劉細(xì)梅，牛振國(guó)

(1. 華南理工大學(xué)土木與交通學(xué)院，廣東 廣州 510641； 2. 中國(guó)科學(xué)院遙感與數(shù)字地球研究所，北京 100101)

?

像元交換在村鎮(zhèn)地表超分辨率制圖中的應(yīng)用

劉細(xì)梅1，牛振國(guó)2

(1. 華南理工大學(xué)土木與交通學(xué)院，廣東 廣州 510641； 2. 中國(guó)科學(xué)院遙感與數(shù)字地球研究所，北京 100101)

村鎮(zhèn)區(qū)域進(jìn)行遙感制圖受到數(shù)據(jù)條件的明顯制約，主要表現(xiàn)為不易獲取適宜的高分辨率影像，而可獲取性強(qiáng)的低分辨率影像由于混合像元現(xiàn)象嚴(yán)重難以直接應(yīng)用于較精細(xì)的制圖解析中。對(duì)此，本文嘗試將一種改進(jìn)的軟信息規(guī)整方法結(jié)合基于像元交換的超分辨率制圖方法用于低分辨率影像制圖中，以彌補(bǔ)高分辨率遙感數(shù)據(jù)的不足。從研究區(qū)真實(shí)遙感影像開展方法的可行性驗(yàn)證，并分析該方法在村鎮(zhèn)地表制圖中的適宜性，探討混合像元分解技術(shù)對(duì)村鎮(zhèn)地表超分辨率制圖結(jié)果的影響。結(jié)果顯示：制圖結(jié)果的優(yōu)劣依賴于混合像元分解技術(shù)，混合像元分解結(jié)果的誤差直接傳遞至制圖結(jié)果中，但是村鎮(zhèn)地表超分辨率制圖結(jié)果明顯優(yōu)于傳統(tǒng)的硬分類結(jié)果，說明本文方法能有效將低分辨率數(shù)據(jù)用于村鎮(zhèn)制圖中。

像元交換；超分辨率制圖；混合像元分解；村鎮(zhèn)

雖然遙感技術(shù)近年來發(fā)展迅速，但是目前村鎮(zhèn)地表環(huán)境遙感監(jiān)測(cè)與制圖對(duì)遙感影像高空間分辨率的需求和高分辨率數(shù)據(jù)的獲取能力(重復(fù)觀測(cè)周期長(zhǎng)、覆蓋范圍小、購(gòu)買成本高)之間依然存在很大差距；同時(shí)村鎮(zhèn)地區(qū)往往也是高分辨率圖像獲取的盲區(qū)。相比而言低分辨率遙感影像能提供足夠數(shù)據(jù)覆蓋度和時(shí)效，且購(gòu)買數(shù)據(jù)費(fèi)用低甚至免費(fèi)，但不可避免地存在混合像元，且分辨率越低混合像元現(xiàn)象越嚴(yán)重，像元中的光譜信息越復(fù)雜，傳統(tǒng)的硬分類方法將這些混合像元判定為任何一類都是不準(zhǔn)確的，這不僅限制了影像的空間分辨率，也丟失了大量村鎮(zhèn)區(qū)域小面積的感興趣目標(biāo)地物，難以滿足村鎮(zhèn)區(qū)域較為精細(xì)的制圖要求。此外現(xiàn)有混合像元分解技術(shù)雖然在一定程度上提供部分解決方案，但是混合像元分解技術(shù)只能確定像元內(nèi)部各組分地物的組成比例，不能確定地物的空間分布[1]。為此，若能充分利用低分辨率影像數(shù)據(jù)，得到高分辨率的空間地物分布圖則有利于解決數(shù)據(jù)制約的問題。而超分辨率制圖技術(shù)正是一種確定混合像元內(nèi)部各類地物空間分布的技術(shù)，它使得地物信息能在亞像元尺度上顯示[2]。因此探索研究利用低分辨率遙感影像進(jìn)行超分辨率制圖，動(dòng)態(tài)快速廉價(jià)地獲取村鎮(zhèn)水體、植被、居民區(qū)、裸地等地表信息，對(duì)開展村鎮(zhèn)環(huán)境遙感監(jiān)測(cè)工作具有重要意義。

