优化端元提取方法的高光谱混合像元分解

合集下载

端元提取技术在高光谱图像压缩中的应用

在对地观测、事侦察和深空探测等方面有广泛的应用前军
景，：美国利用高光谱技术实现空一如空导弹目标自文采取有损压缩技术和端元提取技术相结合的数据压
缩方法。系统流程框图如图１所示。
法存在大压缩比与光谱特性信息准确保留的矛盾，即使现有最优有损压缩方法也不能够得到令人满意的结果。文章基于混合像元分解的思想提出基于端元提取技术的数据有损压缩方法来解决该矛盾，首先用顶点
成分分析（Ｃ方法提取场景中地物的端元光谱，据各端元与观测像元之间的光谱间余弦角相似性度量ＶＡ）根
Ｊｌｕｙ，２００８
端元提取技术在高光谱图像压缩中的应用
张立燕，谌德荣，鹏陶
北京理工大学宇航科学技术学院航天测试测控实验室，北京１０８００１
摘
要
高光谱图像海量数据如何实现大比例有效压缩是限制其应用的主要问题之一，而现有有损压缩方
秀有损压缩方法（ＪＥ２０）不能够得到令人满意的结如ＰＧ００也
果。
Ｉ丰及广］
本系统主要包括端元提取及丰度估计和数据压缩两部分。端元提取及丰度估计首先将提取出场景中主要组成成分
高光谱图像空间分辨率较低，像元往往是包含多种地物的混合像元，用端元光谱对有损压缩造成的光谱信息损失进行弥补是有效且可行的方法，尤其对于地物构成简单而几何
关键词高光谱图像；端元提取技术；有损压缩

高光谱遥感影像端元提取方法对比

ＳＭＡＣＣＳ — ＶＭｔｏｎｈＶＭｔｏｌ３８％ａｄ８．６ｍｅｄａｄｔｅＳｈｍｅｄａｅｏｄ］ｙｅｐｃａＥｄｅｂｒＳｐｏｅｔａｈｅＳＭ）ＫｙｗｒｓＨｐｒｅｔ；ｎｍｍｅ；ｕｐｒｖｃｒｃｉ（Ｖｓｒｔｏｍｎ
ＪＮｅ－ｉｇＸＩＩＷｎｐｎＡＯ－ｅＫｅｋ
（ｃｏｌｆｅｓｉｎｅａｄＩｆ－ｈｓｓＣｎｒｌｏｔＳｈｏｏｏｃｅｃｎｏＰｙｉ，ｅｔａＳｕｈ删ｖｒｉ，ｈｎｓａＨｕａ，１０３Ｃｈｎ）ＧｎｃｅｓｙＣａｇｈｎｎ４０８，ｉａｔ
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【ｌ１。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ＳＡＣ法和ＰＩ本ＭＣＰ法端元提取基础上，得到高光谱遥感影像端元丰度图，用ＳＭ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ＰＩＰ的线性混合像元分解得到的丰度图用ＳＭ分类效果最佳，Ｖ整体精
ｗｒｅｉｅｒｍｎｍｅｅｓｗｅｅｃａｓｆｄｂＶＭｔｏ．ａｔ，ｖ￣ｅｈｕｌｙｏｎｍｅｅｘｒｃｉｎｍｅｈｄｙｅｅｄｒｖｄｆｏｅｄｍｂｒｒｌｓｉｅｙＳｉｍｅｈｄＡｔｓｗｅｅＭｕｄｔｅｑａｉｆｅｄｍｂｒｅｔｔｔｏｓｂｌｔａｏｃａｓｆａｉｎｐｅｉｉｎＴｅｒｓｈｈｗｔａｈＰ－ＶＭｓｔｅｂｓｔｏｎｈｖｒｌｐｅｉｉｎｉ８．９ｗｈｌｈｔｆｔｅｌｓｉｃｔｒｃｓｏ．ｈｅｕｓｓｏｈｔｔｅＰＩＳｉｏｉｅｔｍｅｄａｄｔｅｏｅａｌｒｃｓｏｓ７５％ｈｈｉｔａｈｅｏ

