基于先验知识进行混合象元信息分解.doc

基于先验知识进行混合象元信息分解*973项目资助万华伟北京师范大学遥感与GIS研究中心,资源与环境科学系,环境遥感与数字城市北京市重点实验室北京,摘要:混合象元一直是影响遥感图像精度的一个重要因素。本文通过使用地物先验知识,利用高分辨率图像的分类图做限制条件,计算低分辨率的图像的象元地物的百分比,然后通过线性模型做混合象元分解,然后又通过分类图提供的地物信息作为先验知识,使用约束性的最小二乘法反演,从而得到比较精确的地物的值。我们利用了MODIS43B3反照率产品作为低分辨率图像,ASTER的可见光和近红外波段作为高分辨率图像,进行了实验,然后与地表的实测相对比,得到比较令人满意的结果。关键词:混合象元,线性分解,先验知识,遥感1引言在我们获得的遥感影象上,基本上都存在着混合象元。根据估计,在我们使用的MODIS的ALBEDO产品(1*1km2)上,90%以上为混合象元。这样,我们在使用这些数据时,如果不加考虑就直接使用,无疑会大大地降低我们研究的精度,而且引起信息量的丢失。因此对混合象元的分解是提高遥感信息的精度的一个重要方式[1]。目前的混合象元处理有很多方法,当前混合象元有两个基本方法:1)模糊分类方法;2)确定一个象素的光谱响应和其中端元的光谱与其所占面积比的关系[1]。对于混合象元的分解,BorisZhukov等提出了约束和非约束的MMT算法,提出利用高分辨率图像和低分辨率数据作融合[2],但是他们在反演时都没有充分地利用前面由分类图所增加的先验知识。李小文等指出,当地表的先验知识存在时,不加利用是可惜的[3]。在本文中,我们在对混合象元进行分解时,充分利用先验知识,在使用高分辨率作为限制条件的同时,利用引入先验知识的最小二乘分解,加入了根据分类图得到的“边界”。并且利用MODIS的反照率产品(分辨率为1km)做的实验。使用了同地区ASTER的图像前三波段(分辨率为15m)作为限制条件。通过进行混合象元的分解得到植被的反照率,将得到的数据与地表实测值以及如果直接使用混合象元的值作的对比以及误差分析,得出结论,经过引入先验知识的混合象元分解的误差比直接使用混合象元值低了很多,%%。(含研究需要的信息)1km,记LI高分辨率图像(含地物详细的空间分布信息)15m,记HI15×15聚合窗聚合中间尺度图像225m(由高分辨率图像生成),记MHI找控制点,配准中间尺度图像225m(由低分辨率图像生成),记MLI具有相同的坐标系Fig1:算法的流程图及图像的表示我们首先将低分辨率图像和高分辨率图像配准,在这里,由于两幅图像的分辨率相差太多(1km和15m),所以我们选取一中间尺度图像,我们先将高分辨率图像进行向下的尺度转换,我们直接使用15×15的聚合窗来进行重新采样。这样形成一幅225m分辨率的图像,我们再用它与1km的进行配准,这样配准的精度会比原来直接配准的精度提高许多。这样就生成了同一坐标系下的同为225m分辨率的两幅图像。,MLI是通过最近邻插值到MHI的坐标系上的、由LI生成的图像。最近邻法是最简单的一种插值方法,这种插值的过程中,DN是是不发生变化的,只与最邻近的象元有关