基于分类结果的多光谱遥感影像端元提取方法
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
多源遥感图像的全局和局部特征提取方法研究
多源遥感图像的全局和局部特征提取方法研究遥感图像是通过卫星或飞机等远距离获取地球表面信息的一种技术。
由于不同传感器所获得的遥感图像具有不同的分辨率、光谱范围和波段组合等特点，因此如何有效地提取出其中的有用信息成为了研究的热点问题。
在遥感图像中，全局特征和局部特征的提取是非常重要的。
全局特征指的是整个图像的统计特性，如平均亮度、对比度等。
这些特征可以帮助我们了解整个图像的整体情况。
局部特征则是指图像中的局部区域所具有的特征，如纹理、形状等。
这些特征能够提供更细致的信息，帮助我们更好地理解图像中的细节。
针对多源遥感图像的全局和局部特征提取问题，研究者们提出了一系列方法。
其中，基于传统的统计方法的全局特征提取方法是最常见的。
这些方法通过计算图像的像素平均值、方差等统计量来描述图像的全局特征。
然而，由于不同传感器所获得的图像具有不同的亮度和对比度特性，单纯使用统计量提取的全局特征可能存在不准确的问题。
为了克服传统方法的局限性，近年来，深度学习方法在多源遥感图像的特征提取中得到了广泛应用。
深度学习方法可以通过构建深层神经网络来学习图像的特征表示，从而提取出更加准确的全局和局部特征。
例如，卷积神经网络（CNN）可以通过卷积和池化等操作提取图像的纹理和形状等特征。
此外，注意力机制等方法也可以帮助网络更加关注图像中的重要局部区域。
总结起来，多源遥感图像的全局和局部特征提取方法是遥感图像研究中的重要问题。
传统的统计方法可以提取全局特征，但在不同传感器的图像上可能存在准确性问题。
而深度学习方法则可以通过构建深层神经网络来学习图像的特征表示，提取出更加准确的全局和局部特征。
未来的研究可以进一步探索更加有效的特征提取方法，以提高遥感图像的分析和应用能力。
高光谱遥感影像端元提取方法对比
高光谱遥感影像端元提取方法对比【摘要】本文在SMACC法和PPI法端元提取基础上，得到高光谱遥感影像端元丰度图，之后用SVM法进行分类。
通过分类结果精度来评价端元提取的优劣。
实验结果表明，基于PPI的线性混合像元分解得到的丰度图用SVM分类效果最佳，整体精度达87.59%，而基于SMACC法结合SVM分类的效果和直接应用SVM分类次之，整体精度分别是83.84%和85.16%。
【关键词】高光谱；端元；支撑向量机（SVM）Comparison of Endmember Extraction Methods from Hyperspectral ImageJIN Wen-ping XIAO Ke－ke（School of Geoscience and Info-Physics, Central South University，Changsha Ｈｕｎａｎ，410083，China）【Abstract】In this paper, SMACC method and PPI method were used to extract endmembers. Then the abundance maps which were derived from endmembers were classified by SVM method. At last ,we evaluated the quality of endmember extraction methods by classification precision. The results show that the PPI-SVM is the best method and the overall precision is 87.59% while that of the SMACC-SVM method and the SVM method are 83.84% and 85.16%.【Key words】Hyperspectra；Endmember；Support vector machine（SVM）０引言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[1]。
遥感影像处理中的特征提取方法和应用
遥感影像处理中的特征提取方法和应用遥感影像是通过无人机、卫星等载体获取的地球表面的影像数据。
特征提取是遥感影像处理中的一项重要任务，旨在从遥感影像中提取出地物的特定特征，以实现对地物的分类、识别和监测等应用。
本文将介绍遥感影像处理中常用的特征提取方法及其应用。
一、特征提取方法1. 基于像素的特征提取方法基于像素的特征提取方法是从单个像素点的信息中提取特征。
常用的方法包括：（1）颜色特征提取：利用遥感影像中的颜色信息进行特征提取。
常用的方法包括二值化、RGB分量、HSV、归一化差异植被指数（NDVI）等。
（2）纹理特征提取：利用遥感影像中的纹理信息进行特征提取。
常用的方法包括灰度共生矩阵（GLCM）、灰度值标准差、平均灰度值等。
（3）形状特征提取：利用遥感影像中的形状信息进行特征提取。
常用的方法包括链码、Hu不变矩、区域面积等。
2. 基于目标的特征提取方法基于目标的特征提取方法是在已知地物目标的前提下，根据地物目标的特定特征进行特征提取。
常用的方法包括：（1）形状特征提取：利用地物目标的形状信息进行特征提取。
常用的方法包括面积、周长、伸长率等。
（2）纹理特征提取：利用地物目标的纹理信息进行特征提取。
常用的方法包括纹理能量、纹理熵、纹理对比度等。
（3）上下文特征提取：利用地物目标的上下文信息进行特征提取。
常用的方法包括边界连接、邻居分析、局部空间关系等。
二、特征提取应用1. 地物分类特征提取在地物分类中起到了关键作用。
通过提取不同地物的特定特征，可以将遥感影像中的地物进行分类，如水体、森林、建筑等。
特征提取方法可以通过训练分类器来实现自动分类。
2. 土地利用监测特征提取可以应用于土地利用监测。
通过提取遥感影像中地物的特定特征，可以实现对土地的类型和变化进行监测，如农田的扩张、森林的退化等，为土地规划和资源管理提供支持。