基于OSP的自动端元提取及混合像元线性分解

第１７卷第６期
２０年１０８２月
测
绘ቤተ መጻሕፍቲ ባይዱ
Ｔ
程
Ｖｏ７ № ．Ｌ１６
Ｄｅ．，００８ｅ２
ＥＮＧＩＮＥＥＲＩＮＧｏＦＳＵＲＶＥＹＩＮＧＡＮＤＡＰＰＩＭＮＧ
基于ＯＳＰ的自动端元提取及混合像元线性分解
陈伟余旭初王，，鹤
可行性。
关键词：光谱影像；高正交子空间投影；最小二乘；像元分解
中图分类号：７ＴＰ９文献标识码：Ａ文章编号：０６７４（０８０ —０７０１０９９２０）６０３ —４
ＡｕｏａｉｘｒｃｆｅｍｅｂｒａｅｎＯＳａｔｍｔｃｅｔａｔｏｎｄｍｅｓｂｓｄｏＰｎｄ
ｍｉｅｉｅｎｉｉｇｔｒｕｈｔｅｌａｔｓｕｒｓｗｉｈｆｌｃｎｔａｎｓａｅｓｔｓｉｄＴｈｘｅｉｎｓｉｄ — ｘｄｐｘｌｕｍｘｎｈｏｇｈｅｓｑａｅｔｕｌｏｓｒｉｔｒａｉｆ．ｅｅｅｐｒｍｅｔｎｉ
ｎｅｓｆｌｐｉｒｋｏｅｇｆｅｄｍｂｒ．ｍｅｈｄｔｘｒｃｎｍｅｅｓｆｏｈｐｒｐｃｒｌｉａｅｉｓｅｄｕｌｒｏｎｗｌｄｅｏｎｍｅｅｓＡｔｏｏｅｔａｔｅｄｍｂｒｒｍｙｅｓｅｔａｇｒｅｍａｔｍａｉａｌｃｏｄｎｏｔｅｐｉｃｐｅｏＰｉｐｔｆｒｒ．ＴｈｓｍｅｈｄｎｅｎｔｐｉｒｋｏｅｇｓｕｏｔｃｌａｃｒｉｇｔｈｒｎｉｌｆＯＳｓｕｏｗａｄｙｉｔｏｅｄ ’ ｒｏｎｗｌｄｅａ

高光谱图像混合像元分解算法

ｏｐｏｅｔａａｅｃｐｉＳＤｎｓｐｒｖｃｏｄｔｄｓｒｔｎ（ＹＤ）ｗｓｒｐｓｄｉｔｈｐｒｅｔａｅａｓｅｅｌｓｆｄｉｏｔｏａｓｉｕｔｒｉｏａｏｏｅ．Ｆｒ，ｙｅｓｃｒｉｇｔｒｃａｓｉｔｗｒ，ｐｓｐａｍｌｄａｗｉｅｎｐｔ．
２ＣｌｇｆｌｃｏｉＥｇｎｅｎ，ｅｏｇａｇＵｉｒｔ，ｒｉ１００，ｈｎ）．ｏｅｅｏｅｔｎｃｎｉｅｒｇＨｉｎｊｎｎｖｓｙＨａｎ５０１ＣｉｌＥｒｉｌｉｅｉｂａ
Ａｂｔａｔｈｒｄｔｎｌｈｐ￣ｐｃｒｌｉｇｎｘｎｌｏｔｍｎｏｖｓｔｅｅｔｃｉｎｏｎｍｅｅｎｈｓｉｔｎｓｒｃ：Ｔｅｔａｉｏａｙｅｅｔｍａｅｕｍｉｉｇａｇｒｈｉｖｌｅｈｘｒｔｆｅｄｍｂｒａｄｔｅｅｔｉａｉａｏｍａｉｏｏｂｎａｃａｕｓｆｒｅｃｎｍｅｅ．Ａｌｏｇｎｄｌｓａｌｒｖｄｃｅｔｂｅｕｍｉｉｇｒｓｌ，ｈｉｓｍａｆａｕｄｎｅｖｌｅａｈｅｄｍｂｒｏｔｕｈｍａｙｍｏｅｓｕｕｌｐｏｉｅａｃｐａｌｎｘｎｅｕｔｔｅｂａｙｈｙｓｂｒａｎｔｏｅｐｘｌｗｅｅａｎｎｗｎｍｅｅｘｓｓｈｒｆｒ，ａｈｐｒｐｃｒｌｉｇｎｘｎｇｒｈｂｓｄｅｇｅｔｉｈｓｉｅｓｈｒｎｕｋｏｎｅｄｍｂｒｅｉ．Ｔｅｅｏｅｙｅｓｅｔａｍａｅｕｍｉｉｇａｏｉｍａｅｔｌｔ

