遙感圖像的混合像素物質構成精細化分解裝置及方法
2023-12-07 06:33:16
遙感圖像的混合像素物質構成精細化分解裝置及方法
【專利摘要】本發明提供一種能夠實現像素分解結果的空間相關性以及減少孤立分解所造成的噪聲問題的遙感圖像的混合像素物質構成精細化分解裝置及方法。本發明的遙感圖像的混合像素物質構成精細化分解方法，包括：接收步驟，接收上述遙感圖像和該圖像對應的光譜信息；預處理步驟，根據所接收的遙感圖像和光譜信息，初步確定上述圖像的各像素中每個地物類別所佔組成比例的概率值，來作為第一物質構成信息；以及鄰域相關性計算步驟，利用每個像素所鄰接的規定範圍內的相鄰區域中存在的各個像素的第一物質構成信息，對本像素進行與相鄰區域的相關性分析，利用相關性分析的結果，優化本像素的第一物質構成信息，從而得到第二物質構成信息。
【專利說明】遙感圖像的混合像素物質構成精細化分解裝置及方法
【技術領域】
[0001]本發明涉及一種遠程圖像處理技術，特別是涉及一種對遙感圖像進行分析與處理的遙感圖像的混合像素物質構成精細化分解裝置及混合像素物質構成精細化分解方法。
【背景技術】
[0002]遙感技術自上世紀60年代興起發展到現在，成為一個涉及現代物理學、空間科學、計算機技術、數學方法和地球科學理論的綜合【技術領域】，在研究地球表面資源環境方面起到越來越重要的作用。
[0003]隨著成像技術的進步，多波段遙感圖像在各個領域的應用越來越廣泛。由於成像傳感器的光學特性、物理特性以及所觀測地表的複雜性，所獲得的遙感圖像中的一個像素往往包含著多種地物類型，被稱為混合像素。為了提高地物分析的精度，需要根據地物的光譜特性從混合像素中提取各類別地物所佔的組成比例。
[0004]目前，這種從混合像素中提取各類別地物所佔的組成比例的混合像素分解方法主要是分析單個像素的光譜混合模型，按不同的混合方式逐像素進行分解。例如，在專利文獻KCN 101221243A)中公開了一種基於非負矩陣因式分解的遙感圖像混合像素分解方法，在專利文獻2 (CN 102054273A)中公開了一種基於單形體三角分解的高光譜遙感圖像混合像素分解方法。其中，在專利文獻I和專利文獻2中，具體來說，將單個混合像素視作多個端元光譜線性混合，在端元提取之後，通過非負矩陣因式分解迭代計算的方法或三角形分解方法求得混合像素的各類別組成成分，這裡，端元是指影像中出現的各類純淨物質。在影像上表現為只具有單一物質的純淨像元。端元向量是指某類純淨物質對應在多維光譜空間中的光譜向量。在選取端元向量時，每類物質只選取一個純淨像元。
[0005]此外，在專利文獻3(CN 101221662A)中公開了一種基於自組織映射神經網絡的遙感圖像混合像素分解方法，同樣是將光譜混合方式視為線性，將自組織映射神經網絡和模糊理論中的模糊隸屬度相結合，來計算分解後的組分信息。其中，在專利文獻3中，首先對自組織映射神經網絡進行監督的訓練，然後基於模糊模型對混合像素進行分解。
[0006]此外，在非專利文獻I (賈森，《非監督的高光譜圖像解混技術研究》，浙江大學計算機學院博士學位論文)中公開了如下分解混合像素的方法，即，在端元信息完全未知的情況下，根據光譜混合模型以及混合像素中端元的非負性等約束條件，利用非監督信號處理(如獨立分量分析(Independent components analysis:1CA)方法直接從遙感圖像中提取端元光譜及其組分信息。該研究將馬爾可夫隨機場(Markov Random Field7MRF)和ICA結合，在以非監督方式進行信號分離的同時考慮信號在空間上的連續性，以得到比快速ICA更好的解混效果。但是由於非監督ICA解混的前提條件是信號完全獨立，數據統計特性穩定，該條件在處理多波段的遙感圖像時很難滿足，因此該方法不適於遙感圖像混合像素分解。
