一种基于空间-光谱相关性的光谱图像超分辨率映射方法技术

本发明专利技术公开了一种基于空间-光谱相关性的光谱图像超分辨率映射方法，包括如下步骤：(1)通过基于线性欧式距离的混合空间引力模型对原始光谱图像进行处理，获得空间相关性；(2)同时利用非线性Kullback-Leibler距离计算光谱图像的光谱特性得到光谱相关性；(3)建立线性模型将空间相关性与光谱相关性进行整合获得具有良好的线性和非线性属性的优化函数；利用基于模拟退火的类别分配方法将类别标签分配到每个亚像素中，获得超分辨率映射结果。本发明专利技术旨在通过空间-光谱相关性克服线性与非线性成像条件对超分辨率映射的影响，实现超分辨率映射的创新，为光谱图像的广泛应用提供技术支持。持。

【技术实现步骤摘要】
一种基于空间-光谱相关性的光谱图像超分辨率映射方法


[0001]本专利技术涉及遥感信息处理
，尤其是一种基于空间-光谱相关性的光谱图像超分辨率映射方法。

技术介绍

[0002]土地覆盖类别映射信息是生态系统监测、人口变化和环境保护的重要遥感数据之一。光谱图像(多光谱图像和高光谱图像)由于其丰富的光谱特性，常常被用来提供土地覆盖类别映射信息。然而，由于成像条件的影响，采集到的光谱图像分辨率有时比较粗糙，产生大量的混合像元。这些混合像素对获得准确的土地覆盖映射信息产生了挑战。尽管光谱解混可以从光谱图像中得到各土地覆盖类别所占比例的丰度图像，但土地覆盖类别映射信息仍然没有得到。作为光谱解混的后续处理技术，超分辨率映射(Super-resolution Mapping，SRM)可以在亚像素级利用土地覆盖类别映射信息处理混合像素得到SRM结果。在SRM中，根据比例因子S将每个混合像素分割成S
×
S亚像素，然后将土地覆盖类别标签分配给每个亚像素以获得SRM结果。
[0003]SRM结果已成功地应用于许多领域，如水边界提取、建筑物映射、燃烧区映射和土地覆盖变化检测。根据获得SRM结果的方式，SRM主要有两种类型(先初始化后优化和软硬转化)。在初始化阶段，将标签随机分配给亚像素，然后通过优化算法逐步变换每个亚像素的位置，得到最终的SRM结果。基于周长最小化、像素交换、邻域值、粒子群优化和遗传算法的SRM都属于这一类型。然而，由于这种类型的优化过程复杂，通常需要较长的处理时间。软硬转化由于其简单的计算处理而更受欢迎。软硬转化包含两个步骤(即亚像素锐化和类分配)。首先通过亚像素锐化得到亚像素类别比例的精细丰度图像。亚像素锐化是通过超分辨率重建、反向传播神经网络、空间吸引模型、指标协克里格、霍普菲尔德神经网络、目标信息和频谱特性来实现的。然后根据这些比例，通过类分配将标签分配给所有亚像素。类分配方法包括模拟退火、线性优化、最高分数值、对象单位和类单位。当存在适当的辅助数据时，例如深度学习网络、多时相图像、全色图像、精细尺度信息和激光雷达数据可用于改善SRM结果。在SRM的研究中，通常认为粗糙光谱成像的原因是由于线性成像条件的影响。因此，在大多数SRM模拟实验中，作为实验数据的模拟粗光谱图像是通过线性下采样从精细光谱图像中获得的。然而，成像条件的一些影响，如传感器差异、太阳角和季节效应，也具有非线性行为。这些影响也是导致光谱图像粗糙的主要因素之一。传统的SRM方法往往忽略了非线性成像条件的影响，从而影响最终的SRM结果。此外，尽管传统的SRM方法可以利用光谱图像的光谱特性来改进最终的SRM结果，但这些光谱特性通常是从光谱图像的光谱解混结果中获得的。光谱解混误差会影响光谱特性的精度。
[0004]针对这些问题，提出了基于空间-光谱相关性的光谱图像超分辨率映射方法(Super-resolution Mapping Based on Space-Spectrum Correlation for Spectral Imagery，SSC)包括空间相关性和光谱相关性。基于线性欧氏距离的混合空间引力模型在像素尺度和亚像素尺度上都能有效地刻画空间相关性。在这里，为了克服线性成像条件的影
响，利用混合空间引力获得空间相关性。Kullback-Leibler距离被证明是两个概率密度函数(PDF)相似性的一个很好的非线性估计量。为了克服非线性成像条件的影响，利用Kullback-Leibler距离计算频谱特性，提出了一种新的频谱相关性。将空间相关性和新的光谱相关性结合起来，得到具有线性和非线性特性的优化函数。最后，根据优化函数的最大化，采用基于模拟退火的类别分配方法将标签分配给每个亚像素，得到最终的SRM结果。