高光谱遥感影像混合像元分解

04
混合像元分解实验与分析
实验数据介绍
数据来源
01
实验数据来自中国的某高光谱遥感卫星，覆盖了多个地区和不
同的土地利用类型。
数据特点
02
数据具有高光谱分辨率，包含了数百个波段，能够提供丰富的
地物光谱信息。
数据预处理
03
为了提高混合像元分解的精度，需要进行数据预处理，包括辐
射定标、大气校正、几何校正等。
端元数量与分解精度
实验结果表明，随着端元数量的增加，混合像元分解的精度逐渐提高。但端元数量过多会导致解的不稳定，因此需要选择合适的端元数量。
不同土地利用类型的识别
通过混合像元分解，可以有效地识别不同类型的土地利用，如植被、水体、城市等。这为土地利用变化监测、生态保护等方面提供了有力支持。
比较不同方法的结果
混合像元分解的必要性
为了更准确地提取地物信息，提高遥感应用的效果，对高光谱遥感影像进行混合像元分解是必要的。通过混合像元分解，可以将一个混合像元分解成若干个纯像元的线性组合，从而更准确地表达地物的光谱特征。
混合像元分解研究现状
早期研究方法
早期的研究主要采用端元提取和丰度反演的方法进行混合像元分解。端元提取的方法主要基于空间和光谱的统计分析，从高光谱数据中提取出纯像元；丰度反演的方法则是基于线性混合模型，通过优化算法反演出各纯像元的丰度。
VS
近期研究方法
近年来，随着深度学习技术的发展，越来越多的研究开始采用深度学习的方法进行混合像元分解。深度学习方法能够自动地学习和提取高光谱数据中的复杂结构和特征，从而更准确地分解混合像元。目前，常见的深度学习方法包括卷积神经网络（CNN）、生成对抗网络（GAN）等。

改进的MVC-NMF算法在高光谱图像解混中的应用

２改进的ＭＶＣＮ－ＭＦ算法
２１ＭＶＣ— ．ＮＭＦ算法
、满足ＫＴ条件ＳＫ
Ａ ≥ ０Ａ ≥ ０ｒＧＡＧ（）ｔ｛（）
５ ≥ ０Ｇ
．
｝＝０
（）５
（）０ｒＧＳｊ（）Ｓ ≥ ｔ｛（）ｓ＝０６式中，Ｇ为目标数关于矩阵４、Ｇ、５的梯度矩阵：
２２改进的ＭＶ．ＭＦ算法．ＣＮ
混合像元在高光谱图像中广泛存在，如何从高光
谱遥感图像中准确地提取端元信号，有效地对混合并
针对非负矩阵的求解。目前，多文献采用梯度很
下降算法来加速ＮＭＦ的收敛，Ｖ．ＭＦ算法中采用ＭＣＮ
ＢＡ应用于ＭＶ — ＭＦ算法的具体原理及过程为：ＢＣＮ构建目标函数可以分解为两个子问题来求解：
１
Ａ）＝ｍｉ厂，）ｍｎｎ（ｓ＝ ÷ Ａ
．
Ｈ＾厶一 Nhomakorabea Ａ（）３
（）４
而，该方法迭代速度较熳，影响了高光谱混合像元分解的效率，中提出利用ＢＡ算法来实现ＭＶ — Ｍ文ＢＣＮＦ算
李二森张振华赵国青宋丽华，，，
（．解放军信息工程大学测绘学院，１河南郑州４０５；．６４５０２２６４４部队，北京１０４）００２
摘要：光谱图像中混合像元的存在不仅影响了基于遥感影像的地物识别和分类精度，且已经成为遥感科高而学向定量化发展的主要障碍。ＭＣＮＶ — ＭＦ混合像元解混算法不需要假定纯像元的存在，且在自动提取端元的同并时，够获取每种端元所对应的丰度图，而该方法收敛速度较慢、率较低，中提出利用ＢＡ（ａｉｉｏｗｉ能然效文ＢＢｒｌ— ｒｅｚａＢｎ

