遙感混合像元的研究

遙感混合像元的研究

1理想地物覆蓋像元應然類型的分類由于傳感器空間分辨率的限制和地球的復雜性多樣性，例如，將原三維圖像中的地象波分含量合并起來的圖像對復雜區(qū)域的地象波分尤其有效。如果將該像元歸為一類,勢必會帶來分類誤差,導致精度下降,不能反映真實的地物覆蓋情況。如果每一混合像元能夠分解而且它的端元組分占像元的豐度能夠求得的話,分類將更精確。光譜分解技術,就是假設某一像元的光譜是由有限幾種地物的光譜曲線按某種函數關系和比例混合而成,分解的目的就是通過某種分析和計算,估計出光譜混合方式和混合像元包含的光譜成分及相應比例。2合像元分解方法近年來,研究人員提出了許多有效的混合像元分解方法,概括起來,主要有線性光譜混合模型、非線性光譜混合模型、模糊監(jiān)督分類法和神經網絡模型分類法。2.1多態(tài)性譜合成模型線性光譜混合模型是利用一個線性關系表達遙感系統(tǒng)中一個像元內各地物的類型、比例與地物的光譜響應。它的基本假設是,組成混合像元的幾種不同地物的光譜以線性的方式組合成混合像元的光譜,即假定混合像元內各個成分光譜之間是獨立的。模型如下:ρ(λi)=Σj=1mFjρj(λi)+ε(λi)ρ(λi)=Σj=1mFjρj(λi)+ε(λi)式中:j=1,2,……,m像元組分;i=1,2,……,n光譜通道;Fj為各像元組分在像元中所占的視面積比,為待估參數;ε(λi)為第i個光譜通道的誤差項。假設上述公式中組成混合像元的端元光譜是完整的,則方程受下列條件限制:Σj=1mFj=1Σj=1mFj=1,且Fj≥0常見的模型解算方法有因子分析法、不帶約束的最小二乘法等。線性光譜混合模型是建立在像元內相同地物都有相同的光譜特征以及植被指數線性可加性基礎上的,優(yōu)點是構模簡單,其物理含義明確,理論上有較好的科學性,對于解決像元內的混合現象有一定的效果。該模型中最關鍵的一步是獲取各種地物的參照光譜值,即純像元下某種地物的光譜值。但在實際應用中各類地物的典型光譜值很難獲得,而且計算誤差較大,應用困難。同時該模型還存在一些限制,它認為某一像元的光譜反射率僅為各組成成分光譜反射率的簡單相加;而事實證明在大多數情況下,各種地物的光譜反射率是通過非線性形式加以組合的。另外,如像元內因地形造成的同物異譜、同譜異物現象存在,則應用效果更差。2.2使用非線性最小二乘迭代算法為了克服線性光譜混合模型的不足,許多學者利用非線性光譜混合模型對野外光譜進行描述。非線性和線性混合是基于同一個概念,即線性混合是非線性混合在多次反射被忽略的情況下的特例。非線性光譜模型最常用的是把灰度表示為二次多項式與殘差之和,表達式如下:DNb=f(Fi,DNi,b)+εbΣl=1LFl=1Σl=1LFl=1式中:f是非線性函數,一般可設為二次多項式;Fi表示第i種典型地物在混合像元中所占面積的比例;b為波段數。因為該模型是非線性的,一般無法進行直接求解。所以,必須采用迭代解法。常用的非線性最小二乘迭代算法有三種:高斯一牛頓法;修正的高斯一牛頓法;阻尼最小二乘法。各種解算方法各有優(yōu)缺點,可根據具體情況采取不同的方法。利用非線性模型計算出的結果均要比用線性模型計算出的結果要好,然而由于殘差誤差的影響,這些結果仍然不理想,并且計算較復雜。2.3[2]模糊協(xié)方差矩陣模糊監(jiān)督分類由FangjuWang提出,計算簡便,可實現對像元特性的深入定量分析,因此應用價值較高。其基本原理是將各種地物類別看成模糊集合,像元為模糊集合的元素,每一像元均與一組隸屬度值相對應,隸屬度也就代表了像元中所含此種地物類別的面積百分比。先選擇樣本像元,根據樣本像元計算各種地物類別的模糊均值矢量和模糊協(xié)方差矩陣。每種地物的模糊均值矢量μ*c為:μ?c=Σi=1nfc(Xi)?XiΣi=1nfc(Xi)μc*=Σi=1nfc(Xi)?XiΣi=1nfc(Xi)模糊協(xié)方差矩陣Σ*c為:Σ?c=Σi=1nfc(Xi?u?c)?(Xi?u?c)TΣi=1nfc(Xi)Σc*=Σi=1nfc(Xi-uc*)?(Xi-uc*)ΤΣi=1nfc(Xi)上兩式中:n為樣本像元總數;fc(Xi)為i個樣本屬于C類地物的隸屬度;C為地物類別;Xi為樣本像元值矢量(1≤i≤n)。