8-高光谱遥感影像混合像元分解
高光谱遥感分解课件
端元提取的效果直接影响到后续的混合 像元分解和谱间关系分析的精度和可靠 性，因此是高光谱遥感分解中的关键步
骤。
混合像元分解方法
混合像元分解的方法包括基于物理模型的方法和基于 统计模型的方法等。这些方法通过建立地物光谱与像 元光谱之间的数学模型，利用优化算法对模型参数进 行求解，从而得到每个像元的纯组分和丰度信息。
高光谱遥感分解方法
端元提取方法
端元提取是高光谱遥感分解的基础，目 的是从高光谱数据中提取出纯净的地物 光谱，为后续的混合像元分解和谱间关
系分析提供基础。
端元提取的方法包括基于统计的方法、 基于空间的方法和基于变换的方法等。 这些方法通过不同的原理和算法，从高 光谱数据中提取出尽可能纯净的地物光
谱。
矿物与地质应用
总结词
高光谱遥感在矿物与地质应用中具有重要作用，可以用于矿产资源调查、地质构造分析 等。
详细描述
高光谱遥感能够通过分析地物的光谱特征差异，识别不同类型的矿物和地质构造。在矿 产资源调查中，高光谱遥感可以用于发现潜在的矿床和评估矿产资源的分布情况。同时 ，在地质构造分析中，高光谱遥感可以通过分析地物的光谱特征差异，揭示地质构造的
高光谱遥感分解课件
ቤተ መጻሕፍቲ ባይዱ
目录
CONTENTS
• 高光谱遥感概述 • 高光谱遥感技术原理 • 高光谱遥感分解方法 • 高光谱遥感应用实例 • 高光谱遥感技术展望
01
CHAPTER
高光谱遥感概述
高光谱遥感的定义
高光谱遥感是一种利用光谱信息对地球表面进行观测和监测 的技术。它通过卫星或飞机搭载的高光谱成像仪获取地物辐 射的连续光谱信息，进而分析地物的成分、结构和动态变化 。
高光谱遥感技术的挑战与问题
混合像元分解技术的研究进展与主要问题
混合像元分解技术的研究进展与主要问题陈晋陈学泓地表过程与资源生态国家重点实验室(筹) ，北京师范大学，北京，100875摘要：遥感影像中一个像元常常覆盖超过一种地物类型，这种包含几种地物光谱信息的像元被称为混合像元。
混合像元在遥感影像中普遍存在，解决该问题对遥感定量解译具有重要的意义，是遥感由定性向定量化发展中不可回避的问题。
因此，在过去几十年中，遥感学者们开展了不少对混合像元问题的研究。
但是混合像元分解技术仍然存在一些不确定性和误差。
本文从以下四个方面综述当前关于混合像元分解的研究成果：(1)混合模型的建立；(2)线性混合模型中端元选取方法；(3)端元内光谱异问题；(4)混合像元分解精度评价。
并总结了现存的主要问题与可能的研究方向。
关键词：混合像元分解；光谱混合模型；端元提取；端元内光谱差异；精度评价Review of advancement and prospects of Spectral MixtureAnalysisChen Jin Chen Xueh ongState Key Laboratory of Earth Surface Processes and Resource Ecology,Beiji ng Normal Uni versity, Beijing 100875, Chi naAbstract: The phe nomenon that in dividual pixel covers more tha n one gro und cover type commonly exists in remotely sensed images. This is called as mixed pixel, which not only results in lower accuracy for the land cover discrim in ati on and classificati on, but also greatly hin ders the developme nt of qua ntitative remote sensing. In past decades, a nu mber of algorithms for Spectral Mixture An alysis(SMA) have bee n developed to solve this problem. However, there are still some un certa in ties in the research of Spectral Mixture An alysis. This paper reviewed four