高光譜遙感影像混合像元分解課件(PPT 88頁(yè))

1、 高光譜遙感圖像混合像元分解 本章主要介紹高光譜遙感數(shù)據(jù)混合像元分解技術(shù)，多種混合分解模型以及擴(kuò)展內(nèi)容介紹。1第1頁(yè)，共88頁(yè)。8.1 混合分解的定義：1）混合像元在高光譜遙感影像中普遍存在。2）求解每一混合像元的覆蓋類型組分比例值，也就是求取端元百分含量（豐度）。3）解決了因混合像元的歸屬而產(chǎn)生的錯(cuò)分、誤分問(wèn)題，分類將更加精確。2第2頁(yè)，共88頁(yè)。3第3頁(yè)，共88頁(yè)。4第4頁(yè)，共88頁(yè)。非線性光譜混合線性光譜混合5第5頁(yè)，共88頁(yè)。把像元的反射率表示為端元組分的光譜特征和它們的面積百分比（豐度）的函數(shù)。Charles 在1996年將像元混合模型歸結(jié)為以下五種類型：（1）線性（linear）模

2、型（2）概率（probabilistic）模型（3）幾何光學(xué)（geometricoptical）模型（4）隨機(jī)幾何（stochastic geometric）模型（5）模糊分析（fuzzy）模型 還有其它一些模型，如神經(jīng)網(wǎng)絡(luò)模型（ANN）8.2 混合像元分解技術(shù)6第6頁(yè)，共88頁(yè)。在均勻光照明、表面比較光滑的情況下，實(shí)驗(yàn)室與野外的實(shí)驗(yàn)結(jié)果都驗(yàn)證了線性混合光譜模型的正確性。借助于線性混合光譜模型，通過(guò)模型反轉(zhuǎn)，就能夠從像元的表觀光譜特性（輻亮度或反射率），分離和提取各像元組分的光譜，分別分析和評(píng)價(jià)像元組分。優(yōu)點(diǎn)：線性光譜混合模型是混合像元分解的常用方法。這種模型具有良好的物理意義，并且計(jì)算簡(jiǎn)單、

3、普適應(yīng)用的特點(diǎn)，也是目前國(guó)內(nèi)外研究最為深入的一種模型。缺點(diǎn)：當(dāng)?shù)湫偷匚镞x取不精確時(shí)，會(huì)帶來(lái)較大的誤差；在實(shí)際應(yīng)用中存在著一些限制 ：（1）實(shí)際情況；（2）端元光譜難以獲??；（3）地物數(shù)大于波段數(shù)；（4）沒(méi)有考慮地形及其他影響（1） 線性模型7第7頁(yè)，共88頁(yè)。在線性混合模型中，每一光譜波段中單一像元的反射率表示為它的端元組分特征反射率與它們各自豐度的線性組合。從遙感圖像的像元光譜信號(hào)可以提取像元整體的表觀光譜信息，其表觀光譜信息光譜輻亮度L（ ）是端元光譜輻亮度Lj（ j）的線性組合?；旌舷裨?第8頁(yè)，共88頁(yè)。reflectance水體植被土壤混合像元混合像元的光譜是像元內(nèi)各地物光譜的加權(quán)和

4、9第9頁(yè)，共88頁(yè)?；旌舷裨庾V 光譜曲線的表現(xiàn)形式10第10頁(yè)，共88頁(yè)。 光譜曲線的反演11第11頁(yè)，共88頁(yè)。影像中的表現(xiàn)形式12第12頁(yè)，共88頁(yè)。混合光譜值面積比加權(quán)系數(shù)-fraction端元光譜矩陣-endmember端元是組成像元的基本單位，是區(qū)分不同地物光譜特征的基本單元數(shù)學(xué)公式的表現(xiàn)形式13第13頁(yè)，共88頁(yè)。光譜均方根誤差 RMSE誤差影像的結(jié)構(gòu)信息未知真實(shí)組分分解精度評(píng)價(jià)標(biāo)準(zhǔn)均方根誤差 (RMSE)其中n表示所有測(cè)試的象元個(gè)數(shù)，yi和xi分別代表估計(jì)組分比與真實(shí)百分比 14第14頁(yè)，共88頁(yè)。均方根誤差 (RMSE)ROC估計(jì)（置信度）雙變量分布統(tǒng)計(jì)(BDF)已知真實(shí)組分

