大学 一种激光雷达数据和高光谱图像的点云级融合方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170251134A1 (en) * 2014-09-16 2017-08-31 University Of New Brunswick Optical sensor systems and image processing methods for remote sensing
CN109492527A (zh) * 2018-09-28 2019-03-19 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
CN112130169A (zh) * 2020-09-23 2020-12-25 广东工业大学 一种激光雷达数据和高光谱图像的点云级融合方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155433A (zh) * 2021-11-30 2022-03-08 北京新兴华安智慧科技有限公司 一种违法土地的检测方法、装置、电子设备及存储介质
CN116935214A (zh) * 2023-06-27 2023-10-24 福建鼎旸信息科技股份有限公司 一种卫星多源遥感数据的时空谱融合方法
CN116935214B (zh) * 2023-06-27 2024-04-12 福建鼎旸信息科技股份有限公司 一种卫星多源遥感数据的时空谱融合方法

Similar Documents

Publication Publication Date Title
Zhao et al. Superpixel-based multiple local CNN for panchromatic and multispectral image classification
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
Zhong et al. An adaptive subpixel mapping method based on MAP model and class determination strategy for hyperspectral remote sensing imagery
Yuan et al. Remote sensing image segmentation by combining spectral and texture features
Li et al. Hyperspectral pansharpening via improved PCA approach and optimal weighted fusion strategy
Shahdoosti et al. Pansharpening of clustered MS and Pan images considering mixed pixels
CN110070518A (zh) 一种基于双路径支持下的高光谱图像超分辨率制图方法
Zhang et al. Preprocessing and fusion analysis of GF-2 satellite Remote-sensed spatial data
CN112883823A (zh) 一种基于多源遥感数据融合的土地覆盖类别亚像素定位方法
Wang et al. Soft-then-hard super-resolution mapping based on pansharpening technique for remote sensing image
CN111680579B (zh) 一种自适应权重多视角度量学习的遥感图像分类方法
Zhang et al. Unsupervised subpixel mapping of remotely sensed imagery based on fuzzy c-means clustering approach
Rangzan et al. Supervised cross-fusion method: a new triplet approach to fuse thermal, radar, and optical satellite data for land use classification
CN110084747B (zh) 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
Manaf et al. Hybridization of SLIC and Extra Tree for Object Based Image Analysis in Extracting Shoreline from Medium Resolution Satellite Images.
Li et al. Spatial-temporal super-resolution land cover mapping with a local spatial-temporal dependence model
CN113446998B (zh) 一种基于高光谱目标探测数据的动态解混方法
Huang et al. Improving Landsat ETM+ urban area mapping via spatial and angular fusion with MISR multi-angle observations
Kim et al. Block-based fusion algorithm with simulated band generation for hyperspectral and multispectral images of partially different wavelength ranges
Wang et al. Subpixel land cover mapping based on dual processing paths for hyperspectral image
Movia et al. Comparison of unsupervised vegetation classification methods from VHR images after shadows removal by innovative algorithms
Wang et al. Subpixel mapping based on multisource remote sensing fusion data for land-cover classes
CN116452872A (zh) 一种基于改进的Deeplabv3+的森林场景树种分类方法
CN113781375B (zh) 一种基于多曝光融合的车载视觉增强方法
Djerriri et al. Object-based classification of Sentinel-2 imagery using compact texture unit descriptors through Google Earth Engine

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