專利名稱：：基于自組織映射神經(jīng)網(wǎng)絡(luò)的遙感圖像混合像元分解方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于遙感圖像處理
技術(shù)領(lǐng)域：
，具體涉及一種基于自組織映射神經(jīng)網(wǎng)絡(luò)和模糊隸屬度的遙感圖像混合像元分解方法。技術(shù)背景遙感是本世紀(jì)六十年代發(fā)展起來的新興綜合技術(shù)，與空間、電子光學(xué)、計算機(jī)、地理學(xué)等科學(xué)技術(shù)緊密相關(guān)，是研究地球資源環(huán)境的最有力的技術(shù)手段之一。近年來，隨著成像技術(shù)的進(jìn)步，多波段遙感圖像在越來越多的領(lǐng)域得到了廣泛應(yīng)用。由于成像系統(tǒng)空間分辨率的限制和地表的復(fù)雜多樣，遙感圖像中的一個像元往往對應(yīng)著地面上較大面積的一塊區(qū)域，此區(qū)域內(nèi)可能存在多種地物類型，這就形成了混合像元?；旌舷裨姆纸鈱τ诨诙喙庾V和高光譜遙感圖像的高精度地物分類以及地面目標(biāo)的檢測有著重要的意義[1，2]。許多算法己被提出并應(yīng)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(shè)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(xiàn)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(fù)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(shù)人工神經(jīng)網(wǎng)絡(luò)[5,6]進(jìn)行混合像元豐度值的求解，他們首先通過有監(jiān)督的訓(xùn)練確定網(wǎng)絡(luò)神經(jīng)元連接的權(quán)值，然后用訓(xùn)練好的網(wǎng)絡(luò)對混合像元進(jìn)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(xùn)練樣本訓(xùn)練出均值、方差、先驗概率等模型參數(shù)，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(shù)的迭代訓(xùn)練過程中可能落入局部極值點而導(dǎo)致得到的分解結(jié)果較差。研究者們還將模糊c均值聚類算法應(yīng)用于混合像元分解[9]，該方法通過非監(jiān)督模糊聚類產(chǎn)生聚類中心和隸屬度矩陣，聚類中心對應(yīng)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(jìn)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(lǐng)域的一個研究熱點[io]。下面介紹與本發(fā)明相關(guān)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(yīng)用于遙感圖像中的混合像元分解問題，該模型假設(shè)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(shè)X為多通道遙感圖像中單一像元的多光譜矢量，j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)，iV為模型的誤差，則依此模型有如下關(guān)系式<formula>formulaseeoriginaldocumentpage5</formula>(1)若遙感圖像有"個通道，其中有m類地物類型，則式中X為nxl的向量，^為Mxm的矩陣，S為wxl的向量，7V為"xl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"〉附。同時，基于混合像元分解問題的實際物理意義，S應(yīng)滿足如下兩個約束條件1)混合像元中各成分的比例5,之和應(yīng)該等于l，艮P:<formula>formulaseeoriginaldocumentpage5</formula>(2)2)分解所得各成分的比例S,應(yīng)該在[O,l]的范圍內(nèi)，艮P:0"SI,(/=l,2,,.,，m).2.