共查询到10条相似文献,搜索用时 15 毫秒
1.
一种端元变化的神经网络混合像元分解方法 总被引:2,自引:2,他引:2
遥感图像中普遍存在着混合像元,对混合像元进行分解是遥感图像处理中的难点,在端元(Endm ember)个数不变的情况下,往往得到的分解结果精度不高。本文基于fuzzy ARTMAP神经网络,提出一种基于端元变化的神经网络混合像元分解模型。首先利用混合像元与纯净端元之间的光谱相似性,判断出混合像元包含的端元个数及类别,然后结合fuzzy ARTMAP神经网络进行分解。实验结果表明:本文提出的方法比传统的线性混合模型及fuzzy ARTMAP神经网络模型的精度要高,而且更加符合实际情况。 相似文献
2.
基于混合像元分解的天山典型地区冰雪变化监测 总被引:1,自引:0,他引:1
针对中低分辨率遥感图像中存在大量混合像元,而传统的图像分类方法存在只能将某个像元归到某一类中,不能正确反映混合像元实际情况的问题.以新疆天山典型冰川覆盖区为例,根据TM/ETM+遥感图像的光谱特征,结合天山地区地表覆盖特点,在线性混合像元分解方法基础上,设计一种符合冰川地区特点的“冰雪-植被-裸露山体-阴影”端元组分模型.通过选择合适的端元并将其反射率值代入改进后的且满足约束条件的线性混合像元分解模型,得到各端元组分丰度图,进而精确提取出冰雪信息并计算其面积.1989年TM和2000年ETM+遥感图像冰雪信息提取结果表明,运用线性混合像元分解模型能很好地监测实验区的冰雪覆盖变化情况. 相似文献
3.
4.
基于径向基函数神经网络的混合像元分解 总被引:10,自引:1,他引:10
遥感图像中普通存在着混合像元。对这部分像元进行分类(即混合像元分解)是遥感图像处理中的难点。基于主分量分析的混合像元分解 法是一种较为成熟的算法,但它存在着计算量大,适应性差等缺点。在深入研究混合像元分解原理的基础上,提出了用径向基函数神经网络拟合分解结果超平面,以实现混合像元分解的算法,实验结果证明:该算法的结果与基于主分量分析的混合像元分解算法结果相近(相关系数达到0.00),而计算量大大减少,具有较强的适应性。 相似文献
5.
高光谱端元自动提取的迭代分解方法 总被引:8,自引:2,他引:8
混合像元线性分解技术是进行高光谱影像处理的常用方法,应用这种方法的一个主要问题是难以有效、自动地确定影像的端元光谱。利用非监督的方法快速自动提取高光谱遥感图像的端元光谱是解决这个问题的主要技术手段。根据迭代误差分析思路,通过对线性混合像元模型分解的误差传播分析后,得到了端元选择的约束条件。结合端元存在的空间信息,自动提取出端元光谱并进行了混合像元分解。利用不同地区、不同传感器的高光谱数据实例测试了该文的方法,分析和讨论了选择迭代初始值与参数阈值的敏感性问题。研究结果表明此方法可以自动提取端元光谱,并且精度较高。 相似文献
6.
基于高光谱Hyperion数据的线性光谱混合模型与神经网络模型的比较 总被引:1,自引:1,他引:0
混合像元问题是定量遥感中的热点问题之一,为了改进从遥感数据中提取定量信息,人们建立了各种混合光谱分解技术,其中线性光谱混合模型和神经网络模型就是两种比较成熟的方法。以陕西省横山地区的高光谱Hyperion数据为研究基础,通过最小噪声变换(MNF)、像元纯度指数(PPI)转换和RMS误差分析的迭代方法相结合提取影像中的纯净像元作为终端端元。分别运用神经网络模型和线性光谱混合模型对影像进行光谱分解,得到各个组分的分解图像。以标准植被指数(NDVI)影像为衡量标准,选取训练样本点,分别对两种模型进行回归分析,结果显示NDVI影像与线性光谱混合模型植被分解图像的判定系数(R2=0.91)要大于其与神经网络模型的判定系数(R2=0.81)。进一步分析表明在一般情况下,线性光谱混合模型具有比神经网络模型略高的分离精度,但是神经网络模型对细部信息的提取的效果要好于线性光谱混合模型,最后提出了端元均方根误差(EAR)指数,一种新的混合像元分解的思路。 相似文献
7.
8.
9.
高光谱遥感影像混合像元分解研究进展 总被引:6,自引:1,他引:5
受高光谱成像仪低空间分辨率及复杂地物的影响,高光谱遥感图像存在大量混合像元。为提高地表分类精度以及满足亚像元级目标探测的需求,混合像元分解技术一直是高光谱遥感研究热点之一。本文主要对高光谱混合像元分解技术中的核心问题:端元数目估计、端元提取算法、丰度估计算法进行综述,系统地分析了各种典型算法的原理及优缺点,进一步阐述研究过程中建立高精度遥感混合反演模型与遥感产品业务化中的混合像元分解技术难题,同时针对今后混合像元分解技术发展方向,指出在继续引入新型算法理论方法基础上,结合用户应用需求,推进高光谱混合像元分解算法业务化应用,为高光谱遥感工程化应用提供支持。 相似文献