8高光谱遥感影像混合像元分解
合集下载
相关主题
- 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)。
优点：计算精度要高，符合实际情况，考虑了多种具 体因素。
缺点：通用性不强，计算复杂，某些情况下的误差很 大
（2）概率模型
概率模型的一个典型是由Marsh等人（1980） 提出的近似最大似然法。该模型只有在两种地 物混合条件下使用。利用线性判别分析和端元 光谱产生一个判别值，根据判别值的范围将像 元分为不同的类别。
第八章 高光谱遥感图像混 合像元分解
本章主要介绍高光谱遥感数据混合 像元分解技术，多种混合分解模型以及 扩展内容介绍。
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。
DN b f (Fi , DN i,b ) b
n
Fi 1
i 1
f是非线性函数，一般可设为二次多项式，Fi表示第i 种典型地物在混合像元中所占面积的比例，b为波段 数。
非线性混合像元分解的特点
对以外地面物体来说，由于其表面状态复杂，地面与 大气以及地物之间的多次散射、阴影和仪器视场的不 均匀等原因产生非线性效应。线性混合是非线性混合 在多次反射被忽略的情况下的特例。
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
土壤
混合像元的光谱是像元内各地物光谱的加权和
光谱曲线的表现形式
光谱曲线的反演
影像中的表现形式
数学公式的表现形式
混合光谱值
X Mα n
k
s.t
i 1, i 0
j 1
min. eTe (r - Mα)T (r - Mα)
模糊
稀疏森林的植被与裸地
不同植被群落
平均树高、树密度、树尺寸
不同作物 不同土壤或岩石 不同矿物 混合土地覆盖类型
表中的表示最有效、为可行、为不可行
神经网络模型
神经网络模型属于非线性模型的一种，它是近 几年研究、应用非常活跃的模式识别方法。利 用神经网络进行混合像元分解：
如果是直接的硬分类处理，表示将类别的输出 端的概率，按照从大到小的顺序进行排列，选 择最大的那个类别作为类别的归属；
该模型和几何光学模型相类似，像元反射率同 样表示为四种状态i的面积权重的线性组合。 即：
R(, x) fi ( x)Ri (, x)
i
（5）模糊模型
基本原理：将各种地物类别看成模糊集合，像元为模 糊集合的元素，每一像元均与一组隶属度值相对应， 隶属度也就代表了像元中所含此种地物类别的面积百 分比。
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。
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：
（1）线性（linear）模型 （2）概率（probabilistic）模型 （3）几何光学（geometric—optical）模型 （4）随机几何（stochastic geometric）模型 （5）模糊分析（fuzzy）模型
分解精度评价标准
已知真实组分
▪ 均方根误差 (RMSE) ▪ ROC估计（置信度） ▪ 双变量分布统计(BDF)
ROC估计（置信度）
ROC估计
1 0.95
0.9 0.85
0.8 0.75
0.7 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
水体
土壤
植被
双变量分布统计(BDF)
缺点：当典型地物选取不精确时，会带来较大的误差； 在实际应用中存在着一些限制 ：（1）实际情况； （2）端元光谱难以获取；（3）地物数大于波段数； （4）没有考虑地形及其他影响
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
还有其它一些模型，如神经网络模型（ANN）
（1） 线性模型
在均匀光照明、表面比较光滑的情况下，实验室与野 外的实验结果都验证了线性混合光谱模型的正确性。 借助于线性混合光谱模型，通过模型反转，就能够从 像元的表观光谱特性（辐亮度或反射率），分离和提 取各像元组分的光谱，分别分析和评价像元组分。
优点：线性光谱混合模型是混合像元分解的常用方法。 这种模型具有良好的物理意义，并且计算简单、普适 应用的特点，也是目前国内外研究最为深入的一种模 型。
端元光谱矩阵-endmember 面积比加权系数-fraction
端元是组成像元的基本单位，是区分不同地物光谱特征的基本单元
分解精度评价标准
未知真实组分
光谱均方根误差 RMSE 误差影像的结构信息
均方根误差 (RMSE)
n
( yi xi )2
i 1
n
其中n表示所有测试的象元个数，yi和xi分别代表估计组分比与真实百分比
BDF图
实例分析
美国内华达(Nevada)地区AVIRIS高光谱影像（波段数＝50）
实验分析
分解结果
(a)山体、阴影；(b)黄钾铁矾；(c)针铁矿；(d)明矾；(e)白云母； (f)玉髓；(g)高岭石；(h)方解石；(i)钠蒙脱石；(j)噪声图像。
非线性混合像元分解技术
非线性光谱模型是与线性对应起来的模型，后面五种 模型可以统称为非线性模型，最常用的是把灰度表示 为二次多项式与残差之和，表达式可以如下：
（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
基本步骤是采用监督最大似然法分类，前提是必须符 合正态分布。分别利用样本计算出模糊均值向量与模 糊协方差矩阵用于代理最大似然法分类中的均值向量 与协方差矩阵，求取出属于某一个类别的隶属度。
不同混合像元分解模型的可行性
