一种基于多尺度目标红外信息的亚像元制图方法与流程

1.本发明涉及遥感信息处理技术领域，尤其是一种基于多尺度目标红外信息的亚像元制图方法。


背景技术：

2.植被，水和建筑物等土地覆盖目标的制图信息，是生态系统预测，环境污染，人口监测等研究的基础数据之一。可以使用2013年2月发射的landsat 8卫星上的landsat 8实用陆地成像仪(operational land imager，oli)图像来获得土地覆盖目标的制图信息。landsat8 oli 图像具有30m的空间分辨率，在可见光部分，电磁频谱的近红外区域和短波红外区域具有八个波段，并在15m的空间分辨率上加上一个附加的全色波段。然而，由于传感器的局限性以及土地覆盖类别的多样性，采集的oli图像的分辨率有时会很低，并且混合像素很多，这阻碍了土地覆盖目标的准确映射信息。为了解决这个问题，在包含landsat 8 oli图像的粗略的遥感图像中使用了子像素映射方法(sub-pixel mapping，spm)，以获得子像素级的映射信息。 srm根据比例因子s将混合像素划分为s
×
s个子像素，并将通过原始遥感图像的光谱解混获得的粗糙分形图像转换为具有更高空间分辨率的硬分类图像。
3.近年来，有许多关于spm的研究得到了飞速发展。大多数spm方法是基于多种形式的空间相关性。特别是近来，基于对象空间相关性(object spatial dependence，osd)的一种更有效的spm被提出。根据产生spm结果的方式，有两种类型的srm，即初始化，然后优化的方法，和软，然后硬的方法。在先初始化然后优化的方法中，将土地覆盖类别标签随机分配给子像素，然后通过逐渐变换子像素的空间位置来对其进行优化。有一些方法，例如像素交换算法，最小化周长法，相邻值法和moran
′
s i方法都属于这种类型。为了获得更好的结果，一些人工智能算法，例如模拟退火，粒子群优化和遗传算法已被用来优化这些方法。但是，这些算法通常需要复杂的物理结构和较长的计算时间。软硬化方法由于其简单的物理含义和快速的操作而被更广泛地使用。分两个步骤：1)子像素锐化和2)软
--
硬类型的类别分配。子像素锐化提高了粗糙分形图像的分辨率，以产生高分辨率子图像，其中每个子像素的比例都属于土地覆盖目标信息。空间吸引力模型，hopfield神经网络，反向传播神经网络，指示器协同克里金法，和一些超分辨率算法，都可以实现亚像素锐化。再根据这些比例，使用类别分配方法将类别标签分配给每个子像素。类分配方法包括线性优化，首先分配最高软属性值，对象单元，类单元，依此类推。由于子像素映射是一个病态问题，因此映射结果的准确性还可以通过一些辅助数据来提高，例如多个子像素的移位图像，光检测和测距，融合图像，精细比例信息等。
4.但是，因为对象信息在现有spm中是单一比例的，这会影响最终得到的的spm结果。此外，landsat 8 oli图像中的红外信息未在现有的spm方法中用于土地覆盖目标的处理。为了解决上述问题，提出了一种基于landsat 8 oli图像目标多尺度红外信息处理的土地覆盖目标亚像元映射方法(sub-pixel land cover target mapping based on multiscale object-infraredinformation for landsat 8 oli image，moii)。moii包括
对象项和红外项。对于对象，首先通过将原始的粗糙landsat 8 oli图像解混得出土地覆盖目标的粗糙分形图像，同时通过主成分分析(principal component analysis，pca)获得landsat 8 oli图像的首要主成分；然后，使用拉普拉斯金字塔深度学习网络来训练粗糙的分形图像和多尺度的第一主成分，以产生上采样的分形图像和上采样的第一主成分。接着，通过对上采样的第一主成分进行分割来产生对象；最后，通过将上采样的分形图像与产生的对象融合来获得对象的类别比例，并利用随机游走扩展算法(extended random walker，erw)计算对象的类别比例以生成具有多尺度对象信息的对象项。另一方面，通过计算归一化差异目标指数(normalized difference target index， ndti)，可以得出具有丰富红外信息的红外项。在landsat 8 oli图像中，选择两个波段的基础是目标的反射率从近红外波段到另一个波段急剧增加。红外项是通过最小化观察到的ndti 值(ndti
obe
)和模拟的ndti值(ndti
sim
