一种新型基于插值的高光谱图像亚像元定位算法

一种新型基于插值的高光谱图像亚像元定位算法王鹏;王立国【摘要】在高光谱图像亚像元定位领域中,基于插值的亚像元定位算法具有无参数、无迭代、快速运算等优点,得到了广泛的应用.传统的基于插值的亚像元定位算法由于原始高光谱图像分辨率低和现有的光谱解混技术的局限性,使得丰度图像不能充分携带原始高光谱图像的先验信息.针对这一问题,提出了一种新型基于插值的高光谱图像亚像元定位算法.将插值算法直接应用于原始低分辨率高光谱图像,得到高分辨率图像.将高分辨率图像通过光谱解混得到具有丰富原始图像先验信息的丰度图像,利用丰度图像提供的信息将类别标签分配到每个亚像元中,获得亚像元定位结果.仿真实验证明,该方法可以充分地携带原始图像的先验信息,获得比传统的基于插值的亚像元定位算法精度更高的结果.【期刊名称】《黑龙江大学自然科学学报》【年(卷),期】2018(035)006【总页数】5页(P726-730)【关键词】高光谱图像;亚像元定位;插值;光谱解混【作者】王鹏;王立国【作者单位】哈尔滨工程大学信息与通信工程学院,哈尔滨150001;南京航空航天大学电子信息工程学院,南京211106;哈尔滨工程大学信息与通信工程学院,哈尔滨150001【正文语种】中文【中图分类】O241.820 引言亚像元定位(Subpixel mapping，SPM)可以用来探索土地覆盖类别的空间分布信息[1]。

传统的SPM方法主要包含两个处理步骤：亚像元锐化和类别分配[2]。

通过亚像元锐化方法可估计出每个类别内所有的亚像元的软属性值(0到1之间的概率隶属度信息)；再根据每个亚像元软属性值的大小和每个类别亚像元的数目固定的限制，利用类别分配方法将硬属性值(类别标签)分配到每个亚像元中，得到亚像元的定位结果[3]。

常用的方法，如Hopfield神经网络、空间引力模型、BP神经网络和一些合适的超分辨率方法都可以作为亚像元锐化方法[4]。

基于插值的亚像元定位算法具有无参数、无迭代、快速运算等优点，得到了广泛的应用[5-6]。

传统的基于插值的亚像元定位方法，由于原始高光谱图像分辨率低和光谱解混技术的局限性[7]，使得通过光谱解混获得的丰度图像不能充分携带原始高光谱图像的先验信息，影响定位结果的精度。

本文提出了一种新型基于插值的高光谱图像亚像元定位算法，该方法利用插值方法直接提高原始低分辨率图像的分辨率，通过解混高分辨率图像获得具有丰富原始图像先验信息的丰度图像，采用类别分配方法获得了亚像元的精确定位结果。

1 传统的基于插值的高光谱图像亚像元定位算法假设一幅原始低分辨率高光谱图像通过光谱解混技术产生K幅低分辨率丰度图像Lk(k=1, 2, ..., K, K表示地物类别的数量)；S是比例尺度，则每个像元将会被分割成S×S个亚像元；表示像元PJ(J=1, 2, ..., M, M是低分辨率丰度图像中像元的数量)属于第k类的丰度值；表示通过亚像元锐化方法获得的亚像元pj(j=1, 2,..., MS2, MS2是亚像元的总数目)属于第k类的软属性值。

传统的基于插值的亚像元定位结构模型如图1所示。

原始低分辨率高光谱图像通过光谱解混技术获得低分辨率丰度图像作为输入；通过插值算法，产生具有亚像元软属性值Hk(pj)的精细空间分辨率图像Hk(k=1, 2,..., K,K表示地物类别的数量)；在式(1)的限制下，依据亚像元软属性值通过合适的类别分配方法将硬属性值(类别标签)分配到各个亚像元当中，最终获得亚像元定位结果：Nk(PJ)=Round(Lk(PJ)S2)(1)式中：Nk (PJ) 表示属于第k类的亚像元数目；Round(·) 表示取接近Lk(PJ)S2的整数值。

