8高光谱遥感影像混合像元分解
第十讲_高光谱遥感图象混合象元分析
第十讲高光谱遥感图象混合象元分析一．混合象元的概念：遥感器所获取的地面反射或发射光谱信号是以象元为单位记录的。
它是象元所对应的地表物质光谱信号的综合。
图象中每个象元所对应的地表，往往包含不同的覆盖类型，他们有着不同的光谱响应特征。
而每个象元则仅用一个信号记录这些“异质”成分。
若该象元仅包含一种类型，则为纯象元(pure pixel)，也称为端元（endmember），它所记录的正是该类型的光谱响应特征或光谱信号；若该象元包含不止一种土地覆盖类型，则成为混合象元(mixed pixel)，它记录的是所对应的不同土地覆盖类型光谱响应特征的综合。
由于传感器的空间分辨力限制以及自然界地物的复杂多样性，混合像元普遍存在于遥感图象中。
二．混合象元模型光谱混合形式上可以分为致密式（intrinsic）、聚合式（aggregate）和整合式（areal）三种情形（如图）,本质上分可以分为线性混合和非线性混合两种模式。
线性混合模型假定到达传感器的光子只与一种物质发生作用[rast,1991]；当混合元素尺寸小，入射光子与多于一种以上的物质发生作用时，导致非线性混合[smiths,1985；Mustard,1987]。
【图11．线性混合模型(通常情况下,高光谱图象中每个象元都可以近似认为是图象中各个端元的线性混合象元:n E c n e p +=+=∑=Ni i i c 1(1)11=∑=Ni ic(2)10≤≤i c (3)其中N 为端元数，p 为图象中任意一L 维光谱向量（L 为图象波段数），][21N e e e E =为N L ⨯矩阵，其中的每列均为端元向量。
t N c c c )(21 =c 为系数向量，i c 表示象元p 中端元i e 所占的比例，n 为误差项。
在误差项n 很小的情况下，满足（1）、（2）和（3）的所有点的集合正好构成一个高维空间的凸集，这些端元则坐落于这个凸面单形体的顶点。
以两个波段三个端元为例来说明它们之间的几何关系(图2).从图2可以看出,端元a,b,c 分别位于三角形体的顶点,三角形内部的点则对应着图象中的混合象元.这样,提取高光谱图象的端元问题就转化为求单形体的顶点的问题./图2 两个波段三个端元的散点图在空间上具有明显的三角形结构2． 非线性混合模型三． [端元c波段 i波段j四．端元提取1． PPI当把特征空间中的所有散点往一个单位向量u 上投影时，端元就会投影到u 的两侧，而混合象元则会投影到中部。
基于核方法的高光谱遥感图像混合像元分解
基 于 核 方 法 的高 光 谱 遥 感 图像 混 合 像 元 分解
林 娜 ，杨 武年 ，王 斌
（ １ ． 重庆 交通 大学土 木 工程 学 院测绘 系， 重庆 ４ ０ ０ ０ ７ ４； ２ ． 成都 理 工大 学地 学 空 间信 息技术 国土 资 源部 ４ ０ １ １ ２ １ ） 重点 实验 室 ， 成 都 ６ １ ０ ０ ５ ９ ； ３ ． 重庆 市地 理信 息 中心 ， 重庆
Ｆ Ｃ Ｌ Ｓ ） 算子等方法分别构建 核正交 子 空间 投影 （ ｋ ｅ ｎｅ ｒ ｌ Ｏ Ｓ Ｐ ， Ｋ Ｏ Ｓ Ｐ ）ｎ ｅ ｌ Ｌ Ｓ Ｏ Ｓ Ｐ，
Ｋ Ｌ Ｓ Ｏ Ｓ Ｐ ） 、 核非负约束最小二乘 （ ｋ ｅ ｎｅ ｒ ｌ Ｎ Ｃ Ｌ Ｓ ， Ｋ Ｎ Ｃ Ｌ Ｓ ） 和核全 约束 最小二乘 （ ｋ ｅ ｒ ｎ ｅ ｌ Ｆ Ｃ Ｌ Ｓ ， Ｋ Ｆ Ｃ Ｌ Ｓ ） 高光 谱图像混 合
束 最小 二乘（ ｎ ｏ ｎ ｎ ｅ ｇ ａ ｔ ｉ ｖ ｅ ｃ ｏ ｎ ｓ ｔ ｒ ａ ｉ ｎ ｅ ｄ ｌ ｅ ａ ｓ ｔ —ｓ ｑ ｕ ａ ｒ ｅ ｓ ， Ｎ Ｃ Ｌ Ｓ ） 算子 和全 约束 最小 二乘 （ ｆ ｕ ｌ ｌ ｙ ｃ ｏ ｎ ｓ ｔ ｒ ａ ｉ ｎ ｅ ｄ ｌ ｅ ａ ｓ ｔ —ｓ ｑ ｕ ａ ｒ ｅ ｓ ，
关键词 ： 高光谱遥感 ； 核方法 ； 混合像元分解 ； 正交子空 问投影 （ Ｏ Ｓ Ｐ ）
中图法分类号 ： Ｔ Ｐ ７ ５ １ ． １ 文献标志码 ：Ａ 文章编号 ： １ ０ ０ １— ０ ７ ０ Ｘ （ ２ ０ １ ７ ） ０ ｌ 一 ０ ０ １ ４— ０ ７
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。
