像元交换在村镇地表超分辨率制图中的应用

刘细梅，牛振国

(1. 华南理工大学土木与交通学院，广东 广州 510641； 2. 中国科学院遥感与数字地球研究所，北京 100101)



像元交换在村镇地表超分辨率制图中的应用

刘细梅1，牛振国2

(1. 华南理工大学土木与交通学院，广东 广州 510641； 2. 中国科学院遥感与数字地球研究所，北京 100101)

村镇区域进行遥感制图受到数据条件的明显制约，主要表现为不易获取适宜的高分辨率影像，而可获取性强的低分辨率影像由于混合像元现象严重难以直接应用于较精细的制图解析中。对此，本文尝试将一种改进的软信息规整方法结合基于像元交换的超分辨率制图方法用于低分辨率影像制图中，以弥补高分辨率遥感数据的不足。从研究区真实遥感影像开展方法的可行性验证，并分析该方法在村镇地表制图中的适宜性，探讨混合像元分解技术对村镇地表超分辨率制图结果的影响。结果显示：制图结果的优劣依赖于混合像元分解技术，混合像元分解结果的误差直接传递至制图结果中，但是村镇地表超分辨率制图结果明显优于传统的硬分类结果，说明本文方法能有效将低分辨率数据用于村镇制图中。

像元交换；超分辨率制图；混合像元分解；村镇

虽然遥感技术近年来发展迅速，但是目前村镇地表环境遥感监测与制图对遥感影像高空间分辨率的需求和高分辨率数据的获取能力(重复观测周期长、覆盖范围小、购买成本高)之间依然存在很大差距；同时村镇地区往往也是高分辨率图像获取的盲区。相比而言低分辨率遥感影像能提供足够数据覆盖度和时效，且购买数据费用低甚至免费，但不可避免地存在混合像元，且分辨率越低混合像元现象越严重，像元中的光谱信息越复杂，传统的硬分类方法将这些混合像元判定为任何一类都是不准确的，这不仅限制了影像的空间分辨率，也丢失了大量村镇区域小面积的感兴趣目标地物，难以满足村镇区域较为精细的制图要求。此外现有混合像元分解技术虽然在一定程度上提供部分解决方案，但是混合像元分解技术只能确定像元内部各组分地物的组成比例，不能确定地物的空间分布[1]。为此，若能充分利用低分辨率影像数据，得到高分辨率的空间地物分布图则有利于解决数据制约的问题。而超分辨率制图技术正是一种确定混合像元内部各类地物空间分布的技术，它使得地物信息能在亚像元尺度上显示[2]。因此探索研究利用低分辨率遥感影像进行超分辨率制图，动态快速廉价地获取村镇水体、植被、居民区、裸地等地表信息，对开展村镇环境遥感监测工作具有重要意义。

自从1997年Atkinson[3]正式提出超分辨率制图技术的概念以来，超分辨率制图技术受到越来越多国内外研究学者的关注。但单纯由一幅低分辨率遥感影像获得高分辨率的分类结果是相当困难的，近年来，国内外科研学者试图从各个角度来解决这个问题，如考虑地物分布空间相关性最大化、考虑空间结构加入辅助信息等。概括地讲，现有的超分辨率制图方法分为两大类别：一是基于某种假设如空间相关性最大化等，由一幅低分辨影像获得高分辨率分类结果图，如Markov随机场模型[4-5]、像元-亚像元空间引力模型[6]、Hopfield神经网络模型[7-8]、像元交换技术模型[9]、元胞自动机模型[10]、整合线性解混和空间引力模型[11]等；二是加入辅助信息，包括BP神经网络模型[12]、两点直方图[13]、地统计学[14]、景观结构[15]、矢量分割法[16]、基于支持向量机[17]等。其中辅助信息的引入，一方面使得高分辨率的类别空间分布信息更加接近真实，但另一方面也增加了对输入数据的要求。因此综合考虑算法效率、运行速度、定位精度、辅助信息的获取难易度等各方面，本文将像元交换技术用于村镇地表超分辨率制图中，分析其在制图中的适用性。

一、技术简介

像元交换(pixel swapping algorithm,PSA)技术通过像元内亚像元间类别的交换，使得按照亚像元尺度上空间相关性达到最大的趋势得到类别最正确的位置分布。

像元交换技术是以空间相关性最大化为假设目标，而实际中因为人为等因素的影响使得遥感影像中地物的分布不完全是空间相关性最大化的结果。但空间依赖或空间相关性是超分辨率制图的理论基础，并且在现有的研究中，基于像元交换技术的超分辨率制图方法取得了一定的理论研究基础。因此本文将像元交换技术用于村镇地表的超分辨率制图中，研究其方法的实用性。