3. 城市规划特征提取在城市规划中具有重要意义。
通过提取遥感影像中的建筑、道路等特定特征，可以分析城市的发展趋势和扩张方向，为城市规划和交通规划提供数据支持。
遥感影像处理中的分类与目标提取方法
遥感影像处理中的分类与目标提取方法遥感影像处理是利用遥感技术获取的遥感影像数据进行分析、处理和应用的过程。
在遥感影像处理中，分类和目标提取是非常重要的步骤。
分类是将遥感影像中的像素或区域划分到不同的类别中，而目标提取则是从遥感影像中提取出感兴趣的目标对象。
一、分类方法1.1 基于像素的分类方法基于像素的分类方法是将遥感影像中的每一个像素点都进行分类，常见的分类方法包括最大似然分类、支持向量机和随机森林等。
这些方法通过对每个像素的特征进行分析，将其划分到最适合的类别中。
1.2 基于目标的分类方法与基于像素的分类方法不同，基于目标的分类方法将遥感影像中的目标对象作为分类的基本单元。
例如，在城市遥感影像中，目标可以是建筑物、道路或植被等。
这种方法首先对目标进行提取，然后通过对提取的目标进行特征分析和分类。
二、目标提取方法2.1 基于形状特征的目标提取方法基于形状特征的目标提取方法主要是通过对目标的形状进行分析和比较来提取目标。
例如，可以使用边缘检测算法来提取目标的轮廓，然后通过对轮廓的形状进行分析和比较。
这种方法适用于目标具有明显边界和规则形状的情况，如建筑物和道路等。
2.2 基于纹理特征的目标提取方法基于纹理特征的目标提取方法通过对目标的表面纹理进行分析和比较来提取目标。
例如，可以使用纹理特征提取算法来提取目标的纹理特征，然后通过对纹理特征的分析和比较来判断目标。
这种方法适用于目标具有特殊的纹理特征的情况，如森林和农田等。
2.3 基于深度学习的目标提取方法近年来，随着深度学习的发展，基于深度学习的目标提取方法在遥感影像处理中得到了广泛的应用。
深度学习通过构建深度神经网络模型，可以从遥感影像中学习到更高级别的特征表示，从而实现更准确的目标提取。
例如，可以使用卷积神经网络来提取目标的特征，然后通过对特征进行分类或分割来提取目标。
三、遥感影像处理中的挑战在分类和目标提取的过程中，遥感影像处理面临着一些挑战。
遥感图像信息提取方法综述
遥感图像信息提取方法综述遥感图像分析遥感实际上是通过接收（包括主动接收和被动接收方式）探测目标物电磁辐射信息的强弱来表征的，它可以转化为图像的形式以相片或数字图像表现。
多波段影像是用多波段遥感器对同一目标（或地区）一次同步摄影或扫描获得的若干幅波段不同的影像。
在遥感影像处理分析过程中，可供利用的影像特征包括：光谱特征、空间特征、极化特征和时间特性。
在影像要素中，除色调/彩色与物体的波谱特征有直接的关系外，其余大多与物体的空间特征有关。
像元的色调/彩色或波谱特征是最基本的影像要素，如果物体之间或物体与背景之间没有色调/彩色上的差异的话，他们的鉴别就无从说起。
其次的影像要素有大小、形状和纹理，它们是构成某种物体或现象的元色调/彩色在空间（即影像）上分布的产物。
物体的大小与影像比例尺密切相关；物体影像的形状是物体固有的属性；而纹理则是一组影像中的色调/彩色变化重复出现的产物，一般会给人以影像粗糙或平滑的视觉印象，在区分不同物体和现象时起重要作用。
第三级影像要素包括图形、高度和阴影三者，图形往往是一些人工和自然现象所特有的影像特征。
1、遥感信息提取方法分类常用的遥感信息提取的方法有两大类：一是目视解译，二是计算机信息提取。
1.1目视解译目视解译是指利用图像的影像特征（色调或色彩，即波谱特征）和空间特征（形状、大小、阴影、纹理、图形、位置和布局），与多种非遥感信息资料（如地形图、各种专题图）组合，运用其相关规律，进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。
早期的目视解译多是纯人工在相片上解译，后来发展为人机交互方式，并应用一系列图像处理方法进行影像的增强，提高影像的视觉效果后在计算机屏幕上解译。
1）遥感影像目视解译原则遥感影像目视解译的原则是先“宏观”后“微观”；先“整体”后“局部”；先“已知”后“未知”；先“易”后“难”等。
一般判读顺序为，在中小比例尺像片上通常首先判读水系，确定水系的位置和流向，再根据水系确定分水岭的位置，区分流域范围，然后再判读大片农田的位置、居民点的分布和交通道路。
多光谱遥感影像的特征提取方法研究
多光谱遥感影像的特征提取方法研究多光谱遥感影像是指在空间和时间上连续采集多光谱波段信息的遥感影像。
由于其可以获取丰富的信息，因此在各个领域中应用广泛。
但是，如何有效地从多光谱遥感影像中提取关键的信息是一个重要的问题。
本文将从传统方法和基于深度学习的方法两个方面分别介绍多光谱遥感影像的特征提取方法。
传统方法传统的多光谱遥感影像特征提取方法可以分为基于像元的方法和基于对象的方法两种。
基于像元的方法是将多光谱遥感影像中每个像元的多个波段值作为一个特征向量，然后利用聚类、分类等统计方法对其进行处理。
基于对象的方法则是将多个像元构成的对象视作一个整体，将其特征表示为这些像元的统计属性，如平均值、方差等。
其中，常用的基于像元的方法有PCA、ICA、LDA等。
PCA方法是一种线性变换方法，可将多光谱遥感影像中的多个波段压缩为较少的主成分，然后通过对主成分进行分类或聚类进行特征提取。
ICA方法是在PCA的基础上进一步发展而来的，是一种解决非高斯信号的线性分离方法。
LDA方法则是一种有监督的线性变换方法，将多光谱遥感影像中的特征向量映射到一个低维空间中，并立足于分类目标进行分类。
基于对象的方法则包括了多个区域的光谱信息集成和纹理特征提取。
区域集成就是将光谱信息、空间信息和周围环境信息等综合在一起，形成一个整体。
纹理特征提取则是从遥感影像的纹理特征、形状特征、周围环境等方面进行特征提取。
基于深度学习的方法随着机器学习和深度学习算法的发展，在多光谱遥感影像特征提取问题上也出现了更加高效、准确的方法。
深度学习算法通过构建多层神经网络来自动学习特征，从而有效地提高了特征提取的准确率。
