遥感制图课件:第十一章 超分辨率遥感制图.ppt
- 【下载声明】
1. 本站全部试题类文档,若标题没写含答案,则无答案;标题注明含答案的文档,主观题也可能无答案。请谨慎下单,一旦售出,不予退换。
2. 本站全部PPT文档均不含视频和音频,PPT中出现的音频或视频标识(或文字)仅表示流程,实际无音频或视频文件。请谨慎下单,一旦售出,不予退换。
3. 本页资料《遥感制图课件:第十一章 超分辨率遥感制图.ppt》由用户(罗嗣辉)主动上传,其收益全归该用户。163文库仅提供信息存储空间,仅对该用户上传内容的表现方式做保护处理,对上传内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知163文库(点击联系客服),我们立即给予删除!
4. 请根据预览情况,自愿下载本文。本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
5. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007及以上版本和PDF阅读器,压缩文件请下载最新的WinRAR软件解压。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 遥感制图课件:第十一章 超分辨率遥感制图 遥感 制图 课件 第十一 分辨率
- 资源描述:
-
1、第十一章第十一章 超分辨率遥感制图超分辨率遥感制图 沈焕锋 武汉大学 资环与环境科学学院 遥感制图遥感制图1 1、混合像元在遥感影像中、混合像元在遥感影像中普遍存在普遍存在现现 状:状:p大多数遥感影像分类算法并不考虑这一现象,只是利用像元光谱间的统计特征进行像元分类。p混合像元问题不仅是遥感技术向定量化深入发展的重要障碍,而且也严重影响计算机处理的效果或计算机技术在遥感领域中的应用。8.1 8.1 混合分解的定义:混合分解的定义:p如果每一混合像元能够被分解,而且它的覆盖类型组分(通常称为端元端元组分)占像元的百分含量(丰度丰度)能够求得的话,分类将更精确,因混合像元的归属而产生的错分、误分
2、问题也就迎刃而解,这一处理过程称之为混合像元分解。p光谱混合分解技术不仅能给出组成像元各地表覆盖类的丰度,而且能给出分类的图像。混合分解混合分解研究的意义研究的意义p建立了地物与光谱特征之间的数量关系模型,是实现遥感定量化和精确化分析的重要手段p混合像元分解是一些后续的信息处理的基础(亚像元目标探测、影像的空间分辨率增强、子像元成图、特征提取和高光谱数据压缩)p混合像元分解技术能够应用到各个方面(植被指数、岩矿识别、雪盖填图、生物量估计)研究难点研究难点 端元光谱自动提取 提高混合像元分解精度光谱分解模型p从遥感图像的像元光谱信号可以提取像元整体的表观光谱信息,其表观光谱信息光谱辐亮度L( )
3、是端元光谱辐亮度Lj( j)的线性组合。p在线性混合模型中,每一光谱波段中单一像元的反射率表示为它的端元组分特征反射率与它们各自丰度的线性组合。8.2 8.2 线性混合像元分解技术线性混合像元分解技术几何学描述几何学描述欧式空间欧式空间p 三维空间:向量x1,x2,x3在三维空间上必然可以分解为 x1,x2,x3=x11,0,0+x20,1,0+x30,0,1 这三个分量可以将任何三维向量线性表出。所以三维向量组成的几何空间其实可以用这三个基表达出任何三维向量。向量和点对应,三维向量其实也是对应三维直角坐标系的一个点。p n维空间:向量x1,x2,.,xn在n维空间上必然可以分解为 x1,x2
