混合像元分解研究综述

　　　　　　　　　　　　　　　　林　业　科　技　情　报　　　　　　　　　　2007Vol139No11 2

混合像元分解研究综述

惠巍巍　衣德萍　廖彩霞　曲　林

(东北林业大学)

[摘　要]　混合像元是遥感领域研究的热点,混合像元的问题若得不到很好的解决,将会给遥感的后续应用研究带来较大的误差。本文简要介绍目前国内混合像元的主要分解方法:有线性光谱混合模型、非线性光谱混合模型、模糊监督分类法和神经网络模型分类法,并对其优缺点进行了简要说明。[关键词]　遥感;混合像元;分解;模型;综述

TheStudyOfDecomposingMixElement

HuiWeiwei　YiDeping　LiaoCaixia　QuLin

(NortheastForestryUniversity)

Abstract:Mixelementisahotspotinthedomainofremotesensing.failedsmixelementwillbringaboutbigerrorsinthefollowingappliedresearchoftheremotemaindecompositionmethodofthepresentdomesticmixelement1Therearelinear-spectrummixmodel,thefuzzysurveillanceclassificationandtheneuralnetwthenitexplainstheiradvantagesandshortcomings.

Keywords:remote;;model;summary

1　引言

由于传感器空间分辨率的限制以及地物的复杂多样性,混合像元普遍存在遥感图像中,对地面地物分布比较复杂的

区域尤其如此。如果将该像元归为一类,势必会带来分类误差,导致精度下降,不能反映真实的地物覆盖情况。如果每一混合像元能够分解而且它的端元组分占像元的丰度能够求得的话,分类将更精确。光谱分解技术,就是假设某一像元的光谱是由有限几种地物的光谱曲线按某种函数关系和比例混合而成,分解的目的就是通过某种分析和计算,估计出光谱混合方式和混合像元包含的光谱成分及相应比例。2　光谱混合模型

近年来,研究人员提出了许多有效的混合像元分解方法,概括起来,主要有线性光谱混合模型、非线性光谱混合模型、模糊监督分类法和神经网络模型分类法。211　线性光谱混合模型

线性光谱混合模型是利用一个线性关系表达遥感系统中一个像元内各地物的类型、比例与地物的光谱响应。它的基本假设是,组成混合像元的几种不同地物的光谱以线性的方式组合成混合像元的光谱,即假定混合像元内各个成分光谱之间是独立的。模型如下:

ρ(λρ(λi)=ΣFjj(λi)+εi)

j=1m

等。

线性光谱混合模型是建立在像元内相同地物都有相同的光谱特征以及植被指数线性可加性基础上的,优点是构模简单,其物理含义明确,理论上有较好的科学性,对于解决像元内的混合现象有一定的效果。该模型中最关键的一步是获取各种地物的参照光谱值,即纯像元下某种地物的光谱值。但在实际应用中各类地物的典型光谱值很难获得,而且计算误差较大,应用困难。同时该模型还存在一些限制,它认为某一像元的光谱反射率仅为各组成成分光谱反射率的简单相加;而事实证明在大多数情况下,各种地物的光谱反射率是通过非线性形式加以组合的。另外,如像元内因地形造成的同物异谱、同谱异物现象存在,则应用效果更差。212　非线性光谱混合模型

为了克服线性光谱混合模型的不足,许多学者利用非线性光谱混合模型对野外光谱进行描述。非线性和线性混合是基于同一个概念,即线性混合是非线性混合在多次反射被忽略的情况下的特例。

非线性光谱模型最常用的是把灰度表示为二次多项式与残差之和,表达式如下:

DNb=f(Fi,DNi,b)+εb

ΣFl=1

l=1L

式中:j=1,2,……,m像元组分;i=1,2,……,n光谱通道;Fj

ε(λ为各像元组分在像元中所占的视面积比,为待估参数;i)为第i个光谱通道的误差项。

假设上述公式中组成混合像元的端元光谱是完整的,则方程受下列条件限制:

ΣFj=1,且FjΕ0

j=1m

式中:f是非线性函数,一般可设为二次多项式;Fi表示第i种典型地物在混合像元中所占面积的比例;b为波段数。

因为该模型是非线性的,一般无法进行直接求解。所以,必须采用迭代解法。常用的非线性最小二乘迭代算法有三种:高斯一牛顿法;修正的高斯一牛顿法;阻尼最小二乘法。各种解算方法各有优缺点,可根据具体情况采取不同的方法。

利用非线性模型计算出的结果均要比用线性模型计算

常见的模型解算方法有因子分析法、不带约束的最小二乘法

混合像元分解研究综述

2007Vol139No11　　　　　　　　　　林　业　科　技　情　报　　　　　　　　　　　　　　　　 3

出的结果要好,然而由于残差误差的影响,这些结果仍然不理想,并且计算较复杂。213　模糊监督分类法

模糊监督分类由FangjuWang提出,计算简便,可实现对像元特性的深入定量分析,因此应用价值较高。其基本原理是将各种地物类别看成模糊集合,像元为模糊集合的元素,每一像元均与一组隶属度值相对应,隶属度也就代表了像元中所含此种地物类别的面积百分比。先选择样本像元,根据样本像元计算各种地物类别的模糊均值矢量和模糊协方差矩阵。每种地物的模糊均值矢量μc3为:

