Enhanced subpixel mapping with spatial distribute patterns of geographical objects

时隔这么久，终于重新捡起了这篇文章

Lets begin:

为了处理线性目标，Ai等人使用数学形态学知识从丰度图像中提取中心线，使用空间辅助信息来提高亚像元定位精度。Thornton等人在像元交换模型中增加了各向异性来预测超分辨率图像的线特征。这些改进与像元交换算法相比提高了精细的直线型目标的定位精度，但却忽略了曲线目标。

为了解决这个问题，这篇论文提出了一种新的亚像元定位策略，称为基于SPM的空间分布模式（SPMs），SPMs分别考虑了地物目标的空间特征并且将地物目标分为点、线、面三种。原因是在地质学信息系统中地物目标通常是由这三类模式构成的。A目标对应在高分辨率情况下通常是由一些大面积的块组成。同样，点目标对应在低分辨率下通常是分布在像元内部或者边界上的鼓励的点，线目标具有线的形状，如延伸多个像元的小河或者小路等（总之类似生活中的点线面）。SPM认为A类目标通常使用基于SPM算法得边界矢量，同样也使用空间相关性假设来处理A目标。对于L目标，通常使用基于SPM的线性模板匹配算法，而P目标通常使用基于SPM的空间模式一致性匹配算法。通过使用这种策略，SPMs避免了各种各样的缺陷。实验通过人为建造的图像和两幅遥感图像来验证该算法的有效性。

背景

亚像元定位的目标就是在丰度已知的情况下根据地物类别结合空间相关性最大理论确定混合像元内各亚像元的合适的类别。空间相关性具体解释为距离越近的像元/亚像元比距离远的属于同一类的概率更大。

C为类别数并且假设C类地物的丰度图像已经从高光谱图像中获得，使用软分类技术。S为重建尺度，每一个像元被分为S*S个更小的亚像元，每个亚像元的值为1或0,1代表亚像元属于该特定的类别，0代表属于别的类。

Atkinson将亚像元定位分为两类：一类是回归学习；另一类是空间最优；在这篇论文中，我们将亚像元定位问题看做是线性优化问题。目的就是在混合像元内最大化亚像元之间的空间相关性，限制条件是，每一个亚像元只能属于某一特定的类别，亚像元内每一类的丰度等于分类图中该类的丰度值。下面公式为具体的约束条件：

          

Gic为亚像元中第c类地物等空间相关性的指标；Fjc为混合像元j中第c类的丰度。                             

（按我自己的理解讲述，不局限于论文）上图为空间模式具体分布的情况，a为典型的面状分布，使用空间相关性定位后定位效果还是很好滴（b图）；c为典型的点状分布，如果对点状地物使用空间相关性理论则会导致点状地物的聚集(d)，使其丧失了原有的空间异性；e为亚像元级的线特征，对其使用空间相关性造成了线特征的断裂（f）；g为像元级的线特征，同样如果使用空间相关性理论对其定位，则会导致锯齿现象（h）；

背景讲完啦，具体方法，下次再说喽，如果真要研究这种方法的话还是多看几遍论文吧