深度学习算法中常用的模型有卷积神经网络(CNN)和循环神经网络(RNN)。
CNN模型利用卷积核对输入数据进行特征提取，每个卷积层对输入数据进行不同的特征提取，最终经过全连接层进行分类。
RNN模型则是一种特殊的神经网络，用于处理序列数据。
其中，LSTM模型是一种被广泛使用的循环神经网络模型。
基于分层特征提取和多尺度特征融合的高分辨率遥感影像水体提取深度学习算法
ｈｔｔｐ：／／ｗｗｗ．ｒｅｎｍｉｎｚｈｕｊｉａｎｇ．ｃｎＤＯＩ：１０ ３９６９／ｊ ｉｓｓｎ １００１ ９２３５ ２０２４ ０２ ００６第４５卷第２期人民珠江 ２０２４年２月 ＰＥＡＲＬＲＩＶＥＲ基金项目：国家重点研发计划项目（２０２２ＹＦＣ３００２７０１）收稿日期：２０２３－０６－１３作者简介：盛晟（１９９６—），女，博士研究生，主要从事径流模拟与预报等方面研究。
Ｅ－ｍａｉｌ：ｓｈｅｎｇｓｈｅｎｇ＠ｗｈｕ．ｅｄｕ．ｃｎ通信作者：陈华（１９７７—），男，教授，主要从事水利信息化、流域水文模拟等方面的研究。
Ｅ－ｍａｉｌ：ｃｈｕａ＠ｗｈｕ．ｅｄｕ．ｃｎ盛晟，万芳琦，林康聆，等．基于分层特征提取和多尺度特征融合的高分辨率遥感影像水体提取深度学习算法［Ｊ］．人民珠江，２０２４，４５（２）：４５－５２．基于分层特征提取和多尺度特征融合的高分辨率遥感影像水体提取深度学习算法盛 晟１，万芳琦２，林康聆１，胡朝阳３，陈 华１（１．武汉大学水资源工程与调度全国重点实验室，湖北 武汉 ４３００７２；２．江西省自然资源测绘与监测院，江西 南昌 ３３０００９；３．福建省水利水电勘测设计研究院，福建 福州 ３５０００１）摘要：高精度的水体提取有助于水资源监测和管理。
目前基于遥感影像的水体提取方法缺乏对于边界质量的重视，造成边界划分不准确，细节保留度低的问题。
为了提升遥感影像水体提取的边界与细节的精度，提出了一种基于多尺度特征融合的高分辨率遥感影像水体提取深度学习算法，包括分层特征提取模块与融合多尺度特征的堆叠连接解码器模块。
分层特征提取模块中，引入了通道注意力结构，用于整合高分辨率遥感影像中水体的形状、纹理和色调信息，以便更好地理解水体的形状和边界。
在融合多尺度特征的堆叠连接解码器模块中，进行了多层次语义信息的堆叠连接，并加强了特征提取，同时捕捉了广泛的背景信息和细微的细节信息，以实现更好的水体提取效果。
在自行标注的数据集与公开数据集上的试验结果表明，模型的准确率达到了９８．３７％和９１．２３％，与现有的语义分割模型相比，提取的水体边缘更加完整，同时保留细节的能力更强。
高光谱遥感图像的特征提取和分类算法探究
高光谱遥感图像的特征提取和分类算法探究遥感技术已经成为了现代地球科学中不可或缺的一部分，这种技术通过对地球表面的各种信息进行多波段、多角度、多时相的采集和处理，可以形成一系列高分辨率遥感图像。
其中，高光谱遥感图像是一种获取地表物质高光谱信息的遥感技术，这种技术可以获取大量的物质光谱信息，为我们研究地球科学和环境变化提供了重要的数据来源。
在高光谱遥感图像中，物质对不同波长的电磁辐射的反射和吸收的不同程度是其与众不同的特性。
由于不同的物质对不同波段的辐射产生的反应不同，固有光谱和在远距离上的高光谱遥感图像可以很好地区分不同物质。
在高光谱遥感图像研究中，特征提取和分类算法是研究的两个重要方面。
因此，本篇文章将探讨高光谱遥感图像的特征提取和分类算法的研究进展和应用现状。
一、特征提取在高光谱遥感图像中，特征提取是一项至关重要的技术。
特征提取的主要任务是将高光谱遥感图像中每个像元的光谱信息转化成低维空间的特征，以减少信息冗余和处理量，同时保留物体空间分布和分类信息。
常用的特征提取方法包括如下几种。
1. 主成分分析（PCA）PCA是一种线性变换的方法，可以将高维空间中的数据降维到低维度的特征空间。
在高光谱遥感图像中，PCA方法可以对数据矩阵进行特征值分解，得到协方差矩阵的主特征向量。
这些主成分可以描述遥感图像的大部分空间信息，对于多波段数据的降维处理非常有效。
2. 独立成分分析（ICA）ICA是一种非线性变换的方法，可以将遥感图像中的光谱信息进行分离和隔离，从而得到更加明确的光谱信息。
在高光谱遥感图像中，ICA可以对数据矩阵进行特征值分解，找到可以独立分离的成分。
这些成分可以帮助我们更好地理解高光谱遥感图像中的光谱结构，并提高物体检测和分类的准确率。
3. 小波变换（WT）WT是一种非平稳信号的频域分析方法，可以用于多尺度分析和特征提取。
在高光谱遥感图像中，WT可以将数据矩阵分解为一组小波系数，这些系数可以反映不同尺度下的物体信息。
如何进行遥感影像的分类与地物提取
如何进行遥感影像的分类与地物提取遥感影像是近年来在地理信息领域中应用广泛的一种技术。
通过使用遥感影像，我们可以获取地球表面的大量数据，可以利用这些数据进行地物的分类与提取。
地物分类与提取在自然资源管理、城市规划、环境监测等领域都有着重要的应用。
本文将探讨如何进行遥感影像的分类与地物提取。
一、遥感影像的分类方法遥感影像的分类主要是将影像中的像素点划分到不同的类别中，常用的分类方法有监督分类和无监督分类两种。
监督分类是指根据已经标记好的样本数据进行分类。
首先需要准备一部分已经标记好的样本数据，然后通过分析样本的特征，建立一个分类模型。
接下来，通过模型对整幅影像进行分类。
监督分类需要充分利用专业知识和经验，对样本特征进行细致的分析，从而提高分类的准确性。
无监督分类是指根据影像中像素点的相似性进行分类，不需要准备样本数据。
无监督分类是一种相对简单和快速的分类方法。
它可以帮助我们发现影像中存在的一些隐含的地物类型，但由于没有准确的样本数据，分类结果可能会存在一定的误差。
二、地物提取的方法地物提取是指根据分类结果，将影像中的地物单独提取出来。
常用的地物提取方法有阈值分割、形态学操作、边缘检测等。
阈值分割是一种基于像素灰度值的提取方法，根据不同地物的灰度特征，设置合适的阈值将地物提取出来。
阈值分割简单直观，但对光照、阴影等影像杂波比较敏感，对影像质量要求较高。
形态学操作是一种基于形状和结构的提取方法，通常包括腐蚀和膨胀操作。
通过对影像进行腐蚀操作，可以去除噪声，减小地物的面积；通过膨胀操作，可以填补裂缝，增大地物的面积。
