一种端元变化的神经网络混合像元分解方法

合集下载

一种端元可变的混合像元分解方法

一种端元可变的混合像元分解方法
丛浩;张良培;李平湘
【期刊名称】《中国图象图形学报》
【年(卷),期】2006(011)008
【摘要】混合像元线性分解是高光谱影像处理的常用方法,它使用相同的端元矩阵对像元进行分解,其结果是分解精度不高.为此提出了一种端元可变的混合像元分解方法,在确定端元矩阵时,首先考察混合像元与端元的光谱相似性,结合地物空间分布特点,实现了可变端元的混合像元分解.试验结果表明,该分解方法分解精度优于传统线性模型,符合实际情况.
【总页数】5页(P1092-1096)
【作者】丛浩;张良培;李平湘
【作者单位】武汉大学测绘遥感信息工程国家重点实验室,武汉,430079;武汉大学测绘遥感信息工程国家重点实验室,武汉,430079;武汉大学测绘遥感信息工程国家重点实验室,武汉,430079
【正文语种】中文
【中图分类】TP751.1
【相关文献】
1.端元可变非线性混合像元分解模型 [J], 李慧;张金区;曹阳;王兴芳
2.一种新的遥感图像混合像元分解方法 [J], 周昊;王斌;张立明
3.基于修正MCMC的端元可变的混合像元分解算法 [J], 胡霞;宋现锋;牛海山
4.一种端元变化的神经网络混合像元分解方法 [J], 吴柯;张良培;李平湘
5.端元之间最大距离和约束的\rNMF混合像元分解方法 [J], 徐君;王彩玲
因版权原因，仅展示原文概要，查看原文内容请购买。

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。

混合像元分解及其应用（ENVI操作文本）讲解

混合像元分解及其应⽤（ENVI操作⽂本）讲解⼀基于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。

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 Dat a。

在标准ENVI⽂件选择对话框中，选择⾼光谱图像⽂件。

（3）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。

（4）在波段列表中输出MNF影像及特征曲线值。

从图中可以看出，⼤约20个波段以后的MNF的特征值很⼩（5）MNF变换后，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。

（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，打开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。

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。

混合像元分解

混合像元分解
混合像元分解（MixedPixelDecomposition，MPD）是一种不需要任何理论假设的半监督算法，用于自动地从复杂的观测图像中分解出多个不同的像元组。

MPD是计算机视觉和图像处理领域的一个关键技术，它支持多种现代视觉任务，包括目标检测、跟踪、语义分割、深度学习等。

MPD技术应用于图像处理，首先要建立一个模型，该模型由不同的像元组成，比如彩色图像的RGB通道，使用MPD技术，可以将彩色图像分解成RGB三个通道，也可以分解成更多的像元，比如灰度、噪声、亮度、颜色等像元。

使用MPD技术可以方便地处理复杂的图像，将它们分解成可操作的不同像元集。

MPD技术采用半监督学习方法，把原始图像分解成不同的像元，可以是灰度、噪声、亮度、颜色等像元，这样就可以很容易地提取，保存和操作不同的像元，MPD技术的优点是不需要任何理论假设，只要输入输入完整的图像，就可以得到准确的结果。

MPD技术的基本流程是：输入原始图像，通过全局优化算法，得到混合像元，然后使用机器学习模型，学习每个混合像元的结构，最终得到像元分解的结果。

MPD技术的应用非常广泛，可以应用在图像分类和识别、目标检测、图像处理领域，深度学习、自然语言处理等领域。

比如在目标检测任务中，可以使用MPD技术训练的模型来识别目标物体或背景中的特征；在图像处理领域，可以用MPD技术来分离图像中的不同像元，
从而得到更高质量的图像；在深度学习和自然语言处理领域，MPD技术也可以用来提取文本特征和语义信息。

总之，MPD是一种非常有用的技术，可以应用于图像处理、目标检测、深度学习、自然语言处理等领域，可以有效处理复杂的图像信息，提取出单像素或多像素的信息，以及文本特征和语义信息等，为图像分析和处理提供了可靠的基础。

一种端元变化的神经网络混合像元分解方法_吴柯

第11卷　第1期2007年1月遥　感　学　报JOURNAL OF RE MOTE SENSI N GVol .11,No .1Jan .,2007收稿日期:2005212206;修订日期:2006204220基金项目:国家自然科学基金项目(编号:40471088,40523005)、国家973项目(编号:2006CB701302)和地理空间信息工程国家测绘局重点实验室课题资助。