[0007]在以上的現有技術中，涉及到的分解模型都能夠對單個的混合像素進行獨立的分解。但是，由於圖像中的景觀的連續性等，在圖像中的各個像素之間並不是完全獨立的。因此，有時出現相鄰像素的分解結果之間存在矛盾等、分解結果在空間上下文無關所引起的問題。
[0008]並且，在現有技術中，對不同地物類別的邊界處的像素的分解無法體現地物類別的相關性，分解結果不夠合理，而且存在噪聲。特別是，在分解結果中會出現孤立分解，即某一像素分解出的某類別在其局部區域其他像素中均不存在，或是出現在該區域不合理。
【發明內容】
[0009]本發明就是為了解決上述技術問題而完成的，本發明的目的在於提供一種能夠實現像素分解結果的空間相關性以及減少孤立分解所造成的噪聲問題的遙感圖像的混合像素物質構成精細化分解裝置及混合像素物質構成精細化分解方法。
[0010]本發明的技術方案中，基於在多尺度空間中分析鄰域相關關係，利用鄰域範圍內的相關像素中的各個地物類別所佔組成比例，來優化對本像素中的地物類別所佔組成比例的分解結果，從而在亞像素的層次更加精細地分解像素中的地物成分，得到更加準確的地物信息。
[0011]本發明是一種遙感圖像的混合像素物質構成精細化分解方法，利用不同地物的光譜反射特性，將混合多種地物的像素分解為各類地物的成分，其特徵在於，包括:接收步驟，接收上述遙感圖像和該圖像對應的光譜信息；預處理步驟，根據所接收的遙感圖像和光譜信息，初步確定上述圖像的各像素中每個地物類別所佔組成比例的概率值，來作為第一物質構成信息；以及鄰域相關性計算步驟，利用每個像素所鄰接的規定範圍內的相鄰區域中存在的各個像素的第一物質構成信息，對本像素進行與相鄰區域的相關性分析，利用相關性分析的結果，優化本像素的第一物質構成信息，從而得到第二物質構成信息。
[0012]根據本發明，能夠利用規定範圍內的相鄰像素內的地物構成，優化本像素的地物構成，從而使得像素分解結果存在空間相關性，並且能夠減少了噪聲。
[0013]此外，本發明也可以是，在上述預處理步驟中，對待分解圖像進行預處理，針對上述待分解圖像對應實地區域中存在的每個地物類別，提取訓練樣本，利用所提取的訓練樣本的統計值，計算各個像素中每個地物類別所佔組成比例的概率值，來作為上述第一物質構成信息。
[0014]此外，本發明也可以是，在上述預處理步驟中，對待分解圖像進行預處理，根據地物類別在各波段表現的光譜響應，提取每個地物類別的端元向量，利用光譜混合分解方式，確定各個像素中每個地物類別所佔組成比例的概率值，來作為上述第一物質構成信息。
[0015]此外，本發明也可以是，每個像素的相鄰區域是二維平面上的相鄰區域。
[0016]此外，本發明也可以是，每個像素的相鄰區域是三維空間上的相鄰區域，在上述鄰域相關性計算步驟中，在二維空間對作為分析對象的像素進行與鄰域的相關性分析，並將作為分析對象的像素作為父像素，依據圖像的解析度和相關性分析結果，使像素分解時使用到的鄰域範圍大小具有一定的伸縮性，將具有該伸縮性的新的鄰域範圍作為第三維上存在的上一層區域，將父像素的第二物質構成信息作為該上一層區域中的對應像素的第一物質構成信息，再次進行相關性分析，由此實現多維空間上的相關性分析。
[0017]根據本發明，利用金字塔構造，逐層優化上一層的分析結果，能夠得到更加精確的地物構成。[0018]此外，本發明也可以是，在上述鄰域相關性計算步驟中，利用多尺度影像金字塔的方式，確定鄰域範圍的伸縮性。
[0019]此外，本發明也可以是，在上述鄰域相關性計算步驟中，在進行相關性分析時，通過迭代進行多次鄰域計算，逐步優化圖像範圍的第一物質構成信息，來得到第二物質構成信息。
[0020]此外，本發明也可以是，在上述鄰域相關性計算步驟中，利用馬爾可夫隨機場，進行本像素與鄰域像素的相關性分析。
[0021]此外，本發明也可以是，在上述鄰域相關性計算步驟中，將鄰域範圍設置為8像素鄰域範圍。
