一种基于扩展随机游走算法的遥感图像亚像元定位方法技术

本发明专利技术公开了一种基于扩展随机游走算法的遥感图像亚像元定位方法，包括如下步骤：(1)通过双立方插值对原始粗糙遥感图像进行处理，然后对处理后的遥感图像进行光谱解混，获得亚像元属于每个类别的比例，同时利用主成分分成提取处理后遥感图像的第一主成分，通过自适应分割算法分割第一主成分，生成不规则的目标对象；(2)利用扩展随机行走算法计算目标对象属于每个类别的比例，进而获得目标对象空间相关性；(3)采用基于目标单元的类分配方法得到最终亚像元定位结果。本发明专利技术旨在通过随机游走算法获得具有更全面信息的目标对象空间相关性，实现亚像定位技术的创新，为遥感图像的广泛应用提供技术支持。

A Subpixel Location Method for Remote Sensing Images Based on Extended Random Walk

【技术实现步骤摘要】
一种基于扩展随机游走算法的遥感图像亚像元定位方法
本专利技术涉及遥感信息处理
，尤其是一种基于扩展随机游走算法的遥感图像亚像元定位方法。
技术介绍
随着传感器技术的飞速发展，利用遥感图像获取地物类别分布信息已经成为一种重要的技术手段。然而由于土地覆盖类型的多样性和传感器瞬时视场的局限性所产生了大量混合像元，这些混合像元是制约遥感图像空间分辨率的主要因素。这些制约使得提取准确的地物类别分布信息产生了很大的困难，因此，现今遥感领域研究的热点问题之一就是处理混合像元以提高遥感图像的空间分辨率。光谱解混作为处理混合像元的重要技术虽然可以得到混合像元内各个地物类别的比例信息，但各个地物类别具体空间分布情况无法确定。亚像元定位(Subpixelmapping,SPM)作为光谱解混的后续处理步骤可以很好地解决这一问题。亚像元定位是通过一定的比例尺度S将每个混合像元细分成S2个亚像元，根据空间相关性原理估计出地物类别分布情况，实现了从低分辨率的丰度图像转变成高分辨率的地物分布专题制图的过程。亚像元定位已经成功应用于土地覆盖制图、湖泊海岸边界提取、景观指数计算和变化检测等多方面，在混合像元处理领域亚像元定位技术得到了越来越多的关注。因此如何建立更加有效的处理方法，以改进亚像元定位技术，是一个非常值得研究的基础科学问题，具有较大的业务需求和应用前景。传统的亚像元方法包含两个步骤：1)亚像元锐化和2)类别分配。首先，亚像元锐化方法根据空间相关性原则提高光谱解混结果(丰度图像)的分辨率，获得亚像元软属性值(亚像元属于每个类别的比例值)。现有的亚像元锐化算法主要有空间引力模型，Hopfield神经网络和BP神经网络等。比利时根特大学的Mertens博士提出了基于像元尺度的空间引力模型。为提高这种模型的性能，又有学者相继提出了基于亚像元尺度的空间引力模型和基于两种像元尺度的空间引力模型。Tatem博士提出了一系列基于Hopfield神经网络(Hopfieldneuralnetwork,HNN)模型的亚像元定位方法。此外，BP神经网络(Back-propagationneuralnetwork,BPNN)和一些合适的超分辨率重构算法也可以作为亚像元锐化方法。然后，根据亚像元软属性值，利用类别分配方法将硬属性类别标签分配给每个亚像元中，获得最终的亚像元定位结果。现有的主要类别分配算法有：基于亚像元为单位的分配算法,基于最高亚像元软属性的分配算法,基于纯像元和混合像元混合约束条件的分配算法，基于目标的分配算法等。传统的亚像元定位方法都是基于像元空间相关性或者亚像元空间相关性。为了改善最终的定位结果，Chen等人最新提出了一种基于目标对象空间相关性的亚像元定位方法(SPMbasedonobjectspatialdependence,OSPM)。然而，OSPM方法中的对象是通过对原始粗糙图像进行分割而产生的，而原始图像的粗糙的分辨率会降低分割结果的精度，影响了最终的定位结果。此外，OSPM中的对象空间相关性只考虑对象之间的空间信息，没有充分考虑每个对象区域内的空间信息。为了解决上述问题，提出了一种新型基于扩展随机游走算法的遥感图像亚像元定位方法。利用双立方插值和自适应分割算法提高分割图像精度，进而获得更加准确的对象区域。此外，利用ERW算法生成包含对象之间和对象内部空间信息的对象空间相关性。最终，由于获得更加准确而全面的对象空间相关性，提供了亚像元定位结果。
技术实现思路
专利技术目的：本专利技术提供一种新型基于扩展随机游走算法的遥感图像亚像元定位方法，建立更加有效的亚像元定位模型，进而产生具有更加全面空间信息的目标对象空间相关性，提高亚像元定位精度。技术方案：一种基于扩展随机游走算法的遥感图像亚像元定位方法，包括步骤：(1)通过双立方插值对原始粗糙遥感图像进行处理，然后对处理后的遥感图像进行光谱解混，获得亚像元属于每个类别的比例，同时利用主成分分成提取处理后遥感图像的第一主成分，通过自适应分割算法分割第一主成分，生成不规则的目标对象；具体为：(11)将分割尺度参数T定义为合并的终止条件，并以此确定生成目标对象的大小；(12)利用公式(1)计算基于多尺度自适应的分割方法：M＝αMspectral+(1-α)Mshape(1)其中M是区域异质性，α是平衡光谱异质性Mspectral和形状异质性Mshape的权重参数，Mspectral和Mshape分别由以下公式获得；其中，Vb是分割区域中第b波段光谱值的标准偏差，是第b波段的光谱权重参数；l是分割区域中的实际边界长度，KI是分割区域中的亚像元数目，R表示分割区域中的矩形边界长度，和lR分别用于计算分割区域的平滑度和紧凑度，αshape是平衡权重参数，B为图像总的波段数；(13)在相邻的目标区域中将异质性最小的两个区域进行合并；当合并区域的区域异质性M大于预先定义的分割尺度参数T时，合并过程终止，产生目标对象；(2)利用扩展随机行走算法计算目标对象属于每个类别的比例，进而获得目标对象空间相关性；具体为：(21)将利用双立方插值处理后的遥感图像通过自适应分割算法进行分割获得I个目标对象Oi，i＝1,2,...,I；其中Oi包含个亚像元；(22)目标对象Oi属于第n类的比例值Un(Oi)是通过平均该目标对象包含的所有亚像元pa属于第n类的比例值Hn(pa)获得，如公式(4)所示：进一步将公式(4)进行归一化处理得到公式(5)：(23)利用扩展随机行走算法生成亚像元pa属于第n类的目标对象空间相关性En(pa)，如公式(6)所示；其中表示相邻目标区域之间的空间信息，表示每个目标区域内部的空间信息，是列向量，γ是权重参数；通过以下公式计算得出：L是拉普拉斯矩阵，具体表达式如公式(8)所示：其中表示第i个目标对象Oi和第q个超像元Oq之间的光谱值差异；第i个目标对象Oi的光谱值由以下公式给出：其中ya表示在目标对象Oi中第a个亚像元的光谱值；被定义为公式(10)：其中Λm是一个对角线矩阵，其中对角线上是每个超像元属于第m类的比例值；(3)采用基于目标单元的类分配方法得到最终亚像元定位结果；具体为：对目标对象空间相关性最小化，建立一个线性优化模型；类别标签根据这个模型分配给每个目标对象中的亚像元；线性优化模型如公式(11)和(12)所示：在使用类分配方法时，还需要满足以下约束条件：其中第一个方程表明每个亚像元仅属于一个地物类别，第二个方程定义为每个目标对象内的亚像元的数量应与目标对象属于类别的比例值成比例；值得注意的是，当一个目标对象中只有纯的亚像元时，将同一类别的标签直接分配给该目标对象中的所有亚像元。有益效果：本专利技术的方法建立更加有效的亚像元定位模型，进一步产生具有更加全面空间信的目标对象空间相关性，提高最终的亚像元定位精度。附图说明图1为本专利技术方法流程示意图。图2(a)为Pavia高光谱遥感图像数据集的评价参考图像示意图。图2(b)为Pavia高光谱遥感图像数据集的基于双路径双立方插值的亚像元定位结果示意图。图2(c)为Pavia高光谱遥感图像数据集的基于混合空间引力模型的亚像元定位结果示意图。图2(d)为Pavia高光谱遥感图像数据集的基于目标对象空间相关性的亚像元定位结果示意图。图2(e)本文档来自技高网...

