[发明专利]基于考虑图像间变化差异的时空亚像素映射

说明书

本发明通过利用适当的精细先验光谱图像(fine prior spectral image，FPSI)作为先验知识约束，考虑到映射精度，提出一种基于考虑图像间变化差异的时空亚像素映射方法(considering variation difference between images，CVDBI)。步骤如下：(1)通过解混粗原始光谱图像(coarse original spectral image，COSI)和分类精细先验光谱图像(fine prior spectral image，FPSI)，得到COSI的粗丰度图像和FPSI的理想主题图像。(2)建立退化观测模型，将COSI的粗丰度图像与COSI的理想主题图像联系起来。建立变异差观测模型，将FPSI的精细主题图像与COSI的理想主题图像联系起来。(3)建立了可分离凸优化模型来考虑图像之间的差异。(4)利用乘子的交替方向法(alternating direction method of multipliers，ADMM)求解了可分离的凸优化问题，得到了最终的映射结果。

技术领域

本发明涉及遥感图像处理技术领域，是一种对光谱遥感图像解混后的分数图像进行处理的技术。

背景技术

亚像素映射(Sub-pixel mapping，SPM)可以处理粗原始光谱图像(coarseoriginal spectral image，COSI)中的混合像素，得到精细的土地覆盖类映射结果。1997年，阿特金森首次提出了SPM的概念，从那时起，SPM就发展成为了各种实用的方法。传统的SPM方法通常基于单时图像，根据获得映射结果[19]的方法，可以分为两种主要类型。一种类型是初始化然后优化的SPM(initialization-then-optimization SPM，ITO-SPM)类型。ITO-SPM类型首先将陆地覆盖类标签随机分配给子像素，然后优化每个子像素的位置，得到最终的映射结果。基于像素交换模型、周长最小化、遗传算法和粒子群优化的SPM方法都属于这种类型。另一种类型是软而硬的SPM(soft-then-hard SPM，STHSPM)类型。由于SPM是一个不适定逆问题，传统的基于单时图像的SPM方法通常缺乏对实际地理分布的先验知识来约束结果的模糊性和不确定性，这会影响SPM结果的准确性。为了解决这一问题，近年来提出的时空亚像素映射(spatiotemporal sub-pixel mapping，SSPM)使用适当的精细先验光谱图像(fine prior spectral image，FPSI)作为先验知识约束，广泛用于解决SPM的不适定逆问题。因此，SSPM作为一种新的SPM模型，显示出更大的潜力和应用前景。然而，目前的SSPM方法通常不能有效地考虑COSI和FPSI之间的变化差异，这不仅导致了获取适当的先验图像的苛刻条件，而且还影响了最终的映射精度。为了解决上述问题，本文提出了基于考虑图像间变化差异的SSPM方法，名为(considering variation difference betweenimages，CVDBI)。首先，分别通过解混COSI和分类FPSI，得到了COSI的粗丰度图像和FPSI的理想主题图像。其次，利用下采样矩阵建立了退化观测模型，将COSI的粗丰度图像与COSI的理想主题图像联系起来；利用变异差因子建立了变异差观测模型，将FPSI的精细主题图像与COSI的理想主题图像联系起来。第三，针对退化观测模型和差分观测模型建立了可分离凸优化模型来考虑图像之间的差异，该模型可以分别对COSI的差分因子和理想主题图像进行优化。最后，我们利用乘子的交替方向法(alternating direction method ofmultipliers，ADMM)求解了可分离的凸优化问题，得到了最终的映射结果。

发明内容

SPM可以处理COSI中的混合像素，得到精细的土地覆盖类映射结果。但是由于SPM是一个不适定逆问题，这会影响SPM结果的准确性。解决SPM的不适定逆问题，提出了SSPM方法。但是目前的SSPM方法通常不能有效地考虑COSI和FPSI之间的变化差异，这不仅导致了获取适当的先验图像的苛刻条件，而且还影响了最终的映射精度。为了解决这一问题，本文提出了基于考虑图像间变化差异的SSPM，名为CVDBI。包括如下步骤：