[发明专利]一种基于多源遥感数据融合的土地覆盖类别亚像素定位方法

权利要求书

1.本发明通过利用多源遥感融合数据(Multi-Source Remote Sensing Fusion Data，MRSFD)的空间、光谱、高程信息，提出了一种基于MRSFD的亚像素定位(Sup-pixel Mapping，SPM)方法。包括如下步骤：

(1)对原始的高光谱图像和全色影像进行融合，利用全色锐化技术得到具有高空间分辨率和光谱分辨率的融合图像。

(2)将得到的包含空间和光谱信息的融合图像与一种带有高程信息的激光雷达(LightDetection And Ranging，LiDAR)数字表面模型(Digital Surface Model，DSM)进行融合，通过特征融合得到包含空间、光谱和高程信息的MRSFD。

(3)对MRSFD进行归一化处理，得到属于土地覆盖类别的亚像素比例分数图像，再通过基于类单元的类别分配方法将类标签分配给亚像素，根据这些比例信息得到SPM结果。

2.如权利要求1所述的一种基于多源遥感数据融合的亚像素定位(Sup-pixel MappingBased on Multi-Source Remote Sensing Fusion Data，SPM-MRSFD)方法，其特征在于，步骤(1)中，将高光谱图像转换成主成分(Principal Components，PCs)，PCs包含高光谱图像的空间信息。根据式(1)用全色影像丰富的空间信息替换第一个主成分，并在替换前对全色影像和第一个主成分进行直方图匹配，以减少失真匹配。最后利用逆变换完成全色锐化，得到具有丰富空间和光谱信息的融合图像。

其中Y^F为全色锐化后的融合图像，表示融合图像的第b个波段，表示高光谱图像的第b个波段，Y^H按全色影像Y^P的比例进行插值，g_b是注入增益的矢量，w_b是计算高光谱图像和全色影像之间的重叠光谱的权重向量。

3.如权利要求1所述的SPM-MRSFD方法，其特征在于，步骤(2)中，首先利用预先确定好尺寸和形状的形态学上开口或闭合的结构元素来提取空间和光谱特征(n为特征数)，其中B波段来自于融合图像。而高程特征为其中B^*波段来自于LiDAR的DSM。因为融合后的图像有更多的波段，空间和光谱特征的频带数比高程特征的频带数多(例如，B＞B^*)。然后为了便于特征融合，需要通过核主成分分析(Kernel Principal ComponentAnalysis，KPCA)将空间和光谱特征的频带数归一化为B^*。假设和表示空间光谱特征和高程特征叠加的向量。最后通过FFG，获得带有融合特征的MRSFD。FFG的目标是找到一个可以实现的变换矩阵R。矩阵R定义为式(2)。

其中z_xy∈{0，1}来自被定义为图像边缘的矩阵Z。利用基于欧式距离的K最近邻算法(K-Nearest Neighbors，KNN)，找出靠近中心特征的特征如果和接近z_xy＝1，并且和相距z_xy＝0。另外，我们使用式(3)中的约束来避免简并。

R^T(F^S-E)D(F^S-E)^TR＝I (3)

其中，D是一个对角矩阵，对角线上D_x，x的值为I是单位矩阵。得到R＝(r₁，r₂，...，r_o)的解，该解由与式(4)中广义问题的最小特征向量o的特征值λ₁≤λ₂≤…≤λ_o相关的特征向量组成。

(F^S-E)W(F^S-E)^Tr＝λ(F^S-E)D(F^S-E)^Tr (4)

其中，W＝D-Z是拉普拉斯算子矩阵。

4.如权利要求1所述的SPM-MRSFD方法，其特征在于，步骤(3)中，通过特征融合得到具有MS²个混合像素的多源遥感融合数据Y^M后，利用基于线性光谱混合模型(Linear SpectralMixture Model，LSMM)的混合光谱分解技术对MRSFD进行解混，获得含有土地覆盖类别的亚像素p_j(j＝1，2，...，MS²)的比例分数图像L(p_j)。比例L(p_j)定义为

D_b＝EL+n (5)

其中是MRSFD的谱向量；L＝[L(p₁)，L(p₂)，...，L(p_N)]^T是比例向量；E是端元光谱的矩阵，n是随机噪声。在随机噪声最小的情况下，采用LSMM算法进行最优估计。

接下来根据这些比例L(p_j)，利用基于类单元的类别分配方法将类标签分配给亚像素，得到最终的SPM结果。