端元可变的神经网络混合分解实验探究

本书选取长江三峡地区的ETM 影像作为实验数据，该影像有6个波段，获取时间为2002年4月，采用1、2、3波段真彩色合成（图4-7）。影像中的端元数目可以从影像MNF 变化后的特征值分布转折点的情况大致确定。在ENVI平台下对原始数据进行了MNF 处理，得到特征值（图4-8）。可见大致有4个独立成分，经过实地调查，分别为长江、居民地、植被和湖泊。这里，由于湖泊水质与长江差别较大，故单独作为一类。

通过目视判读，在原始影像上依次选取长江、居民地、植被、湖泊4类纯净的端元，并获取它们的光谱值，利用线性模型进行混合像元分解，分解结果见图4-9。

图4-7　原始影像

图4-8　MNF变化后的特征值

图4-9　线性分解结果

直接利用Fuzzy ARTMAP进行混合像元分解，令Fuzzy ARTMAP网络模型的选择参数α=10-6，ARTa 的初始域值，警戒参数ρb=0.8，匹配参数ε=0.01。网络的训练采用模拟数据进行，即：利用随机产生的一组0到1之间的随机量，作为组分比，依次与所提取的4类纯净端元光谱值相乘之后求和，以得到的光谱矢量作为网络的输入，以随机产生值作为输出。当训练达到一定次数，权值收敛后，训练完毕。然后对整幅影像进行处理，分解结果见图4-10。

图4-10　Fuzzy ARTMAP分解结果

在本书方法中，首先利用交叉光谱匹配技术，获得原始影像中各像元所包含的地物类别个数，保持Fuzzy ARTMAP网络模型的参数不变，分成以下4种情况来考虑。

（1）端元个数N=1时，当然这样的像元属于少数，直接将其对应的组分赋值为1，其余的赋值为0。

（2）端元个数N=2时，同样是利用模拟数据来训练网络，但网络的输出端变成2个，且对应不同的类别，有6种不同的组成方式来进行训练和测试。(www.xing528.com)

（3）端元个数N=3时，网络输出端变为3，对应不同的类别，有4种组成的方式来进行训练和测试。

（4）端元个数N=4时，表示端元数目是饱和的，网络模型的算法和原始算法一致。最终分解结果见图4-11。

在组分图像中，越亮的部分代表该地物所占的组分比例越高，反之代表所占的组分比例低。为了方便比较，所选取的纯净端元是一致的。从目视效果比较上来看，线性混合模型的分解结果不如后两种方法的分解结果。例如，从图4-9（b）、图4-10（b）中对“居民地”分解的组分影像的比较可以看出，基于线性模型的分解结果，根本就没有把居民地和植被两个不同的端元成分区分出来，对植被覆盖较多的地区分解出来的结果却与居民地的相似，这显然不符合实际情况，而基于ARTMAP神经网络方法得出的结果是，大片植被地区包含居民地的组分比较少，区分明显，较好地反映了实际情况。

图4-11　本书方法分解结果

作者认为这里有两方面的原因：一是选择纯净端元存在误差，由于是人为地选择纯净端元，线性混合模型过于简单，对初始条件的要求比较高，当纯净端元选择不太准确的时候，误差也比较大，而神经网络模型有自适应、自调节的特点，并且是一个迭代的过程，因此，利用神经网络分解的结果要好些；二是事实上在遥感影像中，各种地物的反射率一般是通过非线性形式加以组合的，因此利用线性模型去解决非线性的问题，分解结果会存在着比较大的误差。如果参考端元相同，神经网络模型的分解结果会好于线性混合的分解结果，这一点在图中也得到了证实。在加入了端元可变的信息后，对于图像中的每一个像元都剔除了相似性最小的端元类别，得到的端元组分更加准确，在混合像元越多的区域，分解的效果越好。例如，对图4-10（d）和图4-11（d）中“湖泊”分解的组分影像进行比较，图4-10（d）中显示的亮度高的地区表示所占湖泊的组分比高，但是实际上有些地区并不是湖泊，而是由植被、土壤等其他类别来组成的，因此在这种混合情况比较复杂的区域，直接利用神经网络的方法来分解的误差是比较明显的，从图4-11（d）得到的结果看出，利用端元可变的神经网络方法来分解，效果要比图4-10（d）好。

对于4幅组分影像上近似认为是纯净端元的区域，比如长江，3种方法的分解结果在区域和数值上基本相同。但对于是混合像元的区域，图4-11 的结果明显要好于图4-9 和图4-10的结果。在利用端元变化的方法得到的结果中影像上不含有该类端元的区域值为0，而利用线性分解模型和直接利用神经网络得到的区域值均不为0。本书在图4-11（a）的高亮区（长江）随机选择了400个点，统计各类平均组分值（表4-3）。

表4-3　分解结果

这是由于传统线性模型以及神经网络模型对混合像元进行无区别分解，所以每类端元对混合像元都表现出一定的贡献。而可变端元的分解方法结合光谱信息和空间信息，动态调整端元个数，在分解过程中去除不相关的端元，因而取得了更好的结果。从目视解译和实地调查看，端元可变的混合像元分解方法更符合实际情况。

在整幅影像上取RMSE对3种方法做定量比较（表4-4），结果表明：利用本书提出来的方法比传统线性方法和Fuzzy ARTMAP神经网络模型的分解方法得到的结果要好，获得的4种端元类别的均方误差都是最小的，有效地证明了方法的适用性。

表4-4　误差比较