形态学操作结合的阈值分割可以得到较为精确的地物提取结果。
边缘检测是一种基于边缘信息的提取方法，通过检测影像中的边缘特征来提取地物。
常用的边缘检测算法有Sobel算子、Canny算子等。
边缘检测可以提取出地物的轮廓信息，但对于复杂纹理和噪声干扰较多的影像，边缘检测可能会存在一定的偏差。
三、遥感影像分类与地物提取的挑战尽管遥感影像的分类与地物提取方法日益成熟，但仍然存在一些挑战。
基于分类结果的多光谱遥感影像端元提取方法
体分析理论 的端元提取方 法。通过 Ｔ Ｍ 影像 端元提取 实验表 明， 该方法能够克服 端元提取 数 目的限制， 有效的提取 多光谱影像的端元。 【 关键词 】 多光谱 ； 混合像元 ； 端元
项目与曝 囊
Ｓ ｃ 科 ｉ ｅ ｎ ｃ ｅ ＆ 技 Ｔ ｅ ｃ ｈ 视 ｎ ｏ ｌ ｏ ｇ ｙ 界 Ｖ ｉ ｓ ｉ ｏ ｎ
科技
・
探索・ 争鸣
基于分类结果的多光谱遥感影像端元提取方法
张云 飞 岳 彩 荣 － ２ 马 明 （ １ ． 西 南林 业大 学 ， 云南 昆明 ６ ５ ０ ２ ２ ４ ； ２ ． 西南 林 业大 学 森林 资源 管理 与遥 感 实验 室 ， 云 南 昆明 ６ ５ ０ ２ ２ ４）
用
遥感影像端元提取是理解遥感影像空间与特征空间的纽带 ． 它是 进行遥感影像混合像元分解的首要步骤 ． 直接影响混合像元分解 的精 度． 是进行定 量遥感 反演的基础 ． 因而混合像 元分解理论 在遥感影像 的理解与运用上 占据重要 的地位 现行 的端元来源有 两种 ． 一是使用 光谱仪在地 面或 实验室测量到 的“ 参考端元 ” ［ ３ １ ： 二是在遥 感图像上得 到的“ 图像端元” 。但是 由于各种因素 ． 诸如不 同传感器光谱响应 、 大 气影响 、 辐射条件等 ， 地面实测光谱很难与影响建立起关系 ， 并且实测 有较大的主观性 。 而从影像 本身获取端元简单 、 方便 ， 且获取 的端元具 有与影像数据相 同的度量尺度目 ． 因此从影像 本身获取端元 是 目前获 取有 效端 元的主要途径 和研究 的热点 目前 ． 国 内外针对 端元提取 的算法 大都集 中于高光谱影像 ， 高光 谱 影像以其 图谱合 一技 术为端元 的提 取提供 了广 阔的空 间 ． 而对于 高空间分 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 的几个 波段中有效 的提取端元信息 ． 是 多光谱 遥感影 像混合像元 分解 的关键 现行 的端元提取算法集 中于凸面体分析 ． 通 过求 取影像 的本 征维数来 确定端元 的数 目． 端元数 目即为本征维数加 以Ｔ Ｍ多光谱影像 为例 ． 分辨率为 ３ ０ 米 的多光谱 影像有 ６ 个波 段． 即便 这 ６ 个 波段互 不相关 ． 其本征维数不会超过 ６ 维， 最多能够提 取７ 个端元 对 于实际应用来说 ． 端元提取 的理论在 Ｔ Ｍ 等多光谱影 像上是难 以应用 的 为此 ． 本 文提 出了一种基 于分类结果 的多光谱遥 感影像端元 提取方 法 该方法结合监督分类 、 纯净像元 指数提取和 凸 面体理论来 提取端元 ． 解决 了多光谱遥感影像端元提取 数量限制和精 度 问题 ． 为多光谱遥感 影像端 元提取提供 了新 的思路
遥感影像分类方法与技巧分享
遥感影像分类方法与技巧分享引言：在当今科技迅速发展的时代，遥感技术的广泛应用已经深深影响到了我们的生活。
作为遥感技术的重要应用领域之一，遥感影像分类在土地利用、环境监测和资源管理等方面发挥着重要作用。
本文将分享一些遥感影像分类的方法和技巧，希望能为相关领域的研究者和从业人员提供一些参考。
一、像元级分类方法像元级分类方法是最基本、最常用的遥感影像分类方法之一。
其基本思想是将图像中的每个像元作为一个独立的单位进行分类判别。
常见的像元级分类方法包括最大似然分类、支持向量机（SVM）分类和决策树分类等。
这些方法可以通过大量的样本数据训练，自动提取特征并进行分类。
1.1 最大似然分类最大似然分类是一种基于统计学原理的分类方法，其核心思想是根据已有训练样本的统计特征，在分类器中计算每个类别出现的可能性，并选择最大可能性对应的类别作为分类结果。
最大似然分类方法简单易懂，适用于多数遥感影像分类任务。
1.2 支持向量机（SVM）分类支持向量机是一种经典的机器学习分类方法，在遥感影像分类中也得到了广泛应用。
SVM分类通过构建超平面，使得样本点能够最大程度上分隔开来。
其优点是具有较好的泛化能力和鲁棒性，适用于高维数据的分类。
1.3 决策树分类决策树分类是一种基于逻辑判断的分类方法，通过构建一系列的条件规则，将输入数据逐层划分为不同类别。
决策树分类方法的优点是易于理解和解释，并且可以直观地呈现分类过程。
二、基于对象的分类方法基于对象的分类方法将像元级分类进一步扩展为对影像中的对象进行分类。
该方法将图像中的像素组织为不同的对象区域，然后根据这些区域的形状、纹理和空间关系等特征进行分类判别。
常见的基于对象的分类方法包括分割和目标识别等。
2.1 分割分割是将连续的像元组合成不同对象区域的过程。
常见的分割方法包括基于阈值、区域生长和图论等。
分割方法的选择应根据图像的特点和需要进行合理的选择。
2.2 目标识别目标识别是将已经分割好的对象区域进行分类的过程。
遥感影像特征提取的原理
遥感影像特征提取的原理遥感影像特征提取是指从遥感影像中提取出用于描述地物信息的特征，以便进行地物分类、目标检测、地图制图等应用。
特征提取是遥感图像处理的关键步骤之一，其原理涉及数学、物理以及图像处理等领域。
遥感影像特征提取的原理可以归纳为以下几个步骤：1. 数据预处理：遥感影像通常受到大气、地表反射、周围环境等因素的干扰，因此在进行特征提取之前，需要对影像数据进行预处理。
预处理的步骤包括辐射校正、大气校正、几何校正等，以提高影像数据的质量和准确性。
2. 特征选择：在特征提取之前，需要进行特征选择，即从遥感影像中选择与所需任务相关的特征。
常用的特征包括光谱特征、纹理特征、形状特征、结构特征等。