自從1997年Atkinson[3]正式提出超分辨率制圖技術(shù)的概念以來，超分辨率制圖技術(shù)受到越來越多國(guó)內(nèi)外研究學(xué)者的關(guān)注。但單純由一幅低分辨率遙感影像獲得高分辨率的分類結(jié)果是相當(dāng)困難的，近年來，國(guó)內(nèi)外科研學(xué)者試圖從各個(gè)角度來解決這個(gè)問題，如考慮地物分布空間相關(guān)性最大化、考慮空間結(jié)構(gòu)加入輔助信息等。概括地講，現(xiàn)有的超分辨率制圖方法分為兩大類別：一是基于某種假設(shè)如空間相關(guān)性最大化等，由一幅低分辨影像獲得高分辨率分類結(jié)果圖，如Markov隨機(jī)場(chǎng)模型[4-5]、像元-亞像元空間引力模型[6]、Hopfield神經(jīng)網(wǎng)絡(luò)模型[7-8]、像元交換技術(shù)模型[9]、元胞自動(dòng)機(jī)模型[10]、整合線性解混和空間引力模型[11]等；二是加入輔助信息，包括BP神經(jīng)網(wǎng)絡(luò)模型[12]、兩點(diǎn)直方圖[13]、地統(tǒng)計(jì)學(xué)[14]、景觀結(jié)構(gòu)[15]、矢量分割法[16]、基于支持向量機(jī)[17]等。其中輔助信息的引入，一方面使得高分辨率的類別空間分布信息更加接近真實(shí)，但另一方面也增加了對(duì)輸入數(shù)據(jù)的要求。因此綜合考慮算法效率、運(yùn)行速度、定位精度、輔助信息的獲取難易度等各方面，本文將像元交換技術(shù)用于村鎮(zhèn)地表超分辨率制圖中，分析其在制圖中的適用性。

一、技術(shù)簡(jiǎn)介

像元交換(pixel swapping algorithm,PSA)技術(shù)通過像元內(nèi)亞像元間類別的交換，使得按照亞像元尺度上空間相關(guān)性達(dá)到最大的趨勢(shì)得到類別最正確的位置分布。

像元交換技術(shù)是以空間相關(guān)性最大化為假設(shè)目標(biāo)，而實(shí)際中因?yàn)槿藶榈纫蛩氐挠绊懯沟眠b感影像中地物的分布不完全是空間相關(guān)性最大化的結(jié)果。但空間依賴或空間相關(guān)性是超分辨率制圖的理論基礎(chǔ)，并且在現(xiàn)有的研究中，基于像元交換技術(shù)的超分辨率制圖方法取得了一定的理論研究基礎(chǔ)。因此本文將像元交換技術(shù)用于村鎮(zhèn)地表的超分辨率制圖中，研究其方法的實(shí)用性。

二、研究路線

本文結(jié)合研究區(qū)真實(shí)影像，分析其在實(shí)際村鎮(zhèn)地表超分辨率制圖中的實(shí)用性，并探討在實(shí)現(xiàn)超分辨率制圖技術(shù)流程中混合像元分解技術(shù)的影響。其具體研究流程如圖1所示。

圖1　村鎮(zhèn)地表影像試驗(yàn)流程

超分辨率制圖的具體算法實(shí)現(xiàn)過程如圖2所示。圖2中S為尺度因子，h為目標(biāo)變化率。圖中百分比信息規(guī)整是指將像元內(nèi)每一種地物類別所占百分比信息轉(zhuǎn)換為亞像元級(jí)影像上所占的亞像元個(gè)數(shù)，且必須為整數(shù)。然而，實(shí)際中往往按軟信息直接計(jì)算的結(jié)果并不為整數(shù)，因此需要有一個(gè)規(guī)整的方法。在以往的研究中[18]，首先將軟信息直接計(jì)算得到的結(jié)果向下取整，然后將未歸類的亞像元?dú)w屬于像元內(nèi)所占比例最大的地物類別。該方法簡(jiǎn)單易行，但容易丟失小的感興趣目標(biāo)物。為彌補(bǔ)這一缺陷，本文將該方法作如下改進(jìn)：向下取整后，比較每類地物未分配亞像元的百分比，選取最大值并使該類地物亞像元個(gè)數(shù)增加1，進(jìn)而改變?cè)擃惖匚锸Ｓ辔捶峙鋪喯裨俜直戎?可為負(fù))；依次循環(huán)直到所有亞像元被分配完為止。這一方法的目的是使得嚴(yán)重依賴混合像元分解結(jié)果的超分辨率制圖方法盡可能保留小的感興趣目標(biāo)物，且使制圖結(jié)果軟信息與目標(biāo)圖像的軟信息保持一致。

圖2　算法實(shí)現(xiàn)過程

三、影像超分辨率制圖試驗(yàn)