二、研究路线

本文结合研究区真实影像，分析其在实际村镇地表超分辨率制图中的实用性，并探讨在实现超分辨率制图技术流程中混合像元分解技术的影响。其具体研究流程如图1所示。

图1　村镇地表影像试验流程

超分辨率制图的具体算法实现过程如图2所示。图2中S为尺度因子，h为目标变化率。图中百分比信息规整是指将像元内每一种地物类别所占百分比信息转换为亚像元级影像上所占的亚像元个数，且必须为整数。然而，实际中往往按软信息直接计算的结果并不为整数，因此需要有一个规整的方法。在以往的研究中[18]，首先将软信息直接计算得到的结果向下取整，然后将未归类的亚像元归属于像元内所占比例最大的地物类别。该方法简单易行，但容易丢失小的感兴趣目标物。为弥补这一缺陷，本文将该方法作如下改进：向下取整后，比较每类地物未分配亚像元的百分比，选取最大值并使该类地物亚像元个数增加1，进而改变该类地物剩余未分配亚像元百分比值(可为负)；依次循环直到所有亚像元被分配完为止。这一方法的目的是使得严重依赖混合像元分解结果的超分辨率制图方法尽可能保留小的感兴趣目标物，且使制图结果软信息与目标图像的软信息保持一致。

图2　算法实现过程

三、影像超分辨率制图试验

1. 像元交换技术村镇地表超分辨率制图

真实影像研究区位于湖南望城区乔口镇部分区域，纬度范围为28.500 7°—28.511 1°，经度范围为112.717 3°—112.734 2°。

图3(a)为2013年7月28日资源三号卫星多光谱影像(空间分辨率为5.8 m)经重采样，空间分辨率为7.5 m(312×152像元)，将其作为高分辨率影像源；选用2013年7月31日的Landsat8多光谱数据(空间分辨率为30 m，78×38像元)为低分辨率影像来源(图3(b))。可知尺度因子S=4，以图3(a)监督分类结果作为亚像元尺度上制图目标。

为验证基于像元交换技术在村镇地表制图中的可行性与分析适宜性，本节中包括两个试验。

试验1为便于在排除混合像元分解引入的误差等影响因素的情况下评价方法的性能，采用图4经统计得到3类地物的比值图，模拟图3(b)经混合像元分解得到的地物比值图，以此作为超分辨率制图的输入数据。

图3　研究区影像数据

图4　ZY-3卫星数据硬分类结果

图5(b)是对由图4统计得到3类地物的比值图进行基于像元交换技术超分辨率制图的结果，相比直接对低分辨率影像进行硬分类的结果(如图5(a)所示),研究区基本得到恢复，视觉上与真实地图分布图更接近，但对线性地物的重建能力有限，在地物交界处亚像元类别的分配有一定的随机性，对于地物大小小于像元尺度的重建能力差。

图5　研究区影像分类结果

模拟软信息超分辨率制图结果与像元尺度硬分类结果精度比较见表1，由该表可以看出超分辨率制图结果总体精度相对于硬分类结果提高了7.112 4%，Kappa系数提高了0.107 5。

表1　村镇地表模拟软信息制图、硬分类精度比较

综合视觉效果和制图精度两方面，基于像元交换技术的超分辨率制图方法对包含有复杂空间结构的村镇地表有较好的重建能力，说明该制图方法用于村镇地表制图中是可行的。

由于在试验1中为忽略混合像元分解技术给超分辨率制图结果带来的影响，比值信息直接由目标图像(图4)统计得来，而在实际应用中，比值信息只能通过混合像元分解得来，因此试验2中比值信息是由像元尺度影像(如图3(b)所示)经基于支持向量机的混合像元分解方法[19]来获得，并将其规整后作为超分辨率制图的输入信息。本试验选用文献[18]中提到的规整方法与本文提出的改进规整方法进行对比。

评价混合像元分解结果的精度常用的一种指标为均方根误差(RMSE)[20]，其表达式为

(1)

根据式(1)计算本试验对基于支持向量机混合像元分解结果规整后的RMSE值，其中按文献[18]规整后的RMSE为0.515 0，本文提出的改进方法的RMSE为0.502 6，而试验1中输入的模拟混合像元分解结果RMSE值为0.00，由此可以看出基于支持向量机混合像元分解结果与目标图像的比值图信息相差很大，混合像元分解结果不好，但本文提出的规整方法相比传统方法有一定的改进效果。

虽然RMSE计算了某类端元的总体分解精度，但误差来源的误分、错分的误差没有进行区别，因此本文以类似于硬分类结果精度评价指标混淆矩阵进行说明。这两种方法规整后3类地物正确分配、错分、误分亚像元数目见表2和表3，其中目标图像中水体、植被、裸地的亚像元个数分别为9239、17 750、20 435。

表2　传统软信息规整方法结果

表3　改进软信息规整方法结果

由表2与表3可看出，每一类地物误分与错分的亚像元比例差不多，但总体而言，本文改进后的规整结果错分、误分数目低于文献[18]提到的方法。为更直观直接地对比这两种方法结果，本文定义一种指标正确率R，其表达式为

(2)

式中，M为分配正确的地物像元数目；N为像元个数。

根据式(2)计算这两种规整方法处理后的正确率分别为75.88%、76.44%，后者高于前者，由此可见，本文提出的改进规整方法结果整体上精度高于传统方法[18]，因此试验2以本文提出的改进方法进行软信息规整。

