基于自相關關系網絡遙感影像的動態定位方法

成艷真

(濟源職業技術學院 藝術設計系，河南 濟源 459000)

遙感影像普遍存在混合像元的現象[1]。軟分類技術，如混合像元分解技術，能夠獲取像元中每一個地物類別對應的豐度，獲得與類別個數相等的豐度影像，有效地解決像元混合問題[2-3]。然而混合像元分解僅能獲取各端元組分的豐度，無法確定各種地物在像元空間中的具體位置，仍然會造成遙感影像空間細節信息的丟失[4-5]。為了有效的解決這一不足，當前國內外對于網絡遙感影像動態定位進行了深入的研究[6]，提出了多種動態定位方法，包括在拓撲結構基礎上確認的定位方法，即充分利用其中的非線性擬合特征提高動態定位方法的準確性。然而，以往在隱藏層拓撲結構基礎上進行的網絡遙感影像動態定位方法，在定位確定時更多考慮的是網絡遙感影像其在像素空間內的關系，而對于其在運動級空間的關系沒有進行充分考慮，這就違背了動態定位假設。因此，為了增強動態定位方法的準確性，本文提出在相關關系網絡遙感影像的動態定位方法，經過仿真驗證，能夠極大提高定位準確性。

1 自相關關系網絡遙感影像的動態定位方法

1.1 動態定位基礎理論

在進行網絡遙感影像動態定位前需要滿足基本前提條件，也就是能夠實現網絡遙感影像分解，一般是通過分解高光譜影像實現，以達到網絡遙感影像不同類別在像元中占據的比例大小形成更加清楚的認識，在此基礎上，結合網絡遙感影像動態定位的基本理論對于不同端元組分所處的空間分布狀況進行分析。

根據動態定位相關理論可知，考慮到距離遠近的不同，相較于較遠距離的網絡遙感影像動態定位方法，較近距離的更加傾向于為同一類型，而且三維遙感采用動態理論在很多實踐經驗中得到了有效驗證。圖1(a)中，已知遙感影像3×3個低分辨率像元的組分比例，從而計算出每一個像元里面不同類別的亞像元個數。其中的網絡遙感影像類別有兩種，以黑白兩色表示，以五倍比例放大。圖1(b)、(c)對于兩種存在差別的空間分布狀態進行了描述，從理論角度分析，圖1(c)具有更大的動態定位，因而，該圖更加可能為網絡遙感影像動態定位分布圖。

圖1 網絡遙感影像動態定位空間分布示意圖

1.2 網絡遙感影像動態定位

自相關關系網絡遙感影像動態定位方法指的是利用誤差反向傳播實現網絡遙感影像的前饋，該方法中包含了輸出、輸入層節點的選取，并且其中還有隱藏層。信號輸入之后首先以向前傳播的方式傳送到隱藏層，隨后在函數的作用下，將信息從隱藏層節點向著輸出節點進行傳輸，以實現最終網絡遙感影像數據的采集。本文中對于網絡遙感影像動態定位方法的研究是將自相關關系算法引入到網絡遙感影像上實現的，此法主要包括訓練與模擬兩個模塊，兩者使用的網絡模型是一樣的。

圖2隱藏層拓撲結構進行動態定位方法過程示意圖

圖2為隱藏層拓撲結構進行動態定位示意圖。在空間尺度為2的前提下，模型中輸入層是在目標像元分辨率較低的情況下，網絡遙感影像的豐度值，以及其在鄰域內的豐度值；而輸出層則為目標像元處于地分辨率時，其在高分辨率下進行影像重建時的S×S個像元，通過輸出層相關節點值能夠對該像元是否與該類網絡遙感影像匹配進行概率方面的判斷。而且，應該對像元按照其網絡遙感影像動態定位概率值的大小進行排序，以達到目標類型的準確鎖定，一直到能夠滿足該類總數，最終確定網絡遙感影像動態定位空間分布狀態。

網絡遙感影像動態定位方法對于提高網絡遙感影像準確性有較大幫助，但該方式下構建的模型其最終的定位結果和其在訓練階段進行的數據選擇具有較大關聯，如果數據選擇的準確度較低，那么得到的結果會或多或少存在精度、細化方面的不足。而且，全局代價函數的極值點并不是單一的，這就導致更加容易出現“鋸齒”問題，致使定位結果難以滿足動態定位基本假設，從而較難從網絡角度有效解決這些誤差。

