[发明专利]基于自组织映射神经网络的遥感图像混合像元分解方法

说明书

技术领域

本发明属于遥感图像处理技术领域，具体涉及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。

背景技术

遥感是本世纪六十年代发展起来的新兴综合技术，与空间、电子光学、计算机、地理学等科学技术紧密相关，是研究地球资源环境的最有力的技术手段之一。近年来，随着成像技术的进步，多波段遥感图像在越来越多的领域得到了广泛应用。由于成像系统空间分辨率的限制和地表的复杂多样，遥感图像中的一个像元往往对应着地面上较大面积的一块区域，此区域内可能存在多种地物类型，这就形成了混合像元。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[1，2]。

许多算法已被提出并应用于混合像元分解。线性光谱混合模型是一个广泛使用的混合像元分解模型[3]，它假设混合像元是各端元光谱的线性混合，并通过引入约束条件，用带约束条件的最小二乘法求解超定线性方程组[4]，以实现混合像元的分解。但是，它无法同时满足混合像元分解要求的丰度值非负约束和丰度值和为1约束，影响了解混精度。一些研究人员利用反向传播和径向基函数人工神经网络[5，6]进行混合像元丰度值的求解，他们首先通过有监督的训练确定网络神经元连接的权值，然后用训练好的网络对混合像元进行分解。但这种方法同样存在约束条件无法满足的问题。一些基于概率模型的方法也被提出[7，8]，它们首先利用训练样本训练出均值、方差、先验概率等模型参数，然后通过求解后验概率得到丰度值。但是，这类方法在模型参数的迭代训练过程中可能落入局部极值点而导致得到的分解结果较差。研究者们还将模糊c均值聚类算法应用于混合像元分解[9]，该方法通过非监督模糊聚类产生聚类中心和隶属度矩阵，聚类中心对应着各端元，隶属度即是所要求解的丰度值。然而，模糊c均值聚类算法的迭代过程存在着易落入局部极值点和计算量大的问题。

因此，如何对混合像元进行分解，求解组成混合像元的各种典型地物(即端元)的比例(即丰度)，已成为近年来遥感领域的一个研究热点[10]。

下面介绍与本发明相关的一些概念：

1.线性光谱混合模型

近年的研究中，线性光谱混合模型被广泛的应用于遥感图像中的混合像元分解问题，该模型假设图像中的每个像元都为各个端元像元通过线性混合得到。设X为多通道遥感图像中单一像元的多光谱矢量，A为由各类纯地物信号(端元)的多光谱或高光谱矢量所组成的反射特性矩阵，S为该像元中各类地物所占的百分比(即丰度)，N为模型的误差，则依此模型有如下关系式

                    X＝AS+N

(1)

若遥感图像有n个通道，其中有m类地物类型，则式中X为n×1的向量，A为n×m的矩阵，S为m×1的向量，N为n×1的向量，对于实际的多通道遥感图像，尤其是高光谱遥感图像，一般有n＞m。

同时，基于混合像元分解问题的实际物理意义，S应满足如下两个约束条件：

1)混合像元中各成分的比例s_i之和应该等于1，即：

Σi=1msi=1]]>

(2)

2)分解所得各成分的比例s_i应该在[0，1]的范围内，即：

    0≤s_i≤1，(i＝1，2，...，m).

2.模糊隶属度的定义式推导

作为硬c均值聚类算法的一种改进，模糊理论中的模糊c均值算法把所有数据样本x_i(i＝1，2，...，n)分为c个模糊类，并求解每个类的聚类中心，使得非相似性指标的目标函数达到最小。模糊c均值算法与硬c均值聚类算法的主要区别在于：模糊c均值算法用模糊划分，使得每个给定数据点用值在[0，1]间的模糊隶属度来确定其属于各个类的程度。

模糊c均值算法的目标函数如下：