1. 像元交換技術(shù)村鎮(zhèn)地表超分辨率制圖

真實(shí)影像研究區(qū)位于湖南望城區(qū)喬口鎮(zhèn)部分區(qū)域，緯度范圍為28.500 7°—28.511 1°，經(jīng)度范圍為112.717 3°—112.734 2°。

圖3(a)為2013年7月28日資源三號(hào)衛(wèi)星多光譜影像(空間分辨率為5.8 m)經(jīng)重采樣，空間分辨率為7.5 m(312×152像元)，將其作為高分辨率影像源；選用2013年7月31日的Landsat8多光譜數(shù)據(jù)(空間分辨率為30 m，78×38像元)為低分辨率影像來源(圖3(b))?？芍叨纫蜃覵=4，以圖3(a)監(jiān)督分類結(jié)果作為亞像元尺度上制圖目標(biāo)。

為驗(yàn)證基于像元交換技術(shù)在村鎮(zhèn)地表制圖中的可行性與分析適宜性，本節(jié)中包括兩個(gè)試驗(yàn)。

試驗(yàn)1為便于在排除混合像元分解引入的誤差等影響因素的情況下評(píng)價(jià)方法的性能，采用圖4經(jīng)統(tǒng)計(jì)得到3類地物的比值圖，模擬圖3(b)經(jīng)混合像元分解得到的地物比值圖，以此作為超分辨率制圖的輸入數(shù)據(jù)。

圖3　研究區(qū)影像數(shù)據(jù)

圖4　ZY-3衛(wèi)星數(shù)據(jù)硬分類結(jié)果

圖5(b)是對(duì)由圖4統(tǒng)計(jì)得到3類地物的比值圖進(jìn)行基于像元交換技術(shù)超分辨率制圖的結(jié)果，相比直接對(duì)低分辨率影像進(jìn)行硬分類的結(jié)果(如圖5(a)所示),研究區(qū)基本得到恢復(fù)，視覺上與真實(shí)地圖分布圖更接近，但對(duì)線性地物的重建能力有限，在地物交界處亞像元類別的分配有一定的隨機(jī)性，對(duì)于地物大小小于像元尺度的重建能力差。

圖5　研究區(qū)影像分類結(jié)果

模擬軟信息超分辨率制圖結(jié)果與像元尺度硬分類結(jié)果精度比較見表1，由該表可以看出超分辨率制圖結(jié)果總體精度相對(duì)于硬分類結(jié)果提高了7.112 4%，Kappa系數(shù)提高了0.107 5。

表1　村鎮(zhèn)地表模擬軟信息制圖、硬分類精度比較

綜合視覺效果和制圖精度兩方面，基于像元交換技術(shù)的超分辨率制圖方法對(duì)包含有復(fù)雜空間結(jié)構(gòu)的村鎮(zhèn)地表有較好的重建能力，說明該制圖方法用于村鎮(zhèn)地表制圖中是可行的。

由于在試驗(yàn)1中為忽略混合像元分解技術(shù)給超分辨率制圖結(jié)果帶來的影響，比值信息直接由目標(biāo)圖像(圖4)統(tǒng)計(jì)得來，而在實(shí)際應(yīng)用中，比值信息只能通過混合像元分解得來，因此試驗(yàn)2中比值信息是由像元尺度影像(如圖3(b)所示)經(jīng)基于支持向量機(jī)的混合像元分解方法[19]來獲得，并將其規(guī)整后作為超分辨率制圖的輸入信息。本試驗(yàn)選用文獻(xiàn)[18]中提到的規(guī)整方法與本文提出的改進(jìn)規(guī)整方法進(jìn)行對(duì)比。

評(píng)價(jià)混合像元分解結(jié)果的精度常用的一種指標(biāo)為均方根誤差(RMSE)[20]，其表達(dá)式為

(1)

根據(jù)式(1)計(jì)算本試驗(yàn)對(duì)基于支持向量機(jī)混合像元分解結(jié)果規(guī)整后的RMSE值，其中按文獻(xiàn)[18]規(guī)整后的RMSE為0.515 0，本文提出的改進(jìn)方法的RMSE為0.502 6，而試驗(yàn)1中輸入的模擬混合像元分解結(jié)果RMSE值為0.00，由此可以看出基于支持向量機(jī)混合像元分解結(jié)果與目標(biāo)圖像的比值圖信息相差很大，混合像元分解結(jié)果不好，但本文提出的規(guī)整方法相比傳統(tǒng)方法有一定的改進(jìn)效果。