图1 传统的基于插值的亚像元定位流程图Fig.1 Flowchart of the traditional interpolation-based subpixel mapping2 一种新型基于插值的高光谱图像亚像元定位算法通过对基于插值的亚像元定位的处理流程分析发现，传统方法中精细的空间分辨率图像都是通过原始高光谱图像进行先解混后插值的处理方式获得的，由于原始低分辨率图像中各个类别分布的不确定性和现有光谱解混技术的局限性，使得原始高光谱图像中的先验信息不能被充分利用，进而导致亚像元定位的精度受到影响。

为了更加充分地利用原始图像中的先验谱信息，改善亚像元定位结果，提出了一种新型的基于插值的亚像元定位方法。

该方法首先用插值法直接改进原始图像的分辨率，得到高分辨率图像，如图2所示。

通过解混高分辨率图像得到具有丰富原始图像先验信息的丰度图像。

依据丰度图像提供的信息，通过合适的类别分配方法，将类别标签分配到每个亚像元中，获得最终的结果。

本文选择依据线性优化技术分配的原则(Linear Optimization Technique，LOT)作为类别分配方法[8]。

该方法利用插值算法直接将原始图像分辨率提高，使得丰度图像能够更加充分地提取原始图像的先验信息，从而获得定位精度更高的结果。

图2 新型的基于插值的亚像元定位流程图Fig.2 Flowchart of the novel interpolation-based subpixel mapping3 仿真实验结果及分析选择两组真实的高光谱数据进行仿真实验，插值方法选择双线性插值和双三次插值[9]。

双线性插值记为NSPM-BI，双三次插值记为NSPM-BIC。

与传统的基于双线性插值的亚像元定位方法(SPM-BI)和基于双三次插值的亚像元定位方法(SPM-BIC)[10]进行比较。

选取每个类别的定位精度OAi、总体精度评PCC系数和Kappa系数作为精度评价的指标。

同时，模拟的低分辨率图像都将通过原始图像进行采样。

3.1 实验一选择帕维亚大学数据集作为本次实验的研究数据。

该数据是用ROSIS光谱仪拍摄于帕维亚大学的工程学院[11]。

选择大小为100 100个像元的区域作为测试对象，如图3 (a)所示(RGB波段:19,30,44)。

区域主要包括沥青、草地、树木和砖瓦四个主要类别。

图3 (b)用来作为参考图像，没标记的类别用黑色代替。

为了模拟真实情况，将原始高分辨率高光谱图像通过比例尺度S=4的均值滤波器进行降采样，产生模拟的粗糙低分辨率图像。

图3 帕维亚大学数据集Fig.3 ROSIS data of University of Pavia亚像元定位结果如图3(c)～图3(f)所示。

通过视觉比较可以发现,图3(c)和3(d)中由于丰度图像没有丰富的原始图像先验信息，亚像元定位结果不理想。

例如沥青和瓦砖边缘存在许多毛刺，看起来十分粗糙。

这些现象在图3(e)～图3(f)中得到明显的缓解，这是由于所提出的方法中丰度图像具有更加丰富的原始图像先验信息，定位结果与参考图像更加相似。

其中，由于双三次插值比双线性插值具有更好的亚像元锐化效果，因此,NSPM-BIC产生的结果在视觉上最接近参考图像。

除了直观视觉比较外，实验一中四种亚像元定位结果中各类别的定位精度OAi和整体定位精度PCC也被测试。

精度评价指标如表1所示，可以发现，对比传统的SPM-BI和SPM-BIC方法，所提出的NSPM-BI和NSPM-BIC能够得到更高精度的结果。

表1 实验一中四种方法的定位精度(%)(S=4)Table 1 Accuracy of 4 methods in experiment 1 (S=4)SPM-BISPM-BICNSPM-BINSPM-BIC草地90.0490.8691.2993.74沥青78.8487.8090.1991.22树木30.0233.9434.3038.32瓦砖60.3662.6366.8269.95PCC73.6675.4677.8680.36 3.2 实验二选择用HYDICE成像仪获得华盛顿DC数据集[10]。