2 網絡遙感影像動態定位過程

對于具有相同屬性值，而所處空間位置不同的關聯程度判斷，可以利用自相關關系函數實現。為提高網絡遙感影像的動態定位方法精度，利用自相關關系函數對網絡遙感影像定位后的結果進行調整。結合自相關關系能夠推出計算方式：

(1)

(2)

Wi°表示空間權重矩陣中第i行之和；W°j則為矩陣第j列之和。Nairo統計量的取值為-1至1，如果I>0則說明是正相關的，反之在I<0則為負相關，并且該值越大則說明具有越大的空間分布相關性，也就是說明存在空間聚集分布，如圖3(a)所示；相反的該值越小則可說明具有較小的動態定位，如圖3(b)所示；如果該值接近為零時，說明空間分布更加傾向于隨機分布的狀態。我們通過ENVI利用其中的隨機功能得到了圖3(c)，計算得出此時自相關關系函數值是接近0的，因此，我們可以利用自相關關系函數Nairo統計量來對于同一屬性值在所處空間位置不同時，其分布的關聯相互關系。

(a)Nairo=0.5238 (b)Nairo=-0.1429 (c)Nairo=-0.0095

圖3自相關關系結果示意圖

3 實驗與結果分析

3.1 試驗影像

本文所使用的數據是武漢1999年9月的TM影像，影像具有30 m的分辨率，圖4(a)所示。其中可以將其中的網絡遙感影像進行大致分類：長江、居民地、湖泊、植被，考慮到長江和湖泊具有較大的水質差異，因此將其視為單獨一類。類似于處理模擬數據，首先對圖4(b)采取降釆樣處理，從而得到分類別網絡遙感影像的端元豐度影像。原始影像具有的像素是200×200像素，降采樣之后得到的端元豐度影像具有50×50的像素。再利用自相關關系函數基礎的隱藏層拓撲結構模型對低分辨率影像進行動態定位方法試驗，得到定位結果分別如圖4(c)、(d)所示。

(a)原始假彩色合成影像 (b)分類參考影像 (c)原始隱藏層拓撲結構定位結果 (d)本文方法定位結果

圖4影像定位結果

3.2 試驗結果比較

目視角度分析，如果是利用原始的隱藏層拓撲結構模型得到的定位結果表現為較為明顯的鋸齒效應，通過從目視上看，原始隱藏層拓撲結構網絡模型的定位結果存在一定的鋸齒效應，基于自相關關系函數得到的結果會更加的平滑，相較之下，與實際網絡遙感影像分布更加切合。本文利用PCC'、kappa'系數以及混淆矩陣等方法對定位結果進行定量分析，并且引入了分析指標PCC'與kappa'以對該方法的性能進行評價。

表1 試驗影像精度統計表

試驗結果如表1所示。對于試驗1，從表1中的精度結果比較可以看出：基于自相關關系函數的拓撲結構模型方法與原始隱藏層拓撲結構方法相比較，PCC'值和Kappa'系數分別提高了1.587%和2.4900。為了更準確地比較這兩種方法在混合像元中的定位精度，分別計算其PCC'值和Kappa'系數，從表1可以看出本文方法分別將PCC'和Kappa'精度提高了5.385%和8.38%。

為了詳細突出具體差異，在表2中采取了兩種方法來評價試驗1的混淆矩陣結果。分析表2可以看出，在自相關關系函數基礎上的拓撲結構方法在定位精確度方面得到了很大提高，尤其是對于植被、湖泊、居民地這些交界區域，由于該位置的網絡遙感影像類別是十分復雜的，而如果是采用傳統的拓撲結構模型，對于網絡遙感影像動態定位間的關聯性沒有進行足夠的考慮，而致使得到的精確度是較低的。對比分析可得，利用本文的方法能夠有效的對網絡遙感影像動態定位關聯信息進行考慮，具有較高的精確度，在定位精度方面具有更大的優勢。

表2 試驗影像1定位結果混淆矩陣對比(PCC')

4 結論

在網絡遙感影像動態定位方法中，如果使用傳統的隱藏層拓撲機構，對于網絡遙感影像動態定位間的關系沒有有效的兼顧，這就導致結果是不能滿足動態定位理論的。本文通過自相關關系函數，在此基礎上結合網絡遙感影像實施動態定位方法，從理論層面是滿足動態定位理論的。經過對比試驗分析能夠證明，該方法相較于傳統方法具有更好的定位精確度。