雖然RMSE計(jì)算了某類端元的總體分解精度，但誤差來源的誤分、錯(cuò)分的誤差沒有進(jìn)行區(qū)別，因此本文以類似于硬分類結(jié)果精度評(píng)價(jià)指標(biāo)混淆矩陣進(jìn)行說明。這兩種方法規(guī)整后3類地物正確分配、錯(cuò)分、誤分亞像元數(shù)目見表2和表3，其中目標(biāo)圖像中水體、植被、裸地的亞像元個(gè)數(shù)分別為9239、17 750、20 435。

表2　傳統(tǒng)軟信息規(guī)整方法結(jié)果

表3　改進(jìn)軟信息規(guī)整方法結(jié)果

由表2與表3可看出，每一類地物誤分與錯(cuò)分的亞像元比例差不多，但總體而言，本文改進(jìn)后的規(guī)整結(jié)果錯(cuò)分、誤分?jǐn)?shù)目低于文獻(xiàn)[18]提到的方法。為更直觀直接地對(duì)比這兩種方法結(jié)果，本文定義一種指標(biāo)正確率R，其表達(dá)式為

(2)

式中，M為分配正確的地物像元數(shù)目；N為像元個(gè)數(shù)。

根據(jù)式(2)計(jì)算這兩種規(guī)整方法處理后的正確率分別為75.88%、76.44%，后者高于前者，由此可見，本文提出的改進(jìn)規(guī)整方法結(jié)果整體上精度高于傳統(tǒng)方法[18]，因此試驗(yàn)2以本文提出的改進(jìn)方法進(jìn)行軟信息規(guī)整。

圖5(c)是以基于支持向量機(jī)混合像元分解結(jié)果經(jīng)本文提出的改進(jìn)規(guī)整方法處理后為超分辨率制圖輸入信息得到的制圖結(jié)果，與目標(biāo)圖像圖4相比較可看出，制圖結(jié)果有大量的植被錯(cuò)分為裸地、裸地錯(cuò)分為水體與植被。

表4是基于支持向量機(jī)混合像元分解的制圖結(jié)果與硬分類結(jié)果精度比照，表明制圖結(jié)果精度并不比硬分類精度高，甚至稍低。

表4　村鎮(zhèn)地表超分辨率制圖、硬分類精度比較

2. 討論

在基于Matlab平臺(tái)實(shí)現(xiàn)整個(gè)算法的過程中，發(fā)現(xiàn)像元交換技術(shù)在影像邊界像元的處理上受限制，且鄰域距離與模型影響著制圖效果，需要不斷地試驗(yàn)摸索選擇合適的參數(shù)值。因此像元交換技術(shù)不能普適于影像制圖中，不同時(shí)相、不同區(qū)域、不同來源的影像選用不同的鄰域模型、領(lǐng)域范圍、參數(shù)，且若要應(yīng)用于邊界像元，需進(jìn)一步對(duì)像元交換技術(shù)進(jìn)行改進(jìn)或研究出一種專門處理邊界像元的方法。

大量文獻(xiàn)說明了像元交換技術(shù)方法對(duì)于H型(像元尺寸大小小于地物尺寸大小)多類地物情況的制圖效果很好。對(duì)于存在多類地物、H型與L型(像元尺寸大小大于地物尺寸大小)制圖情況混合、空間結(jié)構(gòu)復(fù)雜的村鎮(zhèn)地表制圖而言，試驗(yàn)1結(jié)果表明超分辨率制圖結(jié)果從視覺效果和精度上分析明顯優(yōu)于傳統(tǒng)硬分類結(jié)果，并且該試驗(yàn)是在2GB內(nèi)存的普通計(jì)算機(jī)上運(yùn)行1小時(shí)完成達(dá)到穩(wěn)定狀態(tài)，因此該試驗(yàn)表明了基于像元交換的超分辨率制圖方法適宜應(yīng)用于類似于試驗(yàn)區(qū)空間結(jié)構(gòu)的村鎮(zhèn)地表制圖中。

雖然試驗(yàn)1結(jié)果驗(yàn)證了方法在村鎮(zhèn)地表超分辨率制圖中的可行性與適宜性，但試驗(yàn)結(jié)果也不可避免地存在問題。試驗(yàn)結(jié)果對(duì)比目標(biāo)圖像可看出制圖結(jié)果中存在有離散錯(cuò)分像元，對(duì)地物邊界重建具有一定的隨機(jī)性；試驗(yàn)1制圖結(jié)果中對(duì)線性邊界并未完全得到重建，雖然空間相關(guān)性最大但線性地物邊界變得圓滑。此外，因?yàn)榉椒ǖ哪繕?biāo)是使空間相關(guān)性最大化，使得試驗(yàn)1制圖結(jié)果中對(duì)L型情況重建能力差，甚至與實(shí)際不符。