[0022]此外，本發明也可以是一種遙感圖像的混合像素物質構成精細化分解裝置，利用不同地物的光譜反射特性，將混合多種地物的像素分解為各類地物的成分，其特徵在於，具有:接收單元，接收上述遙感圖像和該圖像對應的光譜信息；預處理單元，根據所接收的遙感圖像和光譜信息，初步確定上述圖像的各像素中每個地物類別所佔組成比例的概率值，來作為第一物質構成信息；以及鄰域相關性計算單元，利用每個像素所鄰接的規定範圍內的相鄰區域中存在的各個像素的第一物質構成信息，對本像素進行與相鄰區域的相關性分析，利用相關性分析的結果，優化本像素的第一物質構成信息，從而得到第二物質構成信肩、O
[0023]發明效果:
[0024]根據本發明，通過對混合像素進行初始分解之後，再通過鄰域像素相關性的分析，對分解的結果進行修正，由此得到更加準確的地物信息。
[0025]並且，通過生成多尺度圖像，能解決用高階MRF描述較大鄰域範圍時帶來的計算困難的問題。
[0026]並且，在對每個像素初始分解的基礎上加以考慮周圍鄰域像素的類別的影響，能夠提高像素分解精度，能夠降低孤立分解造成的噪聲。
[0027]此外，本發明提出的遙感圖像像素分解精化的方法，基於鄰域相關思想，該方法將基於單個像素的光譜特徵的分解結果附加考慮了鄰域其他像素的類別信息。對於不同的初始值輸入，可以利用局部鄰域相關性分析模型重新修正得到新的分解值，進一步提高分解的精度。
【專利附圖】
【附圖說明】
[0028]圖1是本發明的混合像素物質構成精細化分解裝置所進行的基於鄰域相關性分析的遙感圖像混合像素分解的示意圖。
[0029]圖2是本發明涉及的混合像素物質構成精細化分解裝置的結構框圖。
[0030]圖3是本發明涉及的混合像素物質構成精細化分解方法的流程圖。
[0031]圖4是本發明的第二實施方式涉及的混合像素物質構成精細化分解方法的流程圖。
[0032]圖5是本發明的第二實施方式涉及的混合像素物質構成精細化分解方法的另一流程圖。
[0033]圖6是實施例1涉及的實例數據原圖的偽彩色顯示的示意圖。[0034]圖7 (a)、圖7 (b)、圖7 (c)是實施例2涉及的傳統像素分解結果的示意圖。
[0035]圖8 (a)、圖8 (b)、圖8 (c)是基於本發明的鄰域相關性分析的像素分解結果的示意圖。
[0036]圖9 (a)、圖9 (b)、圖9 (c)是沙地類別下傳統像素分解結果和鄰域相關性分解結果之間的詳細對比圖。
【具體實施方式】
[0037]下面結合附圖對本發明的優選實施方式進行說明。
[0038](第一實施方式)
[0039]圖1是本發明的混合像素物質構成精細化分解裝置所進行的基於鄰域相關性分析的遙感圖像混合像素分解的示意圖。如圖1所示，本發明涉及的混合像素物質構成精細化分解裝置被輸入由多個像素構成多尺度影像，並對所輸入的多尺度影像進行基於3X3像素範圍內的鄰域的分解，從而輸出各個像素中如「水體」、「植被」、「土壤」等各像素物質所在比例等分解結果。
[0040]圖2是本發明涉及的混合像素物質構成精細化分解裝置的結構框圖。
[0041]如圖2所示，混合像素物質構成精細化分解裝置包括預處理模塊10、初始化模塊20以及修正模塊30。
[0042]其中，預處理模塊10接收來自外部的原始影像，並能夠對原始影像進行現有技術中的初步處理，例如對遙感圖像進行福射定標、大氣校正、幾何預處理等，來去除圖像成像過程中非地物光譜混合的誤差。
[0043]也可以使用最小噪聲分離算法(Minimum Noise Fraction,MNF)減弱噪聲，同時將遙感數據進行降維，減少冗餘信息。在變換後的成分中選取噪音較少，且包含90%以上主要信息的成分作為後面處理的輸入。可以有效減少後續處理的數據量。對於待處理的數據為高光譜圖像時，MNF發揮的作用更大。
[0044]這些初步處理的過程並不是必需的，可以根據對影像的不同要求等級進行選擇，並且，也可以採用現有的各種初步處理方法，因此，省略詳細的說明。