模糊隸屬度的定義式推導(dǎo)作為硬c均值聚類算法的一種改進(jìn)，模糊理論中的模糊c均值算法把所有數(shù)據(jù)樣本;c,(fl,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(biāo)的目標(biāo)函數(shù)達(dá)到最小。模糊c均值算法與硬c均值聚類算法的主要區(qū)別在于模糊c均值算法用模糊劃分，使得每個給定數(shù)據(jù)點用值在[O，l]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(biāo)函數(shù)如下",(3)<formula>formulaseeoriginaldocumentpage5</formula>其中為第J'個樣本隸屬于第i個端元的模糊隸屬度，《=||c,-x,II為第/個聚類中心與第7個數(shù)據(jù)樣本間的歐幾里德距離，we[l,oo)是一個加權(quán)指數(shù)，A，產(chǎn)l,2，…，n，是n個歸一化約束式的拉格朗日乘子。對所有輸入?yún)⒘壳髮?dǎo)，使上述目標(biāo)函數(shù)達(dá)到最小的必要條件為<formula>formulaseeoriginaldocumentpage6</formula>(5)
發(fā)明內(nèi)容本發(fā)明的目的在于提出一種基于自組織映射神經(jīng)網(wǎng)絡(luò)的新的遙感圖像混合像元分解方法，以便快速有效的對多通道遙感圖像的混合像元進(jìn)行分解，得到精確的混合像元分解結(jié)果，并具有較好的抗噪性能。本發(fā)明提出的遙感圖像混合像元分解方法，將自組織映射神經(jīng)網(wǎng)絡(luò)和模糊理論中的模糊隸屬度相結(jié)合，首先利用少量的訓(xùn)練樣本有監(jiān)督地訓(xùn)練自組織映射神經(jīng)網(wǎng)絡(luò)，然后通過計算混合像元對各自組織映射網(wǎng)絡(luò)節(jié)點的模糊隸屬度完成豐度值的求解。由于自組織映射網(wǎng)絡(luò)的訓(xùn)練過程是屬于無目標(biāo)函數(shù)的競爭性學(xué)習(xí)，并且訓(xùn)練的迭代過程只對少量訓(xùn)練樣本進(jìn)行，所以不存在模糊c均值算法中存在的易落入局部極值點和計算量大的問題，保證了算法的魯棒性和速度。本發(fā)明提出的遙感圖像混合像元分解方法，包括如下基本內(nèi)容1.自組織映射神經(jīng)網(wǎng)絡(luò)(SOM網(wǎng)絡(luò))的有監(jiān)督訓(xùn)練傳統(tǒng)的自組織映射網(wǎng)絡(luò)[ll]的學(xué)習(xí)是無監(jiān)督的，即自組織映射網(wǎng)絡(luò)的訓(xùn)練樣本是不需要打上類型標(biāo)記的。通過對訓(xùn)練樣本做簡單的處理，可以實現(xiàn)有監(jiān)督學(xué)習(xí)的自組織映射網(wǎng)絡(luò)，使得訓(xùn)練后的自組織映射網(wǎng)絡(luò)競爭層上的各節(jié)點帶有類型標(biāo)記。假設(shè)本原來的維數(shù)是N，類型數(shù)(即端元數(shù))為k。圖2展示了如何對各類型的訓(xùn)練樣本打上類型標(biāo)記，圖中k=3。即通過擴(kuò)展樣本維數(shù)的方式，將訓(xùn)練樣本的類型標(biāo)記以二進(jìn)制編碼的形式存儲在樣本中，樣本維數(shù)由原來的N維拓展為N+k維。將處理后的訓(xùn)練樣本送入自組織映射網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練結(jié)束后各競爭層神經(jīng)元節(jié)點的維數(shù)為N+k。設(shè)神經(jīng)元節(jié)點前A維的最大值出現(xiàn)在第i維上，則可以判定該神經(jīng)元節(jié)點屬于第J'個類型。得到神經(jīng)元節(jié)點的類型后，將節(jié)點的前A維去除。圖3顯示了自組織映射網(wǎng)絡(luò)最終的訓(xùn)練結(jié)果，圖中同顏色的自組織映射節(jié)點被標(biāo)記為同一類型。