作者简介:吴　柯(1981—　),男,武汉大学测绘遥感信息工程国家重点实验室博士研究生。

研究方向为神经网络,遥感图像处理等。

E 2mail:tingke2000@ 。

文章编号:100724619(2007)0120020207一种端元变化的神经网络混合像元分解方法吴　柯,张良培,李平湘(武汉大学测绘遥感信息工程国家重点实验室,湖北武汉　430079)摘　要:　遥感图像中普遍存在着混合像元,对混合像元进行分解是遥感图像处理中的难点,在端元(End me mber )个数不变的情况下,往往得到的分解结果精度不高。

本文基于fuzzy ART MAP 神经网络,提出一种基于端元变化的神经网络混合像元分解模型。

首先利用混合像元与纯净端元之间的光谱相似性,判断出混合像元包含的端元个数及类别,然后结合fuzzy ART MAP 神经网络进行分解。

实验结果表明:本文提出的方法比传统的线性混合模型及fuzzy ART MAP 神经网络模型的精度要高,而且更加符合实际情况。

关键词:　混合像元;端元变化;线性模型;神经网络;Fuzzy ART MAP;影像分类中图分类号:　TP751.1 文献标识码:　AA Neura l Network M ethod of Selecti ve End m em ber for P i xel Unm i x i n gWU Ke,ZHANG L iang 2pei,L I Ping 2xiang(S tate Key Laboratory for Infor m ation Engineering in Surveying,M apping and Re m ote Sensing,Hubei W uhan U niversity,Hubei W uhan 430079,China )Abstract:　Remote sensing i mages contain a l ot of m ixed i mage p ixels,but it is difficult to classify thesep ixels .I f the number of p ixel ’s endmember is regarded as unchangeable,the traditi onal p ixel unm ixing algorith m cannot get a g ood result .In this paper we devel op a new method of selective endmembers for p ixel unm ixing based on the fuzzy ART MAP neural net work,which firstly compares the p ixel ’s spectral t o the conference one and then gets the nu mber of endmember .W hen it is taken into account,we use an ART MAP neural net work t o extract subp ixel infor mation .Finally,the experi m ental results show that the selective endmember algorithm has been i mp r oved over conventi onal ANN algorithm s and conventional linear algorithm s .Key words:　m ixed p ixel;selective endmember;linear algorithm;ANN;Fuzzy ART MAP;i mage classification1　引　言由于地球卫星的空间分辨率及地表的复杂多样性,在一幅遥感图像中有许多像元都包含有若干表面覆盖类(标准地物)[1],这类像元称为混合像元。

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。

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。

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。

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。

基于修正MCMC的端元可变的混合像元分解算法

ｔｒａｎｓｉｔｉｏｎｐｒｏｃｅｓｓ，ｔｏｉｍｐｒｏｖｅａｌｇｏｒｉｔｈｍｅｆｆｉｃｉｅｎｃｙ．Ｔｈｉｓａｌｇｏｒｉｔｈｍｄｏｅｓｎｏｔｒｅｑｕｉｒｅｈｕａｎｍｉｎｔｅｒｖｅｎｔｉｏｎ．Ｉｔｃａｎａｃｈｉｅｖｅａｕｔｏｍａｔｅｄｕｎｍｉｘｉｎｇ，ａｎｄｈａｓａｈｉｇｈａｃｃｕｒａｃｙ．ＴｈｅｅｘｐｅｒｉｍｅｎｔｓｓｈｏＷｔｈａｔｔｈｅａｌｇｏｒｉｔｍｈｂａｓｅｄｏｎＭＣＭＣｉｓｓｕｐｅｒｉｏｒｔｏ
累积知识，以提高算法效率。这种算法不需要人工干预，能够实现自动化像元分解，并且具有较高的精度。实验表明，
基于修正ＭＣＭＣ的端元可变的自动化解混算法在分解精度和稳定性方面均优于基于固定端元的混合像元分解方法。
关键词像元分解，波谱库，端元可变，随机变量，ＭＣＭＣ
ｐｒｏｃｅｓｓｂａｓｅｄｏｎａｓｔａｎｄａｒｄｓｐｅｃｔｒａｌｌｉｂｒａｒｙ．Ｗｉｔｈｉｎｔｈｅｐｒｅｍｉｓｅｏｆｖａｉｒａｂｌｅｎｍｂｕｅｒｏｆｅｎｄｍｅｍｂｅｒｓ，Ｒｅｖｅｒｓｉｂｌｅｊｕｍｐ
第４Ｏ卷第１１期２０１３年１１月

