端元法
优化端元提取方法的高光谱混合像元分解
优化端元提取方法的高光谱混合像元分解
高光谱混合像元分解是一种常用的方法，用于从高光谱遥感图像中提取端元信息。
但是在实际应用中，由于许多因素的影响，如光照变化、材质反射率等，混合像元分解结果可能存在一定的误差。
为了优化端元提取的效果，可以采取以下方法：
1. 数据预处理：在进行混合像元分解之前，对高光谱图像进行预处理，包括大气校正、辐射定标、大气矫正等，以降低噪声和光照变化对端元提取的影响。
2. 端元选择：根据具体应用需求，选择合适的端元库。
端元库是由已知材质的光谱响应函数构成，选择适当的端元可以更准确地反映实际场景中的材质组成，提高分解的准确性。
3. 混合像元分解算法选择：目前常用的混合像元分解算法有N-FINDR、PPI等。
根据具体情况选择合适的算法进行端元提取。
可以尝试多种算法并进行对比分析，选择效果较好的算法。
4. 约束条件引入：在混合像元分解过程中，可以引入额外的约束条件，如非负性约束、稀疏性约束等，以提高分解结果的稳定性和准确性。
5. 后处理方法：对提取的端元进行后处理，如噪声去除、光谱平滑、分类判别等，进一步提高分解结果的质量。
6. 结合其他数据源：结合其他遥感数据，如高分辨率光学影像、地面采样数据等，可以在一定程度上提高混合像元分解的准确性。
可以通过数据融合的方法，将不同数据源的信息相互补充，得到更可靠的端元提取结果。
通过上述优化方法的综合应用，可以提高高光谱混合像元分解的准确性和稳定性，从而更准确地获取端元信息。
需要根据具体应用场景和数据特点进行针对性的优化。
一种空间自适应的多光谱遥感影像端元提取方法
以 Ｔ 多光谱影像 为例 ， ０米的多光 谱影像有 ６个波段 （ Ｍ ３ 不
包 括热红外 ） ，即使这 ６ 个波段互不相关 ， 求取 的本征维数最
多也就是 ６ ， 维 能提取的端无数 目最 多 ７ 。按照 凸面体分 个 析理论 ， Ｍ 多光谱影像 只能提取少 量的端元 ，如果 再以提 Ｔ
取 的少量端 元去解混 ， 精度受到严 重影响 ，难 以满 足实际应 用中的要求 。
小组分 单元 ” ，即“ 端元”＿ ｊ ｌ 。 在混合像元 分解之 前需要进行端元 提取 。 是进行遥感 这
像， 对于高空问分辨率低光谱分辨率的多光谱影像端 元提取
算法很 少。如何从多光谱影像仅有的儿个波段 ｌ有效 的提取 ｝ １
端元信息 ， 是多光谱遥感影像混合像元 分解 的关 键 。 现行基
光谱和地物参考光谱 的蓖要纽带 ； 并从 另一个角度表 达 了遥 感影像分类和识别 的方法 与思路 。由于现实 中混合像 元的广 泛存在 ，一 方 使 得遥 感 影像 光谱 和地 表 实测 光谱 长期 割 ・ 裂 ，另一方面使得遥感 影像 的分类和识别以及定 量反演 的精 度受到重要影响 ，所以混合 像了 分解理沦在遥感 理解 与信息
于凸锥体分 析法 的端元提取算法 ， 通过求取影像 的本征维数 确定端元 的数 Ｖ。即影像端元数 日等于本 征维数加一【 Ｊ Ｉ 。
影像混合像元分解 的首要 步骤 ， 也足最 关键 的步骤 ，它 直接
影 响混合像元分解 的精度 。现行的端 ＿ 源概括 起来 主要 有 ＝ ） Ｉ ∈ 种ｉ ： １根据野外 波 谱测 量或从 已有 的地 物波 谱信息库 （） 巾选择端 】 通过这种 途径 选择 的端元称 为 “ ， 参考 端元 ” ；
１ ０４ ００ ９
改进的SGA端元选择的快速方法
高光谱遥感影像端元提取方法对比
Ｊ Ｎ ｅ － ｉｇ ＸＩ Ｉ Ｗ ｎ ｐｎ ＡＯ － ｅ Ｋｅ ｋ
（ｃ ｏ ｌ ｆ ｅ ｓｉｎ ｅａ ｄＩｆ－ ｈ ｓ ｓ Ｃ ｎｒ ｌ ｏ ｔ Ｓ ｈ ｏ ｏ ｏｃｅ ｃ ｎ ｏ Ｐ ｙｉ ， ｅ ｔａ Ｓ ｕｈ删 ｖ ｒｉ ， ｈ ｎ ｓａＨｕ ａ ， １０ ３ Ｃｈｎ ） Ｇ ｎ ｃ ｅｓ ｙ Ｃ ａ ｇｈ ｎ ｎ ４ ０ ８ ， ｉａ ｔ