)之间的光谱指示符的差异来得出的。通过将目标项与红外项组合，可以生成具有多尺度目标红外信息的目标函数。根据该目标函数，采用粒子群优化算法(particle swarm optimization，pso)获得土地覆盖目标识别的最终spm结果。


技术实现要素：

5.landsat 8实用陆地成像仪(operational land imager，oli)生成的图像可以为土地覆盖目标(例如植被，水和建筑物)提供重要的制图信息。由于传感器的局限性和土地覆盖类别的多样性，采集到的landsat 8 oli图像，分辨率有时会非常粗糙，因而阻碍了土地覆盖目标的精确制图。为了解决这个问题，已提出了亚像素映射(sub-pixel mapping，spm)方法，用于以亚像素尺度映射土地覆盖目标。然而，其目标信息是单一尺度的，并且红外信息在现有的 spm方法中并未得到充分利用。
6.为了提高对土地覆盖物目标的制图精度，本发明一种基于多尺度目标红外信息的亚像元制图方法(sub-pixel land cover target mapping based on multiscale object-infrared information for landsat 8 oli image，moii)，包括如下步骤：
7.(1)在多尺度路径中，通过拉普拉斯金字塔深度学习网络，分割和随机游走扩展算法 (extended random walker，erw)生成具有多尺度对象信息的精细丰度图像。
8.(2)在红外路径中，通过计算归一化差异目标指数(normalized difference target index， ndti)，可以得出具有丰富红外信息的精细丰度图像。
9.(3)步骤(1)和步骤(2)获得的具有不同信息的两种精细丰度图像利用线性整合方法获得具有多尺度目标红外信息的更精细的丰度图像。
10.(4)根据更精细的丰度图像，采用粒子群优化算法(particle swarm optimization，pso) 获得土地覆盖目标识别的最终子像素映射(sub-pixel mapping，spm)结果，获得最终的亚像元制图结果。
11.优选的，步骤(1)中，基于拉普拉斯金字塔深度学习网络，分割和随机游走扩展算法具体为：为了获取物体的多尺度信息，我们通过拉普拉斯金字塔深度学习网络引入了一个目标项t
obj
，对图像依次分割并进行随机游走扩展算法。
12.首先，我们通过融合原始的陆地卫星landsat 8 oli的粗略图像来获得土地覆盖目标的粗略分形图像，同时我们使用pca获得陆地卫星landsat 8 oli图像的第一主成分。
13.第二步，使用拉普拉斯金字塔深度学习来训练粗略的分形图像和多尺度的第一主
成分，从而产生上采样的分形图像和上采样的第一主成分。
14.第三步，通过分割上采样的第一主成分来产生目标对象，定义q为确定合并终止条件的细分比例参数和目标的尺寸。分割方法通过下式给出：
15.h＝θ
×
h
spectral
(1-θ)
×
h
shape
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
16.其中h是区域异质性；θ代表一个自由参数以平衡光谱的异质性h
spectral
和形状的异质性 h
shape
，一般设为0.5。h
spectral
和h
shape
由(2)式和(3)式给出：
[0017][0018][0019]
其中b表示光谱带(b＝1，2，...，b；b是光谱带总数)；θ
b
是分割目标区域中第b
th
段光谱带光谱值的标准差；是第b
th
段光谱带的自由光谱参数值，在本文中对于所有选用的的光谱带其值都设为1；和分别表示分割目标区域的平滑度和紧密度。a是分割区域的实际边界长度，r是分割区域的矩形边界长度。n是分割区域中子像素的数量。θ
shape
是一个自由参数这里一般设为0.4。
[0020]
在相邻区域之间合并异质性最小的两个对象。当合并区域的异质性h大于预设的细分比例参数q时，终止合并过程并提取对象。
[0021]
最后，经过上述处理步骤后，上采样的第一主成分被分割为k个对象o
k
(k＝1，2，...，k)，对象o
k
包含了n
k
个子像素，并且上采样分形图像包含了亚像素p
i
(i＝1，2，...，n
k
)的类别比例l(p
i
)。通过平均目标区域o
k
其子像素的类比例获得类别比例g(o
k
)。
[0022][0023]
通过erw算法获得第i
th
个子像素对应的t(i)
obj
，通过公式(5)给出：
[0024]
t(i)
obj
＝λ
×
t
among
(g) (1-λ)
×
t
within
