基于端元选择的综合亚像元定位模型优化

端元选择是混合光谱分解的第一步，变化的端元对混合光谱分解后的不同类别的组分会有直接的影响，从而影响亚像元定位结果的精度（Wu等，2011）。此外，前面介绍的所有模型均是建立在混合像元分解的基础上，即亚像元定位模型均以混合像元分解结果作为输入，混合像元分解和亚像元定位这两个步骤是相互独立的。实际上，这两个步骤可以结合起来建立一个混合像元分析的综合模型。本书利用一个综合性的混合像元结合亚像元定位的综合模型来说明这种影响。在实验中为了避免不必要的误差干扰，我们将一幅真实的高光谱遥感影像利用滤波器进行降采样，获得一幅低分辨率的遥感影像。而原始影像的分类图将作为标准参考图像进行分析。综合性方法实验的流程图见图6-1。

图6-1　端元可变综合性实验的流程图

选择高光谱数字影像收集实验机载成像光谱仪（HYDICE）在华盛顿地区的城市影像作为本次实验数据。该数据有210个波段，光谱范围0.4～2.4μm，包含可见光到近红外波段。除去水汽吸收波段，保留192个通道。从中截取一部分见图6-2（a），该地区包括道路、草地、水体、树木和道路5个类别。由于处于比较干旱的季节，大部分草地几乎与裸露的土地混杂在一起，因此，比较难以区分。同时，还有阴影的存在，导致光谱特点与水体近似，这也增加了辨识的难度。在实验中，我们选择的降采样尺度为4，利用均值滤波器把原始影像直接进行采样，得到如图6-2（b）（c）。我们选择N-FINDR 算法来自动提取端元光谱。水体、草地、植被、道路4个端元光谱见图6-3。

图6-2　真实影像

图6-3　端元光谱的表示

接下来，全限制性的线性分解对降采样后的低分辨率影像直接进行混合像元分解。4个类别的丰度组分图见图6-4（a）～（d）。在本书方法中，将端元数目定义为N，N 从1变化到4，这样会产生4种不同的变化形式。如果N=1，那么代表像元是纯净的，只有一种类别存在于该像元中，其他的类别组分为0；如果N=2，那么代表有2种类别进行组合，共6种（C24=6）不同的组合形式；如果N=3，那么代表有3种类别进行组合，共4种（C34=4）不同的组合形式；最后，当N=4，代表该像元由所有端元共同混合。我们利用这4种方式进行分解，然后将它们组合在一起，得到整幅影像的分解结果图［图6-4（e）～（g）］。

图6-4　4种类别的组分结果

以上的组分影像会被输入到BP神经网络模型里面进行亚像元定位。在实验中，BP神经网络的训练数据选择与测试数据相似的区域，同时，保持大致的空间相关性。这种相关性决定了最终测试结果的准确程度（Mertens，2003）。隐含层选择15，学习速率和动态调整参数设置为0.2和0.9，并选择500个训练样本。经过2000次训练后，网络模型迭代终止。

图6-5（a）～（d）表示真实的参考二值图像。选择直接硬分类后的结果与前面两种组分输入后的定位结果进行比较，不难发现，这3种定位结果有很大的不同。图6-5（e）～（h）表示降采样后的影像硬分类后的结果，图中表示的大部分位置都存在边缘模糊的现象，而且丢失了很多亚像元信息。比如，在图6-5（a）中有大量的离散点分布在图像的右下方。在图6-5（m）中，完全被平滑掉了。图6-5（i）～（l）表示直接线性分解后进行亚像元定位的结果，显然它们比直接硬分类的效果要好得多，补偿了大部分缺省信息。最后一组图6-5（m）～（p）是通过端元选择后的亚像元定位结果。在细节信息上，该方法比前者更有优势，与原始参考图像更加接近。比如，在图6-5（k）中一些小道几乎消失了，但是在图6-5（o）中新的方法很好地重建了这些信息，因此证明基于端元可变的亚像元定位结果更加真实可行。(www.xing528.com)

精度评价选择Kappa系数和总体精度作为评价标准。对比表6-1～表6-3中可以看出，本书的方法有一个很大的提高。总体精度由直接硬分类的86.27%，到线性分解后的亚像元定位的90.21%，再到端元选择后的亚像元定位结果93.09%。其中，增加端元可变的约束后，亚像元定位的总体精度大致提升了2.88%。另外，Kappa系数由直接硬分类的0.8163，到线性分解后的亚像元定位的0.8671，再到端元选择后的亚像元定位结果的0.9103。

图6-5　参考影像、硬分类图像、直接线性分解后和端元选择后的亚像元定位结果

表6-1　硬分类结果

注：总体精度为86.27%；Kappa系数为0.8163

表6-2　直接线性分解后的亚像元定位结果

注：总体精度为90.21%；Kappa系数为0.8671

表6-3　端元选择后的亚像元定位结果

注：总体精度为93.09%；Kappa系数为0.9103