遥感影像混合像元分解及超分辨率重建研究进展

随着遥感应用的深入.传统将遥感影像像元当作纯净像元的方式所带来的问题已经被广泛认识到,混合像元分解的相关理论和技术成为遥感领域的一个热点问题.本文总结了混合像元分解及超分辨率影像重建的主要理论和方法.根据超分辨率影像重建的主要流程,分别回顾了混合像元端元类型选择,端元丰度分解和超分辨率影像的重建,并对相关模型和技术给出了总结和评价.端元类型选择是确定在影像范围包含的纯净地物类型,重点介绍了基于统计学和几何学的两种方法.端元丰度估计是目前该领域研究最多的方向之一.集中了很多新的理论和方法.可变端元分解和盲源分解作为2种效果较好的方法在文中作了详细的回顾和评价.空间自相关性是对丰度估计的结果进行超分辨率重建的主要理论基础,如何在丰度约束条件下最大化空间自相关性是大多数基于混合像元分解超分辨率重建的目标.最后,文章在总结目前混合像元分解及超分辨率遥感影像理论发展的基础上,给出了一些意见和展望,指出考虑混合像元形成机理、综合多种模型及先验信息将有助于基于混合像元分解的超分辨率遥感影像研究.     

基于支撑向量回归的二端元混合像元分解

针对遥感影像混合像元光谱复杂,其非线性特征,传统LSMM分解模型难以进行有效的混合像元分解的不足。通过基于SVR的二端元混合像元分解的研究,从真实遥感影像上获取典型的植被、非植被光谱信息,构造二端元混合光谱库,进行SVR模型的混合像元分解。当样本量为6%时,交叉验证获得最佳模型参数（C=1024.0和g=4.0）,进一步对全部混合像元进行混合像元分解。实验结果表明：SVR分解结果RMSE为5.95,R²为0.958,优于LSMM方法（RMSE=7.71,R²=0.932）,且在各个不同真值丰度下具有更好的稳定性,证明该方法对于非线性混合光谱具有很好的学习和推广能力。此外,该方法的精度不随训练样本量的增加呈明显变化,体现出SVR在有限样本情况下能够保证高效率的训练能力。     

改进的混合像元分解法用于快速水污染遥感评价研究

该文介绍了一种改进的混合像元分解方法。利用该方法对滇池的各类污染（叶绿素,营养盐等）进行快速评价,可以直接得出滇池各个区域所受各类污染的程度,从而给出滇池全区各类污染的情况分布。     

动态端元组合混合像元分解法在植被覆盖度动态监测中的应用——以长汀县为例

传统的像元信息分解法在计算端元丰度时端元组合是固定不变的,而在土地利用复杂地区,固定端元组合并不符合实际情况。文章针对研究区用地类型特点,预先设定数种端元组合,通过最小二乘法选择误差最小的端元组合进行端元丰度反演,进而计算出植被覆盖度;并以实测的地表反射率作为端元反射率,避免了大气差异造成的多时相误差,有利于进行动态监测;预先进行水陆分离,仅对陆地像元进行计算,可以避免水体像元的干扰并提高模型效率。辅以同期成像的高分影像对模型精度进行验证,相关系数达到0.98。将模型应用于长汀县近18 年4 个时相的Landsat 卫星数据,认为近年来长汀县植被覆盖度总体呈现变好的趋势,尤其是汀江沿岸;而城市化、火烧坡、大型工程建设是长汀县植被覆盖度局部变差的主要原因。     

不同分辨率遥感图像混合像元线性分解方法研究

混合像元的存在是传统像元级遥感分类和面积量测精度难以达到实用要求的主要原因,为了提高遥感应用精度,须解决混合像元分解问题。传统的方法主要通过改进分解模型提高分解精度,该文在不改变线性分解模型的条件下,分析不同分辨率尺度对于线性分解精度的影响。实验中运用像元合并的方法,得到不同分辨率的TM系列遥感图像,分别选取植被、裸地、水体3种典型地物进行线性分解;以分辨率更高的Quickbird图像分类结果作为真值进行精度评价。实验结果表明:随着图像分辨率的降低,植被的RMSE值不断缩小,在30 m分辨率尺度上均值为0.36,在150 m尺度上均值为0.17,分解精度提高了1倍左右;但随着分辨率进一步降低,由于混合像元现象加剧,RMSE值上升,分解精度随之降低。     