5、分解精度評(píng)價(jià)標(biāo)準(zhǔn)15第15頁(yè)，共88頁(yè)。ROC估計(jì) ROC估計(jì)（置信度）16第16頁(yè)，共88頁(yè)。BDF圖雙變量分布統(tǒng)計(jì)(BDF)17第17頁(yè)，共88頁(yè)。美國(guó)內(nèi)華達(dá)(Nevada)地區(qū)AVIRIS高光譜影像（波段數(shù)50）實(shí)例分析18第18頁(yè)，共88頁(yè)。(a)山體、陰影；(b)黃鉀鐵礬；(c)針鐵礦；(d)明礬；(e)白云母；(f)玉髓；(g)高嶺石；(h)方解石；(i)鈉蒙脫石；(j)噪聲圖像。實(shí)驗(yàn)分析分解結(jié)果19第19頁(yè)，共88頁(yè)。非線性光譜模型是與線性對(duì)應(yīng)起來(lái)的模型，后面五種模型可以統(tǒng)稱為非線性模型，最常用的是把灰度表示為二次多項(xiàng)式與殘差之和，表達(dá)式可以如下：f是非線性函數(shù)，一般可設(shè)為二次多

6、項(xiàng)式，F(xiàn)i表示第i種典型地物在混合像元中所占面積的比例，b為波段數(shù)。 非線性混合像元分解技術(shù)20第20頁(yè)，共88頁(yè)。對(duì)以外地面物體來(lái)說(shuō)，由于其表面狀態(tài)復(fù)雜，地面與大氣以及地物之間的多次散射、陰影和儀器視場(chǎng)的不均勻等原因產(chǎn)生非線性效應(yīng)。線性混合是非線性混合在多次反射被忽略的情況下的特例。優(yōu)點(diǎn)：計(jì)算精度要高，符合實(shí)際情況，考慮了多種具體因素。缺點(diǎn)：通用性不強(qiáng)，計(jì)算復(fù)雜，某些情況下的誤差很大非線性混合像元分解的特點(diǎn)21第21頁(yè)，共88頁(yè)。（2）概率模型概率模型的一個(gè)典型是由Marsh等人（1980）提出的近似最大似然法。該模型只有在兩種地物混合條件下使用。利用線性判別分析和端元光譜產(chǎn)生一個(gè)判別值，根

7、據(jù)判別值的范圍將像元分為不同的類別。 22第22頁(yè)，共88頁(yè)。（3）幾何光學(xué)模型。該模型適用于冠狀植被地區(qū)，它把地面看成由樹(shù)及其投射的陰影組成。從而地面可以分成四種狀態(tài)：光照植被面（C）、陰影植被面（T）、光照背景面（G）、陰影背景面（Z）。像元的反射率可以表示為：23第23頁(yè)，共88頁(yè)。（4）隨機(jī)幾何模型該模型和幾何光學(xué)模型相類似，像元反射率同樣表示為四種狀態(tài)i的面積權(quán)重的線性組合。即：24第24頁(yè)，共88頁(yè)。（5）模糊模型基本原理：將各種地物類別看成模糊集合，像元為模糊集合的元素，每一像元均與一組隸屬度值相對(duì)應(yīng)，隸屬度也就代表了像元中所含此種地物類別的面積百分比?；静襟E是采用監(jiān)督最大似然

