1、 http:/更多测绘论文请登录测绘网论文频道查询：http:/ 客服热线：010-52775185混合像元分解研究综述王强 黄楠(黑龙江工程学院，哈尔滨，150040、黑龙江省农业科学院，哈尔滨，150040)王强，黑龙江工程学院，哈尔滨，150040，,主要研究遥感数字图像处理及虚拟现实 电话：13206666890 0451-88028725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
2、说明。关键词 遥感 ;混合像元; 分解;模型;综述The Study Of Decomposing Mix ElementWang Qiang Wang Yanliang Huang NanAbstract:Mix element is a hot spot in the domain of remote sensing. Being failed to solve the mix element will bringabout big errors in the following applied research of the remote sensing. This article br
3、iefly introducesmain decompositionmethod of the present domestic mix elementThere are linear spectrummix model,the non-linear spectrummix model,the fuzzy surveillance classification and the neural networkmodel classification. And then it explains their advantages andshortcomings.Key words:remote sen
4、sing; mix element; decomposition; model; summary 1. 概述遥感影像判读面临的一个突出问题就是混合像元问题，多光谱图像分类技术认为一个像素仅仅包含某一类地面目标的信息, 这种像素称为纯像素 1。但位于多类地物交界处的像元或纹理区域内的像元, 由于地物散射等因素的影响, 一个像元往往包含有多类地面目标的信息, 这种像素称为混合像元 1，2 。传统的分类方法对于较低精度要求的图像处理基本可以满足要求，而对于较高精度的遥感分析, 如何有效地解译混合像元是关键问题之一 3，也一直是遥感应用研究的难点和热点问题。对通过遥感技术进行地物识别的问题而言,混合像
5、元是影响分类精度的主要原因之一, 特别是对线状地物和细小地物的分类识别影响较为突出 4。混合像元问题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。大多数遥感影像分类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。光谱混合分解技术考虑了这一现象,不仅能给出组成像元各地表覆盖类的丰度而且能给出分类的图像。大量的研究表明,无论利用那种分离模型,结果都或多或少的表现出精度的提高。混合象元分解指混合象元的类型分解，即算出混合象元内各个组分所占的面积比 5。近年来人们在混合像元的分解方面已经做了很多研究, 提出了许多有效的用于混合像元
6、分解的模型和方法。归纳起来有 5 类, 即线性模型、概率统计模型、随机几何模型、几何光学模型和模糊模型。2.实验模型目前最受欢迎且使用最多的一种是线性模型。线性混合光谱模型是最简单的一种混合光谱模型，线性混合光谱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。在模型中，将像元在某一波段的光谱反射率表示为占一定比例的各个基本端元组分反射率的线性组合。它的基本假设是：在瞬时视场下，各组分光谱线性混合，其比例由相关端元组分光谱的丰度决定。通过分析残差，使残差最小，完成对混合像元的分解。正是基于以上的假定，建立了如下所示的线性混合光谱模型 6：（1）http:/更多测