下面具體介紹自組織映射神經(jīng)網(wǎng)絡(luò)訓(xùn)練的做法自組織映射神經(jīng)網(wǎng)絡(luò)模擬了人類大腦皮層中具有自組織特征的神經(jīng)信號傳送過程，是一種無監(jiān)督的競爭學(xué)習(xí)型的神經(jīng)網(wǎng)絡(luò)。該神經(jīng)網(wǎng)絡(luò)的主要特性包括拓?fù)溆行蛐?，容錯性，自聯(lián)想功能等。自組織映射網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖1所示，由一層輸入層和一層競爭層組成。輸入層的神經(jīng)元個數(shù)N等于數(shù)據(jù)樣本的維數(shù)，競爭層的M個神經(jīng)元排成一個2維的陣列。該陣列可以有各種類型的鄰域拓?fù)浣Y(jié)構(gòu)，圖1中的鄰域拓?fù)浣Y(jié)構(gòu)為常見的方形，深色神經(jīng)元節(jié)點表示以淺色神經(jīng)元節(jié)點為中心半徑為1的鄰域范圍內(nèi)的神經(jīng)元節(jié)點。因此，自組織映射網(wǎng)絡(luò)將N維樣本映射到了一個2維的拓?fù)涮卣鲌D上。對于輸入的每一個訓(xùn)練樣本，自組織映射網(wǎng)絡(luò)的訓(xùn)練過程包括競爭和學(xué)習(xí)兩個步驟。在競爭步，首先進(jìn)行競爭，判斷和訓(xùn)練樣本歐幾里德距離最小的的競爭層節(jié)點為競爭獲勝節(jié)點，如圖l中的淺色節(jié)點。在學(xué)習(xí)步，更新獲勝節(jié)點及其周圍一定鄰域范圍內(nèi)的節(jié)點，如圖l中的深色節(jié)點，令它們朝訓(xùn)練樣本方向以一定的學(xué)習(xí)率做修正，修正公式如下<formula>formulaseeoriginaldocumentpage7</formula>(6)其中、表示當(dāng)前訓(xùn)練樣本，w,(0表示當(dāng)前競爭層第/個節(jié)點，"(O表示當(dāng)前學(xué)習(xí)率，^表示半徑為r的鄰域；鄰域半徑和學(xué)習(xí)率隨著每一次競爭學(xué)習(xí)不斷縮小，最后固定在一個比較小的值上，此時SOM網(wǎng)絡(luò)收斂，訓(xùn)練完成。通過訓(xùn)練，自組織映射網(wǎng)絡(luò)能夠?qū)W會輸入樣本間的關(guān)系和規(guī)律，使得訓(xùn)練結(jié)束后競爭層的特征圖能夠反映數(shù)據(jù)樣本的分布特性。2.最優(yōu)加權(quán)指數(shù)的確定與模糊隸屬度的計算混合像元的分解過程需要計算混合像元對自組織映射神經(jīng)網(wǎng)絡(luò)各個神經(jīng)元節(jié)點的模糊隸屬度。模糊隸屬度中的模糊加權(quán)指數(shù)rn決定了分解結(jié)果的模糊程度，當(dāng)m二l時，分解結(jié)果退化為分類結(jié)果，當(dāng)m趨向于oo時，分類結(jié)果過于模糊，導(dǎo)致豐度被平均分配到各SOM節(jié)點。因此，m值的選取影響分解結(jié)果的精度。這里，我們采用了基于模糊目標(biāo)函數(shù)拐點的方法[12,13，14]來對最優(yōu)m值進(jìn)行預(yù)測。模糊目標(biāo)定義為-其中1/,0/,。為(3)式中的^07^1,...,0，"為大于l的正常數(shù)。圖4顯示了模糊目標(biāo)函數(shù)的曲線，我們選擇該曲線的拐點對應(yīng)的m值作為算法中使用的m值。這種m值選取方法的有效性得到了實驗部分得到充分的驗證。3.豐度計算訓(xùn)練好的SOM網(wǎng)絡(luò)的競爭層節(jié)點帶有端元類型的標(biāo)記，利用類型標(biāo)記對同類型的模糊隸屬度求和，作為該類型端元的豐度。綜上所述，本發(fā)明提出的遙感圖像混合像元分解方法，具體步驟為(1).