版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、基于先驗(yàn)知識(shí)進(jìn)行混合象元信息分解基于先驗(yàn)知識(shí)進(jìn)行混合象元信息分解萬華偉北京師范大學(xué)遙感與GIS研究中心,資源與環(huán)境科學(xué)系,環(huán)境遙感與數(shù)字城市北京市重點(diǎn)實(shí)驗(yàn)室北京,100875摘要摘要:混合象元一直是影響遙感圖像精度的一個(gè)重要因素。本文通過使用地物先驗(yàn)知識(shí),利用高分辨率圖像的分類圖做限制條件,計(jì)算低分辨率的圖像的象元地物的百分比,然后通過線性模型做混合象元分解,然后又通過分類圖提供的地物信息作為先驗(yàn)知識(shí),使用約束性的最小二乘法反演,從而得
2、到比較精確的地物的值。我們利用了MODIS43B3反照率產(chǎn)品作為低分辨率圖像,ASTER的可見光和近紅外波段作為高分辨率圖像,進(jìn)行了實(shí)驗(yàn),然后與地表的實(shí)測相對(duì)比,得到比較令人滿意的結(jié)果。關(guān)鍵詞關(guān)鍵詞:混合象元,線性分解,先驗(yàn)知識(shí),遙感1引言引言在我們獲得的遙感影象上,基本上都存在著混合象元。根據(jù)估計(jì),在我們使用的MODIS的ALBEDO產(chǎn)品(11km2)上,90%以上為混合象元。這樣,我們?cè)谑褂眠@些數(shù)據(jù)時(shí),如果不加考慮就直接使用,無疑會(huì)
3、大大地降低我們研究的精度,而且引起信息量的丟失。因此對(duì)混合象元的分解是提高遙感信息的精度的一個(gè)重要方式[1]。目前的混合象元處理有很多方法,當(dāng)前混合象元有兩個(gè)基本方法:1)模糊分類方法;2)確定一個(gè)象素的光譜響應(yīng)和其中端元的光譜與其所占面積比的關(guān)系[1]。對(duì)于混合象元的分解,BisZhukov等提出了約束和非約束的MMT算法,提出利用高分辨率圖像和低分辨率數(shù)據(jù)作融合[2],但是他們?cè)诜囱輹r(shí)都沒有充分地利用前面由分類圖所增加的先驗(yàn)知識(shí)。李
4、小文等指出,當(dāng)?shù)乇淼南闰?yàn)知識(shí)存在時(shí),不加利用是可惜的[3]。在本文中,我們?cè)趯?duì)混合象元進(jìn)行分解時(shí),充分利用先驗(yàn)知識(shí),在使用高分辨率作為限制條件的同時(shí),利用引入先驗(yàn)知識(shí)的最小二乘分解,加入了根據(jù)分類圖得到的“邊界”。并且利用MODIS的反照率產(chǎn)品(分辨率為1km)做的實(shí)驗(yàn)。使用了同地區(qū)ASTER的圖像前三波段(分辨率為15m)作為限制條件。通過進(jìn)行混合象元的分解得到植被的反照率,將得到的數(shù)據(jù)與地表實(shí)測值以及如果直接使用混合象元的值作的對(duì)比
5、以及誤差分析,得出結(jié)論,經(jīng)過引入先驗(yàn)知識(shí)的混合象元分解的誤差比直接使用混合象元值低了很多,將誤差從26.58%降低到16.89%。2算法描述算法描述21圖像的配準(zhǔn)圖像的配準(zhǔn)973項(xiàng)目資助因?yàn)镸HI由HI直接聚合而成,因此,它們之間的對(duì)應(yīng)關(guān)系非常簡單,MHI上的1個(gè)象元對(duì)應(yīng)HI上1515=225個(gè)象元,這些象元是規(guī)則分布的,我們?nèi)HI上任意的象元(ij),ij為它們的行列號(hào),則對(duì)應(yīng)HI上的象元的四個(gè)邊界點(diǎn)為:(ij):左上角:((i1)