7、绘论文请登录测绘网论文频道查询：http:/ 客服热线：010-52775185公式中， 光谱通道；端元组分；为各端元组分在像元中所占的视面积比，为待求参数；和 分别为第 个光谱通道的误差项和总的误差项。使：， ， ，则可把（1）式写成（2）假设公式（1）中组成混合像元的端元光谱是完整的，则比例系数 满足如下的约束条件：（3）当然，通常情况下，以上的假设未必满足，因为很难确定所选光谱端元是否完整覆盖了研究区域的地物种类。因为 为像元中第 像元组分在像元中所占的视面积比，所以应该有：（4）线性混合光谱分解问题是当 和 为已知，求 成分分量（比例） 。通过最小二乘算法求解 ，分别为不带约束的最小二
8、乘法和带约束的最小二乘法。2.1 不带约束的最小二乘法因为通常情况下，很难确定所选光谱端元是否完整覆盖了研究区域的地物种类。所以可由式(2 )用不带约束的最小二乘原理直接求解 。其求解步骤如下：由式（2）得：（5）构造函数 ，对该函数求 得导数并使所得函数值为零得到：转置并整理得：（6）从而可得： （7）2.2 带约束的最小二乘法像元组分完全己知，或像元组分不是完全已知，但知道它们的大体范围时，估计混合像元的各像元组分比，就要考虑各像元组分比和为 1 的约束条件，由(2 )和(3)得：（8）求式（8）中的 ，利用考虑约束条件的最小二乘理论，构造函数，对该函数求 的导数并使得所得函数值为零htt
9、p:/更多测绘论文请登录测绘网论文频道查询：http:/ 客服热线：010-52775185得到：（9）有公式（9）和（2）组成方程组：（10）解得：（11）其中， ， ，线性分解模型是建立在像元内相同地物都有相同的光谱特征以及光谱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很好的效果 6。2.3 非线性混合光谱模型为了克服线性混合模型的不足，许多学者利用非线性光谱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
10、可以如下：(4.16)模型中各参数的意义与原有线性混合光谱模型中相同参数的意义一样。令：， 为方程（4.16）的项数。则有：http:/更多测绘论文请登录测绘网论文频道查询：http:/ 客服热线：010-52775185（4.17）考虑约束条件，可得方程组：（4.18）式中，各参数的含义和线性混合光谱模型中的相同参数和含义相同，而对于该模型的解算，由于高光谱遥感中的波段数远远大于组分光谱数，所以我们可以通过非线性最小二乘迭代法求解 。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，这里给出一种常用的非线性最小二乘迭代算法:高斯一牛顿法：首先不考虑模型中的二次项，利用上节中的
11、最小二乘法计算参数 ， 。令 那么确定 的问题就化成为确定修正值 得问题了，将函数（4.20）在点（ ）附近作泰勒级数展开，并略去 的二次和二次以上的项，得其中， 是将点（ ）带入式（4.20）求得的；为各组分光谱在波段 上的光谱特征值；。令 ，则有：令http:/更多测绘论文请登录测绘网论文频道查询：http:/ 客服热线：010-52775185可得：利用无约束的最小二乘法得：（4.20）从而可得：（4.21）当 比较大时，可令当前的 作为新的初值，重复上述的计算，求出新的 和 ，再比较 的大小直到满足所要求的精度为止。一般地，迭代的终止，一是预先设定收敛水平为很小的值，二是交互地设定迭代
12、次数。必须指出，这样得到的点列不一定收敛，收敛与否的关键问题是选取初估值 。因为我们把非线性函数用线性函数近似代替。当初估值 选取不好时，这种近似代替完全失真，从而迭代的结果是不会收敛的。因此，对于训练像元的选取、迭代终止判断等与高斯牛顿迭代算法最终分类效果的定量关系等问题还有待于进一步研究。2.4 神经网络模型人工神经网络(A rtificiaI Neural Networks，ANN)系统是由大量处理单元(神经元)相互连接的网络结构，是人脑的某种抽象、简化和模拟。ANN 的信息处理是由神经元之间的相互作用来实现的，知识和信息的存储表现为网络结构分布式的物理联系，网络的学习和决策过程决定于各
13、神经元连接权值的动态变化过程。由于 ANN 神经元通常采用非线性的作用函数，其动态运行则构成了一个非线性动力学系统，具有不可预测性、不可逆性、多吸引子等特点，从而可模拟大规模自适应非线性复杂系统。目前已发展多种神经网络模型，其中应用最为广泛的是反向传播(back Propagation)网络，简称 BP算法。BP 算法可用一有向无环路图表示，如图 4-1。一般可以分为三层：输入层、隐含层、输出层。网络中，输入节点数等于模式的维数，即特征个数。输出节点数一般为类别数。BP 算法的基本思想是，根据样本的希望输出与实际输出之间的平方误差，利用梯度下降法，从输出层开始，逐层修正权系数，每个修正周期分为