[0045]初始化模塊20收到經過初步處理之後的影像之後，確定影像中待分解物質類別數目或端元種類，並且，根據所確定的影像和其中的光譜信息，初步確定各像素中每個地物類別所佔組成比例的概率值。
[0046]其中，物質類別數目或端元種類的確定可以通過人工輔助確定來直接加入輸入，或者直接採用根據歷史記錄等得出的的默認值，或者根據圖像覆蓋區域的實際地物分布，確定主要包含的地物的種類作為待分解出的類別數目。這些參數即可以預先保存在初始化模塊20中，也可以在使用時從外部輸入。
[0047]此外，初始化模塊20可以採用統計學中的採樣方法或者其他現有的物質構成分解方法來初步確定各像素中每個地物類別所佔組成比例的概率值，作為初始物質構成信息，這裡的初始物質構成信息相當於權利要求書中的「第一物質構成信息」。
[0048]在採用統計學中的採樣方法時，例如，在原始圖像上，根據像素光譜特徵提取C個類別的初始訓練樣本或端元向量。該步驟視初始化的方法不同而不同，若以模糊分類方式進行初始化，需要選取各類初始訓練樣本區域並計算各類樣本的均值與協方差，為最大似然法計算初始概率提供參數。若以光譜混合分解的方式進行初始化，則需要提取出各類的端元向量，以便進行初級線性光譜分解。以下，作為例子，分別說明最大似然法和線性光譜分解這兩種方法。
[0049]I)最大似然法
[0050]最大似然法假設每個波段中的各類訓練數據都呈正態(高斯)分布，直方圖具有兩個或η個波峰的單波段訓練數據並不理想。根據訓練樣本數據的多維光譜特徵值，計算概率密度函數。
[0051]以最大似然法方式進行初始化時，需要選取各類訓練樣本。訓練樣本同樣也是指各個類別物質的相對較純的像元。與端元不同的是，每類物質端元只選一個「最純淨」像元。而訓練樣本選取的是若干像元的集合，集合中的各像元沒有「最純淨」的概念，只被認為是「全部像元相對純淨，以此類物質為主」。
[0052]對於單波段圖像的訓練數據，可以用正態概率密度函數來表達其直方圖分布，則第Wi類的估計概率函數用如下方程計算:
[0053]
【權利要求】
1.一種遙感圖像的混合像素物質構成精細化分解裝置，利用不同地物的光譜反射特性，將混合多種地物的像素分解為各類地物的成分，其特徵在於，具有: 接收單元，接收上述遙感圖像和該圖像對應的光譜信息； 預處理單元，根據所接收的遙感圖像和光譜信息，初步確定上述圖像的各像素中每個地物類別所佔組成比例的概率值，來作為第一物質構成信息；以及 鄰域相關性計算單元，利用每個像素所鄰接的規定範圍內的相鄰區域中存在的各個像素的第一物質構成信息，對本像素進行與相鄰區域的相關性分析，利用相關性分析的結果，優化本像素的第一物質構成信息，從而得到第二物質構成信息。
2.如權利要求1所述的混合像素物質構成精細化分解裝置，其特徵在於， 上述預處理單元對待分解圖像進行預處理，針對上述待分解圖像對應實地區域中存在的每個地物類別，提取訓練樣本，利用所提取的訓練樣本的統計值，計算各個像素中每個地物類別所佔組成比例的概率值，來作為上述第一物質構成信息。
3.如權利要求1所述的混合像素物質構成精細化分解裝置，其特徵在於， 上述預處理單元對待分解圖像進行預處理，根據地物類別在各波段表現的光譜響應，提取每個地物類別的端元向量，利用光譜混合分解方式，確定各個像素中每個地物類別所佔組成比例的概率值,來作為上述第一物質構成信息。
4.如權利要求1所述的混合像素物質構成精細化分解裝置，其特徵在於， 每個像素的相鄰區域是二維平面上的相鄰區域。
5.如權利要求1所述的混合像素物質構成精細化分解裝置，其特徵在於， 每個像素的相鄰區域是三維空間上的相鄰區域， 上述鄰域相關性計算單元在二維空間對作為分析對象的像素進行與鄰域的相關性分析，並將作為分析對象的像素作為父像素，依據圖像的解析度和相關性分析結果，使像素分解時使用到的鄰域範圍大小具有一定的伸縮性，將具有該伸縮性的新的鄰域範圍作為第三維上存在的上一層區域，將父像素的第二物質構成信息作為該上一層區域中的對應像素的第一物質構成信息，再次進行相關性分析，由此實現多維空間上的相關性分析。
