基于先驗(yàn)知識(shí)進(jìn)行混合象元信息分解

1、基于先驗(yàn)知識(shí)進(jìn)行混合象元信息分解基于先驗(yàn)知識(shí)進(jìn)行混合象元信息分解萬(wàn)華偉北京師范大學(xué)遙感與GIS研究中心，資源與環(huán)境科學(xué)系，環(huán)境遙感與數(shù)字城市北京市重點(diǎn)實(shí)驗(yàn)室北京，100875摘要摘要：混合象元一直是影響遙感圖像精度的一個(gè)重要因素。本文通過(guò)使用地物先驗(yàn)知識(shí)，利用高分辨率圖像的分類圖做限制條件，計(jì)算低分辨率的圖像的象元地物的百分比，然后通過(guò)線性模型做混合象元分解，然后又通過(guò)分類圖提供的地物信息作為先驗(yàn)知識(shí)，使用約束性的最小二乘法反演，從而得

2、到比較精確的地物的值。我們利用了MODIS43B3反照率產(chǎn)品作為低分辨率圖像，ASTER的可見光和近紅外波段作為高分辨率圖像，進(jìn)行了實(shí)驗(yàn)，然后與地表的實(shí)測(cè)相對(duì)比，得到比較令人滿意的結(jié)果。關(guān)鍵詞關(guān)鍵詞：混合象元，線性分解，先驗(yàn)知識(shí)，遙感1引言引言在我們獲得的遙感影象上，基本上都存在著混合象元。根據(jù)估計(jì)，在我們使用的MODIS的ALBEDO產(chǎn)品（11km2）上，90%以上為混合象元。這樣，我們?cè)谑褂眠@些數(shù)據(jù)時(shí)，如果不加考慮就直接使用，無(wú)疑會(huì)

3、大大地降低我們研究的精度，而且引起信息量的丟失。因此對(duì)混合象元的分解是提高遙感信息的精度的一個(gè)重要方式[1]。目前的混合象元處理有很多方法，當(dāng)前混合象元有兩個(gè)基本方法：1）模糊分類方法；2）確定一個(gè)象素的光譜響應(yīng)和其中端元的光譜與其所占面積比的關(guān)系[1]。對(duì)于混合象元的分解，BisZhukov等提出了約束和非約束的MMT算法，提出利用高分辨率圖像和低分辨率數(shù)據(jù)作融合[2]，但是他們?cè)诜囱輹r(shí)都沒有充分地利用前面由分類圖所增加的先驗(yàn)知識(shí)。李

4、小文等指出，當(dāng)?shù)乇淼南闰?yàn)知識(shí)存在時(shí)，不加利用是可惜的[3]。在本文中，我們?cè)趯?duì)混合象元進(jìn)行分解時(shí)，充分利用先驗(yàn)知識(shí)，在使用高分辨率作為限制條件的同時(shí)，利用引入先驗(yàn)知識(shí)的最小二乘分解，加入了根據(jù)分類圖得到的“邊界”。并且利用MODIS的反照率產(chǎn)品（分辨率為1km）做的實(shí)驗(yàn)。使用了同地區(qū)ASTER的圖像前三波段（分辨率為15m）作為限制條件。通過(guò)進(jìn)行混合象元的分解得到植被的反照率，將得到的數(shù)據(jù)與地表實(shí)測(cè)值以及如果直接使用混合象元的值作的對(duì)比

5、以及誤差分析，得出結(jié)論，經(jīng)過(guò)引入先驗(yàn)知識(shí)的混合象元分解的誤差比直接使用混合象元值低了很多，將誤差從26.58%降低到16.89%。2算法描述算法描述21圖像的配準(zhǔn)圖像的配準(zhǔn)973項(xiàng)目資助因?yàn)镸HI由HI直接聚合而成，因此，它們之間的對(duì)應(yīng)關(guān)系非常簡(jiǎn)單，MHI上的1個(gè)象元對(duì)應(yīng)HI上1515＝225個(gè)象元，這些象元是規(guī)則分布的，我們?nèi)HI上任意的象元(ij)，ij為它們的行列號(hào)，則對(duì)應(yīng)HI上的象元的四個(gè)邊界點(diǎn)為：（ij）：左上角：（（i1）

6、151(j1)151）右上角：（（i1）151(j1)1515）左下角：（（i1）1515(j1)151）右下角：（（i1）1515(j1)1515）這四個(gè)邊界點(diǎn)之間的225個(gè)象元，便對(duì)應(yīng)著MHI上的一個(gè)象元。24找出找出LILI和HIHI之間的對(duì)應(yīng)關(guān)系并求出其面積百分比之間的對(duì)應(yīng)關(guān)系并求出其面積百分比由于MLI與MHI已經(jīng)配準(zhǔn)到同一坐標(biāo)系下，也就是說(shuō)通過(guò)以上兩步找到的LI與MLI和HI與MHI之間的關(guān)系，已經(jīng)找出了，LI與HI之間的關(guān)

7、系。LI上的一個(gè)象元，對(duì)應(yīng)著MI上的NUM225個(gè)象元。我們?cè)谏厦嬲业搅薒I上一個(gè)象元與HI上的NUM225個(gè)象元以后，由于，HI圖像為分類圖像，其中，每個(gè)象素所屬的地物類別都已知，這樣，我們也就知道了LI上這一象元的各類地物的象素?cái)?shù)，然后除以總的象元數(shù)，便得到了該象元的每類地物的百分比。，其中，class[i]代表i類的面積百分比，代表delta(class=i)class[i]=NUM225delta(class=i)class=i

8、的象元數(shù)。25使用最小二乘模型進(jìn)行亞象元分解使用最小二乘模型進(jìn)行亞象元分解目前大部分反演采用的方法是最小二乘方法，其代價(jià)函數(shù)常用的形式為：21(())Miiiisyfx????其中，M為測(cè)量總數(shù)，為觀測(cè)數(shù)據(jù)，為模型參數(shù)，為由參數(shù)得到的模型結(jié)果iyix()iifxix[4]。理論上說(shuō)，當(dāng)觀測(cè)數(shù)據(jù)足夠多時(shí)，搜索能產(chǎn)生使s最小的一組參數(shù)值，也就是參數(shù)的最佳估計(jì)值。然而在實(shí)際情況的，由于傳統(tǒng)的最小二乘方法并不考慮其參數(shù)的物理邊界，有可能出現(xiàn)無(wú)物