基于不规则区域空间光谱信息的亚像元洪水淹没制图方法

1.本发明涉及遥感图像处理技术领域，是一种精确较高的洪水淹没制图技术。


背景技术：

2.近年来，频繁的洪涝灾害给人民的财产和安全带来了极大的影响。由于具有丰富的光谱信息，多光谱图像已被广泛用于洪水淹没制图的观测。然而由于洪水过程中光强分布的复杂性和恶劣天气的影响，洪水场景的多光谱图像中存在着大量的混合像元。这些混合像素阻碍了精确洪水淹没制图。为了解决这一问题，提出了亚像素制图(sub-pixel mapping，spm)技术来处理这些混合像素，以获得亚像素尺度的洪水淹没制图。
3.在过去的几十年里，spm已经发展成各种实用的方法，如基于空间吸引模型的spm、基于hopefield神经网络的spm、基于点扩散函数效应的spm和基于空间光谱相关的spm。此外，深度学习近年来被成功地应用于spm。然而基于深度学习的spm通常需要大量的精细训练数据才能达到预期的性能。spm还被广泛应用于许多领域，如建筑物提取、烧毁面积测绘、森林覆盖监测。另外，在恶劣的洪水环境下，多光谱图像中存在大量的混合像元，spm 可以对其进行处理，得到洪水淹没制图结果，这种方法被称为亚像素洪水淹没制图(sub-pixelflood inundation mapping，spfim)。li等人，利用空间吸引力模型计算子像素之间的空间相关性，提取的空间信息，然后利用离散粒子群优化算法、广义回归神经网络和elman神经网络等优化算法对该空间信息进行优化，得到洪水淹没制图结果。此外，王等人利用两个波段的多光谱图像计算归一化差分水指数，得到洪水淹没的光谱信息，然后将光谱信息与空间信息相结合，改善最终的洪水淹没制图结果。
4.然而，目前的spfim方法通常是利用指定矩形局部窗口中的子像素之间的相关性来获得洪水淹没的空间光谱信息，并且所使用的光谱波段数目也很少。但在实际洪水环境中，洪水淹没的分布区域是不规则的，因此我们提出了一种基于不规则空间光谱信息的spfim模型。首先按照比例因子s通过双三次插值方法将粗糙的多光谱图像进行上采样，将每个混合像素划分为s*s个子像素，然后对插值后的图像进行分割得到具有不规则洪水淹没分布区域的分割图像，并对插值图像进行解混，得到亚像素洪水淹没比例的丰度图像。其次利用扩展随机游走(extended random walker)算法计算分割图像与丰度图像的融合结果，得到不规则区域的空间信息。然后构建归一化模型，计算分割图像的所有波段，得到不规则区域的光谱信息。最后利用粒子群算法(particle swarm optimization)对不规则区域的空间光谱信息进行优化，得到最终的洪水淹没制图结果。