混合像元分解笔记

光谱混合分析（SMA）1.光谱分析法：利用光谱学的原理和实验方法以确定物质的结构和化学成分的分析方法。

特点：（1）分析速度较快（2）操作简便（3）不需要纯样品（4）可同时测定多种元素或化合物，省去复杂的分离操作（5）选择性好。

可测定化学性质相近的元素和化合物（6）灵敏度高（7）样品损坏少探随着新技术的采用，定量分析的线性范围变宽，使高低含量不同的元素可以同时测定，还可以进行微区分析。

局限性：光谱定量分析建立在相对比较的基础上，必须有一套标准样品的组成和结构状态应与被分析的样品一致。

2•高光谱遥感：指利用很多很窄的电磁波波段获得观测目标的相关信息。

（即高光谱分辨率）特点：波段数目多，波段宽度窄，波段分布连续，光谱分辨率高，图谱合一。

f 地物识别、分类具有优势，适用于混合像元分析。

高光谱遥感影像分析f 集中于对光谱维信息的提取和定量分析。

（1）影像立方体X, Y:普通影像的长和宽乙由波长长短顺序叠加形成的。

（上短下长）图：单个像元沿Z轴的不同亮度值形成了一条连续的光谱曲线波(X 长，Y亮度)f描述每个像元所代表的地物光谱特征。

(2)光谱数据库：自然条件下，仪器实测的各种地物光谱数据。

人为控制下，测得的矿物，植物矿片等光谱数据。

每条光谱记录都对应有其测量的仪器，气象条件，周围环境等详细信息。

(3)光谱匹配：将地物光谱与实验室测量的参考光谱进行匹配，或将地物光谱与参考光谱数据库进行比较，求得它们之间的相似性或差异性，以达到识别地物的目的。

3.混合光谱分析纯像元：仅包含一种土地覆盖类型。

记录的是该土地覆盖类型的光谱响应特征或光谱信号。

混合像元：包含不止一种土地覆盖类型。

记录的是不同土地覆盖类型光谱响应特征的综合。

(1)线性混合：指传感器无法分辨的多种小地物光谱的线性合成。

只要这些不同小地块的光谱能互不干扰地到达传感器，就可用线性方法通过像元亮度值估算不同地块比例f (各地块分布紧密的区域) 包括：物理学描述，代数学描述，几何学描述。

一种改进的N―FINDR端元提取算法-最新资料

一种改进的N―FINDR端元提取算法
高光谱遥感的出现，是一个概念上和技术上的创新，它是目前遥感领域研究的热点。

遥感图像具备波段数目多，光谱分辨率高的特点，同时具备图谱合一的特点。

研究表明，高光谱遥感技术除了在找矿、水环境、生态、大气等定量遥感研究中具有巨大的潜力之外，还在遥感测绘领域展现出美好的前景。

但是由于成像光谱仪有限的空间分辨率和地物的复杂多样性，造成瞬时视场内不止包含一种地物，因而高光谱影像中混合像元大量存在，它影响着高光谱遥感应用的发展。

混合像元分解是研究混合像元最有效的方法，端元提取是混合像元分解的关键步骤。

1改进的N-FINDR算法
高光谱观测数据集在几何空间的分布形状是一个单形体，该单形体的顶点对应于端元，N-FINDR算法是通过计算单形体体积的方式确定端元位置。

混合像元属于单形体的内点，那么由端元组成的单体体积一定大于由内点组成的单体体积，将具有最大体积单体的顶点作为端元。

该算法精度高，稳定性好，但是算法执行时，首先需要对原始影像进行降维，降维易损失原始高光谱数据信息，其次需要遍历所有像元，算法计算速度慢。

4结论
本研究是在分析线性混合模型基础上，假设纯净像元存在的前提下提出的，是一种序列端元提取算法，参量是端元判断的重
要依据，此外，利用体积的递归关系，降低了计算复杂度。

算法在保证端元提取精度的同时，大大提高了数据处理的时间效率。

基于改进SAM的高光谱影像混合像元分解算法研究

摘要：将传统遥感图像分类方法中的光谱角度制图法（ｐｃｒｌｇｅＭａｐｎ－ＡＭ）以变换，ＳｅｔａＡｎｌｐｉｇＳ加改进为一种符合全约束条件下的高光谱遥感图像的混合像元分解模型。新算法在端元丰度比例满足全约束的条件下，过通
逼近的方法寻找一种端元丰度的比例组合，测试光谱与日标光谱的广义夹角最小，而认为该比例组合就是混使从
ＡｂｔａｔＩｓａｓｒｃ：ｔｉｎｉｏｔｎｒｒｑｉｉｕ－ｉｅｐｉｇｏｙｅｓｅｔａｅｔｅｓｎｇ，ｈｔｘｄｐｘｌｍｕｔｍｐｒａｔｐｅｅｕｓｔｉｓｂｐｘｌｅｎｍａｐｎｆｈｐｒｐｃｒｌｍｏｅｓｎｉｇｉｒｍａｅｔａｅｉｅｓｍｉｓｂｆｅｔｅｙｄｃｍｐｓｄｕｄｒａｌｔｅｃｎｔａｎｓＩｈｓｐｐｒａｎｆｔｅｔａｉｉｎｌｉｇｌｓｉｃｔｏｅｈｄ，ｈｅｅｆｃｉｌｅｏｏｅｎｅｌｈｏｓｒｉｔ．ｎｔｉａｅ，ｓｏｅｏｈｒｄｔａｍａｅｃａｓｆａｉｎｍｔｏｓｔｅｖｏｉＳｅｔａｇｅＭａｐｎｅｈｄＳＡＭ）ｓｔａｓｏｍｅｎｍｐｏｅ，ＯａｎｗｘｄｐｘｌｄｃｍｐｓｔｎｍｏｅｉｈｉｎｐｃｒｌＡｎｌｐｉｇｍｔｏ（ｗａｒｎｆｒｄａｄｉｒｖｄＳｅｍｉｅｉｅｅｏｏｉｏｄｌｉｗｈｃｓｕ — ｄｒａｌｏｓｒｉｔｓｐｏｏｅ．ｄｒｔｅｃｎｉｏｈｔｔｅｐｏｏｔｏｓｏｌｅｄｍｂｒｅｌｃｎｔａｎｓｔｅｎｗｌｏｅｌｃｎｔａｎｓｗａｒｐｓｄＵｎｅｈｏｄｔｎｔａｈｒｐｒｉｎｆｌｎｍｅｅｓｍｅｔａｌｏｓｒｉｔ，ｈｅａｇ — ｉａ

