CN108921116B - 遥感影像时变信息提取方法 - Google Patents

Abstract

本发明公开了遥感影像时变信息提取方法，采用的传感器成像设备经过了辐射校正和归一化的预处理，针对同一地物，包括以下步骤：采集t₀时刻的高空间分辨率图像像素值和低空间分辨率图像像素值；利用深度学习方法求解高低分辨率图像之间的图像退化参数a；构造高空间分辨率图像和低空间分辨率图像在t₀时刻对应的稀疏分析耦合字典对；采集t₁时刻的低空间分辨率图像像素值，建立同一地物的时相变化模型：构建时变回归模型的深度学习网络；基于同一地物高、低空间分辨率图像分析稀疏系数关系，得到t₁时刻高空间分辨率图像像素值。本发明能够预测同一地物对应时刻的高空间分辨率图像信息。

Description

遥感影像时变信息提取方法

技术领域

本发明涉及遥感影像领域。更具体地说，本发明涉及一种遥感影像时变信息提取方法。

背景技术

遥感影像时间序列是利用一系列的遥感影像数据原始影像或者其衍生的指数影像，按照时间顺序排列起来，使之能够表达遥感对象在时间上变化特性的一种影像序列。为从时间维度上分析使用遥感影像提供了数据源。其中，高空间分辨率图像研究地物模型能够提供有效的数据，但由于传感器技术的限制，无法同时提供高空间分辨率和高时间分辨率的图像，对遥感图像的分析应用造成影响。

发明内容

本发明的目的是提供一种遥感影像时变信息提取方法，能够预测同一地物对应时刻的高空间分辨率图像信息。

为了实现根据本发明的这些目的和其它优点，提供了遥感影像时变信息提取方法，采用的传感器成像设备经过了辐射校正和归一化的预处理，针对同一地物，包括以下步骤：

S1.采集t₀时刻的高空间分辨率图像像素值F(x_i,y_j,t₀)和低空间分辨率图像像素值C(x_i,y_j,t₀)；

S2.利用深度学习方法求解高低分辨率图像之间的图像退化参数a；

S3.构造高空间分辨率图像和低空间分辨率图像在t₀时刻对应的稀疏分析耦合字典对Ω₀和Ω’₀；

S4.采集t₁时刻的低空间分辨率图像像素值C(x_i,y_j,t₁)，建立同一地物的时相变化模型：

C(x_i,y_j,t₁)＝T*C(x_i,y_j,t₀)+ε

F(x_i,y_j,t₁)＝T*F(x_i,y_j,t₀)+ε (1)

式(1)中T-时变参数，ε为在t₀到t₁时间内的相对时间变化的回归系数；

S5.构建时变回归模型的深度学习网络，建立t₀和t₁时间的线性退化模型，求解时变参数T；

S6.Ω’₀根据时变参数T的参数变化的方法得到高空间分辨率图像像素值在t₁时刻的稀疏分析映射字典Ω’₁；

S7.利用GOAL方法得到t₁时刻的稀疏分析字典Ω₁；

S8.建立同一地物高、低空间分辨率图像分析稀疏系数关系：

Ω₁C(x_i，y_j，t₁)＝aΩ'₁F(x_i，y_j，t₁ (2)

S9.基于同一地物高、低空间分辨率图像分析稀疏系数关系，得到t₁时刻高空间分辨率图像像素值F(x_i,y_j,t₁)。

优选的是，所述S1中根据采集的像素值建立高空间分辨率图像像素值和低空间分辨率图像像素值之间的线性关系：

F(x_i,y_j,t₀)＝a*C(x_i,y_j,t₀)+ε₀ (3)

式(3)中a-图像退化参数，ε₀为退化残差和由环境引起的噪声污染。

优选的是，所述S2和S5中具体为：基于卷积神经网络采用数据驱动的模型学习方法得到图像退化参数a和时变参数T。

优选的是，构建图像退化网络模型和时变回归学习模型，两种模型均由图像变换网络和特征映射网络组成；

其中，所述图像退化网络模型构建中，图像变换网络是一个参数重加权W的残差卷积神经网络组成，卷积神经网络把输入的低分辨率图像通过映射函数y＝a_W(x)，计算出图像退化参数a；