技术实现要素：

5.亚像元洪水淹没制图(spfim)可以对洪水场景的粗糙的多光谱图像中的混合像元进行处理，得到亚像元尺度的洪水淹没(flood inundation，fi)的空间分布。然而，spfim所使用的洪水淹没的空间光谱信息通常是根据fi在指定的矩形局部窗口中的假设来构造的，并且spfim 所利用的谱带数目也很少。在实际的fi环境中，fi的分布区域是不规则的，每个
波段的光谱信息也是不同的，因此有必要提出一种更精确的fi空间光谱信息来改进spfim。为了解决这一问题，本文提出了基于不规则区域空间光谱信息的spfim(ssiiir)方法。包括如下步骤：
6.(1)先按照比例因子s通过双三次插值方法将粗糙的多光谱图像进行上采样，将每个混合像素划分为s*s个子像素，对插值后的图像进行分割得到具有不规则洪水淹没分布区域的分割图像，并对插值图像进行解混，得到亚像素洪水淹没比例的丰度图像。
7.(2)利用扩展随机游走算法计算分割图像与丰度图像的融合结果，得到不规则区域的空间信息。
8.(3)构建归一化模型，计算分割图像的所有波段，得到不规则区域的光谱信息。
9.(4)利用粒子群算法对不规则区域的空间光谱信息进行优化，得到最终的洪水淹没映射结果。
10.步骤(1)中，对上采样后的多光谱图像解混和分割的具体步骤为：假设z是具含有b个光谱波段(mb＝(b＝1，2....，b))和n个混合像素(qa(a＝1，2，......n))的粗糙多光谱图像，按照比例因子s双线性插值后，得到z
*
是具含有b个光谱波段(mb＝(b＝1，2....，b))和ns2个混合像素(qa(a＝1，2，......ns2))的多光谱图像，通过解混z
*
得到具有洪水淹没比例的亚像素的丰度图像h，其次由于良好的鲁棒性，使用基于多分辨率的分割方法去分割z
*
产生分割图像t。步骤(2)中，计算不规则区域中的空间信息的具体步骤是：将分割图像t融入到丰度图像h 中，然后分别计算每个不规则区域oi的洪水淹没比例u(oi)，这是平均在不规则区域o上所有像素的洪水淹没比例得到的：
[0011][0012]
接下来，扩展随机游走算法被用来计算u(oi)获得不规则区域上的空间信息r
spa
[0013]rspa
＝minθr
within
(u)+(1-θ)r
among
(u)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0014]
其中u＝[u(o1)，u(o2)，，，，u(oi)]，θ被设置成一个经验参数，等于0.5，r
within
是每个不规则区域内的空间信息，r
among
是相邻的不规则区域间的空间信息，分别被单独定义在下面的公式中
[0015]ramong
(u)＝u
t
lu
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0016][0017]
其中∧是对角线矩阵，对角线上的值是不规则区域的洪水淹没比例。是对角线矩阵，对角线上的值是不规则区域的非淹没(ni)比例，i是单位矩阵，l是拉普拉斯矩阵，其表示相邻区域之间的差异，并被定义为
[0018][0019]
其中z
ij
＝exp(-(y
i-yj)2)，yi表示第i个不规则区域的光谱反射率，yj表示第j个不规则区域的光谱反射率。
[0020]
步骤(3)中，计算不规则区域中的光谱信息，其具体步骤为：假设每个不规则区域内洪水淹没的亚像素谱服从近似正态分布。我们在分割图像t中构造一个归一化模型来计
算每个不规则区域的光谱信息r
spe
(oi)
[0021][0022]
和σ
i，b
是在波段b的不规则区域oi光谱反射率的平均值和标准差，是波段b的不规则区域oi的第ai个的亚像素的光谱反射率。
[0023]
由于为每个不规则区域构造了单独的光谱信息r
spe
(oi)，因此每个不规则区域内的样本具有近似正态分布。我们最小化r
spe
(oi)，以确保对于每个洪灾淹没子像素，都能找到最接近的不规则区域。因此不规则区域中所有光谱波段的光谱信息r
spe
可以表示为：
[0024][0025]
步骤(4)中，为表示出不规则区域信息的光谱信息和空间信息，通过加权算法对空间信息r
spa
和光谱信息r
spe
进行融合，得到不规则区域空间光谱信息r，加权准则如下所示。
[0026]
minr＝(1-β)r
spa
+βr
spe
ꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0027]
并采用粒子群算法对r进行优化，得到洪水淹没映射结果。首先，我们将洪水淹没标签和非洪水淹没标签随机分配到亚像素。然后，我们迭代地更新这些子像素的标签，以获得r值的最小值。在每次迭代中将洪水淹没标签改为非洪水淹没标签或将非洪水淹没标签改为洪水淹没标签。当r值减小时，我们接受这种变换。当转换的标签少于0.1％时，粒子群算法将被终止，得到最终的r。
[0028]
本发明的有益效果为：本发明的方法改善了现有的洪水淹没制图方法的性能，利用新的方法 (ssiir)提高了制图结果的准确性，优于现有的最新方法。
附图说明
[0029]
图1为基于考虑不规则区域光谱信息的洪水淹没制图原理流程图
[0030]
图2(a)为2013年拍摄的台风纳丽在柬埔寨造成的洪水淹没图像1
[0031]
图2(b)为2013年拍摄的台风纳丽在柬埔寨造成的洪水淹没图像2
[0032]
图3(a)为2013年台风柬埔寨造成的洪水淹没制图结果的图像1参考图像
[0033]
图3(b)为图像1使用基于新空间吸引模型(nsam)的spm方法结果图
[0034]
图3(c)为图像1使用基于点扩散函数效应(psf)的spm方法结果图
[0035]
图3(d)为图像1使用基于离散粒子群优化(dpso)的spfim方法结果图
[0036]
图3(e)为图像1使用基于归一化差分水指数(ndwi)的spfim方法结果图
[0037]
图3(f)为图像1使用基于不规则区域光谱信息的spfim方法结果图