8、法分類，前提是必須符合正態(tài)分布。分別利用樣本計(jì)算出模糊均值向量與模糊協(xié)方差矩陣用于代理最大似然法分類中的均值向量與協(xié)方差矩陣，求取出屬于某一個(gè)類別的隸屬度。25第25頁(yè)，共88頁(yè)。不同混合像元分解模型的可行性應(yīng)用混合模型的可行性估算不同類型的比例線性光學(xué)幾何隨機(jī)幾何概率模糊濃密森林的植被與裸地稀疏森林的植被與裸地不同植被群落平均樹(shù)高、樹(shù)密度、樹(shù)尺寸不同作物不同土壤或巖石不同礦物混合土地覆蓋類型表中的表示最有效、為可行、為不可行 26第26頁(yè)，共88頁(yè)。神經(jīng)網(wǎng)絡(luò)模型屬于非線性模型的一種，它是近幾年研究、應(yīng)用非?；钴S的模式識(shí)別方法。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行混合像元分解：如果是直接的硬分類處理，表示將類別的

9、輸出端的概率，按照從大到小的順序進(jìn)行排列，選擇最大的那個(gè)類別作為類別的歸屬；如果是進(jìn)行混合像元分解，則需要將輸出端的概率轉(zhuǎn)化為每一種類別的組分比，并保證組分比的和相加等于1，把得出的每一種類別的組分比信息顯示在最后的結(jié)果圖像上。神經(jīng)網(wǎng)絡(luò)模型27第27頁(yè)，共88頁(yè)?；旌舷裨纸饽Ｐ褪疽鈭D 將其利用于混合像元分解中來(lái)，首先對(duì)以上分類模型進(jìn)行改進(jìn)，改進(jìn)的主要部分在輸出節(jié)點(diǎn)層。BP神經(jīng)網(wǎng)絡(luò)：28第28頁(yè)，共88頁(yè)。本實(shí)驗(yàn)數(shù)據(jù)選取分辨率為30m的TM影像。該影像區(qū)域?yàn)楹笔∥錆h市，大小為400像素400像素，獲取時(shí)間為1998年10月26日 居民地 長(zhǎng) 江 植被 湖泊 原始TM影像 訓(xùn)練樣區(qū) 29第29

10、頁(yè)，共88頁(yè)。 四種地物波段光譜曲線圖BP算法分類結(jié)果30第30頁(yè)，共88頁(yè)。分解結(jié)果線性分解結(jié)果ANN分解結(jié)果長(zhǎng) 江長(zhǎng) 江湖 泊植 被居民區(qū)居民區(qū)湖 泊植 被31第31頁(yè)，共88頁(yè)。Endmember是影像所對(duì)應(yīng)區(qū)域內(nèi)大多數(shù)像元的一個(gè)有效組成成分，Endmember數(shù)量的確定，應(yīng)當(dāng)符合影像所對(duì)應(yīng)區(qū)域內(nèi)的大多數(shù)像元的實(shí)際。 1）數(shù)量少會(huì)把非典型的Endmember分入分量中，產(chǎn)生分量誤差，增加RMS 2）數(shù)量多又會(huì)使模型對(duì)設(shè)備噪聲、大氣污染及光譜本身的可變性敏感，導(dǎo)致分量誤差。在實(shí)際應(yīng)用中，Endmember的確定有監(jiān)督與非監(jiān)督、自動(dòng)與手工選取之分。8.3 端元（Endmember）提取32第

11、32頁(yè)，共88頁(yè)。一、實(shí)地測(cè)量或直接從光譜數(shù)據(jù)庫(kù)獲得因?yàn)槌上駰l件、大氣吸收和地形影響因素，實(shí)地測(cè)量或光譜數(shù)據(jù)庫(kù)中的同一地物的光譜值與影像的光譜值并不一致，所以這種方式選取Endmember的光譜值有一定的局限性。33第33頁(yè)，共88頁(yè)。二、從影像統(tǒng)計(jì)分析中獲得。如用監(jiān)督分類的訓(xùn)練區(qū)采樣，以樣點(diǎn)的均值作為各波段的取值；或用主成分分析（PCA）方法，繪制主要成分波段的散點(diǎn)圖，再通過(guò)不同覆蓋類型端元在主成分特征空間中的分布，利用人機(jī)交互的方法確定樣本區(qū)域以樣點(diǎn)的均值作為各波段的取值等。34第34頁(yè)，共88頁(yè)。 端元選擇：監(jiān)督方法35第35頁(yè)，共88頁(yè)。 端元選擇：監(jiān)督方法方法：PCA降維散點(diǎn)圖角點(diǎn)缺