Ｏ ・ 言 引
高光谱遥感技术丰 富的空 间维 、 光谱维 信息受到 国际研
究者的广泛关 注 ， 具有广阔的发展应 用前景【 ｌ １ 。目前已在地质
计特征基础上 的多变量正交线性变换。通过去掉 那些相对较
小 的变换 系数而又 不会损失太 大 的信 息量达 到有效 地降低 维数 的 目的， 是对均方误差最小而言 的最佳 变换 。特征提 取
要 】 文在 Ｓ Ａ Ｃ法和 Ｐ Ｉ 本 Ｍ Ｃ Ｐ 法端元提取 基础 上， 得到高光谱遥 感影像端元丰度 图， 用 Ｓ Ｍ法进 行分类。通过 分 之后 Ｖ
类结果精度 来评价端元提取的优劣。 实验 结果表 明， 基于 Ｐ Ｉ Ｐ 的线性混合像元分解得到的丰度图用 Ｓ Ｍ分类效果最佳 ， Ｖ 整体精
ｗ ｒ ｅ ｉｅ ｒ ｍ ｎ ｍｅ ｅ ｓｗｅ ｅ ｃａ ｓｆ ｄ ｂ ＶＭ ｔ ｏ ． ａ ｔ， ｖ ￣ｅ ｈ ｕ ｌ ｙ ｏ ｎ ｍｅ ｅ ｘｒ ｃ ｉｎ ｍｅｈ ｄ ｙ ｅ ｅ ｄ ｒｖ ｄ ｆｏ ｅ ｄ ｍｂ ｒ ｒ ｌｓ ｉ ｅ ｙ Ｓ ｉ ｍｅ ｈ ｄ Ａｔ ｓ ｗｅ ｅ Ｍｕ ｄ ｔ ｅ ｑ ａ ｉ ｆｅ ｄ ｍｂ ｒｅ ｔ ｔ ｔ ｏ ｓｂ ｌ ｔ ａ ｏ ｃａ ｓｆ ａ ｉｎ ｐ ｅ ｉｉｎ Ｔ ｅ ｒ ｓ ｈ ｈ ｗ ｔ ａ ｈ Ｐ － ＶＭ ｓｔ ｅ ｂ ｓ ｔｏ ｎ ｈ ｖ ｒ ｌ ｐ ｅ ｉｉｎ ｉ ８ ．９ ｗｈ ｌ ｈ ｔ ｆｔ ｅ ｌｓ ｉ ｃ ｔ ｒ ｃ ｓｏ ． ｈ ｅ ｕ ｓｓ ｏ ｈ ｔｔ ｅ Ｐ Ｉ Ｓ ｉ ｏ ｉ ｅ ｔｍｅ ｄ ａ ｄ ｔ ｅ ｏ ｅ ａｌ ｒ ｃ ｓｏ ｓ ７ ５ ％ ｈ ｈ ｉ ｔ ａ ｈ ｅ ｏ
常见混合像元分解方法简介二
端元就相当于一个像素里的亚像元，只包含一种地物的光谱信息，根据多光谱或高光谱的高光谱分辨率可以提取出来。
端元只包含一种地物信息，一般的像元都为混合像元，包括多种地物，在进行混合像元分解的时候，可以对一个像元中包括的几种端元进行定量描述，求得每个像元中几种端元在这个像元中的面积百分比，即端元的丰度。
混合像元分解(2011-06-10 14:46:57)转载▼分类：ENVI/IDL学习标签：杂谈混合像元是指在一个像元内存在有不同类型的地物，主要出现在地类的边界处。
混合像元的存在是影响识别分类精度的主要因素之一,特别是对线状地类和细小地物的分类识别影响较为突出，在土地利用遥感动态监测工作中,经常遇到混合像元的难题，解决这一问题的关键在于通过一定方法找出组成混合像元的各种典型地物的比例。
线性混合像元分解由于线性模型是应用最广泛，也是研究最多的算法，下面重点介绍基于线性模型的混合像元分解算法。
一般而言，混合像元分解算法包括数据降维、端元选取和反演三个步骤。
１.数据降维尽管数据降维不是混合像元分解算法的一个必需步骤，但由于大多数算法都将其作为一个流程，我们也将其当作一个步骤。
常用的降维算法有主成分分析（Principle Component Analysis，PCA）、最大噪声比变换（Maximum Noise Fraction，MNF）和奇异值分解（Singular Value Decomposition，SVD）。
(1) 主成分分析：遥感图像各波段之间经常是高度相关的，因此所有的波段参加分析是不必要的。
PCA就是一种去除波段之间相关性的变换。
PCA通过对原数据进行线性变换，获得新的一组变量，即主成分。
其中前几个主成分包含了原数据主要方差，同时各个主成分之间是不相关的。
(2) 最大噪声比变换：最大噪声比变换（Maximum Noise Fraction，MNF）[24]由Green等（1989）提出，该变换通过引入噪声协方差矩阵以实现对噪声比率的估计。