选取大小为240 × 300个像元作为本次实验的研究区域，如图4(a)所示(RGB波段:65,52,36)。

该区域较之前的实验类别分布更为复杂，主要包括背景、湖水、道路、树木、草地、屋顶和小径7个类别。

通过分类算法获得如图4(b)所示的参考图像[12]。

为了考虑多种比例尺度下所提出方法的性能，选择S=3、S=4、S=6三种比例尺度去模拟低分辨率图像。

与实验一得到的结论相似，在视觉上由于传统的基于插值的亚像元定位算法没有充分利用原始图像先验信息时，图4(c)～图4(d)存在着大量的散斑效应。

由于利用更多的先验信息，图4 (e)～(f)所提出的方法更加接近原始的参考图像。

图5(a)～图5(b)所示的是在三种尺度下四种方法的PCC系数和Kappa系数，与前述实验结果一致，所提出的方法较传统的基于插值的亚像元定位方法可以获得更高的定位精度。

图4 华盛顿DC数据集Fig.4 The Washington, DC data图5 (a) 四种方法的PCC(%) 与比例尺度S的关系； (b) 四种方法的Kappa 与比例尺度S的关系Fig.5 (a) PCC (%) of 4 methods with different zoom factor S；(b) Kappa of 4 methods with different zoom factor S4 结论提出了一种新型基于插值的高光谱图像亚像元定位算法，与传统的基于插值的亚像元定位方法相比，此方法能更充分地利用原始高光谱图像的先验信息。

此方法继承了传统方法处理速度快、不需要先验的辅助信息等优点。

仿真实验表明，此方法获得的定位结果在视觉上更加连续和平滑，精度评价指标更高。

本文选择了快速有效的双线性插值和双三次插值作为插值方法，今后寻找更有效的插值方法以获得更好的定位结果是值得研究的问题。

参考文献【相关文献】[1]张兵，高连如．高光谱图像分类与目标检测 [M]. 北京: 科学出版社， 2011．[2]WANG Q, SHI W, WANG L. Allocating classes for soft-then-hard sub-pixel mapping algorithms in units of class [J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 5(5): 2940-2959.[3]WANG P, WANG L G. Soft-then-hard super-resolution mapping based on a spatial attraction model with multiscale sub-pixel shifted images [J]. International Journal of Remote Sensing, 2017, 38(15): 4303-4326.[4]WANG Q, SHI W, ATKINSON P M. Sub-pixel mapping of remote sensing images based on radial basis function interpolation [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 92(1): 1-15.[5]WANG P, WANG L, MURA M D, et al. Using multiple subpixel shifted images withspatial-spectral information in soft-then-hard subpixel mapping [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(6): 2950-2959.[6]CHEN Y, GE Y, SONG D. Superresolution land-cover mapping based on high-accuracy surface modeling [J]. IEEE Geoscience and Remote Sensing Letters, 2015， 12(12): 2516-2520.[7]赵春晖，金文超．利用约束非负矩阵分解的高光谱解混算法 [J]. 黑龙江大学自然科学学报，2012， 29(6): 817 -821.[8]VERHOEYE J, WULF R D. Land-cover mapping at sub-pixel scales using linear optimization techniques [J]. Remote Sensing of Environment, 2002, 79(1): 96-104.[9]苏衡, 周杰, 张志浩. 超分辨率图像重建方法综述 [J]. 自动化学报， 2013, 39(8): 1202-1213.[10]凌峰, 吴胜军, 肖飞, 等. 遥感影像亚像元定位研究综述 [J]. 中国图像学报， 2011, 16(8): 1335-1345.[11]WANG L, WANG Q. Subpixel mapping using Markov random field with multiple spectral constraints from subpixel shifted remote sensing images [J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(3): 598-602.[12]VILLA A, CHANUSSOT J, BENEDIKTSSON J A, et al. Unsupervised methods for the classification of hyperspectral images with low spatial resolution [J]. Pattern Recognition, 2013, 46(6): 1556-1568.。