常见混合像元分解方法简介[技巧]

常见混合像元分解方法(2011-04-20 20:35:42)转载▼标签：分类：遥感技术混合像元亚像元分解方法线性波谱分离教育常见的混合像元分解方法，主要包括线性波谱分离(Liner Spectrl Unmixing )、匹配滤波(MF )、混合调谐匹配滤波(MTMF）、最小能量约束(CEM）、自适应一致估计（CE）、正交子空间投影(OSP)等。

0000下面分别对几种分类方法原理一一说明。

0000(1)线性波段预测(Liner Bnd Prediction)0000线性波段预测法（LS-Fit）使用一个最小方框（lest squres）拟合技术来进行线性波段预测，它可以用于在数据集中找出异常波谱响应区。

LS-Fit先计算出输入数据的协方差，用它对所选的波段进行预测模拟，预测值作为预测波段线性组的一个增加值。

还计算实际波段和模拟波段之间的残差，并输出为一幅图像，残差大的像元（无论正负）表示出现了不可预测的特征（比如一个吸收波段）。

0000(2)线性波谱分离(Liner Spectrl Unmixing )0000Liner Spectrl Unmixing可以根据物质的波谱特征，获取多光谱或高光谱图像中物质的丰度信息，即混合像元分解过程。

假设图像中每个像元的反射率为像元中每种物质的反射率或者端元波谱的线性组合。

例如：像元中的25%为物质，25%为物质B，50%为物质C，则该像元的波谱就是三种物质波谱的一个加权平均值，等于0.25+0.25B+0.5C，线性波谱分离解决了像元中每个端元波谱的权重问题。

0000线性波谱分离结果是一系列端元波谱的灰度图像（丰度图像），图像的像元值表示端元波谱在这个像元波谱中占的比重。

比如端元波谱的丰度图像中一个像元值为0.45，则表示这个像元中端元波谱占了45%。

丰度图像中也可能出现负值和大于1的值，这可能是选择的端元波谱没有明显的特征，或者在分析中缺少一种或者多种端元波谱。

混合像元分解

变端元混合像元分解冬小麦种植面积测量方法摘要:针对线性混合像元分解(LinearSpectralUnmixing, LSU)在端元(Endmember)个数不变情况下常会出现端元分解过剩现象导致分解结果精度不高的问题,以地物分布的聚集性特征为基础,提出了基于格网的变端元线性混合像元分解(Dynamic EndmemberLSU,DELSU)方法。

以冬小麦为研究目标,采用LandsatTM图像为实验数据、高分QuickBird图像目视解译冬小麦结果为真值精度评价数据,利用本文提出的DELSU方法进行冬小麦提取。

实验结果表明:该方法比最大似然方法、LSU方法更能准确地获取冬小麦面积,在一定程度上吸收了传统分类方法的优点,提高了目标地物的测量精度;同时作为一种改进的LSU方法也适用于其他土地利用/覆盖类型的测量。

利用遥感图像进行土地利用/覆盖监测中,混合像元现象不可避免,尤其是中分辨率遥感图像中混合像元问题十分严重[1-3]。

通过一定的方法计算出混合像元的典型地物组成比例,可解决混合像元问题,提高定性和定量遥感测量精度,在农作物种植面积监测中有着重要的应用价值[4-5]。

混合像元分解(SpectralUnmixing, SU)是提取植被覆盖度的主要方法[6],其测量结果为各种地物的丰度,其模型可归结为5类[7]:线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型。

线性混合像元分解(Linear SpectralUnmixing,LSU)模型因其简单实用而被广泛应用[8-9],特别是在图像波段数目较少、光谱分辨率不高的情况下[10]。

在像元分解中,用传统的LSU模型从图像上选取所有端元进行分解,但实际上大多数图像区域或混合像元只是由特定几种端元组成。

许多学者采用可变的端元模式[11-13]以提高测量精度,如Roberts等[14]提出了多端元混合像元分析(Multiple End-memberSpectralMixture Analysis,MESMA)方法,将各种地物的光谱值组成一系列的候选模型(Candi-dateModel),用每个候选模型分别对图像进行分解,通过比较均方根误差(RMS)来确定何种模型入选,有效地提高了分解精度;但在全区范围内选择候选模型,采用穷举方法确定端元,计算量较大,影响其应用效果。

