劉細梅，牛振國

(1. 華南理工大學土木與交通學院，廣東 廣州 510641； 2. 中國科學院遙感與數(shù)字地球研究所，北京 100101)

?

像元交換在村鎮(zhèn)地表超分辨率制圖中的應用

劉細梅1，牛振國2

(1. 華南理工大學土木與交通學院，廣東 廣州 510641； 2. 中國科學院遙感與數(shù)字地球研究所，北京 100101)

村鎮(zhèn)區(qū)域進行遙感制圖受到數(shù)據(jù)條件的明顯制約，主要表現(xiàn)為不易獲取適宜的高分辨率影像，而可獲取性強的低分辨率影像由于混合像元現(xiàn)象嚴重難以直接應用于較精細的制圖解析中。對此，本文嘗試將一種改進的軟信息規(guī)整方法結合基于像元交換的超分辨率制圖方法用于低分辨率影像制圖中，以彌補高分辨率遙感數(shù)據(jù)的不足。從研究區(qū)真實遙感影像開展方法的可行性驗證，并分析該方法在村鎮(zhèn)地表制圖中的適宜性，探討混合像元分解技術對村鎮(zhèn)地表超分辨率制圖結果的影響。結果顯示：制圖結果的優(yōu)劣依賴于混合像元分解技術，混合像元分解結果的誤差直接傳遞至制圖結果中，但是村鎮(zhèn)地表超分辨率制圖結果明顯優(yōu)于傳統(tǒng)的硬分類結果，說明本文方法能有效將低分辨率數(shù)據(jù)用于村鎮(zhèn)制圖中。

像元交換；超分辨率制圖；混合像元分解；村鎮(zhèn)

雖然遙感技術近年來發(fā)展迅速，但是目前村鎮(zhèn)地表環(huán)境遙感監(jiān)測與制圖對遙感影像高空間分辨率的需求和高分辨率數(shù)據(jù)的獲取能力(重復觀測周期長、覆蓋范圍小、購買成本高)之間依然存在很大差距；同時村鎮(zhèn)地區(qū)往往也是高分辨率圖像獲取的盲區(qū)。相比而言低分辨率遙感影像能提供足夠數(shù)據(jù)覆蓋度和時效，且購買數(shù)據(jù)費用低甚至免費，但不可避免地存在混合像元，且分辨率越低混合像元現(xiàn)象越嚴重，像元中的光譜信息越復雜，傳統(tǒng)的硬分類方法將這些混合像元判定為任何一類都是不準確的，這不僅限制了影像的空間分辨率，也丟失了大量村鎮(zhèn)區(qū)域小面積的感興趣目標地物，難以滿足村鎮(zhèn)區(qū)域較為精細的制圖要求。此外現(xiàn)有混合像元分解技術雖然在一定程度上提供部分解決方案，但是混合像元分解技術只能確定像元內部各組分地物的組成比例，不能確定地物的空間分布[1]。為此，若能充分利用低分辨率影像數(shù)據(jù)，得到高分辨率的空間地物分布圖則有利于解決數(shù)據(jù)制約的問題。而超分辨率制圖技術正是一種確定混合像元內部各類地物空間分布的技術，它使得地物信息能在亞像元尺度上顯示[2]。因此探索研究利用低分辨率遙感影像進行超分辨率制圖，動態(tài)快速廉價地獲取村鎮(zhèn)水體、植被、居民區(qū)、裸地等地表信息，對開展村鎮(zhèn)環(huán)境遙感監(jiān)測工作具有重要意義。

自從1997年Atkinson[3]正式提出超分辨率制圖技術的概念以來，超分辨率制圖技術受到越來越多國內外研究學者的關注。但單純由一幅低分辨率遙感影像獲得高分辨率的分類結果是相當困難的，近年來，國內外科研學者試圖從各個角度來解決這個問題，如考慮地物分布空間相關性最大化、考慮空間結構加入輔助信息等。概括地講，現(xiàn)有的超分辨率制圖方法分為兩大類別：一是基于某種假設如空間相關性最大化等，由一幅低分辨影像獲得高分辨率分類結果圖，如Markov隨機場模型[4-5]、像元-亞像元空間引力模型[6]、Hopfield神經(jīng)網(wǎng)絡模型[7-8]、像元交換技術模型[9]、元胞自動機模型[10]、整合線性解混和空間引力模型[11]等；二是加入輔助信息，包括BP神經(jīng)網(wǎng)絡模型[12]、兩點直方圖[13]、地統(tǒng)計學[14]、景觀結構[15]、矢量分割法[16]、基于支持向量機[17]等。其中輔助信息的引入，一方面使得高分辨率的類別空間分布信息更加接近真實，但另一方面也增加了對輸入數(shù)據(jù)的要求。因此綜合考慮算法效率、運行速度、定位精度、輔助信息的獲取難易度等各方面，本文將像元交換技術用于村鎮(zhèn)地表超分辨率制圖中，分析其在制圖中的適用性。