混合像元分解法操作步骤[整理版]

一、农田作物的光谱特征与天然植被有所不同（后者的叶片含水量及绿度均不及农田作物），故在选择纯净端元时会出现混淆，故希望先将农田掩去。

首先要先将农田的界限提取出来。

提取农田边界的方法：
1、对两期影像均提取NDVI图，再将两张NDVI图进行最大化合成。

再将合成后的NDVI
图与任一原图进行链接，调出CUSORLOCA TION 对话框，移动鼠标，观察对话框中NDVI图的数值变化，确定农田区的边界，注意图中某些高植被覆盖区的NDVI值也和农田区的数值一样高，这样做会把高值区也确定为农田区。

但没有关系，这些高值的天然植被区应为水库附近，其含水量等表象与农田作物相似，而与一般旱生植被有异。

正好一并掩去。

做NDVI图：
做最大化合成：
观察两幅图，确定阈值：
量图，此时即可得到农田的范围，然后可用该农田范围做掩膜。

在决策树上输入表达式：注意，阈值不一定是0.3，要自己确定。

给B1赋予NDVI波段
执行分类：
输出为矢量图：
二、应用掩膜，对某一期原始图像做MNF变换和主成分变换，选择前两个波段信息量最大的一种变换，选择其前两个波段，在ENVI5.1中做二维散点图，用最小法提取出纯净端元的光谱曲线。

三、对主成分图进行混合像元分解、分类。

，得到植被分量、分类图。

端元约束下的高光谱混合像元非负矩阵分解

ｐｏｂｂｌｓｉｔｏｓｕｉｉｅｏｆｒｌｔｖｌｉｒｔｅａｇｒｔｍｙｔａｉｇｏｂｎｎｅｎｎｅａｉｅａｔｉｕｔｎａｄｅｄｍｂｒｄｉｅｅｃｒａｉｉｔｍｅｈｄｉｔｚｄｔｏｍｕａｅａｎｏｅｔａｉｌｏｉｃｌｅｖｈｂｒｄｎｆａｕｄａｃｏｎｇｔｖｔｒｂｉｎｎｍｅｅｆｒｎｅｏ
２ｃｏｌｆＥｎｉｏｍｅｔＳｉｎｃｎａｉｌｎｒａｉｓＣｈｎｖｅｓｔｆＭｉｉｇａｄＴｃｎｌｙＸｕｈｕ２１）ＳｈｏｖｒｎｎｃｅｅａｄＳｐｔａｆｍｔｃ，ｉａＵｎｉｒｉｙｏｎｎｎｅｈｏｏｇ，ｚｏ２１６ｏＩｏ１
１概述
利用成像光谱仪进行定量遥感应用的一个突出问题就是
混合像元的分解问题，如何有效地解译混合像元一直是高光
利用最小二乘方法估计端元组分不能保证的估计值为
非负，导致了估计值与真实值之间的偏离。下面从非负矩阵
分解的角度对混合像元分解问题进行分析。
ｆｎｔｍｐｅｙｍａｉｚｎｉｅｅｃｔｅｎｍｅｅｓａｎｌｐｓｉｌｉｌｘｓｉｒｓｎｅｎｔｅｉｇ．ｅｍａｉｕｐｓｅｉｒｕｃｉｉｏｓｄｂｘｍｉｉｇｄｆｒｎｅｂｅｗｅｎｅｄｍｂｒｍｏｇａｌｏｓｂｅｓｍｐｅｅａｐｅｅｔｄｉｈｍａｅＴｈｘｍｍｏｔｒｏｏｎ
ＷＵＺＨＡＯｎｄＺＨＯＵａ－ｈｎＢｏ，Ｙｉ — ｉ，Ｘｉｏｃｅｇ