訓(xùn)練自組織映射神經(jīng)網(wǎng)絡(luò)1)初始化自組織映射神經(jīng)網(wǎng)絡(luò)根據(jù)待分解數(shù)據(jù)集中存在的端元數(shù)量，設(shè)置自組織映射神經(jīng)網(wǎng)絡(luò)的尺寸，按隨機(jī)方式初始化自組織映射神經(jīng)網(wǎng)絡(luò)，并設(shè)置網(wǎng)絡(luò)的訓(xùn)練參數(shù)，包括拓?fù)浣Y(jié)構(gòu)、初始鄰域半徑、初始學(xué)習(xí)率；2)挑選與處理訓(xùn)練樣本從待分解的數(shù)據(jù)集中或光譜庫中挑選少量的訓(xùn)練樣本，并對它們做預(yù)處理，通過擴(kuò)展訓(xùn)練樣本的維數(shù)，由原來的N維拓展為N+k維，N是原數(shù)據(jù)樣本的維數(shù)，k為類型數(shù)，以二進(jìn)制編碼的形式，對各類型的訓(xùn)練樣本打上類型標(biāo)記，以實現(xiàn)有監(jiān)督學(xué)習(xí)的自組織映射網(wǎng)絡(luò)，使得訓(xùn)練后的自組織映射網(wǎng)絡(luò)競爭層上的各節(jié)點也帶有類型標(biāo)記；3)訓(xùn)練自組織映射網(wǎng)絡(luò)利用已挑選的訓(xùn)練樣本，根據(jù)競爭學(xué)習(xí)的原理訓(xùn)練網(wǎng)絡(luò)對于輸入的每一個訓(xùn)練樣本，首先判斷和訓(xùn)練樣本歐幾里德距離最小的的競爭層節(jié)點為競爭獲勝節(jié)點，然后更新獲勝節(jié)點及其周圍一定鄰域范圍內(nèi)的節(jié)點，令它們按公式(6)朝訓(xùn)練樣本方向以一定的學(xué)習(xí)率做修正，訓(xùn)練過程中鄰域半徑和學(xué)習(xí)率隨著網(wǎng)絡(luò)的收斂而逐步減小；(2).計算模糊隸屬度1)最優(yōu)加權(quán)指數(shù)m的預(yù)測對待分解的數(shù)據(jù)集，根據(jù)模糊目標(biāo)函數(shù)t/g=exp<(7)Vm一的拐點預(yù)測模糊隸屬度公式中的最優(yōu)加權(quán)指數(shù)m;2)計算混合像元對各個神經(jīng)元節(jié)點的模糊隸屬度對于每一個混合像元，計算該像元和自組織映射神經(jīng)網(wǎng)絡(luò)競爭層每一個節(jié)點的模糊隸屬度<formula>formulaseeoriginaldocumentpage8</formula>(3).計算混合像元分解的豐度值對帶有同一類型標(biāo)記的模糊隸屬度求和，即得到該類型端元的豐度。本發(fā)明的優(yōu)點本發(fā)明為一種基于自組織映射神經(jīng)網(wǎng)絡(luò)和模糊隸屬度的遙感圖像混合像元分解方法。其優(yōu)點在與利用訓(xùn)練樣本有監(jiān)督地訓(xùn)練自組織映射神經(jīng)網(wǎng)絡(luò)，擺脫了局部極值問題，并且自動滿足混合像元分解問題所要求的豐度值非負(fù)約束和豐度值和為1約束。本發(fā)明在基于多光譜和高光譜遙感圖像的高精度的地物分類以及地面目標(biāo)的檢測和識別方面具有重要意義。-圖1為自組織映射神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。圖2自組織映射神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的標(biāo)記類型示意圖。圖3有監(jiān)督自組織映射神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果示意圖。圖4模糊目標(biāo)函數(shù)曲線圖。圖5混合像元分解算法的框圖。圖6為3種礦物端元的光譜曲線圖，(a)為黑云母，(b)為陽起石，(c)為鐵鋁榴石。圖7AVIRIS高光譜人造遙感數(shù)據(jù)實驗中加權(quán)指數(shù)m的選取示意圖。圖8Landsat7ETM+所拍攝遙感圖像的偽彩色圖。圖9人造遙感圖像的標(biāo)準(zhǔn)豐度值矩陣示意圖，其中包括水體(a)、植被(b)、人工建筑和土壤(c)。圖10Landsat7ETM+多光譜人造遙感數(shù)據(jù)實驗中加權(quán)指數(shù)m的選取示意圖。圖IIAVIRIS所拍攝遙感圖像的偽彩色圖。圖12AVIRIS真實遙感數(shù)據(jù)實驗中加權(quán)指數(shù)m的選取示意圖。