混合像元分解技术简介与优化

亚像元定位的前端输入就是混合像元分解的结果，因此，混合像元分解的研究是基础。根据对混合像元的反射率和端元的光谱特征和丰度之间的响应关系的假设，以及怎样考虑和包含其他地面特性和影像特征的影响，像元混合模型可以归结为以下5种类型。

（1）线性（Linear）模型。线性混合模型假设到达遥感传感器的光子与唯一地物（即一个光谱端元组分）发生作用，因此，每一光谱波段中单一像元的反射率都能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。线性混合模型是目前研究最多、应用最广泛的模型。线性模型已经应用到火星和月球表面探测、地质研究、气象研究、城市环境监测、植被管理和水体浊度测量等众多方面。

（2）概率（Probabilistic）模型。概率模型是由Marsh和Switzer（1980）提出的改进的近似最大似然法，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（Geometric-Optical）模型。几何光学模型和随机几何模型是基于地面几何形状来考虑地面特性的。几何光学模型把几何光学理论和模型引入到植被的BRDF研究中。它主要考虑地物的宏观几何结构，把地面目标假定为具有已知几何形状和光学性质、按一定方式排列的几何体。通过分析这些几何体对光线的截获和遮蔽及地面的反射来确定地面植被的反射（Li和Strahler，1985）。

（4）随机几何（Stochastic Geometric）模型。随机几何模型把大多数主要的土壤和植被参数当成随机变量处理，这样便于消除一些次要参数空间波动引起的地面差异性的影响。随机几何模型主要应用于稀疏的植被监测（Bosdogianni等，1997）和估算土地覆盖组分的反射率（Jasinski和Eagleson，1989）等方面。(www.xing528.com)

（5）模糊分析（Fuzzy）模型。模糊模型建立在模糊集合理论的基础上。与分类概念不同，一个像元不是确定地分到某一类别中，而是赋予一个0～1间的值。基本原理是将各种地物类别看成模糊集合，像元为模糊集合的元素，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（Bastin，1997）。模糊模型主要应用到植被与裸地比例的亚像元监测、不同植被种类的估计（Foody，1996）和土壤与岩石的区分（Kruse等，1993）等方面。

线性模型认为像元的光谱反射率仅为各组成成分光谱反射率的简单相加。而事实证明在大多数情况下，各种地物的光谱反射率是通过非线性形式加以组合的。这是由于地物光线多次反射的结果，或者由于遥感影像上地物零散，同一地物之间的灰度值范围很宽，使得同类地物在整幅影像中有一定程度的变化，很可能造成端元光谱之间的非线性混合（Song，2004），使得地物之间、目标和背景之间线性不可分。基于线性模式的方法对此情况通常无能为力，或者效果不佳。为了克服线性混合模型的不足，许多学者利用非线性光谱模型对混合光谱进行描述。非线性光谱模型最常用的是把混合像元表示为端元的二次以上多项式与残差之和（Zhang和Li，1998）。

非线性混合像元分解模型是近年来的研究热点，混合像元非线性分解的研究主要体现在新方法的引进与新思路的不断探索中。通用的神经网络模型，缺点是网络拓扑结构和参数难以确定，并且往往得不到全局最优解；而优化搜索技术要么效率不高，要么缺乏必要的物理意义，在混合像元分解模型中还没有得到足够的重视。