混合像元分解算法的比较和改进

混合像元分解算法的比较和改进
混合像元分解是一种用于图像压缩和图像分割的算法。

在传统图像压缩中，利用DCT或者小波变换对图像进行变换，然后采用量化和编码的方式进行压缩处理。

然而，这些方法不能得到图像的结构信息，从而导致图像压缩的效果较差。

混合像元分解算法（HMRF）结合了有监督和无监督方法，能够有效地提取图像的结构信息，从而得到更好的图像压缩效果。

HMRF的基本思想是将图像分割为多个区域，并且每个区域采用不同的编码方式进行压缩。

具体来说，HMRF算法包含以下几个步骤：
3.编码：将每个区域内的像素点进行压缩编码，可以选择传统的DCT 或者小波变换等方法进行编码。

4.重构：将压缩后的编码数据进行解码和重构，得到压缩后的图像。

与传统的图像压缩方法相比，HMRF算法的优势主要体现在以下几个方面：
1.结构信息提取：HMRF能够有效地提取图像的结构信息，从而得到更好的图像压缩效果。

传统的压缩方法只能对像素点进行变换和量化，而无法提取图像的结构信息。

然而，HMRF算法也存在一些问题，需要改进：
综上所述，混合像元分解算法是一种有效的图像压缩和分割方法，能够提取图像的结构信息，得到更好的压缩效果。

然而，该算法还存在一些问题，需要进一步改进，提高压缩率和迭代的效率。

一种高光谱遥感影像端元自动提取方法

ｅａｌｆＯＭＩｙｅｓｅｔａｍａｅａｄｔｅｅｐｒｍｅｔｌｒｓｌｉｄｃｔｓｔａｈｌｏｉｍｆｅｔｖｎａｉｈｄｇｅｘｍｐｅｏＳｈｐｒｐｃｒｌｉｇ，ｎｈｘｅｉｎａｅｕｔｎｉａｅｈｔｔｅａｇｒｈｉｅｆｃｉｅａｄｈｓｈｇｅｒｅｔｓ
ＡｎＡｕｏｔｃＥｎｍｅｂｒＥｘｒｃｉｎＡｌｏｉｍｒｍｐｒｐｃｒｌＩｇｔｍａｉｄｍｅｔａｔｏｇｒｔｈｆｏＨｙｅｓｅｔａｍａｅ
ＷＡＮＧａｑｉｇＸｉｏｎ。～，ＤＵｅ－ｕ０，ＰｉｎＴＡＮｎ，ＡＯｅ ① ｊＫｕ０ＣＷｎ
ｏｔｆａｕｏｍａｔｏ．ｉｎ
Ｋｅｒｓ１ｅｐｃｒｌｍｉｔｒｄｌｃｎｅｉｌｘ；ｎｍｅｅｙｗｏｄ：ｉｒｓｅｔａｘｕｅｍｏｅ；ｏｖｘｓｍｐｅｅｄｍｂｒｎ
１引言
高光谱遥感影像波段多、信息量大，提供更丰富的地物信息，利用高光谱进行目标检测、影像分类和参数反演是当前遥感科学技术领域的研究热点。由于传感器的空间分辨率以及地面的复杂多样性，混合像元普遍存在于遥感图像中。有效提取纯净像元
（ＣｉａＵｉｅｓｙｏｎｎｎｅｈｏｏｙ，ｅｂｒｔｒｏｎｖｒｎｅｔｎ ① ｈｎｎｖｒｉｆＭｉｉｇａｄＴｃｎｌｇｋｙｌｏａｏｙｆｒａｄＥｎｉｏｍｎｄｔａｌａ

