基于 LSSVM的线性特征地物亚像元定位技术

现有的一些亚像元定位方法,如 Hopfield神经网络(HNN)模型、像元交换技术、遗传算法及马尔可夫随机场模型等,需通过一定的迭代次数进行求解,计算量偏大,耗时较长。Mertens K等提出了利用 BPNN的方法,通过先验信息即高分辨率图像来学习混合像元内各个亚像元的类别值与邻域率像元内各类分量值之间的对应关系,训练好的BPNN便可用于实现低分辨率遥感图像的亚像元定位。然而, BPNN最大的不足在于:①由于 BPNN模型的预测准确度与初始化网络权值有关,而随机的初始化使得输出具有不确定性;②BPNN收敛速度偏慢,而且极易陷入局部最优;③BPNN 的训练效果依赖于大量的训练样本，而这些样本在实际应用中很难充分获取。这一系列缺陷导致BPNN在亚像元定位技术中的应用价值大打折扣。

    不可否认的是,对于建筑物、农林地物及道路等这些大规模地物而言,有着规则的空间分布特征,呈现明显的线性分布状态。如建筑物的地物边界平行或垂直于主轴;为便于管理与生长,农林地物的种植都是极具几何规律的,基本以方形为主;道路的建设通常都是直线或者十字型的,等等。因此,根据这些特点，对线性特征地物的亚像元定位,可以人工合成训练样本,从而摆脱对先验信息的完全依赖。此外,鉴于BPNN的学习上的缺陷,本节提出了基于LSSVM的亚像元定位方法。LSSVM能够有效处理高维度、小样本和非线性等模式识别问题，同时其训练过程时间极短,这些优势使得LSSVM在亚像元定位上的应用成为可能。