圖13AVIRIS高光譜遙感圖像的分解結(jié)果示意圖，(a)為玉米，(b)為干草飼料，(c)為大豆，(d)為麥子，(e)為天然植被，(f)為人工用地。具體實施方式下面，我們分別以模擬和實際遙感圖像數(shù)據(jù)為例說明具體的實施方式1.模擬遙感圖像數(shù)據(jù)1)AVIRIS高光譜人造遙感數(shù)據(jù)首先，從AVIRIS高光譜礦物端元光譜庫中挑選出3種礦物端元，圖6顯示了這三種礦物端元的光譜曲線。之后，隨機(jī)產(chǎn)生滿足豐度值非負(fù)約束和豐度值和為l約束的3個標(biāo)準(zhǔn)豐度值矩陣(32X32)，并將端元按隨機(jī)產(chǎn)生的標(biāo)準(zhǔn)豐度值矩陣混合，得到的混合圖像作為人造遙感圖像。實驗中，對人造遙感圖像進(jìn)行混合像元分解，并將分解得到的豐度值矩陣和隨機(jī)產(chǎn)生的標(biāo)準(zhǔn)豐度值矩陣比較，以定量評價分解精度。均方根誤差(RootMeanSquareError,AW5W)和相關(guān)系數(shù)(CorelationCoefficient,CC)是評價混合像元分解結(jié)果好壞的兩個常用的指標(biāo)[9]。均方根誤差越小、相關(guān)系數(shù)越大，則分解的結(jié)果越精確。表l算法評價與比較<table>tableseeoriginaldocumentpage10</column></row><table>模糊c均值聚類(FuzzyC-Means，F(xiàn)CM)混合像元分解算法[9]在數(shù)據(jù)樣本總數(shù)不是很大(如32X32)、數(shù)據(jù)樣本的概率分布不確定時有較好的結(jié)果[7]。貝耶斯自組織映射與高斯混合模型算法(BayesianSelf-OrganizingMapandGaussianMixtureModel,BSOM—GMM)混合像元分解算法[8]在參數(shù)估計步驟未落入局部極值點的情況下分解結(jié)果比較精確。因此，這里將本文提出算法的分解精度和以上兩種算法比較，比較結(jié)果如表l所示(表l中和分別表示平均均方根誤差和平均相關(guān)系數(shù))在本例中，本發(fā)明所提出的分解算法(SelfOrganizingMap—FuzzyMembership,SOM一FM)的m值根據(jù)模糊目標(biāo)函數(shù)的拐點(即一階導(dǎo)數(shù)極大點)確定(如圖7所示)，自組織映射神經(jīng)網(wǎng)絡(luò)競爭層尺寸為8X8，F(xiàn)CM和S0M_FM取相同的m值。FCM和BSOM—GMM算法有局部極值問題，這里給出的是它們在全局最優(yōu)情況下的分解結(jié)果，而SOM—FM算法則沒有這個問題。比較表l的分解結(jié)果可知，S0M—FM算法能得到更為精確的分解結(jié)果，且算法從理論上避免了局部極值問題。2)Landsat7ETM+多光譜人造遙感數(shù)據(jù)這里通過對實際的遙感圖像進(jìn)行降采樣的方式來產(chǎn)生人造遙感數(shù)據(jù)源。所使用的遙感圖像是2000年7月14日Landsat7ETM+拍攝的一幅上海復(fù)旦大學(xué)附近地區(qū)的多光譜遙感圖像(截取尺寸256X256)。經(jīng)實地調(diào)査，該區(qū)域大致上有3種端元，分別為水體、植被、土壤和人工建筑。取第3、4、5波段分別作為B、G、R分量并做直方圖拉伸后合成偽彩色圖(如圖8所示)，從偽彩色圖中可以看出地物分布的大致情況。為了產(chǎn)生人造遙感數(shù)據(jù)源，并便于比較，首先，本發(fā)明用最大似然法對256X256大小的遙感圖像進(jìn)行硬分類，認(rèn)為分類中的每一個像元為純像元。然后，用8X8的窗口對分類結(jié)果進(jìn)行降采樣，并統(tǒng)計窗口內(nèi)屬于各類端元的像元個數(shù)，除以窗口內(nèi)的總像元數(shù)，得到的數(shù)值即是降采樣結(jié)果(32X32的圖像)中像元對應(yīng)于各類端元的豐度值。最終得到的3個標(biāo)準(zhǔn)豐度值矩陣，顯示成灰度圖像如圖9所示，其中亮的區(qū)域表示豐度值大。同時，用8X8的窗口對256X256大小的原6個波段的遙感圖像進(jìn)行降采樣。