像元信息分解和决策树相结合的影像分类方法

该文提出了一种基于像元信息分解和决策树相结合的遥感自动分类方法。选择广州市番禺区作为研究区。用像元信息分解和多变量决策树法把TM影像分为水体、植被、水泥地、土壤4种基本组分,分离成4类树枝;分别以4种基本地物组分作为分类掩膜,采用BP神经网络分类、形状指数提取、光谱特征提取等复合方法进行分枝,并开展野外遥感调查,以提高和验证分类精度。结果表明：该方法保证了分枝时地物的纯洁度,有效地避免了地物提取时多余信息的干扰和影响,提高了分类精度。结合实地调查数据与最大似然分类算法进行对比实验,表明该模型比最大似然总体分类精度高16％。     

基于混合像元分解和知识规则的人工刺槐林健康分类

提出一种基于精度较高的Landsat TM数据检测刺槐林枯梢状况的方法,整个过程分为:1)利用监督分类提取出林地分布范围,制作刺槐林地掩膜;2)对刺槐林地利用线性光谱混合模型进行混合像元分解,得到健康刺槐、非光合作用绿色植被(NPV)、土壤的丰度图,定义刺槐林的健康分类等级:健康或轻度枯梢、中度枯梢、重度枯梢或死亡;3)利用决策树分类器对丰度图像、归一化植被指数(NDVI)以及经缨帽变换获取的亮度和绿度成分定义一组规则,进行刺槐林生长健康状况分类,分类结果与实地样方数据具有较好的一致性,利用林冠分级向导进行精度分析,精度达82.2%,Kappa系数为0.752。     

基于混合像元分解的辽河口滨海湿地分类

滨海湿地高精度的地物分类可以为湿地监测与保护提供数据支持和决策依据。以辽河口湿地为研究对象,以Landsat8 OLI多光谱影像为数据源,结合研究区域实际地物情况,采用像元纯度指数和均值波谱法确定端元光谱,并利用全约束最小二乘混合像元技术和决策树技术制定分类规则,最后将研究区域分为芦苇、翅碱蓬、水稻、滩涂、水体(海水、虾池水、河水等)和人工建筑(包括路面、人工设施、房屋等)六大类。结果表明:该算法分类精度高于90%,结合目视判读与野外实地调查,发现分类结果符合实际地物情况。     

ETM+影像亚像元级城市土地覆盖组分丰度提取——以南京市为例

城市景观复杂,地物具有强烈的空间异质性,利用中等空间分辨率遥感影像(如ETM )进行城市土地覆盖研究会出现大量混合像元。针对该问题,以南京市为例,通过混合像元分解提取城市土地覆盖组分丰度,进行城市土地覆盖研究,并从各个波段的残差、平均残差、相对误差、均方根误差等方面分析模型误差。利用IKONOS影像对提取的组分丰度图像进行精度验证,发现不同城市土地覆盖组分丰度图像具有一定的可靠性,与城市实际情况吻合。城市土地覆盖组分丰度图像还能作为一种新的数据源用于城市功能分区、城市人口数据空间化和城市环境监测与评估等研究中。     

基于混合像元分解的海坛岛植被覆盖度因子研究

在USLE／RUSLE中,降雨侵蚀力与地表植被覆盖度因子具有季节变化特征．本研究考虑到两者的时空耦合性,采用基于混合像元分解的计算-y法,得到了海坛岛不同月份的地表植被覆盖度因子C。值（第i月的地表植被覆盖度因子值）和不同地类的年植被覆盖度因子C值,为岛内土壤侵蚀预报和水保工作提供参考．对第i月的地表ND啊值与年C／Ci值进行分析,发现它们呈现较好的线性关系,用SPSS软件进行回归分析得到两组线性回归参数．年C值与11月份的地表NDVI拟合程度最好,NDVIi与C1值的拟合程度好于年C值与NDVLi最后得到海坛岛通用的Ci值估算模型G=1．007—1．119-ND％,该模型的决定系数达到0．8,可用于计算岛内各月份的Ci值．     