选择合适的特征可以提高分类精度和检测效果。
3. 特征提取：在选择了适当的特征后，可以通过数学和图像处理方法对遥感影像进行特征提取。
常用的特征提取方法包括灰度共生矩阵（GLCM）、主成分分析（PCA）、小波变换、粗糙集理论等。
这些方法可以从不同维度提取地物的光谱、几何、纹理等特征。
4. 特征降维：由于遥感影像数据维度较高，特征维数过多会导致计算复杂性增加，同时可能存在冗余和噪声信息。
为了简化计算和提高分类效果，需要对特征进行降维处理。
常用的降维方法包括主成分分析（PCA）、线性判别分析（LDA）等。
5. 分类和识别：在特征提取与降维后，可以使用机器学习、模式识别等方法对影像进行分类和识别。
常用的分类方法包括支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）等。
这些方法可以通过训练样本对特征进行分类，实现对地物的自动识别和分类。
总之，遥感影像特征提取的原理是通过对遥感影像进行数据预处理，选择适当的特征，并使用数学和图像处理方法进行特征提取和降维，最终通过分类和识别方法实现对地物信息的提取和分析。
这一过程需要综合运用遥感、数学、物理和图像处理等多个学科的知识，以提高遥感影像处理的效果和应用的准确性。
利用遥感影像进行测绘数据提取的方法
利用遥感影像进行测绘数据提取的方法近年来，随着遥感技术的不断发展，越来越多的测绘工作开始依赖遥感影像进行数据提取。
遥感影像具有高分辨率、广覆盖等优势，能够为测绘工作提供丰富的数据来源。
本文将介绍利用遥感影像进行测绘数据提取的一些常见方法，包括图像分类、目标检测和高程提取。
一、图像分类图像分类是利用计算机对遥感影像进行自动分类的方法。
通过对图像进行光谱分析和空间特征提取，可以将图像中的各类地物分割出来，并进行分类操作。
图像分类的步骤包括预处理、特征提取、分类器训练和分类结果验证等。
在图像分类中，特征提取是一个关键的环节。
常见的特征包括光谱特征、纹理特征和形状特征等。
光谱特征是指地物在不同波段上的反射率或亮度值，通过对光谱曲线进行分析，可以获得地物的光谱特征。
纹理特征是指地物的细节和纹理特点，通过对图像进行纹理分析，可以提取出地物的纹理特征。
形状特征是指地物的形状特点，通过对地物的边界进行分析，可以提取出地物的形状特征。
二、目标检测目标检测是利用遥感影像进行目标识别和定位的方法。
目标检测可以用于自然资源调查、城市规划和环境监测等领域。
目标检测的关键是找到目标在图像中的位置，并进行标注和分类。
常见的目标检测方法包括目标区域提取、特征描述和目标分类等。
在目标检测中，目标区域提取是一个重要的步骤。
目标区域提取可以通过阈值分割、边缘检测和区域生长等方法实现。
阈值分割是指利用像素的灰度值进行分割，将灰度值大于阈值的像素设置为目标像素，灰度值小于阈值的像素设置为背景像素。
边缘检测是指通过计算像素间的差值来检测目标的边缘。
区域生长是指从某个种子点开始，根据像素的灰度值相似性来扩展目标区域。
三、高程提取高程提取是利用遥感影像来获取地表的高程信息。
高程提取可以用于地形测量、地形分析和地貌研究等方面。
高程提取的方法主要包括影像匹配和立体视觉等。
影像匹配是利用影像对中的像点对进行配对，从而获取地点的三维坐标。
常见的影像匹配方法包括基于特征点的匹配和基于区域的匹配。
基于多尺度分析的遥感图像特征提取研究
基于多尺度分析的遥感图像特征提取研究随着科技的发展和遥感技术的成熟，遥感图像成为获取地理信息最为重要的手段之一。
然而，由于遥感图像数据的多样性、复杂性、高维性和大规模化特点，如何从中提取有效特征是遥感图像处理中的研究热点之一。
多尺度分析作为一种有效的特征提取方法，已经在遥感图像处理中得到广泛应用。
一、多尺度分析的概念多尺度分析是指从不同的空间尺度或者时间尺度对数据进行分析处理的一种方法。
在遥感图像中，多尺度分析一般包括三个方面：空间多尺度、频率多尺度和纹理多尺度。
空间多尺度主要是从空间尺度的角度来对遥感图像进行分析处理，例如采用多种尺度的高斯滤波器对图像进行平滑处理，从而得到图像的不同尺度的信息。
频率多尺度则是从频率分析的角度来对图像进行分析处理，例如使用小波变换对图像进行频率分析，从而获得图像的不同频率成分。
纹理多尺度则是从纹理特征的角度来对图像进行分析处理，例如采用基于灰度共生矩阵的方法对图像进行纹理特征提取。
二、多尺度分析在遥感图像特征提取中的应用1. 基于空间多尺度的特征提取由于遥感图像具有多尺度特点，因此从空间多尺度角度对遥感图像进行分析处理可以提取出图像的不同特征。
其中，基于高斯金字塔的空间多尺度分析是一种常用的方法。
通过将原始图像采用高斯核卷积，获得不同尺度下的图像，从而提取出不同尺度结构特征和纹理特征等。
此外，基于小波变换的方法也可以从空间多尺度的角度来提取图像特征。
2. 基于频率多尺度的特征提取频率多尺度分析是对图像频率信息的分析，可以分离出图像的高频和低频等频率信息，不同频率段内的信息则蕴含了图像不同的结构信息和纹理信息。
在遥感图像特征提取中，基于小波变换的方法是一种常用的频率多尺度分析方法。
3. 基于纹理多尺度的特征提取在遥感图像处理中，基于纹理多尺度的特征提取方法，可以认为是从图像外观的角度出发，提取出不同尺度和方向的纹理特征，以揭示遥感图像中的纹理特征。
常用的纹理特征包括灰度共生矩阵、纹理方向直方图等。
卫星遥感影像处理中的地物提取技术与算法
卫星遥感影像处理中的地物提取技术与算法近年来，随着卫星遥感技术的飞速发展，人们对地球表面的各种地物进行准确提取的需求也越来越迫切。
卫星遥感影像处理中的地物提取技术和算法因此应运而生，并逐渐成为遥感领域的研究热点之一。
本文将围绕这一主题展开讨论，介绍几种常见的地物提取技术和算法。
一、基于像元分类的地物提取技术基于像元分类的地物提取技术是目前应用最广泛的一种方法。
该方法通过将遥感影像中的像元根据其数值特征进行分类，从而实现不同地物的提取。
其中最常用的分类算法包括支持向量机（SVM）、最大似然法（ML）和决策树等。
将基于像元分类的技术应用于地物提取时，首先需要对遥感影像进行预处理，以提高分类的准确性。