12、點(diǎn)：費(fèi)時(shí)費(fèi)力，適用少量數(shù)據(jù)36第36頁(yè)，共88頁(yè)。B）全自動(dòng)選取Endmember利用非監(jiān)督的方法從數(shù)據(jù)本身全自動(dòng)獲取端元光譜是目前研究的熱點(diǎn)。37第37頁(yè)，共88頁(yè)。（1）純凈端元指數(shù)（PPI）1、利用MNF變化進(jìn)行噪聲白化和降維的處理。2、把光譜特征空間中所有的像元往單位向量u上投影，端元會(huì)投影到u的兩側(cè)，而混合像元會(huì)投影到中部。3、計(jì)算每個(gè)像元被投影到端點(diǎn)的次數(shù)，即為純凈指數(shù)。4、當(dāng)被投影到向量端點(diǎn)的次數(shù)越多的時(shí)候，證明該像元為純凈像元的概率越大。38第38頁(yè)，共88頁(yè)。純凈端元指數(shù)提取示意圖A、B、C、D的純凈像元指數(shù)分別為2,2,1,139第39頁(yè)，共88頁(yè)。（2）N-Finder主

13、要是利用高光譜數(shù)據(jù)在特征空間中的凸面單形體結(jié)構(gòu)，尋找最大體積的單形體，從而自動(dòng)獲取圖像中的所有端元。下式當(dāng)誤差項(xiàng)n滿足很小時(shí)，所有的點(diǎn)正好滿足落在單形體的體積內(nèi)。40第40頁(yè)，共88頁(yè)。以兩個(gè)波段三個(gè)端元為例，說(shuō)明它們之間的幾何關(guān)系，A，B，C分別是三角形的頂點(diǎn)，三角形內(nèi)部的點(diǎn)對(duì)應(yīng)著圖像的混合像元。這樣求取高光譜端元的問(wèn)題轉(zhuǎn)化為求單形體頂點(diǎn)的問(wèn)題。41第41頁(yè)，共88頁(yè)。42第42頁(yè)，共88頁(yè)。（3）迭代誤差分析求取端元迭代誤差分析（iterative error analysis, IEA）是一種不需要對(duì)原始數(shù)據(jù)進(jìn)行降維或去冗余而直接對(duì)數(shù)據(jù)進(jìn)行處理的端元提取算法。該算法需要多次利用約束性解混

14、，要求得到的端元使得線性解混后誤差最小。首先給定一個(gè)初始向量（一般為圖像中所有光譜的均值向量），對(duì)圖像進(jìn)行約束性解混，得到誤差圖像。誤差最大的像元作為第一個(gè)端元，對(duì)圖像進(jìn)行約束性解混，得到誤差圖像中誤差最大的像元作為新的端元，再將新端元再加入到下一步的約束線性解混操作中，直到求出圖像中的所有端元。43第43頁(yè)，共88頁(yè)。全自動(dòng)選擇端元實(shí)例： AVIRIS圖像立方體 誤差隨端元增加而減小的曲線44第44頁(yè)，共88頁(yè)。abcdfhgea：山體、陰影；b：黃鉀鐵礬；c：針鐵礦；d：明礬；e：白云母；f：玉髓；g：高嶺石；h：方解石IEA提取的端元分布圖45第45頁(yè)，共88頁(yè)。8.4 混合像元分解若干