基于混合像元分解的毛乌素沙地红碱淖面积提取及变化监测

 基于混合像元分解法,利用Landsat卫星遥感数据提取红碱淖湖面面积,监测36 a来红碱淖湖面面积的动态变化。结果表明,1973—2009年红碱淖湖面面积总体减小19.7 km2,变化率为-34%。20世纪70年代,湖面面积较大且变化率较小,1974年湖面面积最大,为59.97 km2;80年代湖面面积开始大幅减小,变化率为-12.4%;90年代湖面面积缩小变慢,变化率为-10.6%;21世纪初,湖面面积萎缩迅速加快,变化率达-16.6%,2009年湖面面积仅为38.33 km2。2001—2002年内湖面面积变化情况监测表明,3—5月湖面面积较大,6—11月湖面面积逐渐缩小。2001年11月到2002年3月,湖面面积处于增大期,变化率为+2.2%;2001年5—11月、2002年3—11月面积缩小,变化率分别为-4.4%、-4.1%。     

茶树冠层光谱特征及混合像元模拟研究

准确提取端元并确定像元中端元组分和丰度是提高遥感分类精度的基础和前提。本研究根据福建省多数茶园特点,从对地观测角度将茶园分为垄前冠面、垄后冠面、沟中阴影面和沟中光照面4种端元,并测定各类端元光谱特征。根据光线入射方向和地形参数计算茶园中任意端元组合面的丰度,利用几何光学模型进行组分光谱混合模拟,最后把模拟结果与实测结果相比较。研究结果发现,模拟和实测的光谱曲线很接近,光谱的反射峰、吸收谷位置基本吻合,总体精度在85%以上,说明采用组分合成法模拟茶园光谱是可行的。     

基于多尺度空间ANN - CA模型的遥感影像超分辨率制图方法研究

为获取遥感影像混合像元中各组分的空间分布状况,提出一种新的遥感影像超分辨率制图方法,用于继混合像元分解之后的亚像元定位。将元胞自动机理论移植到不同空间尺度的演化上,建立基于神经网络的多尺度元胞自动机模型(ANN-CA),并利用该模型提取北京市海淀区城镇用地超分辨率信息。结果表明,该方法能有效表达图像像元之间的空间自相关性。     

城市绿地遥感信息自动提取研究--以广州市为例

提出了一种新的基于像元信息分解和神经网络分类相结合的城市绿地遥感信息自动提取方法。选择广州市作为研究区,先用像元信息分解法把绿地从TM影像中分离出来,再以分离出来的绿地作为分类掩膜,采用BP神经网络法进行分类。并开展野外遥感调查以提高和验证分类精度。结果表明:该方法保证了分类时绿地的纯洁度,有效地排除和避免了提取绿地信息时其它多余信息的干扰和影响,提高了分类的精度。     

基于人工免疫克隆选择算法的遥感图像识别

遥感图像分类受自然环境的复杂性和实际样本数据的分布情况约束,其结果将直接影响对土地利用、覆盖情况的认知。人工免疫系统具有自学习、自组织、记忆的能力,可解决非线性分类问题中的局部极值、鲁棒性等难点。该文将人工免疫系统引入遥感图像分类领域,设计了基于克隆选择算法的遥感图像监督分类方法,并将其应用于广州市遥感影像分类。实验结果表明:与最大似然法相比,该方法具有更高的精度;同时该方法对公路、桥梁等线状城市用地较敏感,适用于快速发展的中心城市的遥感影像分类。     

卫星遥感影像中耕地信息的自动提取方法研究

以县（市区）为基本单位，采用遥感图像处理ENVI3.2软件和TM资料，进行了7个县（市区）10个时相的耕地信息自动提取技术研究，结果证明，选择春季时相，TM432波段合成，经几何校正和增强处理，通过交互的非监督分类提取耕地信息，可以获得满意的结果，平均分类精度达到98.22%。