4、,.,xn =x11,0,.,0+.+xn0,0,.,1 其实在n维空间上就是由n个基构成的一个线性组合。一个n维向量其实就是一个n维欧式空间的一个点。只不过是有n个向量的。 欧式空间单形体欧式空间单形体p欧氏空间中的n 维凸面几何体是由若干个(n1)维的凸集构成,只有(n1)个顶点的凸面几何体是n 维空间中最简单的形式,称之为单形体(simplex)。p如一维空间中由两个点确定的线段、二维空间中由三个点确定的三角形、三维空间中由四个点确定的四面体等。p高光谱图像上的每个像元在n个波段上的所有DN值在n维矢量空间中是一个点。p在满足所有DN值非负,且满足线性模型的基础上,一幅有n个波段的高光谱
5、图像就是n维矢量空间中的一个凸面几何体,且图像中纯像元分布在凸面几何体的顶点附近,任何一个非纯像元均处在凸面几何体的内部或者外表面。p因此,对凸面几何体的处理相当于对高光谱数据的处理。pBoardman首先揭示了高光谱数据在其特征空间呈现单形体的结构,从而引入了凸面几何学的分析方法。pn维特征空间代表n维凸面体。以n=2为例,代表两个光谱通道的二维光谱矢量空间。p在n维空间上,n+1个顶点的凸面单形体从0维变化到n维。p以3个光谱通道为例,分析4个顶点组成的凸面体,顶点代表了端元光谱:(1)四个端元分布不在某一个平面上(2)四个端元分布在一个平面上线性混合光谱模型建立线性混合光谱模型的物理基础
6、是:混合像元所表建立线性混合光谱模型的物理基础是:混合像元所表观的光谱辐亮度是端元观的光谱辐亮度是端元 (end-member) 组分光谱辐亮组分光谱辐亮度的线性组合度的线性组合 线性混合光谱数学模型表达式为线性混合光谱数学模型表达式为:1()TTfMMMXeMfX+=在上式基础上,采用最小二乘算法求解出每一个端元在上式基础上,采用最小二乘算法求解出每一个端元的组成分百分比的组成分百分比:混合光谱值混合光谱值全限制性分解全限制性分解p一般会加上限定性的条件:(1)像元内端元组分丰度总量为1(2)丰度不能为负数(3)波段数应大于或等于端元组分数。线性模型优缺点线性模型优缺点p线性模型优点:构模简
7、单,其物理含义明确,理论上有较好的科学性,对于解决像元内的混合现象有一定的效果。p线性模型缺点:当典型地物选取不精确时,会带来较大的误差;在实际应用中存在着一些限制 :(1)实际情况;(2)端元光谱难以获取;(3)地物数大于波段数;(4)没有考虑地形及其他影响(1)Hapke混合光谱模型Hapke(1981)获得几种类型的反照率、卫星参数和实验室应用之间的关系式,提出微小地物非线性混合函数。 (2)辐射通量密度理论,植被土壤等(3)SAIL模型,计算植被叶面积指数(4)其它的非线性模型。8.3 8.3 非线性混合像元分解技术非线性混合像元分解技术非线性模型优缺点非线性模型优缺点p非线性模型优点
8、:计算精度要高,符合实际情况,考虑了多种具体因素。p非线性模型缺点:通用性不强,计算复杂,某些情况下的误差很大p非线性和线性混合是基于同一个概念,即线性混合是非线性混合在多次反射被忽略的情况下的特例。p在建立线性混合光谱模型时,把这些非线性效应,放在线性模型的调整误差中,利用线性模型研究混合光谱。借助于线性混合光谱模型,能够从像元的表观光谱特性(辐亮度或反射率),分离和提取各像元组分的光谱,分别分析和评价像元组分。8.4 8.4 混合像元分解技术的发展混合像元分解技术的发展线性模型的可靠性p在均匀光照明、表面比较光滑的情况下,实验室与野外的实验结果都验证了线性混合光谱模型的正确性。p对以外地面