技术实现思路

[0005]专利技术目的：本专利技术提供一种新型基于空间-光谱相关性的光谱图像超分辨率映射方法，建立更加有效的超分辨率映射模型，进而克服线性和非线性成像影响，提高超分辨率映射精度。
[0006]技术方案：
[0007]一种基于空间-光谱相关性的光谱图像超分辨率映射，包括步骤：
[0008](1)通过基于线性欧式距离的混合空间引力模型对原始光谱图像进行处理，获得空间相关性；具体为：
[0009]假设输入的光谱图像Y有K个像素，N个类别，和B个光谱波段。丰度图像F
n
(n＝1，2，...，N)是通过光谱分解从光谱图像中Y获得的。F
n
包含像素P
A
(A＝1，2，...，K)属于第n类的比例值。设S为比例因子，则将每个像素分成S
×
S个亚像素p
a
(a＝1，2，...，KS2)。针对空间相关性，由于通过计算线性欧氏距离来考虑像素和亚像素尺度的空间相关性，利用混合空间引力模型产生空间相关性，克服了线性成像条件的影响。在混合空间引力模型中，对于亚像素p
a
的第n类的空间相关性计算如下：
[0010][0011]其中δ是权重参数，和是对于亚像素p
a
的像素尺度和亚像素尺度第n类的空间相关性，可以通过公式(2)和(3)获得：
[0012][0013][0014]其中，F
n
(P
J
)是中心亚像素p
a
的邻域像素P
J
属于第n类的比例。x
aj
决定亚像素p
a
和邻域亚像素p
j
是否属于同一类别n，由公式(4)给出。K
I
和K
II
分别是相邻像素和亚像素的数目。这里考虑8个相邻像素或8个相邻子像素。d(p
a
，P
J
)是中心亚像素p
a
与相邻像素P
J
之间的线性欧式距离，d(p
a
，p
j
)是中心亚像素p
a
与相邻亚像素p
j
之间的线性欧式距离。ε1和ε2是指数模型参数。
[0015][0016]根据空间相关性最大化原理，C
spa
可以通过公式(5)和(6)得到：
[0017][0018][0019](2)利用非线性Kullback-Leibler距离计算光谱图像的光谱特性得到光谱相关性；具体为：针对光谱相关性，利用非线性Kullback-Leibler距离计算光谱图像的光谱特性得到光谱相关性，克服了非线性成像条件的影响。首先原始光谱图像Y首先用双三次插值在比例因子S下进行上采样，则获得的上采样图像有KS2个亚像素p
a
(a＝1，2，...，KS2)。然后，中心亚像素p
a
与邻域亚像素p
j
之间的Kullback-Leibler距离KLD(p
a
；p
j
)由公式(7)所得。
[0020]KLD(p
a
；p
j<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空间-光谱相关性的光谱图像超分辨率映射方法，其特征在于：包括步骤：(1)通过基于线性欧式距离的混合空间引力模型对原始光谱图像进行处理，获得空间相关性；具体为：假设输入的光谱图像Y有K个像素，N个类别，和B个光谱波段。丰度图像F
n
(n＝1，2，...，N)是通过光谱分解从光谱图像中Y获得的；F
n
包含像素P
A
(A＝1，2，...，K)属于第n类的比例值；设S为比例因子，则将每个像素分成S
×
S个亚像素p
a
(a＝1，2，...，KS2)；针对空间相关性，由于通过计算线性欧氏距离来考虑像素和亚像素尺度的空间相关性，利用混合空间引力模型产生空间相关性，克服了线性成像条件的影响；在混合空间引力模型中，对于亚像素p
a
的第n类的空间相关性计算如下：其中δ是权重参数，和是对于亚像素p
a
的像素尺度和亚像素尺度第n类的空间相关性，可以通过公式(2)和(3)获得：n类的空间相关性，可以通过公式(2)和(3)获得：其中，F
n
(P
J
)是中心亚像素p
a
的邻域像素P
J
属于第n类的比例；x
aj
决定亚像素p
a
和邻域亚像素p
j
是否属于同一类别n，由公式(4)给出。K
I
和K
II
分别是相邻像素和亚像素的数目；这里考虑8个相邻像素或8个相邻子像素；d(p
a
，P
J
)是中心亚像素p
a
与相邻像素P
J
之间的线性欧式距离，d(p
a
，p
j
)是中心亚像素p
a
与相邻亚像素p
j
之间的线性欧式距离；ε1和ε2是指数模型参数；根据空间相关性最大化原理，C
spa
可以通过公式(5)和(6)得到：可以通过公式(5)和(6)得到：(2)利用非线性Kullback-Leibler距离计算光谱图像的光谱特性得到光谱相关性；具体为：针对光谱相关性，利用非线性Kullback-Leibler距离计算光谱图像的光谱特性得到光谱相关性，克服了非线性成像条件的影响。首先原始光谱图像Y首先用双三次插值在比例因子S下进行上采样，则获得的上采样图像有KS2个亚像素p
a
(a＝1，2，...，KS2)；然后，中心亚像素p
a
与邻域亚像素p
j
之间的Kullback-Leibler距离KLD(p
a
；p
j
)由公式(7)所得；KLD(p
a
；p
j
)＝KL(p
a
；p
j
)+KL(p
j
；p
a...

【专利技术属性】
技术研发人员：王鹏，沈珣，肖子逸，蒲子琪，张海仁，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：