本发明专利技术属于遥感图像处理技术领域，具体为一种基于自组织映射神经网络的遥感图像混合像元分解方法。该方法将自组织映射神经网络和模糊理论中的模糊隶属度相结合，来计算分解后的丰度值。同时，由于自组织映射神经网络的无目标函数的竞争学习特性，本方法摆脱了局部极值问题。此外，本发明专利技术自动满足混合像元分解问题所要求的两个约束：丰度值非负约束和丰度值和为１约束，有较好的混合像元分解结果，同时具有较强的抗噪声能力。新方法在基于多光谱和高光谱遥感图像的高精度的地物分类以及地面目标的检测和识别方面具有特别重要的应用价值。
【技术实现步骤摘要】
本专利技术属于遥感图像处理
，具体涉及一种基于自组织映射神经网络和模糊隶 属度的遥感图像混合像元分解方法。技术背景遥感是本世纪六十年代发展起来的新兴综合技术，与空间、电子光学、计算机、地理 学等科学技术紧密相关，是研究地球资源环境的最有力的技术手段之一。近年来，随着成 像技术的进步，多波段遥感图像在越来越多的领域得到了广泛应用。由于成像系统空间分 辨率的限制和地表的复杂多样，遥感图像中的一个像元往往对应着地面上较大面积的一块区域，此区域内可能存在多种地物类型，这就形成了混合像元。混合像元的分解对于基于 多光谱和高光谱遥感图像的高精度地物分类以及地面目标的检测有着重要的意义。许多算法己被提出并应用于混合像元分解。线性光谱混合模型是一个广泛使用的混合 像元分解模型，它假设混合像元是各端元光谱的线性混合，并通过引入约束条件，用 带约束条件的最小二乘法求解超定线性方程组，以实现混合像元的分解。但是，它无 法同时满足混合像元分解要求的丰度值非负约束和丰度值和为1约束，影响了解混精度。 一些研究人员利用反向传播和径向基函数人工神经网络进行混合像元丰度值的求 解，他们首先通过有监督的训练确定网络神经元连接的权值，然后用训练好的网络对混合 像元进行分解。但这种方法同样存在约束条件无法满足的问题。 一些基于概率模型的方法 也被提出，它们首先利用训练样本训练出均值、方差、先验概率等模型参数，然后 通过求解后验概率得到丰度值。但是，这类方法在模型参数的迭代训练过程中可能落入局 部极值点而导致得到的分解结果较差。研究者们还将模糊c均值聚类算法应用于混合像元 分解，该方法通过非监督模糊聚类产生聚类中心和隶属度矩阵，聚类中心对应着各端 元，隶属度即是所要求解的丰度值。然而，模糊c均值聚类算法的迭代过程存在着易落入 局部极值点和计算量大的问题。因此，如何对混合像元进行分解，求解组成混合像元的各种典型地物(即端元)的比例(即丰度)，已成为近年来遥感领域的一个研究热点。下面介绍与本专利技术相关的一些概念 1.线性光谱混合模型近年的研究中，线性光谱混合模型被广泛的应用于遥感图像中的混合像元分解问题， 该模型假设图像中的每个像元都为各个端元像元通过线性混合得到。设X为多通道遥感图像中单一像元的多光谱矢量，j为由各类纯地物信号(端元)的多光谱或高光谱矢量所组成的 反射特性矩阵，S为该像元中各类地物所占的百分比(即丰度)，iV为模型的误差，则依此 模型有如下关系式<formula>formula see original document page 5</formula>(1)若遥感图像有"个通道，其中有m类地物类型，则式中X为nxl的向量，^为Mxm的矩阵，S 为wxl的向量，7V为"xl的向量，对于实际的多通道遥感图像，尤其是高光谱遥感图像， 一般有"〉附。同时，基于混合像元分解问题的实际物理意义，S应满足如下两个约束条件1) 混合像元中各成分的比例5,之和应该等于l，艮P:<formula>formula see original document page 5</formula>(2)2) 分解所得各成分的比例S,应该在的范围内，艮P:0" SI, (/ = l,2,,.,，m). 2.