端元混合模型定义-概述说明以及解释
端元混合模型定义-概述说明以及解释1.引言1.1 概述：端元混合模型是一种统计模型，用于描述由多个组分（端元）组成的复杂系统。
在实际应用中，端元可以代表不同的类别、群体或者特征。
端元混合模型的核心思想是将系统看作是由各个端元的混合组成，通过对各个端元的建模来对整个系统进行分析和预测。
端元混合模型在很多领域都有广泛的应用，包括生物学、经济学、社会学等。
通过对不同端元的概率分布和参数进行建模，端元混合模型可以更准确地描述系统的复杂性和多样性，从而提高预测的准确性和可靠性。
本文将深入探讨端元混合模型的概念、应用和优势，希望通过对这一模型的介绍和分析，读者能更加深入地了解统计建模中的一种重要方法。
1.2 文章结构文章结构部分包括了本文的组织框架和主要内容安排。
本文主要分为引言、正文和结论三部分。
在引言部分，将介绍端元混合模型的概念、本文的目的和意义。
在正文部分，将详细探讨端元混合模型的概念、应用以及其优势。
最后，在结论部分，将总结文章的主要内容和观点，并展望未来端元混合模型的发展趋势和可能的研究方向。
文章结构清晰，逻辑性强，有助于读者更好地理解和掌握端元混合模型的相关知识。
1.3 目的端元混合模型作为一种新兴的统计学方法，在数据分析和模型建构领域具有广泛的应用前景。
本文的目的在于全面介绍端元混合模型的定义、应用和优势，帮助读者更加深入地了解和掌握这一重要的模型方法。
通过本文的阐述，读者可以清晰地了解端元混合模型在不同领域中的应用情况，并且能够更好地理解端元混合模型的优势和特点。
同时，本文也旨在为研究者和实践者提供一个深入学习端元混合模型的参考资料，帮助他们在实际研究和项目应用中更好地运用端元混合模型解决复杂的数据分析问题。
最终，我们希望本文能够帮助推动端元混合模型在实践中的广泛应用，并为相关领域的发展做出积极的贡献。
2.正文2.1 端元混合模型的概念端元混合模型是一种统计学上的模型，其基本概念是将整体的数据集分解为多个子集（端元），每个端元可以具有不同的概率分布。
光谱分解获取端元光谱
光谱分解获取端元光谱
光谱分解是一种将复杂的光谱分解为几个特定成分（端元）的方法。
端元是指光谱中代表特定物质或物理过程的单一成分。
通过分析端元光谱，可以了解复杂光谱中各成分的贡献和特性。
获取端元光谱的方法通常包括以下几个步骤：
1. 采集样品光谱：首先，需要采集一系列代表所研究样品的光谱数据。
这可以通过光谱仪等光学设备来实现。
2. 选择端元光谱：从采集到的样品光谱中选择几个代表性光谱，作为端元。
选择的端元光谱应该能够较好地表示样品中的特定成分。
3. 端元光谱提取：利用数学方法，如主成分分析（PCA）或线性混合模型（LSM），从样品光谱中提取端元光谱。
这些数
学方法可以将复杂的光谱分解为端元光谱和相关的权重系数。
4. 端元光谱分析：对提取到的端元光谱进行分析和解释。
可以通过比较端元光谱和已知的物质光谱数据库进行匹配，以确定端元光谱所代表的物质。
光谱分解获取端元光谱在许多应用领域都有广泛的应用，如遥感、光谱成像和化学分析等。
通过获取端元光谱，可以更好地理解和解释复杂光谱数据中的成分和特性。
元素法法二重积分法 -回复
元素法和二重积分法是求解平面区域内的定积分问题的两种方法，主要用于求解物理、工程和数学等领域中的问题。
这两种方法各有优缺点，适用于不同的问题类型。
元素法（Method of Elements）是一种将平面区域离散成多个小元素并对每个元素进行积分的方法。
这种方法主要用于处理复杂区域的积分问题，可以通过增加元素数量来提高计算精度。
