非线性混合像元分解的可视化分析与评价.doc

第15卷　第1期 2010年1月中国图象图形学报JournalofImageandGraphicsVol.15,No.1Jan.2010 非线性混合像元分解的可视化分析与评价 吴　波　袁　春 1)1)2)(福州大学空间数据挖掘与信息共享教育部重点实验室,福州　350002)　2)(中国地质大学(北京)土地科学技术学院,北京　100083)摘　要　混合像元的非线性分解通常采用神经元网络模型来拟合,普遍缺乏线性分解模型简单明确的物理意义,导致难于了解像元混合的特点及误差分布的模式。为此,提出均方根误差、双变量统计、置信度估计和混合复杂度等可视化方法来评价非线性混合模型分解的结果,直观地表达出影像中像元的分解精度、,从而理解非线性混合模型分解的某些特点。实验以投影追踪学习网络(PPLN)为例,利用MODIM+数据,对MODIS混合像元分解进行了可视化分析,一定程度上展现了PPLN(BPNN)分解比较结果表明,PPLN具有较高的分解精度,0.,6.5%,且可关键词　非线性分解　可视化　混合像元　中图法分类号:751.1　　:)0120167207 andEvaluationofNonlinearUnmixing theMixedPixels WUBo,YUANChun 1) 2)1)2)(KeyLaboratoryofSpatialDataMiningandInformationSharingofMinistryofEducation,FuzhouUniversity,Fuzhou350002)(DepartmentofLandScienceandTechnology,ChinaUniversityofGeosciences,Beijing100083) Abstract　Nonlinearunmixingofmixedpixelsinremotesensingimageryarecommonlyconductedwithneuralnetworks(NN)models,which,however,lacksphysically2basedinterpretationaslinearmodels.Thispaperthedifficultiesofknowingpatternsofpixelmixtureanderrordistributiontosomeextent.Thispaperproposestousemeansquareerror,bivariatedistributionfunction,confidentialerror,andsyntheticallymixturecomplexitytechniquestoanalyzeandevaluatethepixelmixture,whichcanprovideinsightsinsomefeaturesofnonlinearmixturemodels.ExperimentwithMODISassociatedwithETM+datademonstratesthatthevisualizedmethodcanobtainthedecompositioncharacterizationofPPLNmodelefficiently.Inaddition,visualizedassessmentshowsthatPPLNprovideshigheraccuracycomparedwiththeBPneuralnetwork.Theoverallunmixingerrordecreasesfrom0.1828to0.1717intermsofRMSE,improvedby6.5%.Theexperimentalsodemonstratesthaturbanandsparsevegetationarethepotentialoccurrenceplaceswherepixelsareseverelymixed. Keywords　Nonlinearunmixing,visualization,mixturepixel,errordistribution 适性,引起了人们广泛的研究兴趣[123]。目前,非线 0　引　言 由于非线性混合模型具有较高的分解精度和普性混合模型大多数基于神经网络模型来模拟。譬如,Atkinson等人利用多层感知器(MLP)方法证实了非线性混合模型比线性混合模型和模糊C均值基金项目:国家自然科学基金项目;福建省自然科学基金计划项目(D0710012) 收稿日期:2009202223;改回日期:2009203213 第一作者简介:吴　波(1975—　),男。2006年于武汉大学获摄影测量与遥感专业博士学位。主要研究方向为遥感信息处理,时