所述时变回归学习模型构建中，采用W₁为加权参数，网络函数

通过其对应的特征映射关系，计算出时变参数T。

优选的是，所述S3中构造方法为：

S31.采用n_m＝n_L＝n，根据分析稀疏字典学习的真值表达式构建分析稀疏耦合字典学习的真值表达：

S32.对式(4)进行期望求解：

S33.增加两个式子的约束性调节，即两个正则化的组合可以用如下式表示：

p(Ω):＝k₁h(Ω)+μ₁r(Ω) (6)；

S34.包含联合稀疏的目标函数得到最终的分析稀疏耦合字典的学习函数：

S35.将分析稀疏耦合字典的学习问题转化为最小化问题：

利用基于流行面的共轭梯度的方法优化求解式(8)，得到高空间分辨率图像和低空间分辨率图像在t₀时刻对应的稀疏分析耦合字典对Ω₀和Ω’₀。

本发明至少包括以下有益效果：遥感影像时变信息提取方法，通过采集的同一地物的信息，并根据遥感影像时变的本征变化以及高低分辨率之间的退化关系，通过建模，从而实现对同一地物的高时间和高空间分辨率图像信息的预测。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1是图像退化网络学习模型；

图2是时变回归网络学习模型；

图3是分析稀疏耦合字典学习与时变信息映射机理。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

Landsat图像为高空间分辨率、低时间分辨率图像；

MODIS图像为低空间分辨率、高时间分辨率图像。

本发明提供一种遥感影像时变信息提取方法，采用的传感器成像设备经过了辐射校正和归一化的预处理，针对同一地物，其特征在于，包括以下步骤：

S1.采集t₀时刻的高空间分辨率图像像素值(Landsat图像)F(x_i,y_j,t₀)和低空间分辨率图像像素值(MODIS图像)C(x_i,y_j,t₀)；

S2.利用深度学习方法求解高低分辨率图像之间的图像退化参数a；

S3.构造高空间分辨率图像和低空间分辨率图像在t₀时刻对应的稀疏分析耦合字典对Ω₀和Ω’₀；

S4.采集t₁时刻的低空间分辨率图像像素值C(x_i,y_j,t₁)，建立同一地物的时相变化模型：

C(x_i,y_j,t₁)＝T*C(x_i,y_j,t₀)+ε

F(x_i,y_j,t₁)＝T*F(x_i,y_j,t₀)+ε (1)

式(1)中T-时变参数，ε为在t₀到t₁时间内的相对时间变化的回归系数；

式(1)中，由于相同时间和相同场景的影像纯度是相同的，因此二者满足时间退化的基本机理。因此，可以建立起t₀和t₁时间的线性退化模型。同样的，这里的(xi,yi)表示给定像素的位置。T代表时变参数、ε表示在t₀到t₁时间内的相对时间变化的回归系数，在两种传感器成像的前提下应用相同的时间回归系数是合理的。

S5.构建时变回归模型的深度学习网络，建立t₀和t₁时间的线性退化模型，求解时变参数T；

S6.Ω’₀根据时变参数T的参数变化的方法得到高空间分辨率图像像素值在t₁时刻的稀疏分析映射字典Ω’₁；

S7.利用GOAL方法得到t₁时刻的稀疏分析字典Ω₁；

S8.建立同一地物高、低空间分辨率图像分析稀疏系数关系：

Ω₁C(x_i，y_j，t₁)＝aΩ'₁F(x_i，y_j，t₁ (2)

S9.基于同一地物高、低空间分辨率图像分析稀疏系数关系，得到t₁时刻高空间分辨率图像像素值F(x_i,y_j,t₁)。

在另一种技术方案中，所述S1中根据采集的像素值建立高空间分辨率图像像素值和低空间分辨率图像像素值之间的线性关系：

F(x_i,y_j,t₀)＝a*C(x_i,y_j,t₀)+ε₀ (3)

式(3)中a-图像退化参数(具体为空间变换系数组成的变化矩阵)，ε₀为退化残差和由环境引起的噪声污染。

在上述技术方案中，同一传感器成像设备在不同时刻获得的图像，其变换矩阵是相同的，因此可以给出式(3-1)在t1时刻高空间分辨率低时间分辨率图像和高时间分辨率低空间分辨率在同一地理位置(xi,yi)的空间信息的近似线性关系：

F(x_i,y_j,t₁)＝a*C(x_i,y_j,t₁)+ε₁ (3-1)

假设二者之间的残差是相同的，即有ε₀＝ε₁。由式子(3)、(3-1)可知，高低空间分辨率图像之间的线性关系用式子(3-2)表示：

C(x_i,y_j,t₁)＝a^-1*[F(x_i,y_j,t₁)-F(x_i,y_j,t₀)]+C(x_i,y_j,t₀) (3-2)

