【摘要】：为了正确评价遥感影像亚像元定位模型的功能，在不引入额外误差来源的情况下，本次实验的混合像元分解结果可以通过图5-3得到。图5-3模拟字体图像利用均值滤波对每个子图像进行处理，得到一幅低分辨率的模糊子影像，以其作为输入数据。在视觉上可以很明显地看出，与图5-3相比，利用ARTMAP模型定位得到的结果更加接近于原始图像，图5-4更好地反映了物体的边界信息和整体细节。图5-4模拟数据的分类结果
在图像中所包含的类别个数越多的情况下，神经元个数也会相应地增加，网络处理的过程也越复杂（Mertens等，2003）。采用一个简单的字体实验对BP和ARTMAP两种神经网络模型进行分析（图5-3）。首先利用最小距离法对字体原始影像进行分类，结果作为参考影像。为了正确评价遥感影像亚像元定位模型的功能，在不引入额外误差来源的情况下，本次实验的混合像元分解结果可以通过图5-3（b）得到。分解图像的值应只包含有1（属于该类）或者0（不属于该类），实际上，分解图像的个数应该等于图像中的类别数，由于只有两种类别，因此我们只对图像［图5-3（c）］进行分析即可。
图5-3 模拟字体图像(www.xing528.com)
利用均值滤波对每个子图像进行处理，得到一幅低分辨率的模糊子影像，以其作为输入数据。采样比率为S=4，那么采样后的一个像元中即包含有16个亚像元，若直接将采样后的原始模糊影像进行硬分类处理，则得到如图5-4（a）所示的结果，出现了比较大的误判情况。图5-4（b）是利用BP神经网络在训练500次以后所得到的结果，可以看到在字体的边缘处出现了一些毛刺的现象，这是BP 网络本身的特点所决定的。图5-4（c）则是利用Fuzzy ARTMAP神经网络模型进行亚像元定位后得到的分类图。在视觉上可以很明显地看出，与图5-3相比，利用ARTMAP模型定位得到的结果更加接近于原始图像，图5-4（c）更好地反映了物体的边界信息和整体细节。
图5-4 模拟数据的分类结果
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。