元素法的优点是易于处理复杂形状的区域，而缺点是计算量较大。
二重积分法（Double Integral Method）是将平面区域的定积分问题转化为两个一重积分问题求解的方法。
对于给定的区域，可以通过对相关变量进行积分来计算总积分。
二重积分法的优点是计算简便，能够适应较多类型的问题；缺点是需要对不同积分顺序进行适当选择，处理复杂区域时可能会比较困难。
总之，元素法和二重积分法都有其适用范围和优缺点。
在实际问题中，可以根据问题的特点来选择合适的积分方法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
【遥感专题系列】定量/高光谱遥感之——混合像元分解(2013-09-09 09:55:23)转载▼分类：遥感技术标签：混合像元分解端元波谱提取杂谈当具有不同波谱属性的物质出现在同一个像素内时，就会出现混合像元。
混合像元不完全属于某一种地物，为了能让分类更加精确，同时使遥感定量化更加深入，需要将混合像元分解成一种地物占像元的百分含量（丰度），即混合像元分解，也叫亚像元分解。
混合像元分解是遥感技术向定量化深入发展的重要技术。
本文主要介绍以下内容：∙基本概念∙端元波谱提取∙混合像元分解∙基于MNF的MTMF混合像元分解1.基本概念∙混合像元地球自然表面几乎不是由均一物质所组成的。
当具有不同波谱属性的物质出现在同一个像素内时，就会出现波谱混合现象，既混合像元（Mixed Pixel）。
Singer和McCord（1979）发现如果混合像元的尺度很大（宏观），那么混合像元将存在线性关系。
对于微观的混合，混合像元通常表现为非线性关系（Nash and Conel，1974；Singer，1981）。
∙混合像元形成原因从理论上讲，混合像元的形成主要有以下原因：1) 单一成分物质的光谱、几何结构、及在像元中的分布；2) 大气传输过程中的混合效应；3) 传感器本身的混合效应；其中：2)和3)为非线性效应，2)可以通过大气校正进行修正；3)可以通过仪器的校准、定标加以部分克服；1)部分是线性效应，也是本文讨论的内容。
∙混合像元分解混合像元分解技术假设：在一个给定的地理场景里，地表由少数的几种地物（端元）组成，并且这些地物具有相对稳定的光谱特征，因此，遥感图像的像元反射率可以表示为端元的光谱特征和这个像元面积比例（丰度）的函数。
这个函数就是混合像元分解模型。
近年来，研究人员提出了许多有效的分解模型，主要有：线性混合光谱模型、模糊监督分类模型、神经网络模型等。
其中比较常用的是线性模型，即线性混合光谱模型。
∙线性混合光谱模型线性模型假设在不同物质间不存在相互作用，位于同一像元区域的波谱是纯净物质波谱的线性组合，是根据它们的组成比例进行加权，获取线性组合的组成比例就是混合像元分解。
混合像元分解流程在影像已经完成预处理的前提下（如几何校正、大气校正、去噪等），混合像元分解的一般的过程：首先获取端元波谱（从图像上、波谱库中或者其他来源），然后选择一种分解模型在每个像素中获取每个端元波谱的相对丰度图，最后从丰度图上提取不同组成比例的像元。
2. 端元波谱提取选取合适的端元是成功的混合像元分解的关键。
端元选取包括确定端元数量以及端元的光谱。
理论上，只要端元数量m小于等于b+1（b表示波段数），线性方程组就可以求解。
然而实际上由于端元波段间的相关性，选取过多的端元会导致分解结果更大的误差。
端元光谱的确定有两种方式：(1) 使用光谱仪在地面或实验室测量到的“参考端元”；(2) 在遥感图像上得到的“图像端元”。
方法(1)一般从标准波谱库选择，方法(2)直接从图像上寻找端元可选择的方法有：从二维散点图中基于几何顶点的端元提取，借助纯净像元指数（Pixel Purity Index——PPI）和n维可视化工具用于端元波谱收集，基于连续最大角凸锥（Sequential Maximum Angle Convex Cone——简称SMACC）的端元自动提取。