(3-2)式子也表示预测时刻的高空间分辨率的图像是由t₀时刻的高空间分辨率图像和低空间分辨率图像在该时段的时相变化经过采样变换得到的。在遥感场景里，研究的对象只考虑对应场景的生物信息和地物覆盖类别，因此同一场景里基于时间的时相变化信息应该趋于相同。因此可以建立起相同条件下的场景时相变化模型，如式(1)所示。

在另一种技术方案中，所述S2和S5中具体为：基于卷积神经网络采用数据驱动的模型学习方法得到图像退化参数a和时变参数T。

在上述技术方案中，由于图像退化参数a和时变参数T的求解非常困难，为了得到比较稳定有效的模型退化关系，该项目研究拟基于卷积神经网络采用数据驱动的模型学习方法得到图像变换参数和时变回归参数。

在另一种技术方案中，构建图像退化网络模型和时变回归学习模型，两种模型均由图像变换网络和特征映射网络组成；

其中，技术路线如图1所示，所述图像退化网络模型构建中，图像变换网络是一个参数重加权W的残差卷积神经网络组成，卷积神经网络把输入的低分辨率图像通过映射函数y＝a_W(x)，计算出图像退化参数a，该代价函数用来计算一个标量值，来测量标记样本和训练样本之间的残差。

技术路线如图2所示，所述时变回归学习模型构建中，采用W₁为加权参数，网络函数

通过其对应的特征映射关系，计算出时变参数T。

上述的两个图像变换网络的训练采用随机梯度下降的方法求解代价函数重加权的最小值。

在另一种技术方案中，遥感影像的图像分辨率由于巨大的差异，无法实现在稀疏结构上的一一对应。但是，对于同一个场景在随时间的退化过程中二者在地物的时相变化上是一一对应的，因此可以采用不同高低空间分辨率图像之间具有相同的时变稀疏信息为依据，构造其对应的稀疏分析耦合字典来建立其二者之间的联系。

如图3所示，首先基于t₀时刻的MODIS-Landsat图像对构建高分辨率和低分辨率图像的稀疏分析耦合字典Ω₀、和Ω'₀。根据图像时变的回归模型，基于第一部分卷积神经网络学习得到的时变参数T，为得t₁时刻预测图像的分析字典，采用对经过稀疏耦合字典训练方法得到的Ω'₀进行T参数变化的方法得到Ω'₁。

联合稀疏分析模型假设，给定一类信号

存在所谓稀疏分析字典Ω对所有的信号s∈S形成分析稀疏矢量Ωs。以代数几何的视角看，S是被归一化的子空间所包含的，s∈S存在于所有超平面的交点上，该超平面的法线方向由Ω所决定，即分析稀疏矢量Ωs中零元素对应的行的序号所决定。这个行序号的集合被称为s的联合支持集。在这里，(Ωs)_j表示分析矢量的第j个元素，在图像处理的应用中，S通常由矢量化的图像块组成。自然图像中的联合稀疏分析模型的显著例子是总变分算子(TV算子)。该模型假设由于相邻像素的差值得到分析矢量，即稀疏解析的结果。假设MODIS遥感影像和Landsat遥感影像在t₀和t₁时间内的时变信息为S_m和S_L两个来自同一场景的不同传感器获得的不同模态的时变信号。为了更加精确的对信号进行表示，假设一对模态(s_M×s_L)∈S_M×S_L，即这个信号对可以用近似的合适的分析算子(Ω_M,Ω_L)∈k×nM×k×nL对进行联合稀疏表示。基于信号结构信息都被预编码的先验知识，假设存在满足信号S_m和S_L的稀疏分析字典对的联合支持集是统计相关的。因此双模态联合稀疏分析模型成立是基于j属于S_M条件下j属于S_L的概率要比非条件下的概率大得多。从子空间角度来讲，每一个信号的子空间被划分成两种模态。按照这样的方式，划分得到了不仅有感兴趣信号的子空间，同时也和其他模态的信号相关联。在这里，为了得到联合学习的分析稀疏耦合字典对，采用经过配准和对应的训练样本对进行稀疏分析字典学习。

因此，所述S3中构造方法为：

S31.采用n_m＝n_L＝n，n代表字典矩阵的行数，根据分析稀疏字典学习的真值表达式构建分析稀疏耦合字典学习的真值表达：

通过上式可以发现，该式子是一个非严格约束的字典学习表达式。该函数是经过松弛的光滑函数可以促进互相关的表示。后期的实验也证明该模式不需要字典的高度冗余表示。为了找到理想的耦合字典对，对所有的训练样本对采用式(4)进行期望求解。

