并行路径支持下的遥感图像超分辨率制图研究

Super-resolution mapping is a technique for deriving land cover classification map at finer spatial resolution when handling mixed pixels. However, the fraction images can not pick up the full spatial-spectral information from the original image and only contain a single scale information in the traditional super-resolution mapping methods. Moreover, there is only a single processing path in the existing methods. These problems cause inaccuracy in super-resolution mapping result. With respect to these problems mentioned above, this project will introduce the pansharpening technology and the deep learning network to conduct the super-resolution mapping for remote sensing image supported by parallel path. The main research includes: 1) with the help of the pansharpening technology, the resolution of the original remote sensing image is improved, and the interest endmember factors are added to protect interest classes, so that the fraction images pick up more spatial-spectral information of the original image. 2) The super-resolution reconstruction model based on laplacian pyramid deep learning network, which is added the inter-class and intra-class factors, is utilized as subpixel sharpening method to enrich the fraction images scale information. 3) The parallel processing path is developed. Combining with particle swarm optimization algorithm, the different fraction images generated by the parallel path are fused to generate the fraction images with multi-scale spatial-spectral information. The purpose of this project is to obtain the multiscale spatial-spectral information by parallel processing path, the theory and method are innovation for super-resolution mapping. It also aims at providing the technical support for the extensive application of remote sensing image.

超分辨率制图是一种用来处理混合像元以获得更高空间分辨率的地物分类图像技术。然而传统的超分辨率制图方法中存在丰度图像携带原始图像的空-谱信息不充分，包含尺度信息单一并且整体处理路径单一的问题，导致超分辨率制图结果不够准确。针对上述问题，本项目拟引入全色锐化技术和深度学习网络对遥感图像进行并行路径支持下的超分辨率制图，研究内容包括：1）借助全色锐化技术改善原始遥感图像分辨率，并利用兴趣端元因子，保护兴趣类别，使丰度图像携带更多原始图像的空-谱信息；2）利用基于拉普拉斯金字塔深度学习的超分辨率重构模型作为亚像元锐化方法，并加入类内和类间因子，以丰富丰度图像尺度信息；3）开发并行处理路径，结合粒子群优化算法，将并行路径产生的不同丰度图像进行优化融合以形成包含多尺度空-谱信息的丰度图像。本项目旨在通过并行处理路径获得多尺度空-谱信息，实现超分辨率制图方法的创新，为遥感图像的广泛应用提供技术支持。

超分辨率制图（也称为亚像元定位）技术作为光谱解混技术的后续处理技术被使用获得亚像元级土地覆盖类别定位结果。针对目前遥感图像超分辨率制图技术的发展现状和迫切需求，本项目拟引入全色锐化技术和深度学习网络对遥感图像进行并行路径支持下的超分辨率制图，解决传统超分辨率制图方法中存在丰度图像携带原始图像的空-谱信息不充分，丰度图像包含尺度信息单一和整体处理路径单一的问题，形成比较系统的超分辨率制图理论和方法。本项目取得的成果包括：1）研究使丰度图像携带更多原始图像的空-谱信息方面，我们提出了基于全色锐化技术的遥感图像软硬属性转换超分辨率制图、基于空间-光谱相关性的光谱图像超分辨率制图和基于多源遥感融合数据的土地覆盖类别超分辨率制图等方法。2）研究使丰度图像携带多尺度信息方面，我们提出了基于多尺度红外信息的Landsat 8 OLI 图像亚像元尺度土地覆盖目标制图、考虑点扩散函数效应的时空超分辨率制图和基于像元、亚像元和超像元尺度空间相关性的超分辨率制图等方法。3）研究丰富超分辨率制图处理路径方面，我们提出了并行路径支持下的高光谱图像超分辨率制图、基于具有更多先验信息的Hopfield神经网络超分辨率制图和利用全色锐化技术改进基于空间引力模型的遥感图像超分辨率制图等方法。4）研究超分辨率制图应用方面，我们提出了通过提供更多光谱信息改进多光谱遥感图像的超分辨率洪水淹没制图、基于空间-温度信息的多光谱图像超分辨率烧伤面积制图和利用卫星多光谱遥感图像的空间-光谱信息进行城市建筑亚像元制图等方法。受该项目资助负责已经发表学术论文31篇，其中以第一作者身份发表SCI论文19篇（封面论文1篇，高被引1篇，热点论文1篇），出版中文专著1部，获权或申请专利13项。本课题的研究结果对遥感图像信息的有效挖掘和利用有着重要的理论意义和应用价值。