降采樣后遙感圖像大小為32X32，每一個像元對應(yīng)降采樣時一個8X8的窗口內(nèi)的64個像元的平均值。實驗中，將運用本發(fā)明提出的分解算法對這幅降采樣后的大小為32X32的遙感圖像進(jìn)行解混，并將分解所得的豐度值矩陣與標(biāo)準(zhǔn)豐度值矩陣比較，以定量評價所提議算法的分解精度。A.加權(quán)指數(shù)m值對分解結(jié)果的影響記錄不同m取值情況下算法的分解精度指標(biāo)y#5^，并繪制成一條/#5^曲線，如圖10中的實線。同時，繪制模糊目標(biāo)對m的一階導(dǎo)數(shù)曲線，如圖10中的虛線。由圖10可見，模糊目標(biāo)的拐點(即模糊目標(biāo)函數(shù)的一階導(dǎo)數(shù)的極大點)對應(yīng)著鄉(xiāng)/5^曲線的谷點，這就意味著通過模糊目標(biāo)的拐點可以確定最優(yōu)的加權(quán)指數(shù)m。B.網(wǎng)絡(luò)尺寸對分解結(jié)果的影響在本文提出的分解算法中，自組織映射神經(jīng)網(wǎng)絡(luò)競爭層的尺寸對分解精度有一定的影響。在不同網(wǎng)絡(luò)尺寸下的分解結(jié)果表2所示表2SOM網(wǎng)絡(luò)尺寸對分解結(jié)果的影響SOM網(wǎng)絡(luò)尺寸4x48x810x1012x1215x1518x1820x200.87910.91870.93640.94220.94310.94530.9457M劇0.15160.13190.11680.10750.10980.10730.1054可見，隨著自組織映射神經(jīng)網(wǎng)絡(luò)競爭層尺寸的擴(kuò)大，自組織映射神經(jīng)競爭層神經(jīng)元節(jié)點的增多，分解精度逐漸提高。但分解精度在尺寸擴(kuò)大到12X12時已基本飽和，再擴(kuò)大網(wǎng)絡(luò)尺寸，分解結(jié)果并不會有多大改善，反而增加了訓(xùn)練時間。C.算法的抗噪性由于遙感圖像拍攝儀器的限制等各種物理因素，所獲得的遙感數(shù)據(jù)總是帶有一定噪聲的，因此要求混合像元分解算法有一定的抗噪能力。這里向人造遙感數(shù)據(jù)源加入不同強度的高斯噪聲，通過實驗驗證本文所提出的解混算法的抗噪性。加入的高斯噪聲均值為0，標(biāo)準(zhǔn)差依次為0、2、5、10、15，結(jié)果如表3所示。表3算法的抗噪聲性能評價高斯噪聲標(biāo)準(zhǔn)差02510150.94220.93960.91570.82060.7277M5E40.10750.11070.12870.17960.2177可見，標(biāo)準(zhǔn)差在10以內(nèi)的高斯噪聲對算法不會造成太大的影響，算法具有一定的抗噪性。2.真實遙感數(shù)據(jù)實驗對于真實遙感數(shù)據(jù)，由于缺少標(biāo)準(zhǔn)的豐度值，無法對分解結(jié)果進(jìn)行十分精確的量化評價，所以只能通過與實地調(diào)查情況的比較從整體上判斷算法結(jié)果的好壞。數(shù)據(jù)源采用由機(jī)載可見光及紅外成像光譜儀(AirborneVisible/InfraredImagingSpectrometer,AVIRIS)于1992年6月在美國印第安那派恩測試點拍攝的高光譜遙感圖像(可以從http://cobweb,ecn.pu油e.edu/Q)iehl/MultiSpec/獲取)，同時，Purdue大學(xué)的研究組給出了一份該地區(qū)實地勘測結(jié)果可供參考[15]，這一數(shù)據(jù)已被廣泛地應(yīng)用于遙感圖像混合像元分解算法的研究中。它含有145xl45個像素，220個波段，像素地面像素分辨率為17w，實驗中使用去除噪聲波段后余下的200個波段的數(shù)據(jù)作為實驗數(shù)據(jù)。經(jīng)過實地調(diào)査[15]，覆蓋該區(qū)域的主要是各種農(nóng)作物(大約占三分之二，包括玉米、麥子、大豆、干草飼料)和天然植被(大約占三分之一，由樹林、草地等組成)。除此之外，是一些人工用地區(qū)域頂部有一條雙向高速公路(U.S.52和U.S.231)和一條鐵路、中間有一條2級公路(杰克遜高速公路)，均為西北-東南走向；還有一個無線電發(fā)射塔位于區(qū)域上方以及一些零星的房屋。