[发明专利]一种基于多尺度空间正则化模型的超分辨率制图方法

说明书

技术领域

本发明属于空间信息技术，图像处理和信号处理的交叉领域，具体涉及一种基于多尺度空间正则化模型的超分辨率制图方法。

背景技术

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，由于地表复杂性，光谱传输过程中各种环境的影响及传感器探测元件本身的物理特性等因素的作用，遥感影像中的像元很少是由单一地物组成，一般都包含两种或两种以上的感兴趣地物。这种由多种地物组成的像元被称为混合像元，其光谱特征是所对应的不同土地覆盖类型光谱响应的综合特征。混合像元在栅格编码影像中是普遍存在的，所占比重也很大，尤其在不同类型地物的交界地带最为普遍，它的存在使同一类型或属性地物的遥感影像灰度值具有一定的变化范围。解决混合像元的问题能够进一步细化影像分类结果，使遥感技术应用进入到亚像元尺度，更加详细地表示地物细节信息，而不仅仅是停留在像元尺度上，就成为一个必要而且有意义的研究内容。

由于超分辨率制图逆问题的本质，基于正则化方法能有效获得一个近似最优的超分辨率制图结果。在基于正则化框架的超分辨率制图方法中，按照待优化的目标函数可以分为两类：一类是保持谱信息，最有代表的是Kasetkasem于2005年提出的基于马尔可夫模型的方法。该方法以谱数据似然概率作为保真性，空间依赖性表示的先验概率作为正则项。还有Xu等人于2013年提出的基于观察模型的拟合误差作为保真性，某种先验作为正则项。然而虽然基于光谱数据保真性的方法有同时利用光谱和空间约束的优势，但由于集成了解混过程，解混的不确定性必然影响超分辨率制图的结果，且使得制图结果的解释过于复杂。另一类是Ling等人于2014年提出的保持组分信息，不受解混的影响。该方法极小化输入组分数据和结果制图之间的差异，并利用细尺度的空间依赖性作为正则项来光滑化。

Ling等在2014年提出的保持组分信息并利用细尺度空间依赖性表示正则项的超分辨率制图方法命名为SRM_REG，该方法优点在于：(1)仅利用组分信息，不需要辅助数据；(2)该方法可以获得光滑的边界。但仍然有待改进：容易产生过光滑现象，使得局部细节被周围大多数类别同质化而失真。针对该问题，本发明提出一种基于多尺度空间正则化的超分辨率制图方法(SRM_MSSR)，延续了SRM_REG的正则化框架，并进一步提出利用亚像元在粗尺度的空间异质性来惩罚由于仅考虑细尺度的空间依赖性所产生的过光滑问题。利用惩罚项，SRM_MSSR能更好的保留细节，如细条状地物的连续性等。

发明内容

本发明要解决的技术问题为：提供一种惩罚由于细尺度空间相关性产生的过光滑问题的超分辨率制图方法，该方法通过粗尺度的空间异质性对细尺度的光滑效应进行惩罚来抑制过光滑问题。

本发明解决上述技术问题采用的技术方案为：一种基于多尺度空间正则化模型的超分辨率制图方法，其特征在于：该方法包括如下步骤：

步骤1、预处理遥感数据，采集样本点，进行软分类获取被处理影像上每个像元的软分类信息，即每个像元内部的各组分也称作端元的面积矢量或称丰度；

步骤2、设置超分辨率制图的放大系数N,N＝2,3,…,为自然数；

步骤3、基于空间吸引模型生成初始超分辨率制图结果；

步骤4、设置正则参数λ1和λ2，初始温度及最大迭代次数ite_max；

步骤5、基于多尺度空间正则化的优化模型对每个亚像元的类别进行优化，具体过程为：当迭代次数小于ite_max时，对于每个亚像元，在其父像元中出现的地物类别中随机选一个指派给该亚像元；对于该亚像元计算目标函数；估计该亚像元在随机指派前后的目标函数差，如果目标函数减小，就接受该指派的类别为该亚像元的类别，否则利用模拟退火算法依据温度参数以一定的概率，接受该指派；更新迭代次数和温度参数；

步骤6、重复步骤5至最大迭代次数；输出最终的超分辨率制图结果。

进一步的，所述步骤5中提出利用模拟退火算法以其获得近似全局最优解。

进一步的，所述步骤5中提出的优化模型既包括细尺度光滑项同时还包括在粗尺度抑制过光滑的惩罚项，利用图像的组分信息计算粗尺度的空间异质性，从而惩罚由于仅利用细尺度的空间依赖性所造成的过光滑问题，具体提出的优化模型形式化描述如下：

其中，X*表示待求解的最优超分辨率制图，表示超分辨率制图X同输入的组分图像Y之间的差异性，表示细尺度亚像元的空间匀质性，表示粗尺度的空间异质性，λ₁,λ₂为正则化参数，约束条件表示每个亚像元只能取某一种地物类别。