如图5-11所示，实际数据是位于武汉地区6个波段的真实TM 影像，分辨率为30m，这里将长江和湖泊进行合并，因此，分类图中只包含水体、植被和居民区3个不同类别。对原始影像利用最小距离法进行分类，以其作为真实的参考影像，得到的分类结果图用红色部分代表水体，蓝色和绿色分别代表城区和植被。
图5-11 原始影像和参考分类图
与模拟数据的处理方法相似，首先提取3种地物类别的二值图像作为参考类别，获取结果如图5-12（a）（b）（c）。对参考影像进行重采样处理，利用均值滤波器对图像进行模糊，模糊化的尺度因子S=4，模糊后的分辨率为120m×120m，即：每一个像元都含有原始影像的4×4个像元，如图5-12（d）（e）（f）。取这3种类别混合像元分解后的分解丰度图像作为输入，利用Hopfield算法逐一进行高分辨率影像重建，通过重建后的影像对亚像元进行定位，最后的亚像元定位结果如图5-12（g）（h）（i）。以参考影像为标准，从目视效果上来看，这3类定位结果与参考图像相比，有一定的效果，但是邻近的像元之间都聚合在一起，存在较大的误差。
(www.xing528.com)
图5-12 武汉地区亚像元定位后的影像
从表5-5中的PCC值和Kappa系数结果可以看出：利用Hopfield方法，对原始像元信息的估计比较准确，真实影像的分类精度达到0.83，而Kappa系数为0.733。对每一种地物分别选取100个点作为混淆矩阵的训练样本。由于在退化的影像中包含有大量的混合信息，因此，Hopfield亚像元定位难以得到精确的结果，在这4种地物里面，植被是图像中含混合成分最多的地物，特别是在植被与城区和湖泊的交界位置，正是地物比较复杂的区域，这一区间的定位结果并不是非常理想。利用空间邻域的关系对亚像元的值进行估计，目的在于增强遥感影像的分类效果和保留利用软分类的结果信息，这样显著地提高了硬分类影像的精度。这种方法为地物比较复杂地区的遥感影像分类和混合像元分解提供了较好的帮助。但是在多种地物类别混杂的情况下，如果直接用这种邻域关系来估计亚像元的值，结果不甚理想。
表5-5 Hopfield模型恢复结果混淆矩阵
注：总体精度为0.830；Kappa系数为0.773
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。