一、技術簡介

像元交換(pixel swapping algorithm,PSA)技術通過像元內亞像元間類別的交換，使得按照亞像元尺度上空間相關性達到最大的趨勢得到類別最正確的位置分布。

像元交換技術是以空間相關性最大化為假設目標，而實際中因為人為等因素的影響使得遙感影像中地物的分布不完全是空間相關性最大化的結果。但空間依賴或空間相關性是超分辨率制圖的理論基礎，并且在現(xiàn)有的研究中，基于像元交換技術的超分辨率制圖方法取得了一定的理論研究基礎。因此本文將像元交換技術用于村鎮(zhèn)地表的超分辨率制圖中，研究其方法的實用性。

二、研究路線

本文結合研究區(qū)真實影像，分析其在實際村鎮(zhèn)地表超分辨率制圖中的實用性，并探討在實現(xiàn)超分辨率制圖技術流程中混合像元分解技術的影響。其具體研究流程如圖1所示。

圖1　村鎮(zhèn)地表影像試驗流程

超分辨率制圖的具體算法實現(xiàn)過程如圖2所示。圖2中S為尺度因子，h為目標變化率。圖中百分比信息規(guī)整是指將像元內每一種地物類別所占百分比信息轉換為亞像元級影像上所占的亞像元個數(shù)，且必須為整數(shù)。然而，實際中往往按軟信息直接計算的結果并不為整數(shù)，因此需要有一個規(guī)整的方法。在以往的研究中[18]，首先將軟信息直接計算得到的結果向下取整，然后將未歸類的亞像元歸屬于像元內所占比例最大的地物類別。該方法簡單易行，但容易丟失小的感興趣目標物。為彌補這一缺陷，本文將該方法作如下改進：向下取整后，比較每類地物未分配亞像元的百分比，選取最大值并使該類地物亞像元個數(shù)增加1，進而改變該類地物剩余未分配亞像元百分比值(可為負)；依次循環(huán)直到所有亞像元被分配完為止。這一方法的目的是使得嚴重依賴混合像元分解結果的超分辨率制圖方法盡可能保留小的感興趣目標物，且使制圖結果軟信息與目標圖像的軟信息保持一致。

圖2　算法實現(xiàn)過程

三、影像超分辨率制圖試驗

1. 像元交換技術村鎮(zhèn)地表超分辨率制圖

真實影像研究區(qū)位于湖南望城區(qū)喬口鎮(zhèn)部分區(qū)域，緯度范圍為28.500 7°—28.511 1°，經(jīng)度范圍為112.717 3°—112.734 2°。

圖3(a)為2013年7月28日資源三號衛(wèi)星多光譜影像(空間分辨率為5.8 m)經(jīng)重采樣，空間分辨率為7.5 m(312×152像元)，將其作為高分辨率影像源；選用2013年7月31日的Landsat8多光譜數(shù)據(jù)(空間分辨率為30 m，78×38像元)為低分辨率影像來源(圖3(b))?？芍叨纫蜃覵=4，以圖3(a)監(jiān)督分類結果作為亞像元尺度上制圖目標。

為驗證基于像元交換技術在村鎮(zhèn)地表制圖中的可行性與分析適宜性，本節(jié)中包括兩個試驗。

試驗1為便于在排除混合像元分解引入的誤差等影響因素的情況下評價方法的性能，采用圖4經(jīng)統(tǒng)計得到3類地物的比值圖，模擬圖3(b)經(jīng)混合像元分解得到的地物比值圖，以此作為超分辨率制圖的輸入數(shù)據(jù)。

圖3　研究區(qū)影像數(shù)據(jù)

圖4　ZY-3衛(wèi)星數(shù)據(jù)硬分類結果

圖5(b)是對由圖4統(tǒng)計得到3類地物的比值圖進行基于像元交換技術超分辨率制圖的結果，相比直接對低分辨率影像進行硬分類的結果(如圖5(a)所示),研究區(qū)基本得到恢復，視覺上與真實地圖分布圖更接近，但對線性地物的重建能力有限，在地物交界處亞像元類別的分配有一定的隨機性，對于地物大小小于像元尺度的重建能力差。