取第70、86、136波段分別作為R、G、B分量合成偽彩色圖(如圖ll)，從偽彩色圖中可以看出各類地物的大致分布情況。這里選取了150個左右的訓(xùn)練樣本送入競爭層尺寸為8x8的S0M網(wǎng)絡(luò)進(jìn)行訓(xùn)練，分解時m值根據(jù)模糊目標(biāo)函數(shù)的一階導(dǎo)數(shù)的極大點(模糊目標(biāo)函數(shù)的拐點)確定，如圖12所示。分解結(jié)果如圖13所示，其中(a)(b)(c)(d)(e)(f)分別表示對應(yīng)于玉米、干草詞料、大豆、麥子、天然植被、人工用地的解混豐度值矩陣。將圖12的分解結(jié)果與實地調(diào)査的情況[15]比較，可以看出，分解結(jié)果與實地調(diào)查結(jié)果非常吻合[15]。參考文獻(xiàn)[1]JiaSen，QianYuntao.SpectralandSpatialComplexity-BasedHyperspectralUnmixing[J].IEEETransactionsonGeoscienceAndRemoteSensing,2007，45(12):3867-3879.[2]ChangChein-I.Hyperspectraldataexploitation[M].JohnWiley&Sons,Inc,2007:107-148.[3]CSmall.Estimationofurbanvegetationabundancebyspectralmixtureanalysis[J].InternationalJournalofRemoteSensing,2001,22(7):1305-1334.[4]YosioEdemirShiraabukuro,JamesASmith.TheLeast-SquaresMixingModelstoGenerateFractionImagesDerivedFromRemoteSensingMultispectralData[J].IEEETransactionsonGeoscienceAndRemoteSensing,1991，29(1):16-20.[5]王喜鵬，張養(yǎng)貞.應(yīng)用神經(jīng)網(wǎng)絡(luò)模型分解AV服R混合像元[J].遙感學(xué)報，1998,2(1):51-56。[6]張彥，邵美珍.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的混合像元分解[J].遙感學(xué)報，2002,6(4):285-289。[7]BastinL.Comparisonoffuzzy-cmeansclassification,linearmixturemodellingandMIXprobabilitiesastoolsforunmixingcoarsepixels[J].InternationalJournalofRemoteSensing,1997,18(17):3629-3648.[8]劉力帆，王斌，張立明.基于貝葉斯自組織映射和高斯混合模型的混合像元分解[J].計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報，2007,19(11):1381-1386。[9]GilesMFoody.Estimationofsub-pixellandcovercompositioninthepresenceofuntrainedclasses[J].ComputersGeosciences，2000，26(4):469-478.[10]呂長春，王忠武，錢少猛.混合像元分解模型綜述[J].遙感信息，2003,(3):55-58[11]郭一平，BCForster.用Kohonen神經(jīng)網(wǎng)絡(luò)對高光譜分辨率圖像進(jìn)行無監(jiān)督分類的研究[J].紅外與毫米波學(xué)報，1994，13(6):409-417。[12]范九倫，吳成茂.FCM算法中隸屬度的新解釋及其應(yīng)用[J].電子學(xué)報，2004，32(3):350-352。[13]YuJian,ChengQiansheng,HuangHouku肌AnalysisoftheWeightingExponentintheFCM[J].IEEETransactionsonSystems,Man,AndCybernetics,2004,34(1):634-639.