1、由于遙感拍攝儀器空間分辨率的限制,遙感圖像中的一個(gè)像元通常對(duì)應(yīng)著地面上較大面積的一塊區(qū)域,例如,AVIRIS拍攝的高光譜遙感圖像的地面分辨率為17m×17m。這樣的一塊區(qū)域內(nèi)可能存在多種地物類型,于是形成了混合像元。將混合像元分解為典型的地物(即端元)和它們之間混合的比例(即豐度),可以獲取亞像元級(jí)別的信息,提高地物識(shí)別的精度,實(shí)現(xiàn)定量遙感。因此,混合像元的分解對(duì)于基于多光譜和高光譜遙感圖像的高精度地物分類以及地面目標(biāo)的檢測(cè)有著重要的意

2、義,成為近年來(lái)遙感領(lǐng)域的一個(gè)研究熱點(diǎn)。本文針對(duì)這個(gè)問(wèn)題作了大量研究,創(chuàng)新內(nèi)容主要包括以下幾部分:
　　 1.本文提出一種新的遙感圖像混合像元分解方法,該方法首次將貝葉斯自組織映射(Bayesian Self-Organizing Map,BSOM)引入到遙感圖像的混合像元分解問(wèn)題中,并結(jié)合高斯混合模型(Gaussian Mixture Model,GMM)進(jìn)行解混。本文針對(duì)所提議的算法進(jìn)行了模擬和實(shí)際數(shù)據(jù)的實(shí)驗(yàn)驗(yàn)證,并將結(jié)果與模

3、糊C均值(Fuzzy C-Means,FCM)的分解結(jié)果進(jìn)行了比較,結(jié)果表明,本文所提出的基于貝葉斯自組織映射和高斯混合模型的解混方法能在較短的計(jì)算時(shí)間內(nèi)獲得精確的解混結(jié)果,在分解準(zhǔn)確性和抗噪聲能力方面要明顯優(yōu)于模糊C均值方法。
　　 2.本文提出一種基于自組織映射神經(jīng)網(wǎng)絡(luò)和模糊隸屬度的遙感圖像混合像元分解方法,該方法首先對(duì)自組織映射神經(jīng)網(wǎng)絡(luò)進(jìn)行有監(jiān)督的訓(xùn)練,然后基于模糊模型解混。模擬和實(shí)際數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明,對(duì)非線性混合的應(yīng)用

4、,文中所提議的混合像元分解方法相對(duì)于全約束最小二乘(Full Constraint Least-Square,FCLS),梯度下降最大熵(Gradient Descend Maximum Entropy,GDME),模糊C均值(Fuzzy C-Means,FCM)等方法有非常好的分解準(zhǔn)確性和抗噪聲能力。
　　 3.本文提出了一種基于獨(dú)立元分析(Independent Component Analysis,ICA)的遙感圖像混合像