15、問(wèn)題1、全限制性分解傳統(tǒng)的線性光譜分解模型求解結(jié)果誤差比較大，同時(shí)求解豐度中存在著負(fù)值的情況，因此在這里加上兩個(gè)限制性條件：當(dāng)同時(shí)滿足這兩個(gè)條件的時(shí)候，實(shí)驗(yàn)與有關(guān)理論研究表明，混合像元限定性分解比非限定性分解精度有很大提高。 分解組分相加和為1。豐度值不能為負(fù)數(shù)。46第46頁(yè)，共88頁(yè)。對(duì)比：全限制性與非限制性分解實(shí)驗(yàn)非限制性分解的BDF圖 全限制性分解的BDF圖 47第47頁(yè)，共88頁(yè)。2、多源遙感影像分解實(shí)驗(yàn) 選擇通過(guò)不同傳感器所獲取的多源數(shù)據(jù)來(lái)對(duì)某一個(gè)地區(qū)的土地覆蓋類型進(jìn)行研究。選取同一地區(qū)兩種不同分辨率的影像，進(jìn)行嚴(yán)格的幾何配準(zhǔn)，使兩個(gè)影像保持一一對(duì)應(yīng)的關(guān)系。 48第48頁(yè)，共88頁(yè)。

16、高分辨影像中沒(méi)有混合像元高分辨影像分類的結(jié)果折算為低分辨影像對(duì)應(yīng)地物的組分比ETM影像(150*150) IKONOS影像(1200*1200) 實(shí)驗(yàn)49第49頁(yè)，共88頁(yè)。IKONOS 硬分類影像IKONOS分類結(jié)果換算為百分比影像50第50頁(yè)，共88頁(yè)。KLS方法分解的組分影像KLS（核最小二乘 ）方法分解結(jié)果的BDF圖結(jié)果分析：1、IKONOS與ETM+不同傳感器的影響以及影像之間存在一定的配準(zhǔn)誤差；2、實(shí)驗(yàn)地區(qū)地物比較復(fù)雜，IKONOS影像分類精度影響了ETM+實(shí)驗(yàn)的分解精度；3、影像中同類地物之間光譜差別大以及類別定義等的原因。 51第51頁(yè)，共88頁(yè)。3、影響誤差的因素1）選擇模擬

17、數(shù)據(jù)進(jìn)行定量分析。為什么采用模擬數(shù)據(jù)？ 完全知道端元組份的大小，因此端元組份的估計(jì)值與真實(shí)值之間的差距完全是由模型或者算法本身的影響造成。52第52頁(yè)，共88頁(yè)。隨機(jī)產(chǎn)生組分比 *+混合光譜 端元光譜 隨機(jī)噪聲模擬數(shù)據(jù)產(chǎn)生方法53第53頁(yè)，共88頁(yè)。實(shí)驗(yàn)數(shù)據(jù) 例：從一幅推掃式機(jī)載成像光譜PHI影像中選取的四種端元光譜，每種端元選擇了15條光譜曲線。 “跡”用來(lái)描述內(nèi)在端元變化的幅度大?。?4第54頁(yè)，共88頁(yè)。兩組模擬數(shù)據(jù)兩組數(shù)據(jù)分別代表：噪聲和端元內(nèi)部變化對(duì)混合光譜分解精度的影響。第一組采用平均值作為端元光譜，因而不存在端元內(nèi)部的變化，但在模擬數(shù)據(jù)中附加了隨機(jī)噪聲；第二組模擬數(shù)據(jù)保留了端元內(nèi)