预处理包括辐射校正、几何校正和大气校正等。
经过预处理后，可以采用像元分类算法对遥感影像进行分类。
例如，对于植被提取，可以通过选择合适的特征参数，如NDVI（归一化植被指数）或者Greenness指数来进行分类；对于水体提取，可以通过选择合适的波段组合，如NDWI（归一化水体指数）来进行分类。
二、基于对象识别的地物提取技术基于对象识别的地物提取技术相比基于像元分类的方法，更加注重对地物形状、纹理和上下文信息的利用。
该方法通过将遥感影像中的像元组合成具有一定形状和大小的对象，然后识别这些对象来提取地物。
在基于对象识别的地物提取技术中，首先需要对遥感影像进行分割，将像元组合成对象。
常用的分割算法包括基于阈值的分割、基于区域生长的分割和基于水平集的分割等。
分割完成后，可以采用特征提取和分类算法对对象进行识别和提取。
常用的特征包括形状特征、纹理特征和上下文特征等。
例如，对于建筑物提取，可以通过形态学操作和纹理特征提取来识别建筑物边缘，并通过上下文信息来进一步确定建筑物的位置和形状。
三、基于深度学习的地物提取技术近年来，随着深度学习的迅猛发展，基于深度学习的地物提取技术逐渐崭露头角。
深度学习技术以其强大的特征学习能力和良好的泛化能力，成为地物提取领域的一大利器。
遥感图像的光谱分类和特征提取技术研究
遥感图像的光谱分类和特征提取技术研究遥感图像在地理信息系统、环境监测、城市规划等领域中广泛应用。
遥感图像是由多光谱探测器获取的数据，其中每个像素都包含一组代表颜色的数字，称为像元。
遥感图像的光谱分类和特征提取技术是处理遥感图像的重要方法。
一、光谱分类技术光谱分类技术是一种将每个像素分成不同类别的方法，通常是基于像素的光谱响应。
常见的分类方法包括最大似然分类、支持向量机和人工神经网络等。
最大似然分类是一种统计学习方法，它假设不同类别的光谱响应在多维空间中呈正态分布，使用这些分布进行分类。
最大似然分类的优点是在像素存在杂波的情况下，也能够进行准确分类。
支持向量机是根据训练样本间的空间距离进行划分的算法。
支持向量机的优点是它可以进行非线性决策边界的分类，并且对于高维空间数据的分类效果更好。
人工神经网络是一种基于生物神经学原理的模型，它模拟了神经元之间的互动。
人工神经网络的优点是在各种光谱数据的环境下，可以用较少的训练样本进行分类。
二、特征提取技术特征提取技术是一种从遥感图像中提取关键特征的方法，用于识别不同的地物类型。
常见的特征提取方法包括主成分分析、小波变换和灰度共生矩阵等。
主成分分析是一种从多维数据中提取主要特征的方法。
在遥感图像中，主成分分析可以将各个波段之间的相关性降低到最低，使得不同地物类型之间的区分更加明显。
小波变换是将图像转换为具有不同频率和方向的小波系数的方法。
小波变换在遥感图像中的应用可以提取出地物的不同空间频率和空间方向，从而实现地物类型的分类。
灰度共生矩阵是一种计算同一图像局部颜色变化特征的方法。
通过灰度共生矩阵，可以提取相邻像素的灰度级别差异，进而提取出遥感图像中各个地物类型的纹理特征，从而区分不同的地物类型。
三、遥感图像的光谱分类和特征提取技术的应用光谱分类和特征提取技术在很多领域中都有重要应用。
在城市规划方面，通过遥感图像的光谱分类和特征提取技术，可以对城市建设进行监测和评估，对城市规划起到指导作用。
如何进行遥感图像的特征提取与分类
如何进行遥感图像的特征提取与分类遥感图像是通过航空或卫星等远距离感知装置获取的地表信息图像。
利用遥感技术可以获取大范围的地理信息，广泛应用于农业、城市规划、环境监测等领域。
而遥感图像的特征提取与分类则是处理遥感图像的重要环节，它能够帮助我们更好地理解和利用遥感图像。
一、遥感图像的特征提取特征提取是将原始遥感图像转化为能够描述地物类别的数学特征的过程。
在遥感图像中，不同地物或者地物类别往往具有不同的光谱、纹理、形状等特征。
因此，通过提取这些特征，我们可以对地物进行分类与分析。
1.光谱特征提取光谱特征是指反映地物物理性质的光谱波段数据。
通过选择不同的波段组合，我们可以提取出反映植被、水体、建筑物等地物特性的光谱特征。
常用的方法有主成分分析（PCA）、最大似然分类（MLC）等。
2.纹理特征提取纹理特征描述了图像中像素间的空间关系。
在遥感图像中，纹理特征可以用于区分不同地物的纹理复杂程度。
例如，植被具有较为均匀的纹理，而建筑物则较为具有几何纹理。
常用的纹理特征提取方法有灰度共生矩阵法（GLCM）、局部二值模式法（LBP）等。
3.形状特征提取形状特征是指地物在图像中的几何形状信息。
通过提取地物的形状特征，可以识别出地物的边界和形状。
例如，对于建筑物来说，我们可以通过提取其形状特征来判断其是直角形、圆形还是其他形状。
常用的形状特征提取方法有边缘检测算子、Hough变换等。
二、遥感图像的分类分类是将遥感图像中的像素划分到不同地物类别中的过程。
通过分类，我们可以获取遥感图像中不同地物的分布情况，进而进行地物的监测与分析。
1.监督分类监督分类是指使用人工定义的训练样本对遥感图像进行分类。
首先，我们需要准备一些具有代表性的训练样本，这些样本包含不同地物类别的图像区域。
然后，通过计算遥感图像与这些训练样本之间的差异，可以得到分类决策函数，进而对整幅遥感图像进行分类。
2.非监督分类非监督分类是指根据遥感图像中像素值的统计特征，自动将其划分到不同的类别中。
遥感影像处理与测绘数据提取技术详解
遥感影像处理与测绘数据提取技术详解引言：自工业化时代开始以来，人类对于地球的了解与探索不断加深，在这一过程中，遥感影像处理和测绘数据提取技术起着重要的作用。
遥感影像处理技术通过获取和分析地球表面上的图像数据，为我们提供全球范围内的地理信息。
而测绘数据提取技术则从地面上获取的各种数据中提取有关地理特征的信息。
本文将详细介绍遥感影像处理和测绘数据提取技术的原理和应用。
一、遥感影像处理技术1. 遥感影像获取技术遥感影像是通过卫星、飞机等远离地球表面的平台获取的地球表面图像。
这些图像可以提供宽广的视野，从而获得地球不同部位的图像数据。
遥感影像获取技术包括多光谱影像、高光谱影像、合成孔径雷达影像等。