(g)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0025]
其中t
among
(g)代表对象之间的信息，t
within
(g)表示每个对象之内的信息， g＝[g(o1)，g(o2)，...，g(o
k
)]是一个列向量，λ是设置为0.5的自由参数变量。
[0026]
t
among
(g)通过以下公式得到：
[0027]
t
among
(g)＝g
t
lg
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0028]
l是拉普拉斯矩阵：
[0029][0030]
其中v
kj
＝exp(-μ(v
k-v
j
)2)是第k
th
个对象o
k
和第j
th
个对象o
j
之间的光谱差值。μ是一个自由变量，这里设置为0.6。第k
th
个对象的光谱值v
k
计算方法为：
[0031][0032]
其中是o
k
的第i
th
个子像素的光谱值。
[0033]
t
within
(g)的定义式为：
[0034]
[0035]
其中λ是一个对角矩阵，其对角线上的值是每个对象的土地覆盖目标类别比例，也是一个对角矩阵，其对角线的值表示的是每个对象的背景类别比例。对象项t
obj
可以通过建立线性优化模型获得。线性优化模型是用来最小化所有子像素的t
obj
，它的由下式得出：
[0036][0037][0038]
由于拉普拉斯金字塔深度学习以多尺度训练图像并且erw算法考虑了对象信息，通过上述处理流程就得到具有多尺度目标信息的目标项t
obj
。
[0039]
优选的，步骤(2)中，基于归一化差异目标指数(ndti)算法具体为：为了充分利用红外信息，提出了一个新的红外项t
inf
，旨在最小化观察到的ndti值(ndti
obe
)和模拟ndti 值(ndti
sim
)之间的光谱指示符的差异。
[0040]
在landsat 8 oli图像中，通过计算近红外波段和其他波段中目标的光谱反射率之差来获得ndti
obe
。我们根据土地覆盖目标的不同，选择不同的波段与近红外波段结合。而ndti
obe
值由下式得到：
[0041][0042]
其中和是x和y波段中每个混合像素的观察反射率，它们直接从原始landsat 8oli图像中获得。
[0043]
假设和是目标在x波段和y波段的反射率，和是其背景的对应反射率。对于两个频带中的每个混合像素，目标和的比例是通过将目标子像素的数量除以总子像素数得到的。在两个波段中背景的比例分别为和每个混合像素的反射率被认为是其拥有的所有子像素光谱的线性混合。因此，分别使用等式(13)和(14)来计算两个个频带中的每个混合像素和的模拟反射率。
[0044][0045][0046]
ndti
sim
由以下公式给出：
[0047][0048]
然后再通过最小化ndti
obe
和ndti
sim
之间的差异来获得红外项t
inf
。
[0049]
t
inf
＝min(ndti
obe-ndti
sim
)2ꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0050]
优选的，步骤(3)中，线性整合方法具体为：通过权衡系数λ协调红外项t
inf
和目标项t
obj
来生成有着多维度红外信息的目标函数t。moii的目的是最小化t。
[0051]
min t＝(1-λ)t
obj
λt
inf
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0052]
优选的，步骤(4)中，粒子群优化算法具体为：利用粒子群优化算法(particle swarmoptimization，pso)来最优化目的函数并且获得spm结果。首先，将目标或者背景坐标随机地分配给每一个亚像元。接下来，迭代更新亚像元的坐标直到获得目标函数t的最小值。每次迭代，目标坐标被变换成背景坐标，反之亦然。如果t减少则继续迭代，不减小则不
被接受。当少于0.1％的坐标改变时，pso结束。所有的亚像元整体进行了类别分配，得到了亚像元制图结果。
[0053]
本发明的有益效果为：本发明的方法改善现有的土地覆盖物目标的制图模型，利用新的方法获得定位精度更高的结果。
附图说明
[0054]
图1为通过拉普拉斯金字塔深度学习网络，分割和随机游走扩展算法生成具有多尺度对象信息的精细丰度图像原理流程图。
[0055]
图2为本发明方法流程示意图。
[0056]
图3为数据集1通过s＝6进行降采样生成模拟的原始粗糙卫星图像。
[0057]
