混合象元分解读书报告

混合象元分解读书报告遥感图像所获得的栅格影像数据均是以像元为单位记录地物反射和发射的光谱信号所获得的，它是像元内所有地物的光谱信息的综合。当一个像元内部仅有一种土地覆盖类型，那么该像元仅对应该单一类别的土地覆盖类型的光谱信息，该像元称之为“纯像元”。然而由于传感器分辨率以及地物类别的复杂性等原因往往导致一个像元内包含着多个的土地覆盖类型，这些多发生于地类的边界处。这些由多种地物的混合体所组成的像元的光谱特征是这几种地物的光谱特征的混合反映。这种类型的像元称之为“混合像元”。在进行遥感解译时，由于单一类别的地物具有不同的光谱特性，因此在遥感解译中纯像元十分易于识别，然而混合像元由于其光谱组合的复杂性使其无法直接归类到某一典型地物，从而加大了遥感解译分类的难度，更阻碍了遥感技术向定量化的深入发展。为此，本文接下来对混合象元形成的原因，分解模型以及常用的分解流程进行详细的介绍。1．混合象元形成的原因由于遥感器的空间分辨率限制及自然界地物的复杂多样性，混合像元普遍存在于遥感图像中.混合像元存在的主要原因为：1)传感器本身造成的光谱混合效应以及大气传输过程中的混合效应。其中仪器的影像可以通过仪器的校准、定标加以部分克服，而大气的影响可以通过大气纠正加以部分克服；2)传感器的空间分辨率过低时使得单位像元对应的地面的面积较大从而包含了多类地物；传感器的空间分辨率过于精细时使得有些像元不可避免的横跨地物边界，不管分辨率是过高还是过低都会造成混合像元的形成。2．混合象元的分解技术原理混合像元的存在是传统的像元级遥感分类和面积量测精度难以达到实用要求的主要原因。大多数遥感影像分类算法并不考虑这一现象，只是利用像元光谱间的统计特征进行像元分类。这不仅是遥感技术向定量化深入发展的重要障碍，而且也严重影响计算机处理的效果或计算机技术在遥感领域中的应用。为了提高遥感影像应用的精度,必须解决混合像元的分解问题,使遥感应用由像元级达到亚像元级。这种将混合像元分解为不同的“基本组分单元”或者“端元”的方法称为像元分解。混合像元分解技术原理为：在一个给定的场景里，地表由少数的几种地物（端元）组成，并且这些地物具有相对稳定的光谱特征，因此，遥感图像的像元反射率可以表示为端元的光谱特征和它们的面积比例（丰度或盖度）的函数。混合像元分解途径一般通过建立光谱的混合模型实现。由于假设地物（端元）具有相对稳定的光谱特征,场景中不同像元间光谱的差异主要是端元的比例变化的结果。3．端元的选择方法端元是指在遥感影像中,组成混合像元的多种单一光谱的土地覆盖类型。混合像元分解过程中,端元的选择是进行混合像元分解的首要步骤,它将直接影响混合像元分解的精度。如果端元选取的数量过少会导致无法涵盖研究区所有的土地覆盖类型从而导致该遗漏的土地覆盖类型错分成其他土地覆盖类型；如果端元所选择的数量太多会使得端元之间的相关性增强，导致分解模型容易把相关性强的端元组分混淆,影响分解模型的精度和普及范围。因此端元所选择的数量、类型对分解模型的精确性具有十分重要的影响。端元的选择途径主要包括三种：1)根据野外波谱测量数据或者已有的地物波谱信息库中选择端元，这种途径选择的端元称为“参考端元”；2)直接从待分类的图像上选择端元,然后不断对其修改、调整,确定端元。通过这种途径选择的端元称为“图像端元”3)图像端元和参考端元相结合进行端元选择，这种端元选择途径主要使用参考端元校正和调整图像端元。4．混合像元的分解模型4.1.线性模型线性混合模型是最简单，也是应用最广泛的光谱混合模型。在线性模型中，混合光谱等于端元光谱与端元面积比例的线性组合。该模型基于以下假设:组成混合像元的几种不同地物的光谱之间是独立的,它们以线性的方式组合成混合像元的光谱。线性混合模型就是在已知所有端元的情况下求出每个图像像元中各个端元所占的比例，从而得到反映每个端元在图像中分布情况的比例系数图。线性模型的数学表达式如下：γi=∑(aijxj)+einj=1其中，i=1，2，3，…，m，j=1，2，3，…，n，γi是混合像元的反射率，aij是表示第i个波段第j个端元组分的反射率，xj是该像元第j个端元组分的丰度。ei是第i波段的误差。m表示波段数，n表示选定的端元组分数。为使线性混合模型具有物理意义，需要受到两个约束条件限制：一是端元面积比例之和为1，即；二是所有的端元比例都为非负的。该模型常用的解算方法包括因子分析法、不带约束的最小二乘法以及考虑约束条件的最小二乘法和约束最优化解算方法。线性混合光谱模型构模简单，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。然而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。另外，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。同时同物异谱、同谱异物现象的存在使得像元分解的效果会更差4.2非线性模型前面提到线性混合光谱模型的基本假定是，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。而实际上，在一个混合像元内，各个成分光谱之间并非线性组合，它们之间是相互影响有一定的相关性的。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其中，f为非线性函数，Fi为第i种典型地物在混合像元中所占面积的比例，其累加的和为1；b为波段数。该模型可以通过迭代求解获得结果。因为该模型是非线性的，一般无法进行直接求解，所以必须采用迭代算法，常用的非线性最小二乘迭代算法包括高斯一牛顿法、修正的高斯一牛顿法、阻尼最小二乘法。一般来说，根据非线性混合光谱模型原理进行混合像元分解分类优于直接用原有线性模型进行混合像元分解分类的结果:所得分类图像更为清晰，更接近实际调研的结果。然而非线性模型进行混合像元的分解分类时，计算复杂，工作量大，但得益于计算机处理能力的飞速发展，该方面的缺陷将会得到解决。4.3神经网络模型人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。它本质上是一种机器学习算法。神经网络由大量的节点相互关联组成。每一个节点代表特定的输出函数，称为激励函数；每两个节点之间的连接代表该信号的加权值，称为权重。整个神经网络是对某种算法和函数的逼近。一个具体的三层的神经网络的示意图如图1所示。Input为输入层，Hidden为隐藏层，Output为输出层。由于神经网络模型具有自组织、自学习和自适应的特点，不需对输入的模式图1.神经网络示意图做明显的特征提取，在背景噪音统计未知的情况下，其性能良好，随着神经网络模型及计算机技术的发展，在混合像元分解方面的应用前景广阔。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。用于混合像元分解神经网络的输入层为混合像元光谱，输出层为像元归属于各类端元的判别值，即相应的端元比例。而用于混合像元分解的神经网络的训练样本不再只归属于某一类，而是将训练样本的端元比例作为输出层的值进行学习。由于神经网络是非线性加权模型，适当的神经网络能够模拟出非线性混合过程。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。但是由于人工神经网络模型的研究和应用仍处于起步阶段，人工神经网络知识在混合像元分解的应用上的表达还需要模型化和形式化，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。尽管其存在一定的不足，但是人工神经网络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。5．总结尽管大多数的研究者声明他们发展或者采用的像元分解模型的精度是相当高，然而大多数情况并没有相应的数据来支持他们的说法。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。像元分解的有关理论仍有待进一步验证，方法有待完善。另外在像元分解模型的使用过程中，由于各种分解模型均有各自的优缺点，在不同的情况下应该根据实际情况选择适合需要的模型。如果能混合利用，取长补短，必将使分解精度进一步提高。