36、遥感影像混合像元分解及味觉信号识别新方法

遥感影像混合像元分解及味觉信号识别新方法

1. 遥感影像混合像元分解新方案

在遥感影像处理中，混合像元问题是一个常见且影响分析精度的难题。由于空间分辨率的限制，很多情况下一个像元可能覆盖多种地物，成为混合像元。这不仅影响地物识别和分类的精度，还阻碍了遥感影像的定量分析。

传统上，反向传播（BP）和径向基函数（RBF）等神经网络方法被广泛用于混合像元分解。然而，这些方法的分解精度通常较低，并且在有噪声的情况下性能会迅速下降，也无法满足分解结果的约束条件，如分解结果的百分比之和应为 1，且每个分解结果的百分比应在 [0, 1] 范围内。

为了解决这些问题，提出了一种新的方案。该方案通过最小化一个带有特殊约束的新目标函数，能够比 BP 或 RBF 网络产生更精确的结果，并且在噪声较强的情况下也更稳健。

1.1 线性光谱混合分析

线性光谱混合分析（LSMA）在过去被广泛用于混合像元分解。它假设影像像元的光谱特征是由影像中存在的地物光谱特征线性混合而成。可以用以下方程表示：
$X = A \times S$
其中，$X$ 是多光谱遥感影像中单个像元的多光谱向量，$A$ 是由每个地物在每个光谱波段的反射率组成的反射特征矩阵，$S$ 是由每个地物的百分比组成的向量。如果多光谱遥感影像有 $n$ 个波段和 $m$ 种地物，那么 $X$ 是一个 $1 \times n$ 向量，$A$ 是一个 $m \times n$ 矩阵，$S$ 是一个 $1 \times m$ 向量。在这个模型中，矩阵 $A$ 的选择对分解结果的精度很重要。

1.2 约束条件

基于 LSMA 的分解结果 $S$ 应满足以