下面介绍几种端元选择的方法。
2.1基于几何顶点的端元提取将相关性很小的图像波段，如PCA、IC、MNF等变换结果的前面两个波段，作为X、Y轴构成二维散点图。
在理想情况下，散点图是三角形状，根据线性混合模型数学描述，纯净端元几何位置分布在三角形的三个顶点，而三角形内部的点则是这三个顶点的线性组合，也就是混合像元，如图1所示。
根据这个原理，我们可以在二维散点图上选择端元波谱。
在实际的端元选择过程中，往往选择散点图周围凸出部分区域，后获取这个区域相应原图上的平均波谱作为端元波谱。
图1：散点图上的纯净像元与混合像元下面以MNF变换后的第一、第二波段作为X、Y轴构建二维散点图，如下图所示。
图2：Scatter Plot窗口2.2基于PPI的端元提取借助纯净像元指数（PPI）和n维可视化工具用于端元波谱收集，下面详细介绍操作步骤。
第一步、获取纯净像元这个步骤是在MNF变换的结果上计算纯净像元指数（PPI），之后选择阈值范围从PPI 图像上获得感兴趣区，感兴趣区包含的像元就是比较纯净的像元。
（1）打开高光谱数据。
（2）在ENVI主菜单中，选择Spectral ->MNF Rotation- > Forward MNF -> Estimate Noise Statistics From Data。
在标准ENVI文件选择对话框中，选择高光谱图像文件。
打开Forward MNF Transform Parameters面板，选择MNF输出路径及文件名，单击OK执行MNF变换。
（3）在ENVI主菜单中，选择 Spectral-> Pixel Purity Index->[FAST] New Output Band。
在打开的Pixel Purity Index Input File对话框中，选择MNF变换结果，单击Spectral Subset按钮，选择前面10个波段（MNF后面波段基本为噪声），单击OK。
（4）在Pixel Purity Index Parameters面板中，设置Threshold Factor：3，其他参数默认，选择输出路径及文件名，单击OK执行PPI计算。
（5）在Display窗口中显示PPI结果。
选择Overlay->Region of Interest，在ROI Tool 面板中，选择Options->Band Threshold to ROI，选择PPI图像作为输入波段，单击OK，打开Band Threshold to ROI面板（图3）。
Min Thresh Value：36，Max Thresh Value：空（PPI图像最大值），其他默认设置，单击OK计算感兴趣区，得到的感兴趣区显示在Display 窗口中。
图3： Band Threshold to ROI面板第二步、构建n维可视化窗口（1）在ENVI主菜单中，选择Spectral ->n-Dimensional Visualizer，在n-D Visualizer Input File对话框中选择MNF变换结果，单击OK。
（2）在n-D Controls面板中，选择1、2、3、4、5波段，构建5维的散点图。
第三步：选择端元波谱（1）在n-D Controls面板中，设置适当的速度（Speed），单击Start按钮，在n-D Visualizer 窗口中的点云随机旋转，当在n-D Visualizer窗口中的点云有部分聚集在一块时，单击Stop 按钮。
（2）在n-D Visualizer窗口中，用鼠标左键勾画“白点”集中区域，选择的点被标示颜色。
