智能化遥感影像处理技术优化

传统的遥感信息处理方法在处理效率、精度上的不足，限制了遥感信息的挖掘及利用，急需发展智能化方法满足遥感影像处理的需求。受自然界中生物进化机制的启发，基于神经网络计算的遥感影像智能化处理方法在遥感影像处理中应用颇为广泛。神经网络具有两大特点：①拥有全局优化能力，对目标函数的优化能力更强；②具有自组织、自学习的特点，能够从遥感数据本身学习，不依赖数据分布等先验信息。因此，它被大量地应用于遥感图像的分类方法中。例如，Lee等（1990）和Welch等（1992）对云层的分类进行实验；Decatur（1989）对SAR图像进行分类；Kanellopoulos等（1992）对SPOT HRV（High Resolution Visible）图像进行了分类实验；Simpson和Mcintir（2001）用BP（Back Propagation）算法对AVHRR 数据进行了大范围的雪覆盖的检索分类；Ji（2000）研究了应用SOFM 网络对TM 数据分类时的最佳网络结构。同时，神经网络模型的种类也逐渐发展增加，多种网络模型都被引入到遥感数据的分类处理工作中，比如，BP，SOFM，ARTMAP，Fuzzy ARTMAP，RBF，Hopfield，等等。这些网络模型的丰富，使得利用神经网络来处理遥感数据的分类问题变得日趋成熟。

最近研究者们已经开始注重神经网络与其他非线性算法的组合分类，从而提高分类的准确性。例如，Foody（2000）组合模糊C均值算法和BP网络对TM 数据进行了地表覆盖分类研究；王耀南（1999）应用小波神经网络对遥感图像进行了分类，等等。针对人工神经网络训练过程中需要参数的设定、分类速度慢等问题，Huang 等（2006，2010，2012）提出了极限学习机ELM（Extreme Learning Machine），仅通过一步计算即可求出学习网络的输出权值，与传统神经网络相比具有较强的网络泛化能力和较快的学习速度，且精度适当或更高（孙德保和高保，1994；童庆禧和郑兰芬，1999；王耀南，1999）。

新型分类器的引入是遥感影像处理和模式识别、机器学习结合的一个重要方面，近年来最具代表性的就是支持向量机SVM（Support Vector Machines）（Chi和Bruzzone，2007）、人工免疫系统AIS（Artificial Immune System）（钟燕飞等，2005）等在高光谱遥感影像分类中的应用。

除了分类外，遥感影像的混合像元的分解和亚像元定位也能分别采用神经网络模型来进行处理和分析。(www.xing528.com)

在混合像元分解方面，Atkinson等（1997）利用多层感知器MLP 方法分解AVHRR 数据，证实了该方法比线性混合像元分解方法和模糊C 均值方法效果好；Carpenter等（1999）利用Fuzzy ARTMAP神经网络模型估计3种植被的混合情况；Kerri等（2001）利用神经网络模型比较了线性与非线性混合像元分解精度与效率；张彦和邵美珍（2002）把RBF神经网络模型运用到混合像元非线性分解中，证实RBF网络优于线性混合像元分解方法，并且计算速度比BP网络快；Liu 等（2004）在Fuzzy ARTMAP 模型的基础上提出改进模型Fuzzy ARTMMAP，从而提高原始神经网络的分解精度；SOM 自组织神经网络模型的混合像元分解技术也被证实为有效的分解方法（Pedro等，2003；Sangbum 和Richard，2006）。

在亚像元定位方面，Tatem 等（2001）基于Hopfield神经网络，对输出端的神经元采用约束能量最小的原则进行求解；Mertens等（2003b）基于前馈型BP神经网络通过调整网络结构来进行求解；接着采用了小波系数与BP神经网络相结合的方法，对遥感影像进行亚像元的定位（Mertens等，2004）；Nguyen等（2005，2006）利用融合影像作为辅助信息加入Hopfield神经网络定位模型中，获得了很好的效果。另外，监督型RBF 神经网络模型在结合小波变换的基础上对进行亚像元定位可以取得良好的效果（Dai等，2009）。Ling等（2010）采用发生偏移的不同影像叠加信息合成进Hopfield神经网络模型中，完成综合亚像元的定位模型。同时，除了影像的光谱信息可以被利用之外，空间尺度信息也被证明能够用来提高效果（Ling等，2012）。近年来，越来越多的新型模型被广泛采纳进亚像元定位的模型当中。比如，多Agent（Xu等，2013）、自适应MAP算子（Zhong等，2014）、TV 模型（Feng等，2016），等等，亚像元定位已进入一个飞速发展期。