[发明专利]一种基于多图像局部插值的遥感图像缺失数据修复方法

说明书

技术领域：

本发明涉及图像计算机恢复技术领域，具体地讲是一种基于多图像局部插值的遥感图像缺失数据修复方法。该方法是基于遥感图像中空间上近邻的像元通常是同类地物，因而空间上近邻的像元通常具有较强的光谱相似性的特点，采用无数据缺失的遥感图像中近邻像元间的类属关系或光谱相似程度，估算待填充图像中缺失数据像素的数值；本发明可用于快速、有效的修复遥感图像中缺失的数据的场合，提高了遥感图像的利用率，为基于多时相遥感图像进行时序分析提供了基础数据的修复校正方法。

背景技术：

目前全球大约有上千颗陆地资源遥感卫星，这些卫星获取的地球表面图像被广泛应用于农业、林业、地质、海洋、气象、水文、军事等领域。然而，因为卫星系统的软件、硬件等故障，往往会导致卫星图像存在缺失部分数据的问题。存在缺失数据的卫星图像，对热点地区的时间序列监测研究、热点卫星传感器的使用产生较明显的影响。以美国陆地卫星7号（Landsat-7）为例，搭载于该卫星上的增强型主题成像仪传感器（ETM+）于2003年5月31日发生了扫描行校正器（Scan Lines Corrector，简称SLC）突发、永久性故障，导致获取的图像出现数据重叠和大约25％的数据丢失，而没发生SLC-OFF故障的像素（一景图像大约65%）仍然保持了良好的几何特性和辐射特性。从1972年7月23日以来， 美国NASA已连续发射8颗Landsat卫星（第6颗发射失败），为长时间序列监测地球做出了巨大贡献。目前Landsat1—4均相继失效，Landsat 5于2013年6月退役，于1999年4月15日发射升空Landsat 7其获取的ETM+ SLC-OFF图像仍具有较高的科学研究和应用价值。然而，Landsat7 ETM+发生SLC-OFF故障，导致了数据丢失，大大影响和限制了该传感器所拍摄的数据的使用，明显影响到Landsat系列卫星（1-8号星）获取的近30年的地球遥感图像的时间序列分析。诸如Landsat7 ETM+这类热点传感器，尽管已经发生数据缺失的永久性故障，但其获取的数据仍然可以成功的运用到很多科学领域，在遥感图像时间序列分析中具有不可或缺的地位。如何通过图像处理方式，有效、快速的修复这些缺失数据，成为遥感图像数据恢复领域中的热门问题，引起国内外诸多专家关注和研究。