模糊隶属度的定义式推导作为硬c均值聚类算法的一种改进，模糊理论中的模糊c均值算法把所有数据样本;c, (fl,2，…,n)分为c个模糊类，并求解每个类的聚类中心，使得非相似性指标的目标函 数达到最小。模糊c均值算法与硬c均值聚类算法的主要区别在于模糊c均值算法用模 糊划分，使得每个给定数据点用值在间的模糊隶属度来确定其属于各个类的程度。模糊C均值算法的目标函数如下",(3)<formula>formula see original document page 5</formula>其中 为第J'个样本隶属于第i个端元的模糊隶属度，《=|| c, -x, II为第/个聚类中心与第7个数据样本间的欧几里德距离，we[l,oo)是一个加权指数，A，产l,2，…，n，是n个归一化约束式的拉格朗日乘子。对所有输入参量求导，使上述目标函数达到最小的必要条件为<formula>formula see original document page 6</formula>(5)
技术实现思路
本专利技术的目的在于提出一种基于自组织映射神经网络的新的遥感图像混合像元分解 方法，以便快速有效的对多通道遥感图像的混合像元进行分解，得到精确的混合像元分解 结果，并具有较好的抗噪性能。本专利技术提出的遥感图像混合像元分解方法，将自组织映射神经网络和模糊理论中的 模糊隶属度相结合，首先利用少量的训练样本有监督地训练自组织映射神经网络，然后通 过计算混合像元对各自组织映射网络节点的模糊隶属度完成丰度值的求解。由于自组织映射网络的训练过程是属于无目标函数的竞争性学习，并且训练的迭代过程只对少量训练样 本进行，所以不存在模糊c均值算法中存在的易落入局部极值点和计算量大的问题，保证 了算法的鲁棒性和速度。本专利技术提出的遥感图像混合像元分解方法，包括如下基本内容1.自组织映射神经网络(SOM网络)的有监督训练传统的自组织映射网络的学习是无监督的，即自组织映射网络的训练样本是不需 要打上类型标记的。通过对训练样本做简单的处理，可以实现有监督学习的自组织映射网 络，使得训练后的自组织映射网络竞争层上的各节点带有类型标记。假设本原来的维数是N，类型数(即端元数)为k。图2展示了如何对各类型的训练 样本打上类型标记，图中k=3。即通过扩展样本维数的方式，将训练样本的类型标记以二 进制编码的形式存储在样本中，样本维数由原来的N维拓展为N+k维。将处理后的训练样本送入自组织映射网络训练，训练结束后各竞争层神经元节点的维 数为N+k。设神经元节点前A维的最大值出现在第i维上，则可以判定该神经元节点属于 第J'个类型。得到神经元节点的类型后，将节点的前A维去除。图3显示了自组织映射网络最终的训练结果，图中同颜色的自组织映射节点被标记为 同一类型。下面具体介绍自组织映射神经网络训练的做法自组织映射神经网络模拟了人类大脑皮层中具有自组织特征的神经信号传送过程，是一种无监督的竞争学习型的神经网络。该神经网络的主要特性包括拓扑有序性，容错性， 自联想功能等。自组织映射网络的基本结构如图1所示，由一层输入层和一层竞争层组成。输入层的 神经元个数N等于数据样本的维数，竞争层的M个神经元排成一个2维的阵列。该阵列可 以有各种类型的邻域拓扑结构，图1中的邻域拓扑结构为常见的方形，深色神经元节点表 示以浅色神经元节点为中心半径为1的邻域范围内的神经元节点。因此，自组织映射网络 将N维样本映射到了一个2维的拓扑特征图上。对于输入的每一个训练样本，自组织映射网络的训练过程包括竞争和学习两个步骤。 在竞争步，首先进行竞争，判断和训练样本欧几里德距离最小的的竞争层节点为竞争获胜 节点，如图l中的浅色节点。在学习步，更新获胜节点及其周围一定邻域范围内的节点， 如图l中的深色节点，令它们朝训练样本方向以一定的学习率做修正，修正公式如下&l本文档来自技高网...