14、两个阶段:前向传播阶段和反向传播阶段。图 4-1 反向传播网络结构示意图http:/更多测绘论文请登录测绘网论文频道查询：http:/ 客服热线：010-52775185神经网络虽然具有许多优点，但以真正实用化要求衡量，还存在许多不足。主要是用神经网络进行分类时，有许多因素会影响到神经网络的功能，如数据的预处理和网络的结构等，与之相关的参数多且需不断的调整，这样学习阶段往往需要花费大量时间进行分析计算，因此应该进一步深化神经网络机理的研究，在此基础上改进结构，完善算法，促进实用化。2.5 模糊模型一般遥感图像常存在大量混合像元。此外、在自然中有些类别的边界本来就不明显，或是逐步过渡的，似此似彼
15、，很难分清。而计算机常规分类对像元进行逐个判别时，一个像元只能归属于一类，而不能同时及归属于甲类又归属于乙类，这样就容易错分。近年发展起来的模糊理论，则认为一个像元可以某种程度上属于某类而同时在另一种程度上属于另一类，这种类属关系的程度可用像元隶属度表示。所以应用模糊分类的关键是确定像元的隶属度函数 60。一般在遥感图像模糊分类中也常用贝叶斯准则来确定像元属于各类的隶属函数。该模型利用模糊聚类方法确定任一像元属于某种地物的隶属度，从而推算该像元内某类地物所占比例，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。光谱空间的模糊分类，可表达为 X 域上的一组模糊集合 F1、F
16、 2Fm。式中：F 1、F 2Fm为光谱类别；m 为预定类别数；X 表示图像中所有像元集合；x 为像元光谱量测值向量； 为模糊集 Fi的从属关系函数。这些模型的共同点在于都对已知反射光谱值的混合像元进行两个主要方面的描述。一是基本组分的光谱值，此为模型的已知量，可以通过图像或光谱数据库采集或实地测量、查资料等。它可以说是模型最重要的参数，它的精度很大程度上决定了模型的准确性；二是基本组分在像元中占的比例，即估计亚像元的比例，此为模型反解的未知数，即模型的求解。模糊监督分类方法理论与实际相结合，可操作性好，计算简单，分类效果较理想，对样本区地物类别所占面积百分比求算精度要求比较宽松，因此简单实用
17、、可靠。但是，它存在着假设数据必须符合正态分布的限制。2.6 匹配滤波法在自定义的典型像元的基础上，对每一像元进行部分分离，通过对已知的典型像元进行最大限度的放大，而压制未知典型像元的反应，然后再匹配已知的典型像元。该方法的流程为：导入影像自定义典型像元像元部分分离匹配已知的典型像元计算典型像元面积比例该方法的优点是不要求了解整个图幅范围内的所有典型像元，而能迅速探测某些己知的特征物质。缺点是典型像元的选取对精度的影响较大。2.7 经验系数法因为各地区的混合像元一般占一定的比例，根据历年的经验，可得到一系数表，在统计各类地物的面积时，可增减一定比例的混合像元，这种方法称为经验系数法。它简单易行
18、，但不够精确。4.结论从以上介绍,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http:/更多测绘论文请登录测绘网论文
19、频道查询：http:/ 客服热线：010-52775185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。参考文献1 朱述龙.基于混合像元的遥感图像分类技术J. 解放军测绘学院学报 ,1995,12(4):226-2292 陶秋香.非线性混合光谱模型及植被高光谱遥感分类若干问题研究D.青岛:山东科技大学,20043 陈述彭, 童庆喜, 郭华东. 遥感信息机理研究M. 北京 :科学出版社,1998.201-2124 陶秋香 , 陶华学, 张连蓬. 线形混合光谱模型在植被高光谱遥感分类中的应用研究J. 勘察科学技术, 2004, (1):21-25 李郁竹.农作物气象卫星遥感监测和估产研究进展和前景探讨J. 气象科技,1997,(3):29-436 王强.Hyperion 高光谱数据进行混合像元分解研究D. 哈尔滨,东北林业大学 2006更多测绘论文请登录测绘网论文频道查询：http:/