圖5　研究區(qū)影像分類結果

模擬軟信息超分辨率制圖結果與像元尺度硬分類結果精度比較見表1，由該表可以看出超分辨率制圖結果總體精度相對于硬分類結果提高了7.112 4%，Kappa系數(shù)提高了0.107 5。

表1　村鎮(zhèn)地表模擬軟信息制圖、硬分類精度比較

綜合視覺效果和制圖精度兩方面，基于像元交換技術的超分辨率制圖方法對包含有復雜空間結構的村鎮(zhèn)地表有較好的重建能力，說明該制圖方法用于村鎮(zhèn)地表制圖中是可行的。

由于在試驗1中為忽略混合像元分解技術給超分辨率制圖結果帶來的影響，比值信息直接由目標圖像(圖4)統(tǒng)計得來，而在實際應用中，比值信息只能通過混合像元分解得來，因此試驗2中比值信息是由像元尺度影像(如圖3(b)所示)經(jīng)基于支持向量機的混合像元分解方法[19]來獲得，并將其規(guī)整后作為超分辨率制圖的輸入信息。本試驗選用文獻[18]中提到的規(guī)整方法與本文提出的改進規(guī)整方法進行對比。

評價混合像元分解結果的精度常用的一種指標為均方根誤差(RMSE)[20]，其表達式為

(1)

根據(jù)式(1)計算本試驗對基于支持向量機混合像元分解結果規(guī)整后的RMSE值，其中按文獻[18]規(guī)整后的RMSE為0.515 0，本文提出的改進方法的RMSE為0.502 6，而試驗1中輸入的模擬混合像元分解結果RMSE值為0.00，由此可以看出基于支持向量機混合像元分解結果與目標圖像的比值圖信息相差很大，混合像元分解結果不好，但本文提出的規(guī)整方法相比傳統(tǒng)方法有一定的改進效果。

雖然RMSE計算了某類端元的總體分解精度，但誤差來源的誤分、錯分的誤差沒有進行區(qū)別，因此本文以類似于硬分類結果精度評價指標混淆矩陣進行說明。這兩種方法規(guī)整后3類地物正確分配、錯分、誤分亞像元數(shù)目見表2和表3，其中目標圖像中水體、植被、裸地的亞像元個數(shù)分別為9239、17 750、20 435。

表2　傳統(tǒng)軟信息規(guī)整方法結果

表3　改進軟信息規(guī)整方法結果

由表2與表3可看出，每一類地物誤分與錯分的亞像元比例差不多，但總體而言，本文改進后的規(guī)整結果錯分、誤分數(shù)目低于文獻[18]提到的方法。為更直觀直接地對比這兩種方法結果，本文定義一種指標正確率R，其表達式為

(2)

式中，M為分配正確的地物像元數(shù)目；N為像元個數(shù)。

根據(jù)式(2)計算這兩種規(guī)整方法處理后的正確率分別為75.88%、76.44%，后者高于前者，由此可見，本文提出的改進規(guī)整方法結果整體上精度高于傳統(tǒng)方法[18]，因此試驗2以本文提出的改進方法進行軟信息規(guī)整。

圖5(c)是以基于支持向量機混合像元分解結果經(jīng)本文提出的改進規(guī)整方法處理后為超分辨率制圖輸入信息得到的制圖結果，與目標圖像圖4相比較可看出，制圖結果有大量的植被錯分為裸地、裸地錯分為水體與植被。

表4是基于支持向量機混合像元分解的制圖結果與硬分類結果精度比照，表明制圖結果精度并不比硬分類精度高，甚至稍低。

表4　村鎮(zhèn)地表超分辨率制圖、硬分類精度比較

2. 討論

在基于Matlab平臺實現(xiàn)整個算法的過程中，發(fā)現(xiàn)像元交換技術在影像邊界像元的處理上受限制，且鄰域距離與模型影響著制圖效果，需要不斷地試驗摸索選擇合適的參數(shù)值。因此像元交換技術不能普適于影像制圖中，不同時相、不同區(qū)域、不同來源的影像選用不同的鄰域模型、領域范圍、參數(shù)，且若要應用于邊界像元，需進一步對像元交換技術進行改進或研究出一種專門處理邊界像元的方法。