（3）在n-D Controls面板中，选择Class->Items 1:20->White（用于删除点），单击Start按钮，当看到有部分选择的点云分散时候，单击Stop按钮，在n-D Visualizer窗口中选择分散的点，自动会将选择的点删除。
借助<-，->，New按钮可以一帧帧从不同视角浏览以辅助删除分散点。
（4）在n-D Visualizer窗口中，单击右键选择New Class快捷菜单，重复（1）~（3）选择其他“白点”集中区域。
图4：n-D Visualizer窗口中的端元第四步、输出端元波谱（1）在n-D Controls面板中，选择Options->Mean All，在Input File Associated with n-D Scatter Plot对话框中选择原图像，单击OK。
（2）获取的平均波谱曲线绘制在n_D Mean绘图窗口中。
（3）参考“波谱分析工具”章节，识别每条波谱曲线对应的地物类型。
（4）在n_D Mean绘图窗口中，选择File->Save Plot As->Spectral Library（或者ASCII），将端元波谱保存为波谱库文件或者文本文件。
2.3基于SMACC的端元提取连续最大角凸锥（Sequential Maximum Angle Convex Cone ）简称SMACC。
SMACC方法可从图像中提取端元波谱以及丰度图像（abundance Image）。
它提供了更快，更自动化的方法来获取端元波谱，但是它的结果近似程度较高，精度较低。
SMACC方法是基于凸锥模型（也称为残余最小化）借助约束条件识别图像端元波谱。
采用极点来确定凸锥，并以此定义第一个端元波谱；然后，在现有锥体中应用一个具有约束条件的斜投影生成下一个端元波谱；继续增加锥体生成新的端元波谱。
重复这个过程直至生成的凸锥中包括了已有的终端单元（满足一定的容差），或者直至满足了指定的端元波谱类别个数。
通俗的解释，SMACC方法首先找到图像中最亮的像元，然后找到和最亮的像元差别最大的像元；继续再找到与前两种像素差别最大的像素。
重复该方法直至SMACC找到一个在前面查找像素过程已经找到的像素，或者端元波谱数量已经满足。
SMACC方法找到的像素波谱转成波谱库文件格式的端元波谱。
下面以一个高光谱数据为例，详细介绍这个工具的操作过程。
（1）在ENVI主菜单中，选择 File->Open Image File，打开高光谱数据文件。
（2）在ENVI主菜单中，选择Spectral ->SMACC Endmember Extraction，在Select Input Image对话框中选择高光谱数据文件，单击OK打开SMACC Endmember Extraction Parameters 面板（图5）。
（3）在SMACC Endmember Extraction Parameters面板中，需要填写以下参数：∙端元波谱提取数量（Number of Endmembers）：15∙误差容限值(RMS Error Tolerance)：0默认值0表示只有达到Number of Endmembers 参数指定的终端个数，SMACC 才会结束。
如果指定一个RMS误差，那么达到这个RMS误差的话，SMACC就会结束，不管是否获取指定数量的端元波谱。
反射率数据推荐使用0.01，辐射亮度值数据推荐使用1。
但是要注意反射率数据常常扩大了倍数，比如扩大了10000倍，这个时候RMS Error Tolerance参数设置应该为10000x1%=100。
∙选择分离端元波谱的约束条件(unmixing constraint For Endmember Abundances)： Positivity Only：把每个波长的正值端元波谱作为约束条件。