其中，多光谱影像通过记录地表不同波段的电磁波信息，可以提供更为详细的地表信息。
而高光谱影像则通过记录地表众多的光谱波段，可以提供更加精细的地表信息。
合成孔径雷达影像则基于雷达信号，可以在夜晚或天气恶劣的情况下获取地表图像。
2. 遥感影像处理技术的原理遥感影像处理技术主要包括预处理、特征提取和信息提取三个步骤。
预处理步骤包括辐射校正、大气校正、几何校正等，主要是为了将原始数据转换为可用的标准化数据。
特征提取步骤则针对不同的地物特征进行分析，以提取出地表的不同要素，如水体、道路、建筑等。
信息提取步骤则是将特征提取的结果整合并分析，以获得一定规模的遥感影像数据集。
3. 遥感影像处理技术的应用遥感影像处理技术在许多领域都有广泛的应用。
例如，在农业领域，可以通过遥感影像处理技术监测作物的生长状况和土壤湿度等重要指标，以便农民及时采取相应的措施。
在城市规划与管理方面，遥感影像处理技术可以用于快速提取城市建筑物、道路和绿化带等信息，在城市规划与管理中起到重要的作用。
此外，遥感影像处理技术还可用于环境保护、自然资源调查与管理等诸多领域。
二、测绘数据提取技术1. 测绘数据获取技术测绘数据的获取通常通过测量和观测来实现。
地面测量是最常见的方式之一，通过使用测量仪器，如全站仪、测距仪等，可以测量地面上各种特征的位置和形状等信息。
基于分类结果的多光谱遥感影像端元提取方法
Science &Technology Vision 科技视界0引言遥感影像的像元很少是由单一均质的地表覆盖类型组成,一般都是几种地物的混合。
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,这给遥感解译造成困扰。
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[1]。
遥感影像端元提取是理解遥感影像空间与特征空间的纽带,它是进行遥感影像混合像元分解的首要步骤,直接影响混合像元分解的精度,是进行定量遥感反演的基础,因而混合像元分解理论在遥感影像的理解与运用上占据重要的地位[2]。
现行的端元来源有两种,一是使用光谱仪在地面或实验室测量到的“参考端元”[3];二是在遥感图像上得到的“图像端元”[4]。
但是由于各种因素,诸如不同传感器光谱响应、大气影响、辐射条件等,地面实测光谱很难与影响建立起关系,并且实测有较大的主观性。
而从影像本身获取端元简单、方便,且获取的端元具有与影像数据相同的度量尺度[5],因此从影像本身获取端元是目前获取有效端元的主要途径和研究的热点。
目前,国内外针对端元提取的算法大都集中于高光谱影像,高光谱影像以其图谱合一技术为端元的提取提供了广阔的空间[6],而对于高空间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几个波段中有效的提取端元信息,是多光谱遥感影像混合像元分解的关键。
现行的端元提取算法集中于凸面体分析,通过求取影像的本征维数来确定端元的数目,端元数目即为本征维数加一[7]。
以TM 多光谱影像为例,分辨率为30米的多光谱影像有6个波段,即便这6个波段互不相关,其本征维数不会超过6维,最多能够提取7个端元。
对于实际应用来说,端元提取的理论在TM 等多光谱影像上是难以应用的。
为此,本文提出了一种基于分类结果的多光谱遥感影像端元提取方法。
该方法结合监督分类、纯净像元指数提取和凸面体理论来提取端元,解决了多光谱遥感影像端元提取数量限制和精度问题,为多光谱遥感影像端元提取提供了新的思路。
- 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)。
基于分类结果的多光谱遥感影像端元提取方法
作者：张云飞岳彩荣马明
来源：《科技视界》2014年第05期
【摘要】本文针对凸面体分析理论应用于多光谱影像端元提取时的端元数目的限制，提出了一种集成监督分类、纯净像元指数计算、凸面体分析理论的端元提取方法。
通过TM影像端元提取实验表明，该方法能够克服端元提取数目的限制，有效的提取多光谱影像的端元。
【关键词】多光谱；混合像元；端元
0 引言
遥感影像的像元很少是由单一均质的地表覆盖类型组成，一般都是几种地物的混合。
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，这给遥感解译造成困扰。
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[1]。
遥感影像端元提取是理解遥感影像空间与特征空间的纽带，它是进行遥感影像混合像元分解的首要步骤，直接影响混合像元分解的精度，是进行定量遥感反演的基础，因而混合像元分解理论在遥感影像的理解与运用上占据重要的地位[2]。
现行的端元来源有两种，一是使用光谱仪在地面或实验室测量到的“参考端元”[3]；二是在遥感图像上得到的“图像端元”[4]。
但是由于各种因素，诸如不同传感器光谱响应、大气影响、辐射条件等，地面实测光谱很难与影响建立起关系，并且实测有较大的主观性。
而从影像本身获取端元简单、方便，且获取的端元具有与影像数据相同的度量尺度[5]，因此从影像本身获取端元是目前获取有效端元的主要途径和研究的热点。
目前，国内外针对端元提取的算法大都集中于高光谱影像，高光谱影像以其图谱合一技术为端元的提取提供了广阔的空间[6]，而对于高空间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几个波段中有效的提取端元信息，是多光谱遥感影像混合像元分解的关键。
现行的端元提取算法集中于凸面体分析，通过求取影像的本征维数来确定端元的数目，端元数目即为本征维数加一[7]。
以TM多光谱影像为例，分辨率为30米的多光谱影像有6个波段，即便这6个波段互不相关，其本征维数不会超过6维，最多能够提取7个端元。
对于实际应用来说，端元提取的理论在TM等多光谱影像上是难以应用的。
为此，本文提出了一种基于分类结果的多光谱遥感影像端元提取方法。