6.如權利要求5所述的混合像素物質構成精細化分解裝置，其特徵在於， 上述鄰域相關性計算單元利用多尺度影像金字塔的方式，確定鄰域範圍的伸縮性。
7.如權利要求1所述的混合像素物質構成精細化分解裝置，其特徵在於， 上述鄰域相關性計算單元在進行相關性分析時，通過迭代進行多次鄰域計算，逐步優化圖像範圍的第一物質構成信息，來得到第二物質構成信息。
8.如權利要求1所述的混合像素物質構成精細化分解裝置，其特徵在於， 上述鄰域相關性計算單元利用馬爾可夫隨機場，進行本像素與鄰域像素的相關性分析。
9.根據權利要求1所述的混合像素物質構成精細化分解裝置，其特徵在於: 上述鄰域相關性計算單元將鄰域範圍設置為8像素鄰域範圍。
10.一種遙感圖像的混合像素物質構成精細化分解方法，利用不同地物的光譜反射特性，將混合多種地物的像素分解為各類地物的成分，其特徵在於，包括: 接收步驟，接收上述遙感圖像和該圖像對應的光譜信息； 預處理步驟，根據所接收的遙感圖像和光譜信息，初步確定上述圖像的各像素中每個地物類別所佔組成比例的概率值，來作為第一物質構成信息；以及 鄰域相關性計算步驟，利用每個像素所鄰接的規定範圍內的相鄰區域中存在的各個像素的第一物質構成信息，對本像素進行與相鄰區域的相關性分析，利用相關性分析的結果，優化本像素的第一物質構成信息， 從而得到第二物質構成信息。
11.如權利要求10所述的混合像素物質構成精細化分解方法，其特徵在於， 在上述預處理步驟中，對待分解圖像進行預處理，針對上述待分解圖像對應實地區域中存在的每個地物類別，提取訓練樣本，利用所提取的訓練樣本的統計值，計算各個像素中每個地物類別所佔組成比例的概率值,來作為上述第一物質構成信息。
12.如權利要求10所述的混合像素物質構成精細化分解方法，其特徵在於， 在上述預處理步驟中，對待分解圖像進行預處理，根據地物類別在各波段表現的光譜響應，提取每個地物類別的端元向量，利用光譜混合分解方式，確定各個像素中每個地物類別所佔組成比例的概率值，來作為上述第一物質構成信息。
13.如權利要求10所述的混合像素物質構成精細化分解方法，其特徵在於， 每個像素的相鄰區域是二維平面上的相鄰區域。
14.如權利要求10所述的混合像素物質構成精細化分解方法，其特徵在於， 每個像素的相鄰區域是三維空間上的相鄰區域， 在上述鄰域相關性計算步驟中，在二維空間對作為分析對象的像素進行與鄰域的相關性分析，並將作為分析對象的像素作為父像素，依據圖像的解析度和相關性分析結果，使像素分解時使用到的鄰域範圍大小具有一定的伸縮性，將具有該伸縮性的新的鄰域範圍作為第三維上存在的上一層區域，將父像素的第二物質構成信息作為該上一層區域中的對應像素的第一物質構成信息，再次進行相關性分析，由此實現多維空間上的相關性分析。
15.如權利要求14所述的混合像素物質構成精細化分解方法，其特徵在於， 在上述鄰域相關性計算步驟中，利用多尺度影像金字塔的方式，確定鄰域範圍的伸縮性。
16.如權利要求10所述的混合像素物質構成精細化分解方法，其特徵在於， 在上述鄰域相關性計算步驟中，在進行相關性分析時，通過迭代進行多次鄰域計算，逐步優化圖像範圍的第一物質構成信息，來得到第二物質構成信息。
17.如權利要求10所述的混合像素物質構成精細化分解方法，其特徵在於， 在上述鄰域相關性計算步驟中，利用馬爾可夫隨機場，進行本像素與鄰域像素的相關性分析。
18.根據權利要求10所述的混合像素物質構成精細化分解方法，其特徵在於: 在上述鄰域相關性計算步驟中，將鄰域範圍設置為8像素鄰域範圍。
【文檔編號】G06K9/00GK103488968SQ201210197112
【公開日】2014年1月1日 申請日期:2012年6月14日 優先權日:2012年6月14日
【發明者】張岱, 張學 申請人:株式會社日立製作所