8-高光谱遥感影像混合像元分解
纯净端元指数提取示意图
A、B、C、D的纯净像元指数分别为2,2,1,1
（2）N-Finder
主要是利用高光谱数据在特征空间中的凸面单形体结 构，寻找最大体积的单形体，从而自动获取图像中的 所有端元。 下式当误差项n满足很小时，所有的点正好满足落在单 形体的体积内。
以两个波段三个端元为例，说明它们之间的几何关系， A，B，C分别是三角形的顶点，三角形内部的点对应
（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
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
原始TM影像
训练样区
长江 居民地 植被 湖泊
四种地物波段光谱曲线图
BP算法分类结果
分解结果
线性分解结果
长江
ANN分解结果
湖泊
植被
居民区
长江
首先给定一个初始向量（一般为图像中所有光谱的均 值向量），对图像进行约束性解混，得到误差图像。
误差最大的像元作为第一个端元，对图像进行约束性 解混，得到误差图像中误差最大的像元作为新的端元， 再将新端元再加入到下一步的约束线性解混操作中， 直到求出图像中的所有端元。
全自动选择端元实例：
AVIRIS图像立方体
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：
基于限制性线性光谱分解模型的高光谱影像混合像元分解
基于限制性线性光谱分解模型的高光谱影像混合像元分解摘要：高光谱影像的光谱分辨率在10nm以下，会产生大量的混合像元，因此解决混合像元分解问题对处理高光谱图像有着重要作用。
本文主要论述了高光谱混合像元分解。
其中包括：混合像元分解的概念和物理基础，混合像元线性模型，线性光谱分解模型。
利用线性光谱分解模型进行混合像元分解时有两个步骤：1、端元的提取。
2、混合像元线性分解。
本文将采用纯像元指数法提取端元，采用限制性线性混合模型进行混合像元分解，并以实例进行展现。
关键词：高光谱遥感混合像元分解线性光谱分解模型端元提取纯像元指数法0、引言遥感影像中的像元很少是由单一均匀的地表覆盖类组成，一般都是几种地物类型的混合体。
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，而每个像元则仅用一个信号记录这些“异质”成分。
若该像元仅包含一种类型，则为纯像元，它所记录的正是该类型光谱响应特征；若该像元包含不止一种土地覆盖类型，则形成混合像元[1]。
1、混合像元光谱模型线性模型[2]，它基于以下假设：在瞬时视场下，各组分光谱线性混合，其比例由相关光谱的丰度决定。
通过分析残差，使残差最小，完成对混合像元的分解。
因此，第i波段像元反射率可以表示为：（1）式中：i=1，2，…，n；j=1，2，…，m；γi是混合像元的反射率；pij表示第i个波段第j个端元组分的反射率；f j是该像元第j个端元组分的丰度；是第i波段的误差；n表示波段数；m表示选定的端元组分数。
2、采用线性光谱分解模型分解混合像元线性光谱解混是在高光谱图像分类中针对混合像元经常采用的一种方法[3]，该方法由两步构成，第一步是提取“纯”地物的光谱，即端元提取；第二步是用端元的线性组合来表示混合像元，即混合像元分解。
2.1端元提取纯净像元指数是一种在多波谱和高光谱影像中寻找波谱最纯净的像元的方法。
通常，波谱最纯净的像元与混合端元相对应。
像元纯净指数通过迭代将N 维散点图映射为一个随机单位向量来计算。
高光谱影像混合像元稀疏分解技术初识
高光谱影像混合像元稀疏分解技术初识高光谱影像混合像元稀疏分解技术初识2011年08月12日高光谱影像混合像元稀疏分解技术初识一、研究方向概述1.1 高光谱影像特点：1）高光谱分辨率（波段多至几十甚至上百个，光谱分辨率可达纳米级）2）图谱合一（获取的地表图像包含了地物丰富的空间、辐射和光谱三重信息，体现了地物分布的影像特征，同时也可能以其中某一像元或者像元组为目标获得它们的辐射强度以及光谱特征）3）光谱波段多，在某一个光谱波段范围内连续成像。
1.2 混合像元的存在：由于遥感器的空间分辨力限制以及自然界地物的复杂多样性，混合像元普遍存在于遥感图像中（Gillespie，1990；Foody，1994）。
