遥感图像基本概念

第1部分绪论1.1课题背景及研究的目的意义高光谱遥感(HyperspectralRemoteSensing)是近些年来迅速发展起来的一种全新遥感技术，它是集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体的综合性技术[1]。随着遥感技术的发展，高光谱图像已经越来越广泛地被应用到海洋、植被、地质、大气、环境、军事和医学等方面[2]。高光谱图像信息系统中重要的参数之一是空间分辨率，高光谱图像的光谱分辨率很高，但其空间分辨率较低。例如机载可见光、红外成像光谱仪(AVIRIS)所成图像一般分辨率只达到20m*20m。较低的空间分辨率给数据处理如目标检测与识别、混合像素解译、精准匹配等技术带来了巨大的困难。可以说，空间分辨率已经成为高光谱图像应用效果的主要制约因素。提高空间分辨率势必能够加强图像中目标的探测能力和识别能力。在遥感技术快速发展的今天，对遥感图像的分辨率有着越来越高的要求，但对于现有的成像设备，由于其制作工艺和现有技术的制约，还远远不能满足各方面的要求，所以采用图像处理技术来提高空间分辨率有很大的研究价值和意义。随着对遥感图像处理技术的提高，高光谱图像的分析从像素级发展到子像素级[3]已成为必然，由此带来的许多技术难点急待改进或解决。高光谱图像的低空间分辨率导致了混合像素的广泛存在，即一个像素可能是几种类别的混合[4]。对于这类像素，将其按照传统的硬分类方法归属为任一类都是不准确的。在实际应用中，分析者常常需要更为精确的信息：混合像素内包含哪些类别，各类别所占的比例是多少，这些类别在混合像素内的空间分布是怎样的等等。如图1.1所示。它们各自对应的技术为光谱端元选择技术[5]，光谱解混（又称光谱解译）技术[6]和子像素制图技术（子像素制图又称为亚像元定位）[7]。混合像素处理确定混合类别光谱端元选择确定混合比例光谱解混确定空间分布子像素制图图1.1高光谱图像混合像素处理中主要问题及对应技术本文主要研究对混合像素进行光谱解混后的子像素制图技术（SubpixelMapping,SM）。通过该技术，确定各个类别在混合像素内的空间分布，能让地物类别在图像中得到更明显更确切的显示，从而使图像的空间分辨率得到提高。研究子像素制图技术有着广泛的应用前景，它可以在一定程度上突破图像获取手段的空间分辨率极限，弥补原有图像的空间分辨率的不足，获取更加清晰的图像。该技术可应用于以下几个领域：资源与环境的卫星遥感领域，军事遥感应用领域及公共安全领域等。子像素制图技术目前已引起国内外相关研究人员的广泛关注，并成为遥感领域一个非常活跃的课题。1.2成像光谱技术的发展及高光谱图像特点1.2.1成像光谱技术的发展高光谱遥感是指利用很多窄的电磁波波段获取物体有关数据的技术，在成像过程中，它利用成像光谱仪以纳米级的光谱分辨率在几十乃至几百个波段同时对地表地物成像，实现了地物空间信息、辐射信息、光谱信息的同步获取，在相关领域中具有很高的应用价值和广阔的发展前景[8]。高光谱遥感与成像光谱技术的发展是同步的，而成像光谱技术发展的历史又是成像光谱仪不断发展的历史。成像光谱仪就是在特定光谱域内高分辨率地获取连续地物光谱图像的仪器。它使得遥感应用可以在光谱维上进行展开，从而定量分析地球表层的生化物理过程。成像光谱仪主要分：机载可见光/近红外成像光谱仪(AirborneVisible/InfraredImagingSpectrometer,AVIRIS)和扫帚式高光谱成像仪(propellerhyperspectralimaging,PHI)和星载成像光谱仪。AVIRIS是根据最新成像光谱学概念提出，PHI是根据推帚式扫描成像和光栅分光原理，星载成像光谱仪主要根据航空航天应用需求开发研制的。高光谱数据的获取示意图如图1.2所示。