非线性混合光谱模型探究

为了克服线性混合模型的不足，许多学者利用非线性光谱模型对野外光谱进行描述。非线性和线性混合是基于同一个概念，即线性混合是非线性混合在多次反射被忽略的情况下的特例。

非线性光谱模型最常用的是把灰度表示为二次多项式与残差之和，表达式如下：

式中：f 为非线性函数，一般可设为二次多项式；

Fi 为第i种典型地物在混合像元中所占面积的比例；

b为波段数。(www.xing528.com)

研究已经表明，利用非线性模型计算出的结果均比用线性模型计算出的结果要好。实际上，线性与非线性模型表达了同一个概念，线性混合模型是非线性混合模型的一个特例（简单的非线性模型），但是它没有考虑多反射情况，由于残存误差的影响，所得到的结果不会很理想。非线性模型最大的缺点就是构建模型较复杂，计算方法不如线性模型简单明了，如何寻找一种简单易行的非线性模型是混合像元分解的一个重要课题。

神经网络模型属于非线性模型的一种，它是近几年研究、应用非常活跃的模式识别方法（Lee等，1990）。人工神经网络具有如下特点：①是由大量简单的基本元件神经元相互连接而成的自适应非线性动态系统；②每个神经元的结构和功能比较简单，而大量神经元组合产生的系统行为却非常复杂；③人工神经网络在构成原理和功能特点上更接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境，总结规则，完成某种运算、识别或过程控制；④神经网络用来解决难以用算法来描述但存在大量的范例可供学习的问题，等等。因此，应用人工神经网络进行遥感影像的混合像元分解前景广阔。

混合像元分解技术实际上就是对传统分类的另外一种表现形式，它是将每一种类别的组分比图像分别表示出来。从算法原理上来讲，利用神经网络进行混合像元分解的过程与直接硬分类是类似的，关键的不同点在于，对于网络的输出端的选择不同：如果是直接的硬分类处理，表示将类别的输出端的概率，按照从大到小的顺序进行排列，选择最大的那个类别作为类别的归属；如果是进行混合像元分解，则需要将输出端的概率转化为每一种类别的组分比，并保证组分比的和相加等于1，把得出的每一种类别的组分比信息显示在最后的结果图像上。

在众多的神经网络模型中，一些典型的神经网络模型都具有分类和聚类的功能。如何利用这些神经网络技术建立具有预测准确、计算简单、稳定性高、容错性好，而且易于理解的数学模型是我们需要选择和研究的（表3-1）。

表3-1　典型神经网络模型的应用