葛勇.陈跃红 Enhanced sub-pixel mapping with spatial distribution patterns of Geographical objects
摘要：这篇论文提出了基于空间分布模式的亚像元定位方法，是一种新颖的亚像元定位策略。它将不同类型的地物目标空间分布模式分开考虑。最初，根据空间几何特征将地物目标分为面状、线状和点状模式。对于不同的模式，使用基于边界向量的亚像元定位方法和空间相关性假设来处理面状目标，使用基于线性模板匹配的亚像元定位算法处理线状地物，使用基于空间模式一致性匹配的亚像元定位算法来处理点状地物。最后将这三种模式整合，产生一个亚像元定位的结果。结果与目前的硬分类以及现存的七种亚像元定位方法相比都取得了很好的结果，尤其是在处理线性目标及点状目标的时候。（一幅仿真图像，两幅遥感图像）
亚像元定位是由Atkinson提出来的，其用确定各个像元中地类的相对比例。自从亚像元定位这一概念被提出之后，有很多提高其定位效率和精度的方法被提出来。这些方法包括像元交换、线性最优技术、像元/亚像元空间引力模型、马尔科夫随机场、指示协同克里格方法、几何学方法、空间正则法、基于不同的人工智能方法，如遗传算法、人工免疫系统、最大后验模型。上述算法主要是基于像元内或者像元之间的空间相关性假设，并且在高分辨率图像中也是可以使用的，此时像元小于感兴趣的目标的大小，因为最大化空间相关性受到‘软分类获得的类别比例的限制。然而这些方法却不能有效的处理低分辨率图像，如像元大于感兴趣的目标或者像元短于或者宽于感兴趣的线性目标。在低分辨率图像中应用这些方法，比如，会导致目标的聚类，因此导致原始特征的损失，如随机性和分散性。除此之外，如果对于较好的线性目标使用这些方法会导致线性连通性的丧失，然而对于较大的线性目标来说，则会导致边界粗糙。导致这些原因的一个重要方面就是在处理这些目标的时候使用了同一种方法来预测他们的地物覆盖类别。
直到现在，仍有很多的亚像元定位方法将注意力放在高分辨率图像预测空间分布方面。Lechner等，强调将亚像元定位用来表示具有自然资源管理生态价值的低分辨率和线性地物覆盖目标。然而很少有研究强调低分辨率亚像元定位和线性目标的亚像元定位。Tatem等提出Hopdield神经网络和Atkinson 提出了基于两点直方图和先验信息来获得低分辨率的空间分布。这些方法在预测地物分布模式时都能提供在低分辨率亚像元尺度上可接受的结果。然而诸如此类典型的先验信息，往往是具有较好的训练图像形式并且不容易获得，需要很多的预处理过程。