基于形态学和支持向量的遥感图像混合像元分解.pdfVIP

第 24卷 第 1期 遥 感 技 术 与 应 用 V ．24 No．1 2009年 2月 REMOTESENSINGTECHN0L0GYANDAPPL1CAT1ON Feb．2009 基于形态学和支持向量的遥感图像混合像元分解 李 慧 ，王云鹏 ，李 岩 ，王兴芳 (1．中国科 学院广州I地球化学研究所，广东 广州 510640； 2．华南师范大学计算机学院，广东 广州 510631) 摘要：为 了更好地解决混合像元问题 ，将 自动形态学端元提取方法与支持向量机算法相结合进行混 合像元 自动分解。首先利用 自动形态学端元提取方法寻找影像的纯净端元 ，此方法基于形态学理 论 ，结合像素的光谱信息和空间信息，可以更精确地提取纯净端元。然后通过支持向量算法得到像 元组分，支持向量机后验概率作为地物的组分信息。实验结果证明，这种方法具有很高的混合像元 分解精度 。 关 键 词 ：支持向量机；后验概率；形态学；自动形态学端元提取 ；像元分解 中图分类号 ：TP75 文献标志码 ：A 文章编号 ：1004—0323(2009)01-0114一O6 引 言 与一些典型的方法相 比具有更高的分解效果 [4]。 针对混合像元 的分解问题 ，国内外学者们提出 遥感图像作为地球观测的重要信息源得到广泛 了多种混合像元分解方法 ，主要有线性混合光谱分 发展，但 由于传感器的空间分辨率以及地面的复杂 解法 、模糊监督分类法、神经网络模型分解法等Es-8]。 多样性，混合像元普遍存在 于遥感 图像 中。混合像 支持向量机 (Supportvectormachine，SVM)是近年 元的存在不仅影响地物识别和分类 的精度，而且也 发展起来的一种性能优越的统计学习方法。它是依 是遥感定 向、定量化发展 的瓶颈之一 ¨1]。混合像元 据 Vapnik统计学习理论 ，以结构风险最小化为原 的分解成为遥感应用的突出问题 。 则的学习系统，可以避免局部极小和过学习的问题。 混合像元分解一般分两部分：首先必须 以监督 支持向量机最初用于解决模式识别问题 ，目前应用 或非监督的方法找到所谓的端元，然后进行混合像 到遥感 图像分类中，取得很好的效果。像元往往不 元分解提取各端元组分。混合像元端元的选取直接 仅是线性混合，非线性混合在 实 际中更为常见。 影响分类的精度 ，端元光谱的确定有多种途径 ，可 以 SVM 方法不仅可以解决线性分解，而且利用核函数 从地物光谱数据库中选取，或建立地物的物理模型 就能够把像元矢量从低维空间映射 到高维特征空 模拟得到，或从影像 自身 的像元光谱 中获得或者从 间，使得在特征空间中构造的线性光谱组合对应着 外部数据源中提取。遥感学者更侧重于从影像 自身 原始空间的非线性组合特性 ，因而能够揭示典型地 数据 中提取端元 ，并提 出了一系列端元提取方法 ，这 物光谱之间的高阶性质 ，因而 SVM 方法在混合像 些方法各有优点 ，但 由于端元本身的不确定性 ，目前 元分解方面具有较大的应用价值_l9]。因而，本文提 还没有普遍适用的最佳方法 ]。数学形态学是基 于 出利用 AMEE与支持向量机方法结合进行混合像 集合、拓扑和几何学概念的有关形状和结构的学科 。 元分解，实验表明此方法在混合像元分解方面有较 近些年来，数学形态学作为坚实的数学理论 ，已经成 好的实用价值。 为图像处理的强有力方法口]。自动形态学端元提取