图1.2高光谱数据的获取示意图1.2.2高光谱图像特点成像光谱仪在对目标的空间特征成像的同时，对每个空间像素经过色散形成几十个乃至几百个窄波段以进行连续的光谱覆盖，从而形成谱分辨率达到纳米级的高光谱图像，如AVIRIS能同时收集从可见光到红外波段范围内的光谱信息，并将信息记录在波长从400nm到2500nm的224个谱段上，相邻谱带间的波长间隔约为10nm。高光谱遥感图像和常见的二维图像不同之处在于，它在二维图像信息的基础上添加光谱维，进而形成三维的坐标空间。如果把成像光谱图像的每个波段数据都看成是一个层面，将成像光谱数据整体表达到该坐标空间，就会形成一个拥有多个层面、按波段顺序叠合构成的三维数据立方体。如图1.3所示，是由AVIRIS获取的高光谱图像立方体，该数据为八月下旬美国堪萨斯州224波段等比放大视图。图1.3AVIRIS高光谱图像立方体高光谱图像的三个显著特点可以概括如下：其一，高光谱图像具有高的光谱分辨率，这使得它能够解决许多多光谱不能解决的问题。其二，相邻谱带间存在较强的相关性。这一特点为其降维处理(包括波段选择、特征提取等)和谱间压缩提供可能。其三，高光谱图像随着维数的增加，超立方体的体积集中于角端，超球体和椭球体的体积集中在外壳[9]。该特点进一步为高光谱图像的降维和压缩处理提供了理论依据。根据高光谱图像的特点及相关技术处理的需要，高光谱数据所携带的信息一般采用如下的三种空间表达方式，即图像空间、光谱空间和特征空间(如图1.4所示)。不同表示方式强调了不同的信息，适合于不同的目的要求。对于人类的视觉系统而言，图像空间表示是最自然、最直观的表达方式。对于每一固定的波长，相当于地面景物的照片，二维图像提供了数据样本之间的几何关系。图像表示对于纵览地物之间的互相位置关系是很有用处的。例如，在一般的训练过程中，训练样本的选取需要在图像空间进行，因此像素之间的空间几何位置关系对某些高光谱数据处理是很重要的。在光谱空间表示方式中，光谱相应曲线中包含了辨识地物所需的信息，表示方法简单有效，它图1.4高光谱图象数据三种描述模型提供了直接用于解译的光谱信息。特征空间在光谱空间进行取样，将得到的n个数据用一个n维向量来表示，是表示光谱响应的另一种方式。特征空间表示方式从概念上容易理解，从数学角度来说表示方便，n维向量包含了对应像素的全部光谱信息。从信息提取的观点来看，在三种表示方法中，特征空间表示法最适合于模式识别中的应用。1.3光谱解混技术发展概况相对于传统硬分类技术，光谱解混即软分类技术起步较晚。高光谱图像中，混合像素广泛存在，一个像素可能包括几个地物类别。当感兴趣的目标不足一个或几个像素时，如果仅将一个混合像素归属为某一类，势必会带来一定的分类误差导致分类精度的下降，从而影响分析结果的后续应用。像素混合模型可分为线性混合模型和非线性混合模型[10]。非线性混合模型的建立和求解相对比较困难，关于它的研究较少。相比之下，线性混合模型物理意义明确且容易建立模型。基于线性模型的光谱解混就是假定混合像素是由几类地物类别按照一定的比例线性混合而成的，混合像素的光谱是这些地物光谱的线性组合。在多光谱遥感时期，混合像素的光谱解混问题很难解决，原因是多光谱遥感谱分辨率太低，所得到的遥感辐射值不足以完全刻画地物的光谱性质。而在高光谱遥感时期，由于光谱分辨率的提高，所得到的像素的辐射值构成了一条近乎连续的光谱曲线，完整地代表了地物的光谱响应特性。因此在高光谱遥感中，完全有可能通过分析光谱曲线的组成，来确定像素的地物组成类别和比例，从而实现混合像素光谱解混的目的。目前为止，能应用于光谱解混的方法有线性解混模型（LSMM）[11]，多层感知器[12]，最近邻分类器[13]，独立成分分析[14][15]，人工神经网络[16]，模糊C均值分类[17]，支持向量机（SVM）方法等。LSMM因其简单而高效的特点而成为最广泛使用的方法。LSMM常采用最小二乘的方法进行计算求解，其结果通常以光谱端元的分量图形式表示。上述所列举的方法有一个普遍的特点，即用固定光谱（或固定端元）来刻画一个类别，这往往会导致解混精度的下降。