6、151(j1)151)右上角:((i1)151(j1)1515)左下角:((i1)1515(j1)151)右下角:((i1)1515(j1)1515)這四個(gè)邊界點(diǎn)之間的225個(gè)象元,便對(duì)應(yīng)著MHI上的一個(gè)象元。24找出找出LILI和HIHI之間的對(duì)應(yīng)關(guān)系并求出其面積百分比之間的對(duì)應(yīng)關(guān)系并求出其面積百分比由于MLI與MHI已經(jīng)配準(zhǔn)到同一坐標(biāo)系下,也就是說通過以上兩步找到的LI與MLI和HI與MHI之間的關(guān)系,已經(jīng)找出了,LI與HI之間的關(guān)
7、系。LI上的一個(gè)象元,對(duì)應(yīng)著MI上的NUM225個(gè)象元。我們?cè)谏厦嬲业搅薒I上一個(gè)象元與HI上的NUM225個(gè)象元以后,由于,HI圖像為分類圖像,其中,每個(gè)象素所屬的地物類別都已知,這樣,我們也就知道了LI上這一象元的各類地物的象素?cái)?shù),然后除以總的象元數(shù),便得到了該象元的每類地物的百分比。,其中,class[i]代表i類的面積百分比,代表delta(class=i)class[i]=NUM225delta(class=i)class=i
8、的象元數(shù)。25使用最小二乘模型進(jìn)行亞象元分解使用最小二乘模型進(jìn)行亞象元分解目前大部分反演采用的方法是最小二乘方法,其代價(jià)函數(shù)常用的形式為:21(())Miiiisyfx????其中,M為測量總數(shù),為觀測數(shù)據(jù),為模型參數(shù),為由參數(shù)得到的模型結(jié)果iyix()iifxix[4]。理論上說,當(dāng)觀測數(shù)據(jù)足夠多時(shí),搜索能產(chǎn)生使s最小的一組參數(shù)值,也就是參數(shù)的最佳估計(jì)值。然而在實(shí)際情況的,由于傳統(tǒng)的最小二乘方法并不考慮其參數(shù)的物理邊界,有可能出現(xiàn)無物
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于混合象元分解的荒漠化監(jiān)測與評(píng)價(jià).pdf
- 高光譜影像混合像元分解及亞象元定位.pdf
- 基于局部加權(quán)先驗(yàn)的多尺度分解.pdf
- 基于先驗(yàn)知識(shí)的車牌定位.pdf
- 基于先驗(yàn)知識(shí)的鐵軌識(shí)別.pdf
- Hyperion高光譜數(shù)據(jù)進(jìn)行混合像元分解研究.pdf
- 基于解析稀疏先驗(yàn)的混合信號(hào)盲源分離.pdf
- 基于圖像先驗(yàn)知識(shí)的濾波方法研究.pdf
- 基于未知信號(hào)先驗(yàn)知識(shí)的精確重構(gòu).pdf
- 基于先驗(yàn)知識(shí)的圖像去霧算法.pdf
- 基于先驗(yàn)信息的雜波抑制方法研究.pdf
- 基于部分先驗(yàn)知識(shí)的社區(qū)發(fā)現(xiàn)算法研究.pdf
- 基于先驗(yàn)知識(shí)的物體識(shí)別方法研究.pdf
- 基于先驗(yàn)信息的圖像恢復(fù)算法研究.pdf
- 基于先驗(yàn)信息編碼的約束學(xué)習(xí)算法研究.pdf
- 基于非先驗(yàn)基信號(hào)分析法進(jìn)行聲源識(shí)別的研究.pdf
- 基于先驗(yàn)知識(shí)的車牌識(shí)別畢業(yè)論文外文翻譯
- 基于混合先驗(yàn)?zāi)P偷碾p目圖像超分辨率研究.pdf
- 高鐵基于先驗(yàn)信息的MIMO有限反饋技術(shù).pdf
- 基于先驗(yàn)信息的窄帶干擾壓縮檢測與抑制.pdf
評(píng)論
0/150
提交評(píng)論