μ*c和Σ*c確定后,對每一像元進行模糊監(jiān)督分類,求算每種地物在其類所占面積百分比。用μ*c和Σ*c代替最大似然法分類中的均值矢量和協(xié)方差矩陣,求算屬于C類別的隸屬度函數為:fc(Xi)=P?c(X)Σi=1mP?i(X)fc(Xi)=Ρc*(X)Σi=1mΡi*(X)其中:P?i=1(2π)N/2|Σ?i|?exp[12(X?u?c)TΣ*?1i(X?u?c)]Ρi*=1(2π)Ν/2|Σi*|?exp[12(X-uc*)ΤΣi*-1(X-uc*)]式中:N是像元光譜值矢量的維數;m是預先設定的地物類別數,1≤i≤m。此方法先要確定像元對各種類別的隸屬度,即樣本像元中各類別的面積百分比,一般通過地面調查、航片,高分辨率衛(wèi)星圖像等獲得,但無論哪種方法,求出的樣本隸屬度必定會存在誤差。因此,求出的樣本模糊均值矢量和模糊協(xié)方差矩陣必然也存在誤差。為克服這些初始誤差,李郁竹等提出了模糊監(jiān)督分類——迭代法,通過增加迭代過程反復求算模糊監(jiān)督分類中的模糊均值矢量和模糊協(xié)方差矩陣,使求算出的像元隸屬度從靠近真值的相對準確值最終接近于誤差范圍允許之內的真值。實際應用表明迭代過程效果明顯,精度較高,收斂快。2.4人工神經網絡培養(yǎng)遙感影像美學意識,建立基礎人工神經網絡(Artificialneuralnetwork,ANN)概念是在20世紀40年代中期提出的,70年代得到應用,80年代以來,隨著計算機技術的發(fā)展而得到了飛速的發(fā)展。它屬于非線性學科,由于具有強抗干擾、高容錯性、并行分布式處理、自組織學習和分類精度高等特點而得到廣泛應用。人工神經網絡簡稱神經網絡,是由大量的處理單元(神經元)連接成的復雜網絡,是模仿人的大腦進行數據接收、處理、貯存和傳輸的一類算式,是以模擬人的神經系統(tǒng)的結構和功能為基礎而建立的一種信息處理系統(tǒng),是人腦的某種抽象、簡化和模擬。人工神經網絡由3個基本要素構成,即處理單元、網絡拓撲結構和訓練規(guī)則。處理單元是人工神經網絡操作的基本單元,它模擬人腦神經元的功能。一個處理單元有多個輸入及輸出路徑。輸入端模擬人腦神經的樹突功能,起到信息傳遞的作用;輸出模擬人腦神經的軸突作用,將處理后的信息從一個處理單元傳給下一個,具有相同功能的處理單元構成處理層。網絡拓撲結構決定各處理單元、各層之間信息的傳遞方式與途徑。目前應用的神經網絡拓撲結構有幾十種。訓練規(guī)則,是神經網絡的一個基本特征,通過反復訓練與調整來達到需要的精度。ANN訓練規(guī)則主要有4種,即聯想式學習、誤差傳播學習、概率式學習和競爭式學習。目前,人工神經網絡技術在遙感圖像分類處理中的應用主要有單一的BP(BackPropagation,反向傳播)網絡、模糊神經網絡、多層感知機、學習向量分層—2網絡、Kohonen自組織特征分類器、Hybrid學習向量分層網絡等多種分類器。其中,應用最為廣泛的是BP模型。BP模型包括一個輸入層、一個輸出層以及一個或多個隱藏層。具體的模型如下圖:在人工神經網絡遙感分類方面,研究人員進行了大量的研究并取得了顯著的成果。但ANN也有許多的不足,人工神經網絡與遙感影像地學知識還需在深層結合上進一步深化,人工神經網絡知識的表達還需要模型化和形式化。雖然人工神經網絡模型的研究和應用仍處于起步階段,但模型的綜合分析能力為遙感和多源數據的分析和分類提供了可靠的新途徑,是一種非常有效的分類手段,具有廣闊的應用前景。3非線性光譜混合模型的應用前景從以上介紹,我們可以看出各種分解思想尚處于探索階段其有關理論有待進一步驗證,方法有待完善。在混合光譜的解譯、應用中,線性模型是較早提出的一個對混合光譜進行模擬的模型。到目前為止,對線性模型的反演及其在資源遙感中的應用已做了大量的研究工作。無論從理論上還是從模擬實驗結果來看非線性光譜混合模型都比線性光譜混合模型更接近實際的混合光譜。但是非線性光譜混合模型有不同的形式,一般都比較復雜,其中的很多參數難以精確測量,因此在實際應用中都進行了一些簡化處理,或簡化了像元組分的表面特征及其之間的組合結構,或對某些參數取近似值,這些處理無疑會減