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遥感数据分析方法，可以用于提取地物信息和监测环境变化。

在实际应用中，为了提高分解结果的准确性和可靠性，需要进行端元提取的优化。

端元提取是指从高光谱数据中选择代表地物的像元进行分解。

传统的端元提取方法主要基于经验或人工选择，存在以下问题：首先，传统方法需要人工选择代表地物样本进行端元提取，这种方式受主观因素干扰较大，容易引入误差。

为了减少主观因素的干扰，可以使用统计学方法来进行自动化的端元提取。

常用的统计学方法有聚类分析、主成分分析和最大似然分类等。

其次，传统方法在进行端元提取时通常只考虑了光谱信息，而忽略了空间信息。

然而，地物的空间分布特征对端元提取和混合像元分解结果的准确性和可靠性有重要影响。

因此，应该将空间信息考虑进来，可以利用地物边界信息和多源遥感数据进行融合，以提高端元提取的准确性。

此外，高光谱混合像元分解还需要考虑混合像元的数量和选择。

传统方法通常假设混合像元是由两个或三个端元组成的，但实际情况往往更为复杂，混合像元可能由多个端元组成。

因此，可以利用自适应光谱混合方法，对混合像元数量进行估计，并选择最优的混合像元组合来进行分解。

最后，在进行端元提取和混合像元分解时还应考虑光谱响应的非线性和光谱混叠的影响。

非线性效应会导致混合像元分解结果的偏差，光谱混叠则会造成端元提取的困难。

因此，可以利用非线性光谱混合像元分解方法和反混叠技术，来克服这些问题，提高分解结果的准确性。

综上所述，优化端元提取方法的高光谱混合像元分解可以使用统计学方法进行自动化的端元提取，同时考虑空间信息和光谱非线性效应等因素。

通过合理选择混合像元数量和采用反混叠技术，可以提高分解结果的准确性和可靠性，从而更好地应用于地物信息提取和环境监测等领域。

高光谱遥感影像混合像元分解.pptx

（3）几何光学模型。
• 该模型适用于冠状植被地区，它把地面看成由树及其投射的阴影组成。从而地面可以分成四种状态：光照植被面（C）、阴影植被面（T）、光照背景面（G）、阴影背景面（Z）。像元的反射率可以表示为：
R ( Ac Rc AT RT AG RG AZ RZ ) / A
（4）随机几何模型
• 如果是进行混合像元分解，则需要将输出端的概率转化为每一种类别的组分比，并保证组分比的和相加等于1，把得出的每一种类别的组分比信息显示在最后的结果图像上。
BP神经网络：
• 将其利用于混合像元分解中来，首先对以上分类模型进行改进，改进的主要部分在输出节点层。
混合像元分解模型示意图
• 本实验数据选取分辨率为30m的TM影像。该影像区域为湖北省武汉市，大小为 400像素×400像素，获取时间为1998年10月26日
8.1 混合分解的定义：
1）混合像元在高光谱遥感影像中普遍存在。 2）求解每一混合像元的覆盖类型组分比例值，也就是求取端元百分含量（丰度）。 3）解决了因混合像元的归属而产生的错分、误分问题，分类将更加精确。
线性光谱混合
非线性光谱混合
8.2 混合像元分解技术
• 把像元的反射率表示为端元组分的光谱特征和它们的面积百分比（丰度）的函数。Charles 在1996年将像元混合模型归结为以下五种类型：
• 在线性混合模型中，每一光谱波段中单一像元的反射率表示为它的端元组分特征反射率与它们各自丰度的线性组合。
• 从遥感图像的像元光谱信号可以提取像元整体的表观光谱信息，其表观光谱信息光谱辐亮度L（）是端元光谱辐亮度Lj（ j）的线性组合。
植被
混合像元
reflectance
水体

混合像元分解和其应用ENVI操作讲解

一鉴于 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采集。

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），以后选择阈值范围从 PPI 图像上获取感兴趣区，感兴趣区包括的像元就是比较纯净的像元。

（1）翻开高光谱数据。

（2）在 ENVI主菜单中，选择 Spectral ->MNF Rotation- > Forward MNF -> Estimate Noise Statistics From Dat a 。

在标准 ENVI文件选择对话框中，选择高光谱图像文件。

（3）翻开 Forward MNF Transform Parameters 面板，选择 MNF输出路径及文件名，单击 OK履行MNF变换。

（4）在波段列表中输出 MNF影像及特点曲线值。

从图中能够看出，大概 20 个波段此后的 MNF的特点值很小（5）MNF变换后，在 ENVI主菜单中，选择 Spectral-> Pixel Purity Index->[FAST] NewOutput Band。

在翻开的 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后边波段基本为噪声），单击 OK。

（6）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，翻开 Band Threshold to ROI面板（图 14.19 ）。

Min Thresh Value ：10，Max Thresh Value ：空（ PPI 图像最大值），其余默认设置，单击 OK计算感兴趣区，获取的感兴趣区显示在 Display 窗口中。

混合像元分解算法的比较和改进

1本科毕业设计(论文) GRADUATION DESIGN(THESIS)题目混合像元分解算法的比较学生姓名吴洋指导教师杨敏华学院地球科学与信息物理学院专业班级测绘1103班本科生院制2015年6月混合像元分解算法的比较摘要高光谱遥感在当今社会的各个领域都有着比较普遍的应用和广阔的前景。