大量文獻說明了像元交換技術方法對于H型(像元尺寸大小小于地物尺寸大小)多類地物情況的制圖效果很好。對于存在多類地物、H型與L型(像元尺寸大小大于地物尺寸大小)制圖情況混合、空間結構復雜的村鎮(zhèn)地表制圖而言，試驗1結果表明超分辨率制圖結果從視覺效果和精度上分析明顯優(yōu)于傳統(tǒng)硬分類結果，并且該試驗是在2GB內存的普通計算機上運行1小時完成達到穩(wěn)定狀態(tài)，因此該試驗表明了基于像元交換的超分辨率制圖方法適宜應用于類似于試驗區(qū)空間結構的村鎮(zhèn)地表制圖中。

雖然試驗1結果驗證了方法在村鎮(zhèn)地表超分辨率制圖中的可行性與適宜性，但試驗結果也不可避免地存在問題。試驗結果對比目標圖像可看出制圖結果中存在有離散錯分像元，對地物邊界重建具有一定的隨機性；試驗1制圖結果中對線性邊界并未完全得到重建，雖然空間相關性最大但線性地物邊界變得圓滑。此外，因為方法的目標是使空間相關性最大化，使得試驗1制圖結果中對L型情況重建能力差，甚至與實際不符。

超分辨率制圖技術是建立在混合像元分解技術之上的，因此若要應用超分辨率制圖技術，必須獲得由混合像元技術得到的軟信息。由于研究區(qū)復雜的光譜信息和空間結構，試驗1為分析方法的適宜性，忽略因混合像元分解技術等因素所帶來的影響，采用了模擬混合像元分解結果。但在實際應用中，必須由混合像元分解技術得到軟信息。試驗2以基于支持向量機的混合像元分解得到的軟信息為制圖輸入信息，且對傳統(tǒng)軟信息規(guī)整方法進行了改進，結果表明軟信息的規(guī)整會影響制圖精度，且本文提出的改進方法效果優(yōu)于傳統(tǒng)方法。而試驗2中制圖精度低的原因是村鎮(zhèn)地表地物間存在同物異譜與異物同譜的特征明顯，使得基于SVM的混合像元分解中，大量像元處于由具有明顯光譜區(qū)別的樣本數(shù)據(jù)構建的最優(yōu)分類面附近甚至交錯，導致混合像元分解結果與真實軟信息有很大差異。

四、結束語

本文基于模擬軟信息的超分辨率制圖結果表明，采用基于PSA的超分辨率制圖方法在村鎮(zhèn)地表低分辨率影像中獲取高分辨率分類結果圖是可行的，這不僅彌補了低分辨率影像空間分辨率的不足，也解決了研究區(qū)因獲取高分辨率影像的不易而難以得到高空間分辨率地物分類圖的難題，這對村鎮(zhèn)環(huán)境遙感動態(tài)監(jiān)測具有重要意義；基于混合像元分解得到的軟信息制圖結果表明基于PSA的超分辨率制圖嚴重依賴于混合像元分解結果，混合像元分解結果的誤差直接傳遞至制圖結果中。因此，在基于PSA的村鎮(zhèn)地表超分辨制圖中，為了能達到良好的應用效果，需要從以下幾點加強研究：①改進像元交換技術；②研究專門的方法處理邊界像元；③降低超分辨率制圖方法對混合像元分解結果的依賴；④混合像元分解方法有待改進，使其能夠較好地解決同物異譜、異物同譜現(xiàn)象。

[1]王群明. 遙感圖像亞像元定位及相關技術研究[D]. 哈爾濱：哈爾濱工程大學, 2012.

[2]任武, 葛詠. 遙感影像亞像元制圖方法研究進展綜述[J]. 遙感技術與應用, 2011, 26(1): 33-44.

[3]ATKINSONPM.MappingSub-pixelBoundariesfromRemotelySensedImages[J].InnovationsinGIS, 1997, 4: 166-180.

[4]KASETKASEMT,ARORAMK,VARSHNEYPK.Super-resolutionLandCoverMappingUsingaMarkovRandomFieldBasedApproach[J].RemoteSensingofEnvironment, 2005, 96(3): 302-314.

[5]KASETKASEMT,ARORAMK,VARSHNEYPK.Sub-pixellandCoverMappingBasedonMarkovRandomFieldModels[C]∥GeoscienceandRemoteSensingSymposium, 2003.IGARSS'03.Proceedings. [S.l.]:IEEE, 2003.

[6]MERTENSKC,DEBAETSB,VERBEKELPC,etal.ASub-pixelMappingAlgorithmBasedonSub-pixel/pixelSpatialAttractionModels[J].InternationalJournalofRemoteSensing, 2006, 27(15): 3293-3310.