超分辨率制圖技術(shù)是建立在混合像元分解技術(shù)之上的，因此若要應(yīng)用超分辨率制圖技術(shù)，必須獲得由混合像元技術(shù)得到的軟信息。由于研究區(qū)復(fù)雜的光譜信息和空間結(jié)構(gòu)，試驗(yàn)1為分析方法的適宜性，忽略因混合像元分解技術(shù)等因素所帶來的影響，采用了模擬混合像元分解結(jié)果。但在實(shí)際應(yīng)用中，必須由混合像元分解技術(shù)得到軟信息。試驗(yàn)2以基于支持向量機(jī)的混合像元分解得到的軟信息為制圖輸入信息，且對(duì)傳統(tǒng)軟信息規(guī)整方法進(jìn)行了改進(jìn)，結(jié)果表明軟信息的規(guī)整會(huì)影響制圖精度，且本文提出的改進(jìn)方法效果優(yōu)于傳統(tǒng)方法。而試驗(yàn)2中制圖精度低的原因是村鎮(zhèn)地表地物間存在同物異譜與異物同譜的特征明顯，使得基于SVM的混合像元分解中，大量像元處于由具有明顯光譜區(qū)別的樣本數(shù)據(jù)構(gòu)建的最優(yōu)分類面附近甚至交錯(cuò)，導(dǎo)致混合像元分解結(jié)果與真實(shí)軟信息有很大差異。

四、結(jié)束語(yǔ)

本文基于模擬軟信息的超分辨率制圖結(jié)果表明，采用基于PSA的超分辨率制圖方法在村鎮(zhèn)地表低分辨率影像中獲取高分辨率分類結(jié)果圖是可行的，這不僅彌補(bǔ)了低分辨率影像空間分辨率的不足，也解決了研究區(qū)因獲取高分辨率影像的不易而難以得到高空間分辨率地物分類圖的難題，這對(duì)村鎮(zhèn)環(huán)境遙感動(dòng)態(tài)監(jiān)測(cè)具有重要意義；基于混合像元分解得到的軟信息制圖結(jié)果表明基于PSA的超分辨率制圖嚴(yán)重依賴于混合像元分解結(jié)果，混合像元分解結(jié)果的誤差直接傳遞至制圖結(jié)果中。因此，在基于PSA的村鎮(zhèn)地表超分辨制圖中，為了能達(dá)到良好的應(yīng)用效果，需要從以下幾點(diǎn)加強(qiáng)研究：①改進(jìn)像元交換技術(shù)；②研究專門的方法處理邊界像元；③降低超分辨率制圖方法對(duì)混合像元分解結(jié)果的依賴；④混合像元分解方法有待改進(jìn)，使其能夠較好地解決同物異譜、異物同譜現(xiàn)象。

[1]王群明. 遙感圖像亞像元定位及相關(guān)技術(shù)研究[D]. 哈爾濱：哈爾濱工程大學(xué), 2012.

[2]任武, 葛詠. 遙感影像亞像元制圖方法研究進(jìn)展綜述[J]. 遙感技術(shù)與應(yīng)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, 張秋文, 王乘, 等. 基于元胞自動(dòng)機(jī)模型的遙感圖像亞像元定位[J]. 中國(guó)圖象圖形學(xué)報(bào), 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, 王錦地, 等. 基于景觀結(jié)構(gòu)的遙感影像超分辨率制圖[J]. 自然科學(xué)進(jìn)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]張翔, 肖小玲. 基于最大熵估計(jì)的支持向量機(jī)概率建模[J]. 控制與決策, 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]黃艷妮. 基于LSMM的遙感估算方法在城市不透水面提取中的研究與應(yīng)用[D]. 蕪湖：安徽師范大學(xué), 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”科技支撐項(xiàng)目(2012BAJ24B01)

劉細(xì)梅(1988—)，女，碩士，助理實(shí)驗(yàn)師，主要從事遙感影像超分辨率制圖、移動(dòng)GIS研究。E-mail：ctxmliu@scut.edu.cn

P237

B

0494-0911(2016)08-0025-05

引文格式：劉細(xì)梅，牛振國(guó).像元交換在村鎮(zhèn)地表超分辨率制圖中的應(yīng)用[J].測(cè)繪通報(bào)，2016(8)：25-29.