图5(c)是以基于支持向量机混合像元分解结果经本文提出的改进规整方法处理后为超分辨率制图输入信息得到的制图结果，与目标图像图4相比较可看出，制图结果有大量的植被错分为裸地、裸地错分为水体与植被。

表4是基于支持向量机混合像元分解的制图结果与硬分类结果精度比照，表明制图结果精度并不比硬分类精度高，甚至稍低。

表4　村镇地表超分辨率制图、硬分类精度比较

2. 讨论

在基于Matlab平台实现整个算法的过程中，发现像元交换技术在影像边界像元的处理上受限制，且邻域距离与模型影响着制图效果，需要不断地试验摸索选择合适的参数值。因此像元交换技术不能普适于影像制图中，不同时相、不同区域、不同来源的影像选用不同的邻域模型、领域范围、参数，且若要应用于边界像元，需进一步对像元交换技术进行改进或研究出一种专门处理边界像元的方法。

大量文献说明了像元交换技术方法对于H型(像元尺寸大小小于地物尺寸大小)多类地物情况的制图效果很好。对于存在多类地物、H型与L型(像元尺寸大小大于地物尺寸大小)制图情况混合、空间结构复杂的村镇地表制图而言，试验1结果表明超分辨率制图结果从视觉效果和精度上分析明显优于传统硬分类结果，并且该试验是在2GB内存的普通计算机上运行1小时完成达到稳定状态，因此该试验表明了基于像元交换的超分辨率制图方法适宜应用于类似于试验区空间结构的村镇地表制图中。

虽然试验1结果验证了方法在村镇地表超分辨率制图中的可行性与适宜性，但试验结果也不可避免地存在问题。试验结果对比目标图像可看出制图结果中存在有离散错分像元，对地物边界重建具有一定的随机性；试验1制图结果中对线性边界并未完全得到重建，虽然空间相关性最大但线性地物边界变得圆滑。此外，因为方法的目标是使空间相关性最大化，使得试验1制图结果中对L型情况重建能力差，甚至与实际不符。

超分辨率制图技术是建立在混合像元分解技术之上的，因此若要应用超分辨率制图技术，必须获得由混合像元技术得到的软信息。由于研究区复杂的光谱信息和空间结构，试验1为分析方法的适宜性，忽略因混合像元分解技术等因素所带来的影响，采用了模拟混合像元分解结果。但在实际应用中，必须由混合像元分解技术得到软信息。试验2以基于支持向量机的混合像元分解得到的软信息为制图输入信息，且对传统软信息规整方法进行了改进，结果表明软信息的规整会影响制图精度，且本文提出的改进方法效果优于传统方法。而试验2中制图精度低的原因是村镇地表地物间存在同物异谱与异物同谱的特征明显，使得基于SVM的混合像元分解中，大量像元处于由具有明显光谱区别的样本数据构建的最优分类面附近甚至交错，导致混合像元分解结果与真实软信息有很大差异。

四、结束语

本文基于模拟软信息的超分辨率制图结果表明，采用基于PSA的超分辨率制图方法在村镇地表低分辨率影像中获取高分辨率分类结果图是可行的，这不仅弥补了低分辨率影像空间分辨率的不足，也解决了研究区因获取高分辨率影像的不易而难以得到高空间分辨率地物分类图的难题，这对村镇环境遥感动态监测具有重要意义；基于混合像元分解得到的软信息制图结果表明基于PSA的超分辨率制图严重依赖于混合像元分解结果，混合像元分解结果的误差直接传递至制图结果中。因此，在基于PSA的村镇地表超分辨制图中，为了能达到良好的应用效果，需要从以下几点加强研究：①改进像元交换技术；②研究专门的方法处理边界像元；③降低超分辨率制图方法对混合像元分解结果的依赖；④混合像元分解方法有待改进，使其能够较好地解决同物异谱、异物同谱现象。

[1]王群明. 遥感图像亚像元定位及相关技术研究[D]. 哈尔滨：哈尔滨工程大学, 2012.

[2]任武, 葛咏. 遥感影像亚像元制图方法研究进展综述[J]. 遥感技术与应用, 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, 张秋文, 王乘, 等. 基于元胞自动机模型的遥感图像亚像元定位[J]. 中国图象图形学报, 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, 王锦地, 等. 基于景观结构的遥感影像超分辨率制图[J]. 自然科学进展, 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]张翔, 肖小玲. 基于最大熵估计的支持向量机概率建模[J]. 控制与决策, 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]黄艳妮. 基于LSMM的遥感估算方法在城市不透水面提取中的研究与应用[D]. 芜湖：安徽师范大学, 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”科技支撑项目(2012BAJ24B01)

刘细梅(1988—)，女，硕士，助理实验师，主要从事遥感影像超分辨率制图、移动GIS研究。E-mail：ctxmliu@scut.edu.cn

P237

B

0494-0911(2016)08-0025-05

引文格式：刘细梅，牛振国.像元交换在村镇地表超分辨率制图中的应用[J].测绘通报，2016(8)：25-29.