18、部的變化，但沒(méi)有附加隨機(jī)噪聲。55第55頁(yè)，共88頁(yè)。第一組模擬數(shù)據(jù)：56第56頁(yè)，共88頁(yè)。第二組模擬數(shù)據(jù)：57第57頁(yè)，共88頁(yè)。實(shí)驗(yàn)結(jié)論：端元內(nèi)部的變化對(duì)混合像元分解精度的影響要遠(yuǎn)大于噪聲的影響，因此，端元內(nèi)部變化是制約混合像元分解精度的主要因素。傳統(tǒng)的混合光譜模型沒(méi)有考慮端元內(nèi)部的變化，造成了在同物異譜混合現(xiàn)象比較多的區(qū)域分解精度降低。58第58頁(yè)，共88頁(yè)。2）漏選或多選端元光譜一、多選端元光譜對(duì)信噪比較高影像的分解結(jié)果影響不是很大，所以，傳統(tǒng)的混合像元分解中，每個(gè)像元都用整幅影像中端元光譜來(lái)分解，是多選端元的條件下進(jìn)行分解。二、漏選端元光譜會(huì)給分解結(jié)果帶來(lái)較大誤差，所以一定要避免漏

19、選的情況。那么，究竟對(duì)每個(gè)像元里面的端元應(yīng)該如何進(jìn)行選擇，并且選擇多少？ 59第59頁(yè)，共88頁(yè)。端元可變的混合像元分解考慮交叉相關(guān)光譜匹配技術(shù)，計(jì)算像元光譜和參考光譜(端元)之間的響應(yīng)值，來(lái)判斷兩光譜之間的相似程度，從而保證與參考光譜相似程度最高的組分入選。 R (relation)測(cè)試光譜參考光譜60第60頁(yè)，共88頁(yè)。主要公式 ：測(cè)試光譜 ：參考光譜 ：原始混合光譜值 ：剩余混合光譜值 ：參考光譜最大的投影值進(jìn)行n次迭代后，滿足兩次投影之間的差為0，或者負(fù)值，終止迭代。61第61頁(yè)，共88頁(yè)。實(shí)驗(yàn)：高光譜ROSIS成像光譜儀（光譜范圍是425-850nm，共有102個(gè)波段）所獲取的遙感影

20、像作為高光譜實(shí)驗(yàn)數(shù)據(jù)。該數(shù)據(jù)獲取的時(shí)間是2002年7月，地區(qū)是意大利北部城市帕維亞市（45.11 N，9.09 E）。這里采用64、39、10波段進(jìn)行真彩色合成。ROSIS高光譜影像 截取影像 62第62頁(yè)，共88頁(yè)。水泥地植 被屋 頂誤差圖線性提取全限制性提取端元可變提取63第63頁(yè)，共88頁(yè)。從遙感圖像中，提取可視目標(biāo)是一個(gè)相對(duì)簡(jiǎn)單的任務(wù)基于傳統(tǒng)方法從美國(guó)洛杉磯國(guó)際機(jī)場(chǎng)提取飛機(jī)如何識(shí)別那些隱藏和不可視的目標(biāo)？4、高光譜影像亞像元目標(biāo)探測(cè)64第64頁(yè)，共88頁(yè)。1） 目視不可區(qū)分M1-A1坦克隱藏在叢林中 基于光譜特征的異常目標(biāo)探測(cè)技術(shù)65第65頁(yè)，共88頁(yè)。2）目標(biāo)尺寸小于一個(gè)像元采用背景

21、地物信號(hào)可變的亞像元目標(biāo)探測(cè)方法66第66頁(yè)，共88頁(yè)。67Class 2TargetClass 1地物分類投影方向目標(biāo)探測(cè)投影方向 特征空間內(nèi)分類與探測(cè)問(wèn)題 67第67頁(yè)，共88頁(yè)?；旌舷裨F(xiàn)象光譜變化現(xiàn)象高光譜遙感影像目標(biāo)探測(cè)的困難68第68頁(yè)，共88頁(yè)。發(fā)射信號(hào)s(t)傳輸接收X(t)預(yù)處理噪聲干擾n(t)信號(hào)檢測(cè)二元假設(shè)檢驗(yàn) H0：信號(hào)不存在（ ） H1：信號(hào)存在（ ）1）信號(hào)檢測(cè)概述理論基礎(chǔ)69第69頁(yè)，共88頁(yè)。2）高光譜目標(biāo)探測(cè)技術(shù)70第70頁(yè)，共88頁(yè)。模擬數(shù)據(jù)單波段圖像60:1和15:1 五種地物光譜曲線信噪比60：115：1探測(cè)率95%95%虛警數(shù)13135真實(shí)百分比估計(jì)百