应用 估算不同类型的比例
浓密森林的植被与裸地
线性 ຫໍສະໝຸດ Baidu
混合模型的可行性 光学几何 随机几何 概率
缺点：通用性不强，计算复杂，某些情况下的误差很 大
（2）概率模型
概率模型的一个典型是由Marsh等人（1980） 提出的近似最大似然法。该模型只有在两种地 物混合条件下使用。利用线性判别分析和端元 光谱产生一个判别值，根据判别值的范围将像 元分为不同的类别。
第八章 高光谱遥感图像混 合像元分解
本章主要介绍高光谱遥感数据混合 像元分解技术，多种混合分解模型以及 扩展内容介绍。
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。
DN b f (Fi , DN i,b ) b
n
Fi 1
i 1
f是非线性函数，一般可设为二次多项式，Fi表示第i 种典型地物在混合像元中所占面积的比例，b为波段 数。
非线性混合像元分解的特点
对以外地面物体来说，由于其表面状态复杂，地面与 大气以及地物之间的多次散射、阴影和仪器视场的不 均匀等原因产生非线性效应。线性混合是非线性混合 在多次反射被忽略的情况下的特例。
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
土壤
混合像元的光谱是像元内各地物光谱的加权和
光谱曲线的表现形式
光谱曲线的反演
影像中的表现形式
数学公式的表现形式
混合光谱值
X Mα n
k
s.t
i 1, i 0
j 1
min. eTe (r - Mα)T (r - Mα)
模糊
稀疏森林的植被与裸地
不同植被群落
平均树高、树密度、树尺寸
不同作物 不同土壤或岩石 不同矿物 混合土地覆盖类型
表中的表示最有效、为可行、为不可行
神经网络模型
神经网络模型属于非线性模型的一种，它是近 几年研究、应用非常活跃的模式识别方法。利 用神经网络进行混合像元分解：
如果是直接的硬分类处理，表示将类别的输出 端的概率，按照从大到小的顺序进行排列，选 择最大的那个类别作为类别的归属；
该模型和几何光学模型相类似，像元反射率同 样表示为四种状态i的面积权重的线性组合。 即：
R(, x) fi ( x)Ri (, x)
i
（5）模糊模型
基本原理：将各种地物类别看成模糊集合，像元为模 糊集合的元素，每一像元均与一组隶属度值相对应， 隶属度也就代表了像元中所含此种地物类别的面积百 分比。
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。
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：
（1）线性（linear）模型 （2）概率（probabilistic）模型 （3）几何光学（geometric—optical）模型 （4）随机几何（stochastic geometric）模型 （5）模糊分析（fuzzy）模型
分解精度评价标准
已知真实组分
▪ 均方根误差 (RMSE) ▪ ROC估计（置信度） ▪ 双变量分布统计(BDF)
ROC估计（置信度）
ROC估计
1 0.95
0.9 0.85
0.8 0.75
0.7 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
水体
土壤
植被
双变量分布统计(BDF)
缺点：当典型地物选取不精确时，会带来较大的误差； 在实际应用中存在着一些限制 ：（1）实际情况； （2）端元光谱难以获取；（3）地物数大于波段数； （4）没有考虑地形及其他影响
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
还有其它一些模型，如神经网络模型（ANN）
（1） 线性模型
在均匀光照明、表面比较光滑的情况下，实验室与野 外的实验结果都验证了线性混合光谱模型的正确性。 借助于线性混合光谱模型，通过模型反转，就能够从 像元的表观光谱特性（辐亮度或反射率），分离和提 取各像元组分的光谱，分别分析和评价像元组分。
优点：线性光谱混合模型是混合像元分解的常用方法。 这种模型具有良好的物理意义，并且计算简单、普适 应用的特点，也是目前国内外研究最为深入的一种模 型。
端元光谱矩阵-endmember 面积比加权系数-fraction
端元是组成像元的基本单位，是区分不同地物光谱特征的基本单元
分解精度评价标准
未知真实组分
光谱均方根误差 RMSE 误差影像的结构信息
均方根误差 (RMSE)
n
( yi xi )2
i 1
n
其中n表示所有测试的象元个数，yi和xi分别代表估计组分比与真实百分比
BDF图
实例分析
美国内华达(Nevada)地区AVIRIS高光谱影像（波段数＝50）
实验分析
分解结果
(a)山体、阴影；(b)黄钾铁矾；(c)针铁矿；(d)明矾；(e)白云母； (f)玉髓；(g)高岭石；(h)方解石；(i)钠蒙脱石；(j)噪声图像。
非线性混合像元分解技术
非线性光谱模型是与线性对应起来的模型，后面五种 模型可以统称为非线性模型，最常用的是把灰度表示 为二次多项式与残差之和，表达式可以如下：
（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
基本步骤是采用监督最大似然法分类，前提是必须符 合正态分布。分别利用样本计算出模糊均值向量与模 糊协方差矩阵用于代理最大似然法分类中的均值向量 与协方差矩阵，求取出属于某一个类别的隶属度。
不同混合像元分解模型的可行性
应用 估算不同类型的比例
浓密森林的植被与裸地
线性 ຫໍສະໝຸດ Baidu
混合模型的可行性 光学几何 随机几何 概率