它所得到的高光谱影像数据具有波段多、数据大、分辨率高的特点[1]，不过高光谱遥感数据同时还存在着光谱分辨率高而空间分辨率低的问题。

因为在高光谱遥感影像中普遍存在混合像元，且它并不是纯像元，而是各个端元按照一定的比例组合而成的[2]，所以混合像元的出现不仅让我们在直接进行像元的分类上受到了阻碍，也给高光谱遥感数据分类精度的提高带来了困扰[3]。

现如今，为了解决混合像元带来的问题，提升高光谱遥感影像在应用上的精度，科研人员已经发现了许多不同类型的混合像元分解算法。

本论文为混合像元分解端元提取算法的比较，就是围绕混合像元分解的问题，通过分析当前国内外几个比较典型且常用的混合像元技术的原理和算法，得到它们各自的优缺点。

本文总结了高光谱图像数据的特点，高光谱遥感影像数据降维、端元提取和丰度估计的算法。

其中在数据降维算法上我们介绍了主成分分析法（PCA），在端元提取算法上介绍了像元纯度指数算法（PPI）、内部最大体积法（N-FINDR）和顶点成分分析法（VCA），在丰度估计算法中也主要介绍了最小二乘法。

最后实验重点总结PPI、N-FINDR 和VCA三种混合像元分解算法操作的步骤和结果，并将结果进行比较。

关键词：高光谱遥感，混合像元分解，端元提取算法The Comparison of Endmember Extractionof Unmixing AlgorithmAbstractHyperspectral remote sensing has been used widely in every research field and also have broad prospects.The hyperspectral image data it receives has features of multi-band,large data and high resolution[1].However,remote sensing data also have high spectral resolution and low spatial resolution.Because the hyperspectral remote sensing has mixed pixel prevalently,and it is a combination of various endmember in accordance with a certain proportion rather than pure pixel[2].So the appearance of mixed pixel is not only hindered in our classification but also difficult to improve our accuracy of classification[3].Nowadays,in order to solve the problem brought by mixed pixel and enhance the accuracy of hyperspectral remote sensing image in the application,researchers have already found large different types of decomposition algorithm of mixed pixels.This paper is the comparison of endmember extraction of unmixing algorithm,which center on the unmixing problem,by analyzing several current typical and common hyperspectral imaging technique principle and algorithm, to get their own advantages and disadvantages.This paper describes the characteristics of hyperspectral image data,the algorithms of data reduction of hyperspectral remote sensing image,endmember extraction and abundance estimation.Wherein the article,we introduced the Principal Component Analysis(PCA)in the data reduction,the Pixel Purity Index(PPI),N-FINDR and Vertex Component Analysis (VCA)in the endmember extraction algorithm.And in the abundance estimation algorithm, we also introduced the Least Squares Method.Finally,we focus on three unmixing algorithm operation steps and results,and the results were compared.Keyword:Hyperspectral remote sensing,Unmixing pixel,Endmember Extraction algorithm目录第1章绪论 (1)1.1论文概况 (1)1.2研究背景和建设意义 (1)1.2.1研究背景 (1)1.2.2混合像元分解技术介绍和研究现状 (2)1.3课题主要任务及论文结构 (4)第2章混合像元分解算法介绍 (5)2.1高光谱遥感数据 (5)2.1.1高光谱遥感数据特性 (5)2.2数据降维 (6)2.2.1主成分分析算法介绍 (6)2.3端元提取算法 (7)2.3.1像元纯度指数 (8)2.3.2N-FINDR (9)2.3.3顶点成分分析 (10)2.3.4端元提取算法之间比较 (11)2.4丰度估计算法介绍 (12)2.4.1非负约束最小二乘法 (13)2.4.2和为一限制性最小二乘法 (14)2.4.3四种形式最小二乘法优缺点比较 (15)第3章混合像元分解的程序操作 (16)3.1高光谱遥感影像来源及预处理 (16)3.1.1高光谱遥感影像来源 (16)3.1.2高光谱遥感数据预处理 (16)3.1.3像元纯度指数提取端元 (18)3.1.4N-FINDR提取端元结果 (19)3.1.5结论 (21)第4章总结与展望 (23)4.1总结 (23)4.2展望 (23)致谢 (24)参考文献 (25)第1章绪论1.1论文概况本论文为混合像元分解算法比较和改进的设计，为计算机程序编辑和软件操作论文。

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)。

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。