高光谱图像混合像元多维卷积网络协同分解法

摘要：受成像光谱仪性能与复杂地物分布的影响，高光谱图像存在大量的混合像元。

传统的基于学习的混合像元分解方法通常都是浅层模型，或缺少对空间、光谱信息的综合应用。

本文提出一种多维卷积网络协同的混合像元分解深层模型，采用多种维度卷积网络能更充分利用多种维度语义信息，有利于估计小样本和高维的高光谱图像混合像元丰度。

对训练数据进行增广处理，构建光谱维、空间维和立方体3种卷积神经网络；设计了融合层，协同3种卷积神经网络提取特征，“端到端”的估计混合像元丰度值；模型使用了批量归一化、池化和Dropout方法避免过拟合现象。

试验结果表明，多维卷积网络协同方法的引入能更有效地提取空-谱特征信息，与其他的卷积网络解混模型相比，估计的混合像元丰度精度有显著提高。

关键词：高光谱解混卷积神经网络深度学习丰度估计Multi-dimensional convolutional network collaborative unmixing method for hyperspectral image mixed pixels Abstract: Influenced by the performance of imaging spectrometer and the distribution of complex ground objects, hyperspectral images have a large number of mixed pixels. Traditional learning-based unmixing methods are shallow models, or lack of comprehensive use of spatial and spectral information. This paper proposes a collaborative deep model with multi-dimensional convolutional network. Using multi-dimensional convolutional network can make full use of multi-dimensional semantic information, which is better to estimate hyperspectral mixed pixel abundance with small samples. The method augments training data, constructs three kinds of convolutional neural networks: spectral dimension, spatial dimension and cube dimension; the method designs fusion layer to concatenate features with three kinds of convolutional neural networks, and to "end-to-end" estimate of mixed pixel abundance; the model uses batch normalization, pooling and dropout to avoid over fittingphenomenon. The experimental results indicate that the introduction of our proposed method can extract spatial-spectral feature information more effectively. Compared with other convolutional network unmixing models, the accuracy of the estimated mixed pixel abundance is significantly improved.Key words: hyperspectral unmixing convolutional neural network deeplearning abundance estimation高光谱遥感是摄影测量和遥感中发展最快的方向之一，成像光谱仪将电磁波信号分解为成百上千个细小、相邻的波段，形成的高光谱遥感图像波段数量多、光谱分辨率高，通过光谱分析可以更好地识别地物[1]。

混合像元分解模型综述_吕长春

混合像元分解模型综述吕长春,王忠武,钱少猛(中国科学院遥感应用研究所,北京9718信箱100101)摘要:介绍了五种混合像元分解模型,分别为线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型,并对其中几种常用模型的优缺点及其适用性进行总结讨论。

并对不同模型之间的相似和差异性进行比较分析。

关键词:遥感;混合像元分解;模型中图分类号:T P751文献标识码:A文章编号:1000-3177(2003)71-0055-041前言遥感影像中像元很少是由单一均匀的地表覆盖类组成的,一般都是几种地物的混合体。

因此影像中像元的光谱特征并不是单一地物的光谱特征,而是几种地物光谱特征的混合反映。

它给遥感解译造成困扰。

混合像元无论直接归属到哪一种典型地物,都是错误的,因为它至少不完全属于这种典型地物。

如果每一混合像元能够被分解而且它的覆盖类型组分(通常称为端元组分)占像元的百分含量(丰度)能够求得的话,分类将更精确,因混合像元的归属而产生的错分、误分问题也就迎刃而解,这一处理过程称之为混合像元分解。

混合像元问题不仅是遥感技术向定量化深入发展的重要障碍,而且也严重影响计算机处理的效果或计算机技术在遥感领域中的应用。

大多数遥感影像分类算法并不考虑这一现象,只是利用像元光谱间的统计特征进行像元分类。

光谱混合分解技术考虑了这一现象,不仅能给出组成像元各地表覆盖类的丰度,而且能给出分类的图像。

2混合像元分解模型分解像元的途径是通过建立光谱的混合模拟模型。

通常,模型是这样建立的:像元的反射率可以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;在某些情况下,表示为端元组分的光谱特征和其他的地面参数的函数。

Char les Ichoku(1996)[1]将像元混合模型归结为以下五种类型:线性(linear)模型、概率(probabilistic)模型、几何光学(geo-metric-optical)模型、随机几何(sto chastic geometric)模型和模糊分析(fuzzy)模型。

