申请/专利权人：南京航空航天大学

申请日：2020-05-07

公开（公告）日：2024-05-17

公开（公告）号：CN113628218B

主分类号：G06V20/13

分类号：G06V20/13;G06V10/26;G06V10/58;G06V10/77;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.05.17#授权;2021.11.26#实质审查的生效;2021.11.09#公开

摘要：本发明公开了一种基于多尺度目标红外信息的亚像元制图方法。包括如下步骤：1在多尺度路径中，通过拉普拉斯金字塔深度学习网络，分割和随机游走扩展算法生成具有多尺度对象信息的精细丰度图像；2在红外路径中，通过计算归一化差异目标指数，可以得出具有丰富红外信息的精细丰度图像；3步骤1和步骤2获得的具有不同信息的两种精细丰度图像利用线性整合方法获得具有多尺度目标红外信息的更精细的丰度图像；4根据更精细的丰度图像，采用粒子群优化算法获得土地覆盖目标识别的最终子像素映射结果，获得最终的亚像元制图结果。本发明通过结合图像的多尺度信息与红外信息，进而获得更高空间分辨率的结果。

主权项：1.一种基于多尺度目标红外信息的亚像元制图方法，其特征在于，包括如下步骤：1在多尺度路径中，通过拉普拉斯金字塔深度学习网络，分割和随机游走扩展算法生成具有多尺度对象信息的精细丰度图像；2在红外路径中，通过计算归一化差异目标指数，可以得出具有丰富红外信息的精细丰度图像；3步骤1和步骤2获得的具有不同信息的两种精细丰度图像利用线性整合方法获得具有多尺度目标红外信息的更精细的丰度图像；4根据更精细的丰度图像，采用粒子群优化算法获得土地覆盖目标识别的最终子像素映射结果，获得最终的亚像元制图结果；为了获取物体的多尺度信息，我们通过拉普拉斯金字塔深度学习网络引入了一个目标项Tobj，对图像依次分割并进行随机游走扩展算法；首先，我们通过融合原始的陆地卫星Landsat8OLI的粗略图像来获得土地覆盖目标的粗略分形图像，同时我们使用主成分分析获得陆地卫星Landsat8OLI图像的第一主成分；第二步，使用拉普拉斯金字塔深度学习来训练粗略的分形图像和多尺度的第一主成分，从而产生上采样的分形图像和上采样的第一主成分；第三步，通过分割上采样的第一主成分来产生目标对象，定义Q为确定合并终止条件的细分比例参数和目标的尺寸；分割方法通过下式给出：H＝θ×Hspectral+1-θ×Hshape1其中H是区域异质性；θ代表一个自由参数以平衡光谱的异质性Hspectral和形状的异质性Hshape，设为0.5；Hspectral和Hshape由2式和3式给出： 其中b表示光谱带，b＝1，2，...，B，B是光谱带总数；θb是分割目标区域中第bth段光谱带光谱值的标准差；是第bth段光谱带的自由光谱参数值，所有选用的f光谱带其值都设为1；分别表示分割目标区域的平滑度和紧密度；a是分割区域的实际边界长度，r是分割区域的矩形边界长度；N是分割区域中子像素的数量；θshape设为0.4；在相邻区域之间合并异质性最小的两个对象；当合并区域的异质性H大于预设的细分比例参数Q时，终止合并过程并提取对象；最后，经过上述处理步骤后，上采样的第一主成分被分割为K个对象Ok，k＝1，2，...，K，对象Ok包含了Nk个子像素，并且上采样分形图像包含了亚像素pi，i＝1，2，...，Nk的类别比例Lpi；通过平均目标区域Ok其子像素的类比例获得类别比例GOk： 通过ERW算法获得第ith个子像素对应的Tiobj，通过公式5给出：Tiobj＝λ×TamongG+1-λ×TwithinG5其中TamongG代表对象之间的信息，TwithinG表示每个对象之内的信息，G＝[GO1，GO2，...，GOk]是一个列向量，λ设置为0.5；TamongG通过以下公式得到：TamongG＝GTLG6L是拉普拉斯矩阵： 其中vkj＝exp-μνk-νj2是第kth个对象Ok和第jth个对象Oj之间的光谱差值；μ是一个自由变量，这里设置为0.6；第kth个对象的光谱值νk计算方法为： 其中是Ok的第ith个子像素的光谱值；TwithinG的定义式为： 其中Λ是一个对角矩阵，其对角线上的值是每个对象的土地覆盖目标类别比例，也是一个对角矩阵，其对角线的值表示的是每个对象的背景类别比例；对象项Tobj可以通过建立线性优化模型获得；线性优化模型是用来最小化所有子像素的Tobj，它的由下式得出： 由于拉普拉斯金字塔深度学习以多尺度训练图像并且ERW算法考虑了对象信息，通过上述处理流程就得到具有多尺度目标信息的目标项Tobj；为了充分利用红外信息，提出了一个新的红外项Tinf，旨在最小化观察到的NDTI值，NDTIobe和模拟NDTI值，NDTIsｉm之间的光谱指示符的差异；在Landsat8OLI图像中，通过计算近红外波段和其他波段中目标的光谱反射率之差来获得NDTIobe；我们根据土地覆盖目标的不同，选择不同的波段与近红外波段结合；而NDTIobe值由下式得到： 其中是X和Y波段中每个混合像素的观察反射率，它们直接从原始Landsat8OLI图像中获得；假设是目标在X波段和Y波段的反射率，是其背景的对应反射率；对于两个频带中的每个混合像素，目标的比例是通过将目标子像素的数量除以总子像素数得到的；在两个波段中背景的比例分别为每个混合像素的反射率被认为是其拥有的所有子像素光谱的线性混合；因此，分别使用等式13和14来计算两个个频带中的每个混合像素的模拟反射率： NDTIsim由以下公式给出： 然后再通过最小化NDTIobe和NDTIsim之间的差异来获得红外项Tinf：Tinf＝minNDTIobe-NDTIsim216。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种基于多尺度目标红外信息的亚像元制图方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD