[发明专利]一种基于矢量边界的亚像元制图方法

说明书

技术领域

本发明涉及一种亚像元制图方法，属于地球空间信息技术领域。

技术背景

利用数字遥感影像制作专题地图（影像分类）是遥感技术研究中的热点领域。然而在遥感影像获取过程中，由于地表的复杂性、外部环境的影响以及传感器自身的局限性，使得影像中普遍存在混合像元(Mixed Pixel)。混合像元的光谱特征是所对应的不同土地覆被类型光谱响应的综合特征，在遥感分类过程中使传统的硬分类方法产生误差与不确定性。因此，软分类（Soft Classification）方法被提出，即以百分比（软信息、分数影像）的形式描述各地物类别在像元中的面积比例，但在像元内部的空间位置仍未知。因此，又提出了亚像元制图（Sub-pixel Mapping or Super-resolution Mapping），实现了比原始输入空间分辨率更精细的硬分类图（Atkinson，1997）。亚像元制图能够进一步细化和精确影像分类结果，使遥感技术应用从像元尺度进入到亚像元尺度，而亚像元制图也成为必要且有意义的研究内容。

亚像元制图方法可以分成两大类（Atkinson，2009）：一类是回归学习类算法，如地统计学的方法（Boucher和Kyriakidis，2006，2007）和基于BP神经网络的方法（Zhang等，2002）；另一类是空间相关性最大类算法，如基于Hopfield神经网络的方法（Tatem等，2001）和空间吸引力模型的方法（Mertens，2006）。回归学习类算法计算速度快，并且可以提供不确定性的信息，但是除了空间吸引力模型外都需要辅助数据，如矢量数据、先验知识等。而在空间相关性最大类算法中，亚像元可以和亚像元做比较，并在预测过程中可以适当的提供支持。

Ge等在2009年提出了一种用多边形来表示混合像元内各类别空间位置的方法，命名为GSPM，其中多边形的顶点位置由混合像元及其邻域像元的各组分比例确定的。GSPM与以上两类方法相比包括两大优点：（1）计算仅依赖于原始影像软分类结果，不需要辅助数据；（2）计算速度快，不需要反复迭代。但仍然有待改善：（1）当缩放因子为奇数时，在确定混合像元内多边形顶点位置时会引入较多的舍入误差。（2）对于存在多个土地覆被类型的混合像元，不同土地覆被类型的界限可能是不一致的，虽然允许微调，但仍可能影响输出精度。针对上述问题，本发明提出一种基于矢量边界的亚像元制图方法（VBSPM），延续了GSPM用多边形获取亚像元内几何划分的想法，并进一步提出了一种矢量边界提取模型以减少舍入误差和不同土地覆被类之间边界的不一致的问题。对于沿原始遥感影像边缘丢失的结果，VBSPM利用衰减函数以获取这些混合像元的补充边界信息，用于预测亚像元的分布。

发明内容

本发明解决的技术问题：提供一种基于矢量边界的亚像元制图方法，该方法利用混合像元自身及其邻域像元的软分类信息，先计算像元内各组分类别的精确矢量边界，再确定给定放大因子下的亚像元的类别信息，获得较像元尺度的分类方法更精细和准确的地物分布信息，从而提高遥感影像分类的分辨率和分类精度。

本发明的技术方案：一种基于矢量边界的亚像元制图方法包括如下步骤：

步骤1、预处理遥感数据，通过软分类获取影像上每个像元的软分类信息，即在像元内各组分所占的面积比例，也称为丰度；

步骤2、利用线性衰减函数填充边界像元在分数影像范围外的邻域像元的软分类信息；

步骤3、根据混合像元的软分类信息，提取地物的精确边界，主要过程为：首先估算每条线段的长度和位置，确定初始矢量边界多边形，然后对多边形的进行拓扑调整，以减少地物边界间的缝隙和重叠，获得最终的各类别地物的矢量多边形；

步骤4、设定放大尺度因子，将步骤3中提取出的矢量边界进行多边形转换，用射线法（ray-crossing）判断亚像元中心点与步骤3中矢量多边形的位置关系，进而判断每个亚像元的类别信息。