把亚像元定位的主要问题归结为亚像元属性的确定问题，采用神经网络（ANN）针对各像元与其邻域之间复杂的空间结构关系来解决演化规则，确定最大空间依存度，具体演化规则的设定是建立SPM（Sub-Pixel Mapping）模型的关键（吴柯，2009）。由于神经网络特别适用于模拟复杂的非线性系统，它比一般的线性回归方法能更好地模拟复杂的曲面，能很好地从不准确或带有噪声的训练数据中进行综合，从而获取较高的模拟精度。我们选取两种监督型神经网络模型，即BP神经网络和Fuzzy ARTMAP神经网络为例，来分析利用典型的监督型神经网络模型来对遥感影像进行亚像元定位算法的特点。
构建亚像元定位模型的监督型神经网络包含两大相对独立的模块：模型纠正（训练）和模拟。这两个模块使用同一网络模型。在模型纠正模块中，利用训练数据自动获取模型的参数，然后该参数被输入到模拟模块进行模拟运算。整个模型的结构十分简单，无须人工定义转换规则及参数。网络模型（图5-2）描述了在一定尺度空间里，组分影像是输入层，在输入层中8邻域中间的低分辨率目标像元构成一种对应关系。为方便描述，这个过程可以简单地按照公式（5-1）来描述。比如，令尺度空间为2，那么空间窗口大小是3×3个低分辨率像元，中心像元是xij，在组分影像中建立起对应的关系，即：
这里(www.xing528.com)
网络的输出层决定了每个模拟单元在s（s＞1）尺度上目标类型的空间分布状况，依次输出每个亚像元kj（j=1，…，s2）所属该类别的概率
（k=1，2，3，4），经过训练后，对不同的影像处理均具有普遍性。由于原始图像的混合像元中某一类所占的比例是一定的，因此，对这一类来说，需要对像元中的各个亚像元概率值进行从大到小的排序，依次确定目标类型，直到满足该类总数为止。这样，亚像元的空间分布得到了确定。
图5-2 监督型神经网络工作过程图
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