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。

混合像元分解研究综述——端元内光谱差异问题

混合像元分解研究综述——端元内光谱差异问题或叫做端元变异，端元不稳定(Endmember variation)。

一般的混合像元分解算法假设相同地物都有相同的光谱特征，因而对整幅图像采用相同的端元光谱。

但由于同物异谱现象的存在，端元的光谱并非恒定的值，这就是端元内光谱差异现象。

这种现象的存在常常会导致分解结果的误差。

目前，解决该问题的方法可以分为四类：(1) 多端元方法多端元方法指对每一类地物选取多个端元光谱参与混合像元分解。

其中最典型的方法是由Roberts等(1998)[49]提出的MESMA(Multiple Endmember Spectral Mixture Analysis)方法。

该方法首先为每类地物选取多条光谱，并以此生成多个端元组合（每个端元组合由不同地物中的某一条光谱组成），接着对每个像元寻找最小二乘法误差最小的端元组合，进而求出每个像元的端元比例。

该方法在很多研究中被证实是十分有效的[50-54]。

Bateson等(2000)[55]提出了一种端元束的方法，该方法对每类地物生成端元束（一个端元束由许多同一类地物的光谱组成），将所有端元束的光谱作为端元进行混合像元分解。

因为端元数目超过光谱波段数，方程组欠定，所以只能求解出每一类地物（也就是一个端元束内所有光谱的比例之和）的最小值和最大值，再对其作平均得到每类地物的比例。

该方法的优点在于可以得到每类地物比例的误差范围。

多端元方法机制明确，但计算复杂，耗时过长。

(2) 光谱变换在很多情况下，同类地物的光谱的差别来自绝对值的变化，而光谱形状是相似的。

因此通过对光谱进行一定的变换可以减少端元的光谱差异。

Wu（2003）[56]提出将光谱除以各个波段的均值，再作混合像元分解，并应用于城市监测；Garcia-Haro等（2005）[57]将光谱作标准化后再作混合像元分解；Asner等(2003)[58]将光谱作微分后再作混合像元分解。

Juan Pablo Guerschman等(2009)[59]利用原始光谱计算出归一化差分植被指数（Normalized Difference VegetationIndex, NDVI）和纤维素吸收指数（Cellulose Absorption Index，CAI），假设两个指数也满足线性混合模型，利用两个指数求得光合植被、非光合植被及裸土的比例。

混合像元--光谱混合模型

混合像元--光谱混合模型在遥感图像中，一个像元往往覆盖几米甚至上千平方米的地表范围，其中可能包含着多种地物类型，这就形成了混合像元。

混合像元的存在主要有以下两个原因[1]：一是传感器的空间分辨率较低，不同的地物可能存在于一个像元内，这种情况一般发生在遥感平台处于比较高的位置或者拥有宽视角；二是不同的地物组合形成同质均一化的地表类型，这种情况的发生不依赖于传感器的空间分辨率。

混合像元分解技术假设：在一个给定的场景里，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它们的面积比例（丰度或盖度）的函数。

混合像元分解途径一般通过建立光谱的混合模型实现。

由于假设地物（端元）具有相对稳定的光谱特征, 场景中不同像元间光谱的差异主要是端元比例变化的结果。

光谱混合模型1. 线性模型线性混合模型（Linear Mixing Model, LMM）[8,9]是最简单，也是应用最广泛的光谱混合模型。

在线性模型中，混合光谱等于端元光谱与端元面积比例的线性组合。

该模型基于以下假设[10]：到达遥感传感器的光子与唯一地物发生作用（即不同地物间没有多次散射）。

线性模型的数学表达式如下：r=Σf i x i+w。

为使LMM具有物理意义，需要受到两个约束条件限制：一是端元面积比例之和为1，即；二是所有的端元比例都为非负的。

2.非线性模型(1) 高次多项式模型高次多项式模型通过考虑端元之间的交叉项来描述光谱混合的非线性效应。

二次多项式的混合模型的数学表达式为：r=Σf i x i+Σf ij x i x j。

Ray等（1996）[12]首次提出该模型，并将其应用于沙漠植被盖度反演，Zhang等(1998)[13]将该模型用于潘阳湖地区的土壤、植被盖度研究。

该模型尽管可以很好地模拟混合光谱中多次散射的贡献，但是所计算得到的端元比例却不能直接对应于地物的盖度，需要将多次散射项的虚拟比例（f ij）合理分配到各端元的盖度上。