[發明專利]基于自組織映射神經網絡的遙感圖像混合像元分解方法

無效

• 申請號: 200810033321.6
• 申請日: 2008-01-31
• 公開（公告）號: CN101221662A
• 公開（公告）日: 2008-07-16
• 發明（設計）人: 劉力帆;王斌;張立明
• 申請（專利權）人: 復旦大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 上海正旦專利代理有限公司
• 代理人: 陸飛;盛志范

技術領域

本發明屬于遙感圖像處理技術領域，具體涉及一種基于自組織映射神經網絡和模糊隸屬度的遙感圖像混合像元分解方法。

背景技術

遙感是本世紀六十年代發展起來的新興綜合技術，與空間、電子光學、計算機、地理學等科學技術緊密相關，是研究地球資源環境的最有力的技術手段之一。近年來，隨著成像技術的進步，多波段遙感圖像在越來越多的領域得到了廣泛應用。由于成像系統空間分辨率的限制和地表的復雜多樣，遙感圖像中的一個像元往往對應著地面上較大面積的一塊區域，此區域內可能存在多種地物類型，這就形成了混合像元。混合像元的分解對于基于多光譜和高光譜遙感圖像的高精度地物分類以及地面目標的檢測有著重要的意義[1，2]。

許多算法已被提出并應用于混合像元分解。線性光譜混合模型是一個廣泛使用的混合像元分解模型[3]，它假設混合像元是各端元光譜的線性混合，并通過引入約束條件，用帶約束條件的最小二乘法求解超定線性方程組[4]，以實現混合像元的分解。但是，它無法同時滿足混合像元分解要求的豐度值非負約束和豐度值和為1約束，影響了解混精度。一些研究人員利用反向傳播和徑向基函數人工神經網絡[5，6]進行混合像元豐度值的求解，他們首先通過有監督的訓練確定網絡神經元連接的權值，然后用訓練好的網絡對混合像元進行分解。但這種方法同樣存在約束條件無法滿足的問題。一些基于概率模型的方法也被提出[7，8]，它們首先利用訓練樣本訓練出均值、方差、先驗概率等模型參數，然后通過求解后驗概率得到豐度值。但是，這類方法在模型參數的迭代訓練過程中可能落入局部極值點而導致得到的分解結果較差。研究者們還將模糊c均值聚類算法應用于混合像元分解[9]，該方法通過非監督模糊聚類產生聚類中心和隸屬度矩陣，聚類中心對應著各端元，隸屬度即是所要求解的豐度值。然而，模糊c均值聚類算法的迭代過程存在著易落入局部極值點和計算量大的問題。

因此，如何對混合像元進行分解，求解組成混合像元的各種典型地物(即端元)的比例(即豐度)，已成為近年來遙感領域的一個研究熱點[10]。

下面介紹與本發明相關的一些概念：

1.線性光譜混合模型

近年的研究中，線性光譜混合模型被廣泛的應用于遙感圖像中的混合像元分解問題，該模型假設圖像中的每個像元都為各個端元像元通過線性混合得到。設X為多通道遙感圖像中單一像元的多光譜矢量，A為由各類純地物信號(端元)的多光譜或高光譜矢量所組成的反射特性矩陣，S為該像元中各類地物所占的百分比(即豐度)，N為模型的誤差，則依此模型有如下關系式

????????????????????X＝AS+N

(1)

若遙感圖像有n個通道，其中有m類地物類型，則式中X為n×1的向量，A為n×m的矩陣，S為m×1的向量，N為n×1的向量，對于實際的多通道遙感圖像，尤其是高光譜遙感圖像，一般有n＞m。

同時，基于混合像元分解問題的實際物理意義，S應滿足如下兩個約束條件：

1)混合像元中各成分的比例s_i之和應該等于1，即：

Σi=1msi=1]]>

(2)

2)分解所得各成分的比例s_i應該在[0，1]的范圍內，即：

????0≤s_i≤1，(i＝1，2，...，m).

2.模糊隸屬度的定義式推導

作為硬c均值聚類算法的一種改進，模糊理論中的模糊c均值算法把所有數據樣本x_i(i＝1，2，...，n)分為c個模糊類，并求解每個類的聚類中心，使得非相似性指標的目標函數達到最小。模糊c均值算法與硬c均值聚類算法的主要區別在于：模糊c均值算法用模糊劃分，使得每個給定數據點用值在[0，1]間的模糊隸屬度來確定其屬于各個類的程度。

模糊c均值算法的目標函數如下：