理论上讲，混合光谱的形成主要有以下原因：1）在一个瞬时视场内，有多种物质成分存在的空间混合；2）在一个瞬时视场内，由于地形和物体阴影引起的照度差异；3）不同像元之间的交叉辐射；4）大气传输过程中的混合效应；5）遥感仪器本身的混合效应；为了提高遥感应用的精度（定量遥感的发展），就必须解决混合像元的分解问题，使得遥感应用由像元级达到亚像元级——进入像元内部，将混合像元分解为不同的“基本组成单元”，或者成为“端元”（endmember），并求得这些基本组分所占的比例，这就是所谓的“混合像元分解”过程。
端元：1.3 关于“稀疏”：这个术语对于数学界和信号界而言并不陌生——稀疏域，稀疏表示，稀疏信号，稀疏曲线，稀疏矩阵，稀疏编码，稀疏字典等等。
在这里，我们使用“稀疏”主要是将其作为一种限制性约束条件，用以求解在混合像元分解过程中端元及其对应的丰度值。
注意：只是一种求解过程的一个约束，所谓“最稀疏”仅仅是一种衡量求得的解所达到的某种程度，而非一种具体算法或其他。
二、研究现状综述光谱混合从形式上可以分为致密式、聚合式和整合式三种情形，从本质上可以分为线性混合和非线性混合两种模式。
线性模型是假设物体间没有互相作用，每个光子仅能“看到”一种物质，并将其信号叠加到像元光谱中。
全约束下高光谱混合像元线性分解
全 约束 下 高光 谱 混 合像 元 线 性分 解
刘娟娟 ， 王茂芝 ， 葛世 国， 李 想
（ 成都理工大学管理科学学院 ， 成都 ６ １ ０ ０ ５ ９ ）
摘
要： 针 对使 用线性 模 型对 混合 像 元进 行 求解 ， 其 分 解 的结 果 （ 丰度 值 ） 会 出现 负值 或 和 不 为 １的
情 况， 提 出 了加 入 非 负约束 与 和 为 １的 条件 对 此 线性 模 型进 行 最 小二 乘 分解 ， 并给 出相 应 的算 法 。 实验 表 明全 约束 下 的最 小二 乘 获得 了比较好 的分 解效 果 。 关键 词 ： 线性 光谱 解 混 ； 最小二 乘 ； 全约 束 ； 最 优化
Ｖｏ １ ． ２ ６ Ｎｏ ． ３
Ｊ ｕ ｎ ． ２ ０ １ ３
文章 编 号 ： １ ６ ７ ３ － １ ５ ４ ９（ ２ ０ １ ３） ０ ３ － ０ ０ ７ ６ － ０ ４
ＤＯＩ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ６ ７ ３ － １ ５ ４ ９ ． ２ ０ １ ３． ０ ３ ． ０ １ ８
音 。
再进行求解 ， 这就是所说 的约束 最小 二乘问题。因此 ，
研究这类问题 的计算方法是非常有意义的。
收稿 日期 ： ２ ０ １ ３ － ０ ４ － ０ ３
作者简 介： 刘娟娟（ １ ９ ８ ８ ． ） ， 女， 安徽阜阳人 ， 硕士 生， 主要 从事计 算机仿真技术方面的研 究， （ Ｅ － ｍ ａ ｉ ｌ ） ８ ２ ６ １ ７ ３ ７ ８ ０ ＠ｑ ｑ ． Ｃ ｏ ｎ ｒ
一
遥感图像 中一个像元 可能会覆盖几米甚至 上千米的地 表范围， 这就可能包 含多种地物类型 ， 这就 形成了混合 像元。而产生混合像元主要有两个原因… ： 一是传感器
常见混合像元分解方法
常见混合像元分解方法混合像元分解方法是一种将多源遥感数据中的混合像元拆解成纯净的地物或覆盖类型的方法。
这种方法在遥感影像解译、土地利用/覆盖分类、环境遥感监测等领域具有广泛的应用。
下面将介绍一些常见的混合像元分解方法。
1. 直接解混模型（Direct Unmixing Model）：这是最简单的混合像元分解方法，基于像元的混合像元可以表示为纯净地物的线性组合。
通过线性代数的方法，可以求解出混合比例和纯净地物的光谱特征。
然而，这种方法假设地物的光谱特征是线性可加性的，忽略了光谱混合、非线性效应等因素。
2. 混合参数遥感解译（Mixed Pixel Based Classification）：这种方法是通过将混合像元分解成不同地物类型的纯净像元，然后利用单纯像元的光谱特征进行分类。
常见的做法是选择一个纯净地物的光谱特征作为模板，并利用相似性度量方法（如最小二乘法）将混合像元分解成若干训练样本，然后使用分类算法进行分类。
这种方法适用于光谱混合较小、类别纯度较高的情况。
3. 物理模型解混（Physical Model Based Unmixing）：这是一种基于物质反射特性的混合像元分解方法。
它基于物理模型，将混合像元的反射率建模为纯净地物的反射率和大气效应的线性组合。
通过迭代求解，可以得到混合像元的反射率、大气效应和混合比例。
这种方法能够处理光谱混合、非线性效应等问题，但对数据的大气校正要求较高。
4. 线性光谱混合分析（Linear Spectral Mixture Analysis）：这种方法是在直接解混模型基础上引入非负约束，使得混合比例和纯净地物光谱反射率均呈非负值。
通过最小二乘法等方法，可以求解出混合像元的混合比例和纯净地物光谱反射率。
线性光谱混合分析方法在处理光谱混合问题上比较稳健，但对光谱反射率的非负性要求较高。
5. 稀疏解混分析（Sparse Unmixing Analysis）：这种方法假设混合像元是由少量纯净地物组成的，并通过稀疏表示方法来实现解混。
《高光谱遥感影像非线性混合像元分解算法研究》
《高光谱遥感影像非线性混合像元分解算法研究》一、引言高光谱遥感技术以其精细的光谱分辨率，为地表覆盖类型识别、环境监测和资源调查等领域提供了强大的数据支持。
然而，由于地表的复杂性，高光谱遥感影像中常常存在混合像元现象，即一个像素内包含多种地物类型的信息。
这给影像的准确解译带来了困难。
非线性混合像元分解算法作为解决这一问题的有效手段，近年来受到了广泛关注。
本文旨在研究高光谱遥感影像非线性混合像元分解算法，以期提高影像解译的准确性和可靠性。
二、高光谱遥感影像混合像元问题高光谱遥感影像混合像元问题主要表现为像素内多种地物类型的光谱信息相互干扰，导致解译结果的准确度下降。
这主要是由于地表的异质性、地物间的光谱相似性以及大气、地形等因素的影响。
为了解决这一问题，需要采用非线性混合像元分解算法，将混合像元分解为单一的、可解释的成分，以提高遥感影像的解译精度。
三、非线性混合像元分解算法概述非线性混合像元分解算法主要通过建立复杂的物理模型或统计模型，将混合像元分解为各组分的光谱贡献。
这些算法包括基于物理模型的算法、基于统计模型的算法以及基于机器学习的算法等。
其中，基于物理模型的算法考虑了地表的物理特性，具有较高的解译精度；而基于机器学习的算法则通过训练模型，从大量数据中学习地物的光谱特征，具有较好的自适应性和泛化能力。
四、高光谱遥感影像非线性混合像元分解算法研究针对高光谱遥感影像的非线性混合像元问题，本文提出了一种基于深度学习的非线性混合像元分解算法。
该算法通过构建深度神经网络模型，学习地物的光谱特征和空间特征，实现混合像元的非线性分解。
具体而言，该算法包括以下步骤：1. 数据预处理：对高光谱遥感影像进行预处理，包括去噪、校正等操作，以提高数据的质量。
2. 构建深度神经网络模型：根据地物的光谱特征和空间特征，构建深度神经网络模型。
该模型包括多个层次的结构，每个层次都通过学习地物的特征来提高解译精度。
3. 训练模型：利用大量标注的高光谱遥感影像数据，对深度神经网络模型进行训练。
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]。
高光谱遥感图像混合像元分解的理论与算法研究
4、混合像元分解算法优化是混合像元分解的重要研究方向之一，可以通过 改进和优化算法来提高分解的精度和效率。
在未来的研究中，我们将继续混合像元分解技术的发展动态和应用前景，进 一步深入研究混合像元分解的关键技术，探索新的端元提取方法、丰度计算方法 和混合像元分解算法优化方法等，以推动混合像元分解技术的发展和应用。
苹果园地遥感提取技术是一种利用遥感手段提取苹果园地信息的方法，具有 快速、准确、高效等优点。本次演示基于实测光谱混合像元分解的实验方法，详 细介绍该技术的应用场景、步骤和优点。
实测光谱混合像元分解是一种利用地面光谱仪对苹果园地的光谱特征进行测 量和分析的方法。该方法采用多角度光谱测量系统，从多个角度对苹果树冠层、 果树和土壤等不同成分进行光谱测量，并通过光谱混合像元分解算法，将它们分 解成不同的光谱成分。
最后，我们将总结本次演示的主要内容和贡献，并提出未来研究方向。本次 演示的研究成果将为高光谱影像混合像元分解技术的发展和应用提供一定的理论 和技术支持。
