在前面的实验中,选取的均是中低分辨率的卫星影像数据作为研究对象,这是由于这些影像中包含有大量的混合像元。传感器技术的发展使我们可以得到空间分辨率不断提高的遥感影像,与低空间分辨率的影像相比较,高分辨率影像(如SPOT5:2.5m;QuickBird:0.7m)可以获得观测地物更加丰富的细节信息,这使人们第一次有了获得城市现状及其发展变化的每一个角落真实场景的廉价数据的机会,这种数据给对政府决策、城市规划、房地产开发、测绘、土地等提供巨大的参考和决策价值。同时高分辨率数据还可在精细农业、灾害防治、农业规划,尤其是估计土地覆盖面积等方面有广泛的应用前景。
图6-12 神经网络输入端
图6-13 基于融合影像的实验流程图
虽然遥感影像的空间分辨率得到了很大的提高,仍然不可避免地存在着混合像元的情况。例如,在较小的空间尺度上观察地表的细节变化、进行大比例尺遥感制图以及监测人类活动对环境的影响,这些都有可能会受到混合像元的影响;同时,城市中的一些小目标物体(如树木、房屋、道路等)混合的现象,也会给遥感图像解译造成极大的困扰。在这里选取北京的高分辨率遥感影像QUICKBIRD 进行实验分析。在影像中截取一块大小为52×52的影像作为分析区域(图6-14),多光谱影像分辨率为2.8m,全色影像的分辨率为0.7m。在获得原始数据之前,两幅影像之间已经进行了绝对地面点的配准,校正误差在0.25个像元以内,并且确定影像中主要包含3种不同的类别:道路、草地和房屋。
首先对这两幅原始影像进行重采样处理,重采样的尺度为4,得到的是两幅低分辨率的影像,分辨率分别为:11.2m 和2.8m,将其作为待处理的影像。对低分辨率的MS影像进行混合像元分解,得到3 个不同类别的组分影像,作为亚像元定位的数据源。参考图像是对原始PAN 影像进行分类后获得,代表3种不同的地物类别的分布情况,其分辨率为0.7m。
直接利用Fuzzy ARTMAP神经网络对模拟的低分辨率影像进行3种不同类别地物的亚像元定位。为了获取网络模型所需要的参数,需利用训练区数据对模型进行训练。如果是选择以上章节中的实验方法,直接对降采样后的MS图像进行混合像元分解,由于此时重建比例过大(S=16),分解结果的误差对定位效果的影响会非常大,所以为了避免多光谱影像与全色波段影像之间的配准误差,直接将原始高分辨率全色波段影像进行降采样,采样比例为16倍,然后利用该数据进行神经网络模型的训练。令Fuzzy ARTMAP网络模型的选择参数α=10-6,ARTa的初始域值,ARTb 警戒参数ρb=0.98,匹配参数ε=0.01,当训练达到一定次数,权值收敛后,训练完毕。最终测试得到的结果如图6-14(i)(j)(k)所示,从目视效果上与参考图相比较,可以看出类别的定位结果在这3种地物类别的边缘处存在大量不稳定的噪声。
按照本书改进后的方法,首先将两个低分辨率的影像进行GS融合,然后选取本地端元,采用全限制性分解来获取融合影像的端元组分,以该组分值作为输入,对网络进行训练后,从视觉的比较上可以明显看出,得到的结果好于直接用神经网络进行求解的结果。在一些地物复杂混合的比较多,以及少数一些零碎的区域改进方法提高的尤其明显,比如在房屋边缘处,不稳定的噪声大量减少,这说明加入融合影像的信息后,模型得到了比较充分的训练,在对边缘处混合像元的定位过程中,判断的比较准确。
下面给出了直接利用Fuzzy ARTMAP神经网络模型和基于融合影像的Fuzzy ARTMAP神经网络模型方法对上述模拟影像进行定位的定量分析结果。主要的精度评价指标采用如下4种方式。
(1)面积容错比。用来度量模拟图像与目标图像一致性的指标是面积误差率,在给出目标图像中目标类型总面积与模拟图像中目标类型总面积以外,同时计算目标类型的面积误差率AEP。
式中:n为图像像元总数;
o为目标图像中的像元值;
p 为模拟图像中的像元值。
(www.xing528.com)
图6-14 原始图像及每一类定位结果图
这一统计指标可以表明模拟结果的偏差,并能反映对目标类型总量控制的好坏。
(2)正确分类百分比(PCC)。用来衡量所属类别的总体定位精度。
(3)均方根误差。可以表明包括偏差和方差在内的模拟精度:
(4)相关系数。相关系数r是用来度量目标图像与模拟图像之间关联程度的一种指标:
其中,-1<rpo≤1,Cov(p,o)是目标值o与估计值p 之间的协方差;σp,σo 分别为o 与p 的标准差。
μp 与μo 分别为p 与o 的均值,若相关系数为1,则表示模拟图像与目标图像完全匹配,若为-1,则表示完全负相关。这一统计指标可以表明亚像元空间分布的方差。
从表6-8和表6-9中的面积误差率、正确分类百分比(PCC)、均方根误差(RMSE)和相关系数可以看出:利用融合影像后的神经网络定位结果,对原始像元信息的估计比较准确,3种地物类别的容错率以及均方误差值均不同程度地减少,整体精度证明了本书改进方法是有效的。当影像分辨率增加时(2.5m 增加到0.7m),涉及到的类别细节特征增多,同时在尺度因子增大(由2增加到4)的情况下,所获取的误差增大。因此,选择合适的尺度因子和一定分辨率的影像是关键。
表6-8 传统ARTMAP神经网络统计结果
表6-9 结合融合影像后的ARTMAP神经网络统计结果
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。