9、物体来说,由于其表面状态复杂,地面与大气以及地物之间的多次散射、阴影和仪器视场的不均匀等原因产生的非线性效应,可能偏离线性模型,但基本上是符合的。模型的发展模型的发展p把像元的反射率表示为端元组分的光谱特征和它们的面积百分比(丰度)的函数。Charles 在1996年将像元混合模型归结为以下五种类型:(1)线性(linear)模型(2)概率(probabilistic)模型(3)几何光学(geometricoptical)模型(4)随机几何(stochastic geometric)模型(5)模糊分析(fuzzy)模型(1)线性模型 p(略)(2)概率模型p概率模型的一个典型是由Marsh等人
10、(1980)提出的近似最大似然法。该模型只有在两种地物混合条件下使用。利用线性判别分析和端元光谱产生一个判别值,根据判别值的范围将像元分为不同的类别。 (3)几何光学模型。p该模型适用于冠状植被地区,它把地面看成由树及其投射的阴影组成。从而地面可以分成四种状态:光照植被面(C)、阴影植被面(T)、光照背景面(G)、阴影背景面(Z)。像元的反射率可以表示为:ARARARARARZZGGTTcc/ )((4)随机几何模型p该模型和几何光学模型相类似,像元反射率同样表示为四种状态i的面积权重的线性组合。即:),()(),(xRxfxRiii(5)模糊模型p基本原理:将各种地物类别看成模糊集合,像元为
11、模糊集合的元素,每一像元均与一组隶属度值相对应,隶属度也就代表了像元中所含此种地物类别的面积百分比。但前提是必须复合正态分布。 p基本步骤是采用监督最大似然法分类,分别利用样本计算出模糊均值向量与模糊协方差矩阵用于代理最大似然法分类中的均值向量与协方差矩阵,求取出属于某一个类别的隶属度。不同混合像元分解模型的可行性不同混合像元分解模型的可行性应用混合模型的可行性估算不同类型的比例线性光学几何随机几何概率模糊浓密森林的植被与裸地稀疏森林的植被与裸地不同植被群落平均树高、树密度、树尺寸不同作物不同土壤或岩石不同矿物混合土地覆盖类型表中的表示最有效、为可行、为不可行 pEndmember是影像所对应
12、区域内大多数像元的一个有效组成成分;Endmember数量的确定,应当符合影像所对应区域内的大多数像元的实际,数量少会把非典型的Endmember分入分量中,产生分量误差,增加RMS;数量多又会使模型对设备噪声、大气污染及光谱本身的可变性敏感,导致分量误差。p在实际应用中,Endmember的确定有监督与非监督、自动与手工选取之分。8.5 8.5 端元(端元(EndmemberEndmember)提取)提取A A)人工选择)人工选择一、实地测量或直接从光谱数据库获得。p 因为成像条件、大气吸收和地形影响因素,实地测量或光谱数据库中的同一地物的光谱值与影像的光谱值并不一致,所以这种方式选取End
13、member的光谱值有一定的局限性。二、从影像分析中获得。p 如用监督分类的训练区采样,以样点的均值作为各波段的取值;或用主成分分析(PCA)方法,绘制主要成分波段的散点图,再通过不同覆盖类型端元在主成分特征空间中的分布,利用人机交互的方法确定样本区域以样点的均值作为各波段的取值等。v 端元选择:监督方法v 端元选择:监督方法方法:方法:PCA降维降维散点图散点图角点角点缺点:费时费力,适用少量数据缺点:费时费力,适用少量数据B B)全自动选取)全自动选取EndmemberEndmemberp利用非监督的方法从数据本身全自动获取端元光谱是目前研究的热点。p目前提出了一系列非监督的技术方法自动寻
14、找端元光谱。如投影追踪法(PPI)、模拟退火算法(SAA)、凸锥分析方法(CCA)、误差迭代分析(IEA)和N-FINDR等等。 (1 1)纯净端元指数()纯净端元指数(PPIPPI)p1、利用MNF变化进行噪声白化和降维的处理。p2、把光谱特征空间中所有的像元往一个单位向量u上投影,端元会投影到u的两侧,而混合像元会投影到中部。p3、计算每个像元被投影到端点的次数,即为纯净指数。纯净端元指数提取示意图纯净端元指数提取示意图(2 2)N-FinderN-Finder凸面几何投影变换凸面几何投影变换利用凸面几何学(convex geometry)方法分析高光谱图像混合像元问题有两个关键环节:p一