本次演示的研究对象为高光谱影像混合像元分解技术，研究内容主要包括混 合像元分解的基本原理和数学模型、端元提取、丰度计算、混合像元分解算法优 化等方面。我们通过对这些关键技术的深入探讨和研究，旨在提高高光谱影像混 合像元分解的精度和效率，为遥感影像的解译精度和地物分类的准确性提供更好 的技术支持。
实验结果与分析
我们选取某地区的高光谱遥感图像进行混合像元分解实验，并分别采用PCA、 MLR和SVM三种算法进行比较分析。实验结果表明，三种算法在混合像元分解上均 具有较好的效果，但SVM算法在处理复杂地物光谱特征时具有更高的准确性和鲁 棒性。此外，我们还对分解结果进行了可视化处理，以便更直观地评估算法的性 能。
通过本次演示的研究，我们得出以下结论：
一种基于地物光谱库的高光谱遥感图像混合像元分解方法[发明专利]
![一种基于地物光谱库的高光谱遥感图像混合像元分解方法[发明专利]](https://img.taocdn.com/s3/m/860e9657c77da26924c5b0b7.png)
专利名称：一种基于地物光谱库的高光谱遥感图像混合像元分解方法
专利类型：发明专利
发明人：王毓乾,何海清,李小龙,谭永滨
申请号：CN201710786417.9
申请日：20170904
公开号：CN107590800A
公开日：
20180116
专利内容由知识产权出版社提供
摘要：本发明属于遥感图像处理技术领域，具体为一种基于地物光谱库的高光谱遥感图像混合像元分解方法。
包括步骤a，获得高光谱遥感图像的端元光谱库；步骤b，利用步骤a中得到的端元光谱库,采用波段依赖的纠正方法对原始高光谱遥感图像进行波段纠正,得到纠正后的高光谱遥感图像；步骤c，采用SUnSAL算法，结合步骤a中的端元光谱库对步骤b中纠正后的高光谱遥感图像进行逐像元解混，得到初步解混丰度；步骤d，对步骤c得到的初步解混丰度进行丰度纠正，得到最终的解混丰度。
本发明降低了图像和光谱库采集环境不同导致的光谱不一致，提高了解混精度，在高光谱遥感图像的混合像元分解和地物识别领域里具有一定的实用价值和应用前景。
申请人：东华理工大学
地址：344000 江西省抚州市学府路56号
国籍：CN
代理机构：武汉科皓知识产权代理事务所(特殊普通合伙)
代理人：王琪
更多信息请下载全文后查看。
- 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)。
（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
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。
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：
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)
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。
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。
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；
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
混合模型的可行性 光学几何 随机几何 概率
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。
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
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。
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)
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
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