【技术保护点】
一种基于自组织映射神经网络的遥感图像混合像元分解方法，其特征在于具体步骤如下： （１）．训练自组织映射神经网络 １）初始化自组织映射神经网络 根据待分解数据集中存在的端元数量，设置自组织映射神经网络的尺寸，按随机方式初始化自组织映射神经网络，并设置网络的训练参数，包括拓扑结构、初始邻域半径、初始学习率； ２）挑选与处理训练样本 从待分解的数据集中或光谱库中挑选训练样本，并对它们做预处理，通过扩展训练样本的维数，由原来的Ｎ维拓展为Ｎ＋ｋ维，Ｎ是原数据样本的维数，ｋ为类型数，以二进制编码的形式，对各类型的训练样本打上类型标记，以实现有监督学习的自组织映射网络，使得训练后的自组织映射网络竞争层上的各节点也带有类型标记； ３）训练自组织映射网络 利用已挑选的训练样本，根据竞争学习的原理训练网络：对于输入的每一个训练样本，首先判断和训练样本欧几里德距离最小的的竞争层节点为竞争获胜节点，然后更新获胜节点及其周围一定邻域范围内的节点，令它们按公式（６）朝训练样本方向以一定的学习率做修正，训练过程中邻域半径和学习率随着网络的收敛而逐步减小； ｗ↓［ｉ］（ｔ＋１）＝ｗ↓［ｉ］（ｔ）＋α（ｔ）×（ｘ↓［ｐ］－ｗ↓［ｉ］（ｔ））， ｉ∈η↓［ｒ］ （６） 其中ｘ↓［ｐ］表示当前训练样本，ｗ↓［ｉ］（ｔ）表示当前竞争层第ｉ个节点，α（ｔ）表示当前学习率，η↓［ｒ］表示半径为ｒ的邻域； （２）．计算模糊隶属度 １）加权指数ｍ的预测 对待分解的数据集，根据模糊目标函数： Ｕ↓［ｇ］＝ｅｘｐ｛－ａＪ↓［ｍ］（Ｕ，ｃ）／＊（Ｊ↓［ｍ］（Ｕ，ｃ））｝ （７） 的拐点预测模糊隶属度公式中的最优加权指数ｍ； 其中Ｊ↓［ｍ］（Ｕ，ｃ）为（３）式中的Ｊ↓［ｍ］（Ｕ，ｃ↓［１］，…，ｃ↓［ｃ］），ａ为大于１的正常数， ＊↓［ｍ］（Ｕ，ｃ↓［１］，…，ｃ↓［ｃ］，λ↓［１］，…，λ↓［ｎ］）＝Ｊ↓［ｍ］（Ｕ，ｃ↓［１］，…，ｃ↓［ｃ］）＋＊λ↓［ｊ］（＊ｕ↓［ｉｊ］－１）＝＊＊ｕ↓［ｉｊ］↑［ｍ］ｄ↓［ｉｊ］↑［２］＋＊λ↓［ｊ］（＊ｕ↓［ｉｊ］－１） （３） 其中ｕ↓［ｉｊ］为第ｊ个样本隶属于第ｉ个端元的模糊隶属度，ｄ↓［ｉｊ］＝‖ｃ↓［ｉ］－ｘ↓［ｊ］‖为第ｉ个聚类中心与第ｊ个数据样本间的欧几里德距离，ｍ∈［１，∞）是一个加权指数，λ↓［ｊ］，...
【技术特征摘要】
【专利技术属性】
技术研发人员：刘力帆，王斌，张立明，
申请(专利权)人：复旦大学，
类型：发明
国别省市：31[中国|上海]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。