15、是从几十至上百个光谱通道中选取有效光谱通道,把高维光谱数据降维处理后,在其较小的有效光谱维上进行分析;p二是在有效光谱通道的n维正交光谱矢量空间上确定像元组份(endmember)的光谱坐标,以它们为顶点构成凸面单体。投影变换投影变换p 正交子空间投影,它能够将像元光谱矢量投影到正交于想压制的特征子空间上去,与特征提取类似,将高维的几何体投影到感兴趣的低维空间上,以突显和压抑某些特征,实现图像上的目标识别和分类。p因此,凸面几何体投影变换与特征提取类似,主成分分析选择以方差作为投影指标,而MNF变换以信噪比作为投影指标,这都是典型的投影变换。p凸面体的投影变换能够将高维德几何体投影到感兴趣的低
16、维空间上,以突显或压制某种特征,实现高数据的降维。N-finder+N-finder+凸面投影变换凸面投影变换1)原始高光谱图像特征提取2)计算凸面集合体的顶点。3)对凸面几何体进行平移和旋转,在不同角度将凸面几何体投影到二维平面4)选择最优的投影结果,在投影平面中对投影结果进行分类迭代误差分析迭代误差分析p 迭代误差分析(iterative error analysis, IEA)是一种不需要对原始数据进行降维或去冗余而直接对数据进行处理的端元提取算法。在该算法中需要多次利用约束性解混,要求得到的端元使得线性解混后误差最小。p 算法首先给定一个初始向量(一般为图像中所有光谱的均值向量),对图
17、像进行约束性解混,得到误差图像。p 误差最大的像元作为第一个端元,对图像进行约束性解混,得到误差图像中误差最大的像元作为新的端元,再将新端元再加入到下一步的约束线性解混操作中,直到在某种准则下求出图像中的所有端元。p实际算法运算过程中,每次循环求取误差最大的R个像元,其中以误差最大的像元V为基准求R个像元构成集合的子集,要求该子集中各像元与V的夹角小于a,将该子集的平均值作为本次循环计算得到的端元。通过增加像元数R,可以减小噪声对端元提取的影响,通过减小夹角a,可以提高获取端元的纯度。v端元选择:非监督方法p非监督混合像元分解非监督混合像元分解: 基于空间信息的IEA方法混合像元分解 AVIR
18、IS图像立方体 MNF变化后的特征值 误差随端元增加而减小的曲线误差图像 abcdfhgea:山体、阴影;b:黄钾铁矾;c:针铁矿;d:明矾;e:白云母;f:玉髓;g:高岭石;h:方解石vIEA提取的端元分布图提取的端元分布图江苏常州农场的PHI高光谱影像 ( 80波段)UOSP提取的端元光谱曲线PHI高光谱影像试验 实例实例道路影像菜地与草地水系影像稻田影像误差影像0%20%40%60%80%100%0.10.20.30.40.50.60.70.80.91误差影像数值累计直方图曲线误差影像数值累计直方图曲线 SRMSR=0.34.SRMSR=0.34.分分解后的光谱反算解后的光谱反算误差位于
19、误差位于0.2-0.50.2-0.5之间之间 最多最多实验分析实验分析p线性光谱混合模型是混合像元分解的常用方法。这种模型具有良好的物理意义,并且计算简单、普适应用的特点,也是目前国内外研究最为深入的一种模型。p借助于线性混合光谱模型,通过模型反转,就能够从像元的表观光谱特性(辐亮度或反射率),分离和提取各像元组分的光谱,分别分析和评价像元组分。因此,有必要对线性光谱分解模型作进一步的深入分析。一、一、 线性模型(线性模型(Linear Spectral Linear Spectral Mixture ModelMixture Model)具体分析具体分析p线性分解公式:p像元光谱误差为:p为