目前，对卫星图像缺失数据修复的研究主要集中于对Landsat-7 ETM+ SLC-OFF 图像的缺失数据的修复方法研究，其主要方法有如下几类：（1）基于单图像插值修复法，即利用 SLC-OFF 单景图像，采用克里金、最邻近插值、双线性插值、三次卷积插值或三角插值等插值算法，基于缺失数据像元周边的像元值，估算出缺失数据像元值。这种方法的优点是只依赖SLC-OFF单景图像，操作简单，修复效率高，缺点是修复效果差，尤其是对于诸如水陆等不同地物边界处的插值效果同实际情况相差甚远；存在着明显的填充边界。而且所填充的值是由缺失数据的相邻地区的像元灰度计算出来的，不是地表信息的真实反映，与实际数据没有真正意义上的联系，真实性和可行性均有待于检验。（2）基于多图像直方图匹配填充法，借助覆盖同一地区的没有缺失数据的 Landsat-7 ETM+图像或其他 Landsat 系列卫星图像等，来估算缺失数据图像中缺失数据像元的数值。以美国地质调查局EROS数据中心学者（USGS EDC）为代表，先后提出了全景直方图匹配（global histogram match）、全景差分直方图匹配（global differential histogram match）、局部差分直方图匹配（local differential histogram match）、自适应局部回归（adaptive local regression）、局部直方图匹配（local histogram match）修复方法。国内，寿敬文等（2006）曾对这5种方法进行了比较研究指出，自适应局部回归法通过建立基础图像（SLC-ON 影像或 SLC-OFF）和待修复图像（SLC-OFF 影像）非缺失数据像元值（DN 值）的线性或非线性回归方程，来预测主影像缺失数据像元的数值，算法简单，修复后的图像完整没有明显的修复边界，被USGS广泛应用于Landsat7 ETM+ SLC-OFF数据的修复。但该方法修复效果依赖于基础图像和待修复图像的质量，并且对于局部窗口内存在多种地物时，很难处理好不同地物边界的像元。除此之外，国内外学者也对该类算法进行了研究和改进。田晓红等（2007）在局部直方图匹配算法基础上提出了自适应局部回归匹配算法。钱乐祥等（2012）利用影像自适应局部回归模型和影像固定窗口局部回归模型，分别以 Landsat TM 和 SLC-OFF 影像作为填充图像对条带数据进行修复，并对应用不同修复方法和不同填充图像所修复的图像的应用价值进行评价。Chen Jin（2011）提出了the Neighborhood Similar Pixel Interpolator （NSPI）方法，该方法采用给定窗口内同待修复像元光谱相似性的临近像元值不同的权重和局部直方图匹配相结合的方法来预测待修复像元值。如果局部窗口内存在满足由衡量光谱相似程度方差均方根（RMSD）和像素间的空间距离构建权重阈值的像素，则由这些像素来确定待填充像元的数值。如果不存在满足条件的像素，则采用已有的局部直方图匹配算法来填充。该方法考虑了临近像元通常属于同类地物，因而其光谱特征通常具有较高的相似性，但该方法采用的衡量光谱相似程度的指标RMSD过于简单，且权重参数值依赖于待修复像元和局部临近像元间的空间和光谱距离，因而具有经验性。这些不足降低了NSPI方法的普适性。鉴于此，Xiaolin Zhu（2012）提出了Geostatistical Neighborhood Similar Pixel Interpolator（GNSPI）方法，首先在搜索窗口内，采用ISODATA非监督分类算法将基础图像各像素自动分为水体、植被、土壤等类别，然后基于时间序列上的多景未缺失数据图像，选择采样像元，基于待修复图像，分析窗口内每一类地物的时间关系生成残差图和每一类的半方差图，并采用普通克里金方法预测残差，结合各类的时间趋势，预测缺失数据像元的数值。同NSPI方法相比较，该方法修复效果更好，并且能够对预测值的不确定性进行分析，可用于基于修复图像应用不确定性的评价。但是诸如样本像素数量和自动分类数量这些经验性参数值对该方法的修复效果影响显著，并且修复处理的时间效率和空间效率很低，不便于大范围应用，降低了该方法的普适性。Zeng Chao（2013）等提出的加权线性回归法（The Weighted Liner Regression，WLR）改进了自适应局部回归法。该方法提高了图像修复的准确性，即使在边缘区域也能得到较好的修复。缺点是只考虑了不同时相遥感图像的光谱显示效果的相似性，而忽略不同时相遥感图像成像几何关系、地形的差异所产生的光谱差异性，并且执行效率不高。另外，同NSPI方法和GNSPI方法类似，WLR方法中的权重阈值的选择对修复效果影响显著且具有主观性，因而，该方法不便于大范围、快速应用。（3）图像分割法。Maxwell（2004）先对SLC-ON图像进行分割和图斑分类，将分类后的图斑覆盖到SLC-OFF图像中，以便确定缺失数据条带中各个像素分别属于哪一类图斑，并用对应图斑中像素值预测来填充缺失数据的光谱值。该方法的优点是完全基于SLC-OFF图像的光谱值填充缺失数据像素的光谱值，缺点是对图像分割效果影响显著的图像分割参数（分割尺度和均质性）具有主观性，选择的好坏直接影响到缺失数据的修复精度。另外该算法执行效率依赖于图像分割算法的执行效率，因而通常执行效率不高。（4）图像融合方法。朱长明等（2010）采用时空自适应反射率融合模型（STARFM）算法将MODIS09数据和TM/ETM+数据相融合，获得与SLC-OFF数据相同时相和空间分辨率的融合数据，然后采用局部线性直方图匹配完成对SLC-OFF数据填充。该方法修复效果受图像融合算法影响明显，且修复处理的效率较低。（5）地统计方法。前四种方法是确定性（deterministic）填充修复方法，而地统计方法则是基于地统计学的非确定性方法。该类方法是用普通克里金、协同克里金等地统计方法来预测缺失数据像元值。该类方法是假设遥感图像中像素的数值是符合地统计学的数据，而在存在诸如细长道路、河流、水库等图像纹理和光谱差异明显的遥感图像中，像素值的空间分布很难符合地统计学的要求，图像修复的效率和效果明显降低。