[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

说明书

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(Light Detection 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。

技术领域

本发明涉及遥感图像处理技术领域，是一种对多源遥感数据融合后的图像进行亚像素定 位的技术。

背景技术

土地覆盖类别的空间分布信息是城市环境与生态研究的重要基础数据之一。高光谱图像 由于其丰富的光谱信息，被广泛应用于土地覆盖类别的观测。然而，随着高光谱图像光谱分 辨率的不断提高，高光谱图像的空间分辨率会受到硬件成像设备的限制，低分辨率高光谱图 像中会出现大量混合像素。这些混合像素阻碍了获取准确的土地覆盖类别的空间分布信息。 虽然光谱分离技术可以处理混合像素，得到混合像素比例属于土地覆盖类别的分数阶图像， 但土地覆盖类别的具体空间分布信息仍然不确定。

为了处理混合像素并获得土地覆盖类别的空间分布，提出了亚像素定位(Sub-pixel Mapping，SPM)作为后续的光谱分解过程。SPM首先对分数阶图像进行改进，将每个混合 像素按比例尺度划分为亚像素，改进后的分数阶图像包含了属于土地覆盖类别的亚像素的比 例。根据这些比例信息，将类标签分配给亚像素，得到属于土地覆盖类别的亚像素比例分数 图像。近几十年来，人们发展了多种SPM方法，如反传神经网络、Hopfield神经网络(Hopfield Neural Network，HNN)、插值算法、指示协同克里金法、空间引力模型等。近年来，随着遥 感技术的不断发展，为了提高高光谱图像的SPM结果，选择了同一区域的另一种高空间分辨 率遥感数据作为辅助数据。例如，Nguyen等人将激光雷达(Light DetectionAnd Ranging， LiDAR)得到的高程信息引入HNN模型，以改进最终的制图结果；Wang等人利用空间信息 丰富的全色影像，采用全色锐化技术对原始高光谱图像进行融合，得到了更好的SPM结果。

然而，SPM中使用的辅助遥感数据类型相对单一，不能同时提供多种类型的辅助信息， 阻碍了SPM结果精度的进一步提高。为了充分利用多源遥感数据中的多种辅助信息，提出了 一种基于多源遥感数据融合的亚像素定位(Sup-pixel Mapping Based on Multi-Source Remote Sensing Fusion Data，SPM-MRSFD)方法。首先利用全色锐化技术将包含光谱信息的原始高 光谱图像与包含空间信息的辅助全色影像进行融合，得到包含空间和光谱信息的融合图像。 其次对包含空间和光谱信息的融合图像和带有高程信息的LiDAR数字表面模型(Digital Surface Model，DSM)进行特征融合，得到包含空间、光谱和高程信息的多源遥感融合数据 (Multi-Source Remote Sensing Fusion Data，MRSFD)。最后对MRSFD进行光谱解混处理处 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。由于充分利用了MRSFD的多种辅助 信息(即空间、光谱、高程信息)，最终提高了SPM结果的精度。实验结果表明，SPM-MRSFD 方法优于现有的SPM方法。最终提高了SPM的制图结果。

发明内容