[14]高新波，裴繼紅，謝維信.模糊c-均值聚類算法中加權(quán)指數(shù)m的研究[J].電子學(xué)報，2000,28(4):80-83。[15]DLandgrebe.Multispectraldataanalysis:Asignaltheoryperspective[R].Indiana:SchoolofElectrical&ComputerEngineering,WestLafayette:PurdueUniversity,1998.權(quán)利要求1.一種基于自組織映射神經(jīng)網(wǎng)絡(luò)的遙感圖像混合像元分解方法，其特征在于具體步驟如下(1).訓(xùn)練自組織映射神經(jīng)網(wǎng)絡(luò)1)初始化自組織映射神經(jīng)網(wǎng)絡(luò)根據(jù)待分解數(shù)據(jù)集中存在的端元數(shù)量，設(shè)置自組織映射神經(jīng)網(wǎng)絡(luò)的尺寸，按隨機(jī)方式初始化自組織映射神經(jīng)網(wǎng)絡(luò)，并設(shè)置網(wǎng)絡(luò)的訓(xùn)練參數(shù)，包括拓?fù)浣Y(jié)構(gòu)、初始鄰域半徑、初始學(xué)習(xí)率；2)挑選與處理訓(xùn)練樣本從待分解的數(shù)據(jù)集中或光譜庫中挑選訓(xùn)練樣本，并對它們做預(yù)處理，通過擴(kuò)展訓(xùn)練樣本的維數(shù)，由原來的N維拓展為N+k維，N是原數(shù)據(jù)樣本的維數(shù)，k為類型數(shù)，以二進(jìn)制編碼的形式，對各類型的訓(xùn)練樣本打上類型標(biāo)記，以實現(xiàn)有監(jiān)督學(xué)習(xí)的自組織映射網(wǎng)絡(luò)，使得訓(xùn)練后的自組織映射網(wǎng)絡(luò)競爭層上的各節(jié)點也帶有類型標(biāo)記；3)訓(xùn)練自組織映射網(wǎng)絡(luò)利用已挑選的訓(xùn)練樣本，根據(jù)競爭學(xué)習(xí)的原理訓(xùn)練網(wǎng)絡(luò)對于輸入的每一個訓(xùn)練樣本，首先判斷和訓(xùn)練樣本歐幾里德距離最小的的競爭層節(jié)點為競爭獲勝節(jié)點，然后更新獲勝節(jié)點及其周圍一定鄰域范圍內(nèi)的節(jié)點，令它們按公式(6)朝訓(xùn)練樣本方向以一定的學(xué)習(xí)率做修正，訓(xùn)練過程中鄰域半徑和學(xué)習(xí)率隨著網(wǎng)絡(luò)的收斂而逐步減??；wi(t+1)＝wi(t)+α(t)×(xp-wi(t))，i∈ηr(6)其中xp表示當(dāng)前訓(xùn)練樣本，wi(t)表示當(dāng)前競爭層第i個節(jié)點，α(t)表示當(dāng)前學(xué)習(xí)率，ηr表示半徑為r的鄰域；(2).計算模糊隸屬度1)加權(quán)指數(shù)m的預(yù)測對待分解的數(shù)據(jù)集，根據(jù)模糊目標(biāo)函數(shù)全文摘要本發(fā)明屬于遙感圖像處理
技術(shù)領(lǐng)域：
，具體為一種基于自組織映射神經(jīng)網(wǎng)絡(luò)的遙感圖像混合像元分解方法。該方法將自組織映射神經(jīng)網(wǎng)絡(luò)和模糊理論中的模糊隸屬度相結(jié)合，來計算分解后的豐度值。同時，由于自組織映射神經(jīng)網(wǎng)絡(luò)的無目標(biāo)函數(shù)的競爭學(xué)習(xí)特性，本方法擺脫了局部極值問題。此外，本發(fā)明自動滿足混合像元分解問題所要求的兩個約束豐度值非負(fù)約束和豐度值和為1約束，有較好的混合像元分解結(jié)果，同時具有較強的抗噪聲能力。新方法在基于多光譜和高光譜遙感圖像的高精度的地物分類以及地面目標(biāo)的檢測和識別方面具有特別重要的應(yīng)用價值。文檔編號G06T7/00GK101221662SQ20081003332公開日2008年7月16日申請日期2008年1月31日優(yōu)先權(quán)日2008年1月31日發(fā)明者劉力帆,張立明,斌王申請人:復(fù)旦大學(xué)