该方法结合监督分类、纯净像元指数提取和凸面体理论来提取端元，解决了多光谱遥感影像端元提取数量限制和精度问题，为多光谱遥感影像端元提取提供了新的思路。
1 端元提取方法思路与实现
本文设计的多光谱遥感影像分类和端元提取方法用到了监督分类算法（最大似然法）、像元纯净指数算法和凸面体分析理论。
该方法的基本思想如下：首先通过监督分类将原始数据划分为不同的区块，分块后的影像块间差异较大，有效抑制了背景信息的影响；然后通过对每个区块的光谱特征分析，确定分块端元的数目；最后对图像进行MNF变换，利用纯净像元提取方法提取端元光谱。
具体流程图如图1。
该方法的实现步骤如下：
（1）对原图像进行监督分类，根据图像所显示区域实际土地覆盖情况将原图像分为若干类别，所有类别依次对原图像进行掩膜处理，将原图像裁剪成若干区块。
（2）对每个区块进行光谱特征分析。
根据分块的结果，将影像投影到二维散点图空间，分析光谱特征散点图空间分布特点和复杂程度，确定区块端元数目。
（3）通过凸面体分析技术，采用沙漏流程，首先对影像进行MNF变换，根据光谱特征分析确定的端元数目，设置MNF变换输出的维数。
降维之后借助纯净像元指数和n维可视化工具收集端元波谱。
2 实验与分析
2.1 实验数据
实验所用数据为经过预处理的云南省大理市TM多光谱遥感影像数据。
TM数据在可见光/近红外/短波红外/热红外0.45～12.5μm的大气窗口上设置了7个波段，而出TM6波段空间分辨率为120m外，其他波段空间分辨率均为30m。
本文采用TM1～TM5、TM7这六个波段进行处理，波长范围为0.45～2.35μm，如图2所示（5，4，3波段彩色合成），图像大小为400行×400列。
2.2 实验过程
根据实验数据所示区域实际土地覆盖情况以及数据图像的可分性，将实验区土地覆盖划分为建筑用地、农地、水域、林地和裸地等5类。
在影像区域内均匀地选取各类型的样本数据，使用样本数据对影像进行最大似然法监督分类。
分类结果如图3所示，其中红色代表建筑用地、黄色代表农地、蓝色代表水域、绿色代表林地、青色代表裸地。
根据分类结果，对实验数据进行裁剪，得到5块类别不一的影像，在此选取农地和林地影像进行研究。
分块影像如图4所示（5，4，3波段彩色合成），其中a为农地影像，b为林地影像。
根据分块的结果，将影像投影到二维散点图空间，如图5所示，其中a为农地影像二维散点图，b为林地影像二维散点图。
分析光谱特征散点图空间分布特点和复杂程度，确定分块影像的端元数目。
农地影像二维散点图呈直线型分布，分布结构比较简单，从该区域影像空间能够提取2个有效端元。
林地影像二维散点图明显有3个犄角，说明从该影像空间能够提取3个有效端元。
对分块影像进行MNF变换，MNF变换实现降维与噪声白化作用，目的是寻找影像的本征维数。
根据光谱特征分析确定的端元数目，设置MNF变换的波段输出维数。
农地和林地影像MNF变换的波段输出维数分别设置为2和3。
降维之后进行像元纯净指数计算（PPI），PPI 算法的实质是把端元往给定的投影线上投影，查看端元的投影次数，端元一般位于投影次数最多的地方。
根据纯净像元落在相应影像中的位置，判断农地影像中的两个端元为水田（主要作物为水稻）和旱地（主要作物为玉米、土豆等），林地影像中的三个端元为阔叶林、针叶林和灌木林。
最终提取的端元波谱曲线如图6所示，其中a为农地影像端元提取结果，实线所示为水田光谱曲线，虚线所示为旱地光谱曲线；b为林地影像端元提取结果，实线所示为阔叶林光谱曲线，点虚线为针叶林光谱曲线，长虚线为灌木林光谱曲线。
2.3 实验结果分析
在混合像元分解过程中，端元的选择尤为重要，因为它直接影响混合像元分解的精度。
为了检验本文提出的端元提取方法的有效性，在此从遥感影像中手动选取相应地物，绘制平均光谱曲线，与提取到的端元光谱曲线作对比。
由于TM影像空间分辨率较低，很难从影像中判别相应的地物，借助森林资源二类调查数据，从相应地物的小班中勾画感兴趣区，绘制成平均光谱曲线。
如图7所示，a中实线所示为水田平均光谱曲线，虚线所示为旱地平均光谱曲线；b 中实线所示为阔叶林平均光谱曲线，点虚线为针叶林平均光谱曲线，长虚线为灌木林平均光谱曲线。
对比图6可以看到，各地类的平均光谱曲线差异性明显小于端元光谱曲线，这是由于混合像元大量存在造成的；而从曲线特征来看，平均光谱曲线与端元光谱曲线的折点位置相似，这表明提取到的端元有效，能够表征相应的地物。
3 结束语
本文针对多光谱遥感影像光谱分辨率较低，波段较少，并且波段间的相关性较大，影像噪声严重的现象，提出了一种基于分类结果的端元提取方法，该方法能够克服凸面体分析理论应用到多光谱影像端元提取的数量限制，提高了端元提取的精度。
这种通过光谱先聚再分的思想，充分利用了遥感影像的空间和光谱信息，为多光谱遥感影像的端元提取提供了一种新的思路。
本文提出的端元提取方法基于最大似然法监督分类结果，分类的误差会传递给后续的端元提取过程。
本文还可以尝试采用其他的分类方法代替，以降低分类结果的误差，如支持向量机、随机森林、面向对象的分类方法等。
但是如何减少分类误差向下传导将会是今后一个重要的研究方向。
【参考文献】
[1]吕长春，王忠武，钱少猛.混合像元分解模型综述[J].遥感信息，2003（3）：55-58.
[2]耿修瑞，高光谱影像目标探测与分类[D].北京：中国科学院研究生院（遥感应用研究所），2005.
[3]Roberts D A， Gardner M， Church R， et al. Remote Sensing of Environment[J].1998，65：267
[4]Rashed T， Weeks J R， Gadalla M S， et al. Geocarto International[J].2001，16（4）：5.
[5]李素，李文正，周建军.遥感影像混合像元分解中的端元选择方法综述[J].地理与地理信息科学，2007，23（5）：35-36
[6]童庆禧，张兵，张兰芬.高光谱遥感[M].北京：高等教育出版社，2006.
[7]褚海峰，翟中敏，赵银娣，等.一种多/高光谱遥感图像端元提取的凸锥分析算法[J].遥感学报，2007，11（4）：460-467.
[责任编辑：曹明明]。