高光谱遥感影像混合像元分解
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。
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。
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。
基于Spectral Screening的高光谱影像混合像元解混
基于Spectral Screening的高光谱影像混合像元解混作者：曹陈霞来源：《科技信息·中旬刊》2017年第03期摘要：高光谱遥感的出现它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。
但高光谱遥感影像信息的提取面临着一个突出问题即混合像元。
混合像元普遍存在于遥感图像中，混合像元分解则是研究混合像元最有效的分析方法，它涉及纯净端元光谱的提取和端元组分丰度估计两个关键问题，前者获得混合像元内地物的类别信息，后者计算得到各类端元在混合像元中所占的比重。
纯净端元的提取是成功进行混合像元分解的关键，端元选取包括确定端元数量以及端元的光谱，本文着重研究了方法Spectral Screening。
端元组分丰度估计是混合像元分解的主要环节，本文主要研究全限制线性混合像元分解。
关键词：高光谱遥感、混合像元分解、线性混合分解、高光谱应用1.研究背景与意义高光谱遥感是当前遥感技术的前沿领域，它利用很多很窄的电磁波波段从感兴趣的物体获得有关数据，它包含了丰富的空间、辐射和光谱三重信息。
但由于传感器空间分辨率的限制以及地物的复杂多样性，混合像元普遍存在遥感图像中，对地面地物分布比较复杂的区域尤其如此。
如果将该像元归为一类，势必会带来分类误差，导致精度下降，不能反映真实的地物覆盖情况。
如果每一混合像元能够分解而且它的端元组分占像元的丰度能够求得的话，分类将更精确。
混合像元分解技术，就是假设某一像元的光谱是由有限几种地物的光谱曲线按某种函数关系和比例混合而成，分解的目的就是通过某种分析和计算，估计出光谱混合方式和混合像元包含的光谱成分及相应比例，从而真实反映出地物覆盖情况并精确分类。
当前虽然在混合像元分解领域已经取得了若干进展，但是由于高光谱数据的复杂性，混合像元问题仍需要更加深入的研究。
混合像元分解（Spectral unmixing）技术是从一个像元的实际光谱数据（一般为多地物光谱混合的数据）中提取各种地物成分所占的比例的方法。
《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。
基于非负矩阵分解的高光谱遥感图像混合像元分解
基于非负矩阵分解的高光谱遥感图像混合像元分解刘雪松;王斌;张立明【期刊名称】《红外与毫米波学报》【年(卷),期】2011(030)001【摘要】传统非负矩阵分解算法的目标函数具有大量的局部极小,在进行高光谱图像的光谱解混时,受初始值的影响很大.为解决该问题,作者通过在目标函数中引入丰度分离性和平滑性的约束条件,提出一种基于有约束非负矩阵分解的混合像元分解方法.同时该算法能够满足混合像元分解问题所要求的丰度值非负以及和为一的约束.模拟和实际数据实验结果表明,所提出的算法能够很好地克服局部极小的问题,从而得到更优的解.同时该算法表现出了较强的抗噪声能力,并且能够适用干无纯像元数据的混合像元分解.%Because of the local minima in the objective function, the traditional Nonnegative Matrix Factorization (NMF) algorithm is sensitive to the initial value when being applied to hyperspectral unmixing. In order to solve the problem, a new approach based on constrained NMF was proposed for decomposition of mixed pixels by introducing constraints of abundance separation and smoothness into the objective function of NMF. The algorithm can also satisfy the abundance nonnegative and sum-to-one constraints, which are necessary for hyperspectral unmixing. Experimental results on simulated and real hyperspectral data demonstrate that the proposed approach can overcome the shortcoming of local minima, and obtain better results. Meanwhile, the algorithm performs well for noisy data, and can also beused for the unmixing of hyperspectral data in which pure pixels do not exist.【总页数】7页(P27-32,54)【作者】刘雪松;王斌;张立明【作者单位】复旦大学电子工程系,上海,200433;复旦大学电子工程系,上海,200433;复旦大学,波散射与遥感信息教育部重点实验室,上海,200433;复旦大学电子工程系,上海,200433【正文语种】中文【中图分类】TP751【相关文献】1.基于正交非负矩阵分解的高光谱遥感图像混合像元分解 [J], 孙莉;赵庚星2.高光谱遥感图像混合像元分解的群智能算法 [J], 高连如;孙旭;罗文斐;唐茂峰;张兵3.基于非负矩阵分解的高光谱图像混合像元分解 [J], 孙旭光;蔡敬菊;徐智勇;张建林4.基于核方法的高光谱遥感图像混合像元分解 [J], 林娜;杨武年;王斌5.基于最大整体包容度约束非负矩阵分解的高光谱遥感图像混合像元分析算法 [J], 王瀛;何欣;左方因版权原因，仅展示原文概要，查看原文内容请购买。
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：
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