论文部分内容阅读
由于遥感拍摄仪器空间分辨率的限制,遥感图像中的一个像元通常对应着地面上较大面积的一块区域,例如,AVIRIS拍摄的高光谱遥感图像的地面分辨率为17m×17m。这样的一块区域内可能存在多种地物类型,于是形成了混合像元。将混合像元分解为典型的地物(即端元)和它们之间混合的比例(即丰度),可以获取亚像元级别的信息,提高地物识别的精度,实现定量遥感。因此,混合像元的分解对于基于多光谱和高光谱遥感图像的高精度地物分类以及地面目标的检测有着重要的意义,成为近年来遥感领域的一个研究热点。本文针对这个问题作了大量研究,创新内容主要包括以下几部分:
1.本文提出一种新的遥感图像混合像元分解方法,该方法首次将贝叶斯自组织映射(Bayesian Self-Organizing Map,BSOM)引入到遥感图像的混合像元分解问题中,并结合高斯混合模型(Gaussian Mixture Model,GMM)进行解混。本文针对所提议的算法进行了模拟和实际数据的实验验证,并将结果与模糊C均值(Fuzzy C-Means,FCM)的分解结果进行了比较,结果表明,本文所提出的基于贝叶斯自组织映射和高斯混合模型的解混方法能在较短的计算时间内获得精确的解混结果,在分解准确性和抗噪声能力方面要明显优于模糊C均值方法。
2.本文提出一种基于自组织映射神经网络和模糊隶属度的遥感图像混合像元分解方法,该方法首先对自组织映射神经网络进行有监督的训练,然后基于模糊模型解混。模拟和实际数据的实验结果表明,对非线性混合的应用,文中所提议的混合像元分解方法相对于全约束最小二乘(Full Constraint Least-Square,FCLS),梯度下降最大熵(Gradient Descend Maximum Entropy,GDME),模糊C均值(Fuzzy C-Means,FCM)等方法有非常好的分解准确性和抗噪声能力。
3.本文提出了一种基于独立元分析(Independent Component Analysis,ICA)的遥感图像混合像元分解方法。文中分析了将独立元分析应用于混合像元分解问题的可行性,并提出通过矩阵转置,把端元矩阵而非丰度矩阵看成独立元分析中的源矩阵,从而解决了独立元分析中的独立性假设与混合像元分解问题中的丰度和为一约束的矛盾。实验结果证明,所提出的算法是简单有效的。