【技术保护点】
1.一种基于扩展随机游走算法的遥感图像亚像元定位方法，其特征在于：包括步骤：(1)通过双立方插值对原始粗糙遥感图像进行处理，然后对处理后的遥感图像进行光谱解混，获得亚像元属于每个类别的比例，同时利用主成分分成提取处理后遥感图像的第一主成分，通过自适应分割算法分割第一主成分，生成不规则的目标对象；具体为：(11)将分割尺度参数T定义为合并的终止条件，并以此确定生成目标对象的大小；(12)利用公式(1)计算基于多尺度自适应的分割方法：M＝αM

【技术特征摘要】
1.一种基于扩展随机游走算法的遥感图像亚像元定位方法，其特征在于：包括步骤：(1)通过双立方插值对原始粗糙遥感图像进行处理，然后对处理后的遥感图像进行光谱解混，获得亚像元属于每个类别的比例，同时利用主成分分成提取处理后遥感图像的第一主成分，通过自适应分割算法分割第一主成分，生成不规则的目标对象；具体为：(11)将分割尺度参数T定义为合并的终止条件，并以此确定生成目标对象的大小；(12)利用公式(1)计算基于多尺度自适应的分割方法：M＝αMspectral+(1-α)Mshape(1)其中M是区域异质性，α是平衡光谱异质性Mspectral和形状异质性Mshape的权重参数，Mspectral和Mshape分别由以下公式获得；其中，Vb是分割区域中第b波段光谱值的标准偏差，是第b波段的光谱权重参数；l是分割区域中的实际边界长度，KI是分割区域中的亚像元数目，R表示分割区域中的矩形边界长度，和l/R分别用于计算分割区域的平滑度和紧凑度，αshape是平衡权重参数，B为图像总的波段数；(13)在相邻的目标区域中将异质性最小的两个区域进行合并；当合并区域的区域异质性M大于预先定义的分割尺度参数T时，合并过程终止，产生目标对象；(2)利用扩展随机行走算法计算目标对象属于每个类别的比例，进而获得目标对象空间相关性；具体为：(21)将利用双立方插值处理后的遥感图像通过自适应分割算法进行分割获得I个目标对象Oi，i＝1...

【专利技术属性】
技术研发人员：王鹏，张弓，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32