针对这一不足，本文提出一种新型的光谱解混方法，即将ViperTools与蒙特卡罗方法相结合的基于变化端元的光谱解混方法，为子像素制图技术的开展奠定良好的基础。1.4子像素制图技术发展现状九十年代以来，随着光谱解混研究的不断深入，一些学者逐渐开始通过对光谱解混分量图进行子像素制图技术研究来提高混合像素的像素分辨率。像素复制法是最简单的子像素制图方法，该方法将低分辨率像素在保持数值不变的状态下超分辨为若干个相同的子像素。显然，这种方法并不能更好地反映图像的边缘信息。Atkinson在此领域率先提出一种基于距离尺度的算法[18]，该算法假定地表覆盖物类别在像素内和像素之间具有空间相关性，在此基础上，JanVerhoeye、RobertDeWulf将子像素制图公式转化为一个线性优化问题来最大化空间相关性[19]。Atkinson提出一种像素交换的方法，在原始像素内选择最需要交换的两个子像素，通过不断地迭代来获得最优解[20]。Tatem等人利用Hopfield神经网络模型对输出的神经元采用约束能量最小的原则进行求解[21]。Merten等人通过BP神经网络模型调整网络结构，训练初始分类影像获得结果[22]。Teerasit采用马尔可夫随机场模型进行求解[23]。Merten采用小波系数与神经网络结合，通过不同尺度的分解影像进行处理[24]。近年来，武汉大学张良培教授所带领的团队在该领域做了大量的研究，先后分别提出利用正则MAP模型[25]，BP神经网络[26]，ARTMAP神经网络[27]和人工免疫系统中的克隆选择算法[28]来解决该问题。第2部分子像素制图技术2.1引言空间分辨率是指传感器所能分辨的最小的目标大小，或指影像中一个像素点所表示的地面面积，它是评价传感器性能和遥感信息的重要指标之一，也是识别地物形状大小的重要依据。高光谱图像的空间分辨率往往较低，因此在图像中地物类别边缘像素常为混合像素，从而只能展示出模糊的类别信息。图像的边缘信息对于视觉效果至关重要，精确地反映地物类别边缘特征在军事智能、工业开采、农业规划、环境管理等方面有着重要意义。因此，基于边缘特性的超分辨技术研究有着特殊的意义。子像素制图是一种以子像素尺度表示边缘混合像素的重要技术。近年来，许多学者致力于这一技术的研究。在现有的为数较少的子像素制图方法中，或者需要难于获得的辅助信息，或者计算量过大而难以应用。研究一种不依赖先验信息的简单有效的子像素制图方法极为重要。为此，本章根据空间相关性原理和SVM理论构建两种具有不同特色的子像素制图方法。同时，为不依赖先验信息，提出一种人工合成训练样本的方法来训练SVM来进行子像素制图。最后，将两种制图方法进行比较。2.2基于空间相关性的子像素制图方法光谱解混技术完成了混合像素内各混合类别成分含量的求解。但是，还有一个重要的方面：混合像素内各混合类别在空间上是如何分布的仍然无法知晓。这是子像素制图技术所要解决的核心内容。学者们曾在该方面进行了一些相关研究。Atkinson提出一种基于距离尺度的算法[18]，该算法假定地表覆盖物类别在像素内和像素之间具有空间相关性，即距离较近的像素和较远的像素相比，更可能属于同一类型。为了说明的方便，本文将其称为基于空间相关性的子像素制图方法。2.2.1基本原理如前所述，确定各类别成分在混合像素中的分布状况是子像素制图的关键内容。基于空间相关性的子像素制图方法建立在下面的假设之下：类别成分在混合像素中的可能分布可以由像素内以及像素之间的空间相关性决定。原始低分辨像素应按照空间相关性最大化的方式超分辨为子像素。用一个简单的例子来说明像素分布空间相关性的含义[19]。图4.1是一个简单的示意图,其中包括两种不同的端元组分（假定为A和B）,分别用黑色圆圈和白色方块表示端元A和B。(a)是一个3×3像素的原始栅格图像，它可由光谱解混后的分量图获得。其中每个像素上标明的数字表示端元A在该像元中的百分含量。若将每个原始像素均分割成为2×2的亚像元,使得每一个子像素的面积等于原始像元面积的25%,则通过(a)中端