中文摘要：

遥感影像的混合像元分解是提取土地覆盖信息的重要途径，但目前其分解精度难以满足实际需求，一个关键原因是现有算法不能有效利用空间邻域信息。针对该问题，本研究提出了超分辨率重建支持下的混合像元分解方法。如果能提升影像空间分辨率，土地覆盖信息就可能被更精确提取，基于该原理，本研究思路如下对遥感影像进行超分辨率重建获得超分辨率遥感影像，然后对该影像进行土地覆盖信息提取，最后将提取结果转化到原分辨率，即完成了原分辨率影像的混合像元分解。空间邻域信息在超分辨率重建中发挥了关键作用，所以本方法巧妙的将空间邻域信息引入到混合像元分解中。研究内容包括1)单幅遥感影像的超分辨率重建2)基于超分辨率遥感影像的原分辨率影像混合像元分解。对于前者，将借鉴已有重建算法，进行一定改进来满足土地覆盖信息提取的需求；对于后者，本研究拟采用两种方法，并进行最优组合。本方法有效利用了空间邻域信息，具有较高的理论价值和应用价值。

结论摘要：

在国家自然科学基金的支持下,本课题组对遥感影像混合像元分解研究及应用开展了深入的研究，发展了超分辨率重建支持下混合像元分解的关键技术，对于混合像元分解取得了较高的分解精度，并发展了多种混合像元分解方法和应用。本课题的主要研究进展总结如下 (1) 发展了多种基于超分辨率重建的混合像元分解方法。针对基于超分辨率重建(训练样本法)的混合像元分解方法，研究了训练样本数据库对混合像元分解结果的影响，通过大量的数据集测试表明，训练样本数据库对混合像元分解结果影响较小，证明了训练样本数据库支持下的超分辨率混合像元分解方法能够在简单的图像数据库环境下运行；提出了一种简化的基于超分辨率混合像元分解的方法，利用图像空间插值技术，恢复像元内部的异质性，从而得到超分辨率图像，在此基础上进行混合像元分解，试验表明该方法的分解效果优于一般的线性光谱分解方法；提出了小波域系数插值的超分辨率重建方法，从而进行混合像元分解，利用空间插值的方法对图像细节的小波系数矩阵进行插值，从而获得超分辨率图像，在此基础上进行混合像元分解。实验表明，超分辨率方法对于混合像元分解能够取得较传统方法更高的精度。 (2) 发展了多种混合像元分解方法和应用。针对传统的神经元网络混合像元分解结果中存在负值的现象，构造了可变神经元网络的结构，通过逐步舍去分解结果中的负值，获得最合理的分解结果，试验证明该方法能够较传统的混合像元分解得到更为精确的分解结果；为了准确的获得森林范围覆盖，提出了森林指数，该指数不仅仅能够较为精确的提取出森林类别，也能够有助于计算出森林的丰度，从而获准确的森林分布信息，为森林覆盖和变化制图提供了一条新的途径；推广了遥感影像混合像元分解的应用领域，利用线性光谱分解的方法，从粗分辨率影像中解算不同地物类型对于夜间可见光波段辐射量的贡献，试验表明该方法能够较为精确的获得不同地物的辐射强度系数。