S32.对式(4)进行期望求解：

S33.为了避免平凡截，增加两个式子的约束性调节，即两个正则化的组合可以用如下式表示：

p(Ω):＝k₁h(Ω)+μ₁r(Ω) (6)；

S34.包含联合稀疏的目标函数得到最终的分析稀疏耦合字典的学习函数：

S35.将分析稀疏耦合字典的学习问题转化为最小化问题：

利用基于流行面的共轭梯度的方法优化求解式(8)，得到高空间分辨率图像和低空间分辨率图像在t₀时刻对应的稀疏分析耦合字典对Ω₀和Ω’₀。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (4)

1.遥感影像时变信息提取方法，采用的传感器成像设备经过了辐射校正和归一化的预处理，针对同一地物，其特征在于，包括以下步骤：

S1.采集t₀时刻的高空间分辨率图像像素值F(x_i,y_j,t₀)和低空间分辨率图像像素值C(x_i,y_j,t₀)；

S2.利用深度学习方法求解高低分辨率图像之间的图像退化参数a；

S3.构造高空间分辨率图像和低空间分辨率图像在t₀时刻对应的稀疏分析耦合字典对Ω₀和Ω’₀；

所述S3中构造方法为：

S31.采用n_m＝n_L＝n，根据分析稀疏字典学习的真值表达式构建分析稀疏耦合字典学习的真值表达：

S32.对式(4)进行期望求解：

S33.增加两个式子的约束性调节，即两个正则化的组合可以用如下式表示：

p(Ω):＝k₁h(Ω)+μ₁r(Ω) (6)；

S34.包含联合稀疏的目标函数得到最终的分析稀疏耦合字典的学习函数：

S35.将分析稀疏耦合字典的学习问题转化为最小化问题：

利用基于流行面的共轭梯度的方法优化求解式(8)，得到高空间分辨率图像和低空间分辨率图像在t₀时刻对应的稀疏分析耦合字典对Ω₀和Ω’₀；

S4.采集t₁时刻的低空间分辨率图像像素值C(x_i,y_j,t₁)，建立同一地物的时相变化模型：

C(x_i,y_j,t₁)＝T*C(x_i,y_j,t₀)+ε

F(x_i,y_j,t₁)＝T*F(x_i,y_j,t₀)+ε (1)

式(1)中T-时变参数，ε为在t₀到t₁时间内的相对时间变化的回归系数；

S5.构建时变回归模型的深度学习网络，建立t₀和t₁时间的线性退化模型，求解时变参数T；

S6.Ω’₀根据时变参数T的参数变化的方法得到高空间分辨率图像像素值在t₁时刻的稀疏分析映射字典Ω’₁；

S7.利用GOAL方法得到t₁时刻的稀疏分析字典Ω₁；

S8.建立同一地物高、低空间分辨率图像分析稀疏系数关系：

Ω₁C(x_i,y_j,t₁)＝aΩ′₁F(x_i,y_j,t₁) (2)

S9.基于同一地物高、低空间分辨率图像分析稀疏系数关系，得到t₁时刻高空间分辨率图像像素值F(x_i,y_j,t₁)。

2.如权利要求1所述的遥感影像时变信息提取方法，其特征在于，所述S1中根据采集的像素值建立高空间分辨率图像像素值和低空间分辨率图像像素值之间的线性关系：

F(x_i,y_j,t₀)＝a*C(x_i,y_j,t₀)+ε₀ (3)

式(3)中a-图像退化参数，ε₀为退化残差和由环境引起的噪声污染。

3.如权利要求2所述的遥感影像时变信息提取方法，其特征在于，所述S2和S5中具体为：基于卷积神经网络采用数据驱动的模型学习方法得到图像退化参数a和时变参数T。

4.如权利要求3所述的遥感影像时变信息提取方法，其特征在于，构建图像退化网络模型和时变回归学习模型，两种模型均由图像变换网络和特征映射网络组成；

其中，所述图像退化网络模型构建中，图像变换网络是一个参数重加权W的残差卷积神经网络组成，卷积神经网络把输入的低分辨率图像通过映射函数y＝a_W(x)，计算出图像退化参数a；

所述时变回归学习模型构建中，采用W₁为加权参数，网络函数

通过其对应的特征映射关系，计算出时变参数T。

Images