[发明专利]基于自组织映射神经网络的遥感图像混合像元分解方法

摘要

本发明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。

主权项

1.一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；wi(t+1)＝wi(t)+α(t)×(xp-wi(t))，i∈ηr (6)其中xp表示当前训练样本，wi(t)表示当前竞争层第i个节点，α(t)表示当前学习率，ηr 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：$U_g=\exp \{-a\frac{J_m(U,c)}{\underset{\forall m}{\max }\left(J_m(U,c)\right)}\}---\left(7\right)$ 的拐点预测模糊隶属度公式中的最优加权指数m；其中Jm(U，c)为(3)式中的Jm(U，c1，...，cc)，a为大于1的正常数，${\bar{J}}_m(U,c_1,...,c_c,{\lambda }_1,...,{\lambda }_n)=J_m(U,c_1,...c_c)+\underset{j=1}{\overset{n}{\Sigma }}{\lambda }_j(\underset{i=1}{\overset{c}{\Sigma }}{u}_{\mathrm{ij}}-1)---\left(3\right)$ $=\underset{i=1}{\overset{c}{\Sigma }}\underset{j}{\overset{n}{\Sigma }}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2+\underset{j=1}{\overset{n}{\Sigma }}{\lambda }_j(\underset{i=1}{\overset{c}{\Sigma }}{u}_{\mathrm{ij}}-1)$ 其中uij为第j个样本隶属于第i个端元的模糊隶属度，dij＝‖ci-xj‖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，λj，j＝1，2，...，n，是n个归一化约束式的拉格朗日乘子；2)计算混合像元对各个神经元节点的模糊隶属度对于每一个混合像元，计算该像元和自组织映射神经网络竞争层每一个节点的模糊隶属度：$u_{\mathrm{ij}}=\frac{1}{\underset{k=1}{\overset{c}{\Sigma }}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{kj}}}\right)}^{2/(m-1)}};---\left(5\right)$ (3).计算混合像元分解的丰度值对带有同一类型标记的模糊隶属度求和，即得到该类型端元的丰度。