基于先驗知識進行混合象元信息分解

1、基于先驗知識進行混合象元信息分解基于先驗知識進行混合象元信息分解萬華偉北京師范大學遙感與GIS研究中心，資源與環(huán)境科學系，環(huán)境遙感與數字城市北京市重點實驗室北京，100875摘要摘要：混合象元一直是影響遙感圖像精度的一個重要因素。本文通過使用地物先驗知識，利用高分辨率圖像的分類圖做限制條件，計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知識，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，進行了實驗，然后與地表的實測相對比，得到比較令人滿意的結果。關鍵詞關鍵詞：混合象元，線性分解，先驗知識，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。根據估計，在我們使用的MODIS的ALBEDO產品（11km2）上，90%以上為混合象元。這樣，我們在使用這些數據時，如果不加考慮就直接使用，無疑會

3、大大地降低我們研究的精度，而且引起信息量的丟失。因此對混合象元的分解是提高遙感信息的精度的一個重要方式[1]。目前的混合象元處理有很多方法，當前混合象元有兩個基本方法：1）模糊分類方法；2）確定一個象素的光譜響應和其中端元的光譜與其所占面積比的關系[1]。對于混合象元的分解，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據作融合[2]，但是他們在反演時都沒有充分地利用前面由分類圖所增加的先驗知識。李

4、小文等指出，當地表的先驗知識存在時，不加利用是可惜的[3]。在本文中，我們在對混合象元進行分解時，充分利用先驗知識，在使用高分辨率作為限制條件的同時，利用引入先驗知識的最小二乘分解，加入了根據分類圖得到的“邊界”。并且利用MODIS的反照率產品（分辨率為1km）做的實驗。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。通過進行混合象元的分解得到植被的反照率，將得到的數據與地表實測值以及如果直接使用混合象元的值作的對比

5、以及誤差分析，得出結論，經過引入先驗知識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圖像的配準圖像的配準973項目資助因為MHI由HI直接聚合而成，因此，它們之間的對應關系非常簡單，MHI上的1個象元對應HI上1515＝225個象元，這些象元是規(guī)則分布的，我們取MHI上任意的象元(ij)，ij為它們的行列號，則對應HI上的象元的四個邊界點為：（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）這四個邊界點之間的225個象元，便對應著MHI上的一個象元。24找出找出LILI和HIHI之間的對應關系并求出其面積百分比之間的對應關系并求出其面積百分比由于MLI與MHI已經配準到同一坐標系下，也就是說通過以上兩步找到的LI與MLI和HI與MHI之間的關系，已經找出了，LI與HI之間的關

7、系。LI上的一個象元，對應著MI上的NUM225個象元。我們在上面找到了LI上一個象元與HI上的NUM225個象元以后，由于，HI圖像為分類圖像，其中，每個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數，然后除以總的象元數，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。25使用最小二乘模型進行亞象元分解使用最小二乘模型進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，其代價函數常用的形式為：21(())Miiiisyfx????其中，M為測量總數，為觀測數據，為模型參數，為由參數得到的模型結果iyix()iifxix[4]。理論上說，當觀測數據足夠多時，搜索能產生使s最小的一組參數值，也就是參數的最佳估計值。然而在實際情況的，由于傳統(tǒng)的最小二乘方法并不考慮其參數的物理邊界，有可能出現無物