论文部分内容阅读
在遥感技术飞速发展的今天,遥感影像也随之在军事观察、公共安全、交通控制、自然灾害防治、地理研究、海洋监测、农业估产、林业规划等各重要领域得到了大量的应用。在实际的生产应用中,高分辨率遥感图像受到多种因素制约,其使用范围也随之受限,仍不能与中、低分辨率的遥感影像的应用广度相媲美,而受限于空间分辨率,中、低分辨率的遥感影像中极为普遍且难以避免地分布着一定数量的混合像元,且比例往往不低。混合像元的问题则极大地限制了遥感图像的信息获取,因此如何解决混合像元问题是提高遥感图像空间分辨率的核心问题,在现今甚至于未来的长时间段内,得到各界学者高热度的着重关注。混合像元分解技术可以通过技术手段从光谱中求解混合像元里每类地物所占据的空间比例,定量地解决了混合像元问题,但是该项技术却仅能得到各类地物占据的比例,而不能得到混合像元中各类地物具体的空间布局。亚像元定位技术则可以补充这一缺憾,该技术以混合像元分解得到的丰度值为前提,将混合像元细分到亚像元级别,可以在更高的分辨率下对混合像元内部的空间布局在最大程度上做出最符合实际情况的估计。本文针对了亚像元技术做出了相关研究,在全方面地研习、领悟、总结、归纳现今比较成熟的相关课题的科研成果后,对亚像元定位技术进行了更加深入的研究,主要集中体现在以下三方面的问题中:1.参考了基于插值的快速软硬属性转换的亚像元定位算法,结合超分辨率重建技术中的图像自相似性,提出了基于图像自相似性的新的亚像元定位方法。该方法利用图像与其退化图像间的结构相似性以及对应关系加以学习,构造低分辨率-高分辨率图块的字典项,再利用相似图块的查找与匹配,获取每个低分图块所对应的高分图块,对所获得的图块求得平均估计后顺次拼接,再进行类分配即可完成待处理图像的亚像元定位。2.在仔细学习理解了各种基于BP神经网络的亚像元定位方法后,提出了改进的新型BP网络模型。传统的BP网络以每个混合像元为中心像元,将中心像元及其8邻域像元的属性值作为网络输入,网络的输出则为中心像元在更高空间分辨率下的各亚像元的软属性值。本方法另辟蹊径地改变了传统BP网络模型的输入与输出,通过新的对应关系改善BP网络:将低分辨丰度图的局部图块作为网络输入,而将该低分图块对应的亚像元作为网络输出,新模型更充分地考虑了空间相关性与局部结构信息,有着更精准的定位效果。3.提出了基于改进自相关BP网络的亚像元定位方法。在充分地学习了空间自相关性,理解了经典的基于自相关的BP神经网络定位模型后,对原有模型进行修改,并结合了多偏移图像作为约束,提出了改进的自相关BP网络的亚像元定位新方法:将网络输出的软属性值估计进行初步类别分配,再通过偏移图像的约束列出可能的分布情况,再计算每种分布情况的Moran’I,取Moran’I最大的分布情况为最终分布情况。实验表明,该方法较经典的自相关BP网络算法,在运算效率与定位精度上有所提高。本文主要对上述的三种方法进行了研究。第一种基于自相似性的方法,采用超分辨重建的思想,充分考虑了图像的空间结构信息;基于新型BP网络的方法则参照基于图像自相似性的方法,改变了经典BP网络的输入输出,更好地契合空间相关性假设,提高定位精度;而基于改进自相关BP网络的亚像元定位方法,则改进了类别分配环节,结合多偏移图像与空间自相关性,降低亚像元定位过程的不确定性。三个方法各有侧重。