20、评价该分解模型,通常用光谱残差均方根误差定量表示 :nSrrSSST1)(TaSrrre-21m1i2iem1SRMSEp溢出值估计 p光谱均方根误差 SRMSEp误差影像的结构信息未知真实组分未知真实组分分解精度评价标准分解精度评价标准 均方根误差 (RMSE) 双变量分布统计(BDF) ROC估计(置信度)已知真实组分已知真实组分nxyniii12)(均方根误差均方根误差 (RMSE)其中n表示所有测试的象元个数,yi和xi分别代表估计组分比与真实百分比 0.70.750.80.850.90.9510.10.150.20.250.30.350.40.450.5水体土壤植被ROC估计 ROC
21、估计(置信度)估计(置信度)BDF图双变量分布统计双变量分布统计(BDF)对比:全限制性与非限制性分解实验对比:全限制性与非限制性分解实验非限制性分解的非限制性分解的BDFBDF图图 全全限制性分解的限制性分解的BDFBDF图图 美国内华达(Nevada)地区AVIRIS高光谱影像(波段数50)实例实例1(a)山体、阴影;(b)黄钾铁矾;(c)针铁矿;(d)明矾;(e)白云母;(f)玉髓;(g)高岭石;(h)方解石;(i)钠蒙脱石;(j)噪声图像。实验分析实验分析分解结果分解结果误差随端元增加而减小误差图像,SRMSE=1.8分解过程与误差评价分解过程与误差评价江苏常州农场的PHI高光谱影像
22、( 80波段)UOSP提取的端元光谱曲线PHI高光谱影像试验 实例实例2 2道路影像菜地与草地水系影像稻田影像误差影像0%20%40%60%80%100%0.10.20.30.40.50.60.70.80.91误差影像数值累计直方图曲线误差影像数值累计直方图曲线 SRMSR=0.34.SRMSR=0.34.分分解后的光谱反算解后的光谱反算误差位于误差位于0.2-0.50.2-0.5之间之间 最多最多p神经网络模型属于非线性模型的一种,它是近几年研究、应用非常活跃的模式识别方法。p人工神经网络在构成原理和功能特点上更接近人脑,它能够自身适应环境、总结规则,完成某种运算、识别或过程控制;神经网络用
23、来解决难以用算法来描述但存在大量的范例可供学习的问题等等。因此,应用人工神经网络进行遥感影像的混合像元分解前景广阔。二、二、 非线性模型(非线性模型(nonlinear spectral nonlinear spectral mixture modelmixture model)p 混合像元分解技术实际上就是对传统分类的另外一种表现形式,它是将每一种类别的组分比图像分别表示出来。p 从算法原理上来讲,利用神经网络进行混合像元分解的过程与直接硬分类是类似的。p 关键的不同点在于对于网络的输出端的选择不同:如果是直接的硬分类处理,表示将类别的输出端的概率,按照从大到小的顺序进行排列,选择最大的那个
24、类别作为类别的归属;如果是进行混合像元分解,则需要将输出端的概率转化为每一种类别的组分比,并保证组分比的和相加等于1,把得出的每一种类别的组分比信息显示在最后的结果图像上。 p将其利用于混合像元分解中来,首先对以上分类将其利用于混合像元分解中来,首先对以上分类模型进行改进,改进的主要部分在输出节点层。模型进行改进,改进的主要部分在输出节点层。1.BP神经网络:p本实验数据选取分辨率为本实验数据选取分辨率为30m30m的的TMTM影像。该影像区影像。该影像区域为湖北省武汉市,大小为域为湖北省武汉市,大小为400400像素像素400400像素,像素,获取时间为获取时间为19981998年年1010
展开阅读全文