[0038]
图4(a)为2013年台风柬埔寨造成的洪水淹没制图结果的图像2参考图像
[0039]
图4(b)为图像2使用基于新空间吸引模型(nsam)的spm方法结果图
[0040]
图4(c)为图像2使用基于点扩散函数效应(psf)的spm方法结果图
[0041]
图4(d)为图像2使用基于离散粒子群优化(dpso)的spfim方法结果图
[0042]
图4(e)为图像2使用基于归一化差分水指数(ndwi)的spfim方法结果图
[0043]
图4(f)为图像2使用基于不规则区域光谱信息的spfim方法结果图
具体实施方式
[0044]
考虑实际洪水淹没过程中的不规则性的一种基于不规则空间光谱信息的spfim方法，包括如下步骤：
[0045]
(1)输入洪灾淹没原始粗糙多光谱图像(即2013年台风柬埔寨造成的洪水淹没图)，并按照比例因子上采样，对上采样后的多光谱图像解混和分割的具体步骤为：假设z是具含有b个光谱波段(mb＝(b＝1，2....，b))和n个混合像素(qa(a＝1，2，......n))的粗糙多光谱图像，按照比例因子s双线性插值后，得到z
*
是具含有b个光谱波段(mb＝(b＝1，2....，b))和ns2个混合像素(qa(a＝1，2，......ns2))，通过解混z
*
得到具有洪水淹没比例的亚像素的丰度图像h，由于良好的鲁棒性，基于多分辨率的分割方法被使用去分割z
*
产生分割图像t。
[0046]
(2)计算不规则区域中的空间信息。将分割图像t融入到丰度图像h中，然后分别计算每个不规则区域oi的洪水淹没比例u(oi)，这是平均在不规则区域o上所有像素的洪水淹没比例得到的：
[0047][0048]
接下来，扩展随机游走算法被用来计算u(oi)获得不规则区域上的空间信息r
spa
[0049]rspa
＝minθr
within
(u)+(1-θ)r
among
(u)(10)
[0050]
其中u＝[u(o1)，u(o2)，，，，u(oi)]，θ被设置成一个经验参数，等于0.5，r
within
是每个不规则区域内的空间信息，r
among
是相邻的不规则区域间的空间信息，分别被单独定义在下面的公式中
[0051]ramong
(u)＝u
t
lu
[0052][0053]
其中∧是对角线矩阵，对角线上的值是不规则区域的洪水淹没比例。是对角线矩阵，对角线上的值是不规则区域的非淹没比例，i是单位矩阵，l是拉普拉斯矩阵，其表示相邻区域之间的差异，并被定义为
[0054][0055]
其中z
ij
＝exp(-(y
i-yj)2)，yi表示第i个不规则区域的光谱反射率，yj表示第j个不规则区域的光谱反射率。
[0056]
(3)计算不规则区域中的光谱信息，其具体步骤为：假设每个不规则区域内洪水淹没的亚像素谱服从近似正态分布。我们在分割图像t中构造一个归一化模型来计算每个不规则区域的光谱信息r
spe
(oi)
[0057][0058]
和σ
i，b
是在波段b的不规则区域oi光谱反射率的平均值和标准差，是波段b的不规则区域oi的第ai个的亚像素的光谱反射率。
[0059]
由于为每个不规则区域构造了单独的光谱信息r
spe
(oi)因此每个不规则区域内的样本具有近似正态分布。我们最小化r
spe
(oi)，以确保对于每个洪灾淹没子像素，都能找到最接近的不规则区域。因此，不规则区域中所有光谱波段的光谱信息r
spe
可以表示为：
[0060][0061]
(4)为表示出不规则区域信息的光谱信息和空间信息，过加权算法对空间信息r
spa
和光谱信息 r
spe
进行融合，得到不规则区域空间光谱信息r
[0062]
minr＝(1-β)r
spa
+βr
spe
[0063]
采用粒子群算法对r进行优化，得到洪水淹没映射结果。首先，我们将fi(flood inundation)标签和ni(no flood inundation)标签随机分配到亚像素。然后，我们迭代地更新这些子像素的标签，以获得r值的最小值。在每次迭代中将fi标签改为ni标签或将ni标签改为fi标签。当r值减小时，我们接受这种变换。当转换的标签少于0.1％时，粒子群算法将被终止，得到最终的r。
[0064]
本发明提出的基于考虑不规则区域光谱信息的洪水淹没制图原理流程图如图1所示。
[0065]
图2的(a)该方法使用的数据集1，为2013年拍摄的台风纳丽在柬埔寨造成的洪水淹没图像，该数据集有八个光谱波段，空间分辨率为30m。
[0066]
图2的(b)该方法使用的数据集2，为2013年拍摄的台风纳丽在柬埔寨造成的洪水淹没图像，该数据集有八个光谱波段，空间分辨率为30m。
[0067]
图3和图4是为了测试提出模型的性能，将提出模型与其他几个经典方法作比较，分别是基于新空间吸引模型(nsam)的spm方法、考虑点扩散函数效应(psf)的spm方法、基于离散粒子群优化(dpso)的spfim方法和基于归一化差分水指数(ndwi)的spfim方法，将这些方法在同一张实验数据上进行测试，并将结果进行可视化。
[0068]
利用生产者精度pa(％)总精准度oa(％)和kappa系数评估了spm方法的性能。表 i还显示了数据1和数据2的pa(％)、oa(％)和kappa三个评价指标。如表i所示，ssiiir获得的这三个评价指标的值高于其他四种方法。数据1的pa(％)、oa(％)和kappa最高，分别为92.21％、89.88％和0.7434；数据2的pa(％)、oa(％)和kappa最高，分别为92.94％、91.11％和0.8093。在对数据2进行测试时，与ndwi中的oa(％)相比，ssiiir中的oa(％)提高了约 1.05个百分点。根据oa(％)的定义，由于数据2中有1000000个像素，因此增加1.05％意味着ssiiir的fi映射结果比ndwi的fi映射结果多产生10500个正确的映射像素，这是一个显著的改善。
[0069]
表1.不同方式的性能评估
[0070]