22、分比60：115：171第71頁(yè)，共88頁(yè)。5、亞像元定位亞像元定位（Sub-pixel mapping），其目的是在混合像元分解的基礎(chǔ)上，進(jìn)一步確定像元中不同地物類型的具體空間位置，獲取更高空間分辨率的地物分類圖 。72第72頁(yè)，共88頁(yè)。示意圖73第73頁(yè)，共88頁(yè)。硬分類：從硬分類的角度來(lái)看，影像中的單個(gè)像元處于“非此即彼”的狀態(tài)。 軟分類：通過(guò)一定的方法找出組成混合像元的各種“組分”的比例。亞像元定位：將混合像元切割成更小的單元，并將具體地物類別相應(yīng)的分配到這些較小像元中，進(jìn)一步了解每一個(gè)亞像元的分布情況。74第74頁(yè)，共88頁(yè)。Atkinson于1997年首次提出了亞像元空間分布相關(guān)

23、性的理論，這個(gè)理論指出：亞像元定位的核心是保證在每一個(gè)混合像元當(dāng)中，相似的亞像元空間相關(guān)性最大化。端元組分百分比(a)和三種不同的亞像元空間分布情況(b) (c) (d) 核心理論75第75頁(yè)，共88頁(yè)。實(shí)驗(yàn)數(shù)據(jù)與驗(yàn)證標(biāo)準(zhǔn) 1）選擇多光譜波段的影像來(lái)代替高光譜數(shù)據(jù) 為了減少計(jì)算量，說(shuō)明的是一樣的道理。2）采用合成圖像進(jìn)行實(shí)驗(yàn) 所有的實(shí)驗(yàn)分析中的數(shù)據(jù)都是采用合成圖像來(lái)模擬混合像元分解后的豐度圖。所謂合成圖像，是指：將較高分辨率影像中各類型的硬分類結(jié)果，用濾波器重采樣至低分辨率的豐度圖。3）評(píng)判標(biāo)準(zhǔn) 原始高分辨率的硬分類結(jié)果可作為精度驗(yàn)證的標(biāo)準(zhǔn)，采用PCC比較，混淆矩陣，Kappa系數(shù)。 76第7

24、6頁(yè)，共88頁(yè)。合成數(shù)據(jù)制作過(guò)程77第77頁(yè)，共88頁(yè)。 基于鄰近信息的定位方法 是一種簡(jiǎn)單易行的方法：每一個(gè)子像元的值由鄰近的像元的值算術(shù)計(jì)算得到。A) 尺度S=2：利用與A距離最近的三個(gè)像元值取平均B) 尺度S=3：利用與A距離相近的五個(gè)像元取平均 （A） （B） 78第78頁(yè)，共88頁(yè)。實(shí) 驗(yàn) 尺度為2，降低分辨率尺度為3，降低分辨率硬分類硬分類方法A方法B原始影像PCC = 0.952PCC = 0.982PCC = 0.921PCC = 0.978分類參考圖組分比原始影像分類參考圖組分比原始影像分類參考圖79第79頁(yè)，共88頁(yè)。盡管取得了不錯(cuò)的效果，但是，Atkinson的核心理論只適合于地物尺寸大于像元分辨率的情況，下圖所示的情況1是適合的。尺度為880第80頁(yè)，共88頁(yè)。如果當(dāng)?shù)匚锍叽缧∮谙裨直媛实那闆r下，并不一定適合，下圖所示的情況2并不適合于該理論。尺度為88