μc3=n

Σfc(Xi)

i=1

Σfc(Xi) Xi

n

模糊协方差矩阵Σc为:

Σc3=Σfc(Xi-uc3) (Xi-uc3)T

Σfc(Xi)

i=1n

n

3

络操作的基本单元,它模拟人脑神经元的功能。一个处理单

元有多个输入及输出路径。输入端模拟人脑神经的树突功能,起到信息传递的作用;输出模拟人脑神经的轴突作用,将处理后的信息从一个处理单元传给下一个,具有相同功能的处理单元构成处理层。网络拓扑结构决定各处理单元、各层之间信息的传递方式与途径。目前应用的神经网络拓扑结构有几十种。训练规则,是神经网络的一个基本特征,通过反复训练与调整来达到需要的精度。ANN训练规则主要有4种,即联想式学习、误差传播学习、概率式学习和竞争式学习。

目前,人工神经网络技术在遥感图像分类处理中的应用主要有单一的BP(BackPropagation,反向传播)网络、模糊神经网络、多层感知机、学习向量分层—2网络、Kohonen自组织特征分类器、Hybrid学习向量分层网络等多种分类器。其中,应用最为广泛的是BP模型。BP模型包括一个输入层、一个输出层以及一个或多个隐藏层

。具体的模型如下图:

上两式中:n为样本像元总数;fc(Xi)为i个样本属于C类地物的隶属度;C为地物类别;Xi为样本像元值矢量(1ΦiΦn)。

μc3和Σc3确定后,,c3C类别的隶属度函数为:

3

P(X)

fc(Xi)=m

ΣPi3(X)

i=1

图:BP网络模型

其中:

Pi=

3

2(2π)NΠ|Σi|

exp[

-1(X-uc3)TΣi3(X-uc3)]2

式中:N是像元光谱值矢量的维数;m是预先设定的地物类别数,1ΦiΦm。

此方法先要确定像元对各种类别的隶属度,即样本像元中各类别的面积百分比,一般通过地面调查、航片,高分辨率卫星图像等获得,但无论哪种方法,求出的样本隶属度必定会存在误差。因此,求出的样本模糊均值矢量和模糊协方差矩阵必然也存在误差。为克服这些初始误差,李郁竹等提出了模糊监督分类———迭代法,通过增加迭代过程反复求算模糊监督分类中的模糊均值矢量和模糊协方差矩阵,使求算出的像元隶属度从靠近真值的相对准确值最终接近于误差范围允许之内的真值。实际应用表明迭代过程效果明显,精度较高,收敛快。214　神经网络模型分类法

人工神经网络(Artificialneuralnetwork,ANN)概念是在20世纪40年代中期提出的,70年代得到应用,80年代以来,随着计算机技术的发展而得到了飞速的发展。它属于非线性学科,由于具有强抗干扰、高容错性、并行分布式处理、自组织学习和分类精度高等特点而得到广泛应用。

人工神经网络简称神经网络,是由大量的处理单元(神经元)连接成的复杂网络,是模仿人的大脑进行数据接收、处理、贮存和传输的一类算式,是以模拟人的神经系统的结构和功能为基础而建立的一种信息处理系统,是人脑的某种抽象、简化和模拟。人工神经网络由3个基本要素构成,即处理单元、网络拓扑结构和训练规则。处理单元是人工神经网

在人工神经网络遥感分类方面,研究人员进行了大量的

研究并取得了显著的成果。但ANN也有许多的不足,人工神经网络与遥感影像地学知识还需在深层结合上进一步深化,人工神经网络知识的表达还需要模型化和形式化。虽然人工神经网络模型的研究和应用仍处于起步阶段,但模型的综合分析能力为遥感和多源数据的分析和分类提供了可靠的新途径,是一种非常有效的分类手段,具有广阔的应用前景。3　讨论

从以上介绍,我们可以看出各种分解思想尚处于探索阶段其有关理论有待进一步验证,方法有待完善。

在混合光谱的解译、应用中,线性模型是较早提出的一个对混合光谱进行模拟的模型。到目前为止,对线性模型的反演及其在资源遥感中的应用已做了大量的研究工作。

无论从理论上还是从模拟实验结果来看非线性光谱混合模型都比线性光谱混合模型更接近实际的混合光谱。但是非线性光谱混合模型有不同的形式,一般都比较复杂,其中的很多参数难以精确测量,因此在实际应用中都进行了一些简化处理,或简化了像元组分的表面特征及其之间的组合结构,或对某些参数取近似值,这些处理无疑会减弱对实际混合光谱的真实模拟。

各种模型都是在一定的假设条件的基础上建立的。这些假设会不同方式的影响模型的精度和混合像元分解的结果。要根据实际的情况选择合适的模型,这样可以减少误差。

由于地形的复杂,要想提高混合像元分解的精度,需要将非遥感数据与遥感数据结合起来,地学知识和地理信息系统的辅助支持可以大大提高遥感影像分类和信息提取的精度。

来稿日期:2006-12-04责任编辑:朱艳华