[7]TATEMAJ,LEWISHG,ATKINSONPM,etal.Super-resolutionTargetIdentificationfromRemotelySensedImagesUsingaHopfieldNeuralNetwork[J].IEEETransactionsonGeoscienceandRemoteSensing, 2001, 39(4): 781-796.

[8]TATEMAJ,LEWISHG,ATKINSONP,etal.LandCoverMappingattheSub-pixelScaleUsingaHopfieldNeuralNetwork[C]∥Proceedingsofthe28thInternationalSymposiumonRemoteSensingoftheEnvironment.Tuscon:[s.n.]，2000.

[9]ATKINSONPM.Sub-pixelTargetMappingfromSoft-classified,RemotelySensedImagery[J].PhotogrammetricEngineeringandRemoteSensing, 2005, 71(7): 839.

[10]凌峰, 張秋文, 王乘, 等. 基于元胞自動機模型的遙感圖像亞像元定位[J]. 中國圖象圖形學報, 2005, 10(7): 916-921.

[11]LINGF,DUY,XIAOF,etal.SubpixelLandCoverMappingbyIntegratingSpectralandSpatialInformationofRemotelySensedImagery[J].GeoscienceandRemoteSensingLetters,2012, 9(3): 408-412.

[12]MERTENSKC,VERBEKELPC,WULFRRD.Sub-pixelMappingwithNeuralNetworks:Real-worldSpatialConfigurationsLearnedfromArtificialShapes[C]∥Proceedingsof4thInternationalSymposiumonRemoteSensingofUrbanAreas.Regensburg：[s.n.]，2003.

[13]ATKINSONPM.Super-resolutionLandCoverClassificationUsingtheTwo-pointHistogram[M].[S.l.]:Springer， 2004: 15-28.

[14]BOUCHERA,KYRIAKIDISPC.Super-resolutionLandCoverMappingwithIndicatorGeostatistics[J].RemoteSensingofEnvironment, 2006, 104(3): 264-282.

[15]林皓波, 柏延臣, 王錦地, 等. 基于景觀結構的遙感影像超分辨率制圖[J]. 自然科學進展, 2009(10):12.

[16]STEINWENDNERJ,SCHNEIDERW,SUPPANF.VectorSegmentationUsingMultibandSpatialSubpixelAnalysisforObjectExtraction[J].InternationalArchivesofPhotogrammetryandRemoteSensing, 1998, 32: 265-271.

[17]WANGQ,WANGL,LIUD,etal.Sub-pixelMappingforLandClasswithLinearFeaturesUsingLeastSquareSupportVectorMachine[J].InfraredandLaserEngineering, 2012, 41(6)：32-35.

[18]MERTENSKC,DEBAETSB,VERBEKELPC,etal.ASub-pixelMappingAlgorithmBasedonSub-pixel/pixelSpatialAttractionModels[J].InternationalJournalofRemoteSensing, 2006, 27(15): 3293-3310.

[19]張翔, 肖小玲. 基于最大熵估計的支持向量機概率建模[J]. 控制與決策, 2006, 21(7): 767-770.

[20]THORNTONMW,ATKINSONPM,HOLLANDDA.Sub-pixelMappingofRuralLandCoverObjectsfromFineSpatialResolutionSatelliteSensorImageryUsingSuper-resolutionPixel-swapping[J].InternationalJournalofRemoteSensing, 2006, 27(3): 473-491.

[21]TOLPEKINVA,STEINA.QuantificationoftheEffectsofLand-cover-classSpectralSeparabilityontheAccuracyofMarkov-random-field-basedSuperResolutionMapping[J].IEEETransactionsonGeoscienceandRemoteSensing, 2009, 47(9): 3283-3297.

[22]黃艷妮. 基于LSMM的遙感估算方法在城市不透水面提取中的研究與應用[D]. 蕪湖：安徽師范大學, 2012.

Application of Pixel Swapping Algorithm in the Study of Rural Surface Super-resolution Mapping

LIU Ximei,NIU Zhenguo

10.13474/j.cnki.11-2246.2016.0249.

2015-08-13

“十二五”科技支撐項目(2012BAJ24B01)

劉細梅(1988—)，女，碩士，助理實驗師，主要從事遙感影像超分辨率制圖、移動GIS研究。E-mail：ctxmliu@scut.edu.cn

P237

B

0494-0911(2016)08-0025-05

引文格式：劉細梅，牛振國.像元交換在村鎮(zhèn)地表超分辨率制圖中的應用[J].測繪通報，2016(8)：25-29.