图4为数据集2通过s＝6进行降采样生成模拟的原始粗糙卫星图像。
[0058]
图5(a)为使用hnna方法处理数据集1的亚像元制图结果。
[0059]
图5(b)为使用rbf方法处理数据集1的亚像元制图结果。
[0060]
图5(c)为使用dpso方法处理数据集1的亚像元制图结果。
[0061]
图5(d)为使用moii方法处理数据集1的亚像元制图结果。
[0062]
图6(a)为使用hnna方法处理数据集2的亚像元制图结果。
[0063]
图6(b)为使用rbf方法处理数据集2的亚像元制图结果。
[0064]
图6(c)为使用dpso方法处理数据集2的亚像元制图结果。
[0065]
图6(d)为使用moii方法处理数据集2的亚像元制图结果。
[0066]
图7为一种基于多尺度目标红外信息的亚像元制图方法原理图。
具体实施方式
[0067]
一种基于多尺度目标红外信息的亚像元制图方法，包括如下步骤：
[0068]
(1)输入原始landsat 8 oli图像，利用拉普拉斯金字塔深度学习网络，分割和erw获得有多尺度信息的目标t
obj
，方法流程如图1所示。同时，通过计算原始landsat8 oli图像的ndti来获得有着丰富红外信息的红外项t
inf
。
[0069]
(2)通过权衡系数λ协调红外项t
inf
和目标项t
obj
来生成有着多维度红外信息的目标函数t。
[0070]
(3)使t最小化，利用粒子群优化算法(particle swarm optimization，pso)来最优化目的函数并且获得spm结果。首先，将目标或者背景坐标随机地分配给每一个亚像元。接下来，迭代更新亚像元的坐标直到获得目标函数t的最小值。每次迭代，目标坐标被变换成背景坐标，反之亦然。如果t减少则继续迭代，不减小则不被接受。当少于0.1％的坐标改变时，pso结束。所有的亚像元整体进行了类别分配，得到了亚像元制图结果。
[0071]
本发明提出的基于多尺度目标红外信息的亚像元制图方法(sub-pixel land cover targetmapping based on multiscale object-infrared information for landsat 8 oli image，moii)的方法实现框图如图2所示。
[0072]
采集了两个landsat8 oli数据集作为输入。两个数据集依次有红色、绿色、蓝色、近红外、短波红外1和短波红外2，六个波段。
[0073]
图3为数据集1通过s＝6进行降采样生成模拟的原始粗糙卫星图像。
[0074]
图4为数据集2通过s＝6进行降采样生成模拟的原始粗糙卫星图像。
[0075]
图5为数据集1的亚像元制图结果。其中：a)基于各向异性空间依赖的hopfield神经网络模型亚像元制图方法(hopfield neural network with anisotropic spatial dependence model， hnna)，b)基于径向基函数神经网络模型的亚像元制图方法(radical basis function，rbf)，c) 基于离散粒子群算法的亚像元制图方法(discrete particle swarm optimization，dpso)，d)基于多尺度目标红外信息的亚像元制图方法(moii)。
[0076]
图6为数据集2的亚像元制图结果。其中：a)基于各向异性空间依赖的hopfield神经网络模型亚像元制图方法(hopfield neural network with anisotropic spatial dependence model， hnna)，b)基于径向基函数神经网络模型的亚像元制图方法(radical basis function，rbf)，c) 基于离散粒子群算法的亚像元制图方法(discrete particle swarm optimization，dpso)，d)基于多尺度目标红外信息的亚像元制图方法(moii)。
[0077]
利用总体精度评价(percentage of correctly classified，pcc)和kappa系数评估两个数据集的四种srfim方法的性能。根据表1和表2所示，moii可获得最高的pcc(％)和kappa。与dpso方法相比，moii的pcc(％)和kappa在数据1中分别增加了约2.2％和0.036，在数据2中分别增加了约3.1％和0.059，验证了所提出的moii方法在上的亚像元制图优势。
[0078]
表1 数据1中四种方法的评价指标
[0079][0080]
表2 数据2中四种方法的评价指标
[0081]