issues of the SMA: (1) Establishment of spectral mixture model; (2) Endmember identification in linear spectral mixture model; (3) Effect of en dmember spectral variability; (4) Accuracy assessme nt of SMA. In the end, a summary about the problems and the prospective studies in the SMA was con cluded.Keywords: Spectral Mixture An alysis; Spectral Mixture Model; En dmember Determ in ati on; En dmember Spectral Variability; Accuracy Assessme nt*本研究得到国家高技术研究发展计划（863计划）（2006AA12Z103资助。
混合像元分解法操作步骤
混合像元分解法操作步骤1.数据准备-获取多光谱图像数据，可以使用航空或卫星遥感数据。
- 准备高分辨率的真实地物标记（Ground Truth），用于评估分解结果的准确性。
2.选择变量-选择用于混合像元分解的变量，一般是多光谱图像的波段数据。
-可以利用统计学方法、专家知识或试错法来选择最适合的变量。
3.确定光谱参考-选择用于确定混合像元分解的光谱参考数据。
-光谱参考可以是单一的像素或像元组合。
-光谱参考应该具有代表性，并且包含不同地物的特征光谱。
4.混合像元分解-使用混合像元分解模型来计算每个像素的混合成分比例。
-混合像元分解模型通常假设图像中的每个像素是由多个地物的混合成分组成，并输出每个地物的比例。
- 常用的混合像元分解模型包括Spectral Mixture Analysis（SMA）和Linear Spectral Mixture Analysis（LSMA）等。
5.分解结果评估-使用真实地物标记来评估混合像元分解的准确性。
-可以使用混合像元分解的结果与真实地物标记进行对比，计算混淆矩阵或其他评估指标。
-可以根据评估结果来调整或优化混合像元分解模型的参数。
6.结果解释-根据混合像元分解得到的地物比例，进行图像分类、植被指数计算等应用。
-可以通过阈值或其他分类方法将分解得到的比例转化为具体的地物类别。
-可以根据混合像元分解的结果进行地物变化检测、遥感图像解译等分析。
7.结果可视化-可以使用各种图像处理软件将混合像元分解的结果可视化。
-可以使用颜色编码、图形绘制等方法将混合像元分解的结果与原始图像进行对比。
-可以生成分类图像或指数图像等用于进一步分析或展示的结果。
总之，混合像元分解法是一种通过对多光谱图像像素进行分解来获取地物混合成分比例的方法。
它具有广泛的应用前景，并可以通过合理的参数选择和模型优化来提高分解结果的精度和准确性。
高光谱遥感的概念
遥感的发展趋势 （1）随着热红外成像、机载多极化合成孔径雷达、高分辨力表层穿透雷达和星载合成孔径 雷达技术日益成熟，遥感波谱域从最早的可见光向近红外、短波红外、热红外、微波方向发 展，波谱域的扩展将进一步适应各种物质反射、辐射波谱的特征峰值波长的宽域分布。
（波段范围扩展从可见光、近红外、发展到中 远红外、微波）
（6）建立适用于遥感图像自动解译的专家系统，逐步实现遥感图像专题信息提取自动化。 （遥感图像自动解译的专家系统）
（7）3S一体化
（8）随着高空间分辨力新型传感器的应用，遥感图像空间分辨率从1KM、500m、250m、 80m、30m、20m、10m、5m发展到1m，军事侦察卫星传感器可达到15cm或者更高的分辨 率。空间分辨率的提高，有利于分类精度的提高，定位和目标识别，但也增加了计算机分类 的难度。
总结起来，高光谱分辨率遥感信息的分析与处理，侧重于从光 谱维角度对遥感图像信息进行展开和定量分析，其图像处理模式的 关键技术，例如：
(1) 光谱重建，即：成像光谱数据的定标、定量化和大气纠正模 型与算法，恢复地物光谱的真实面目；
一些针对传统遥感数据的图像处理算法和技术，如：特征选择与提取、图像分类等技术 面临挑战。如：用于特征提取的主分量分析方法，用于分类的最大似然法、用于求植被 指数的NDVI算法等等，不能简单地直接应用于高光谱数据。
3、如何处理高光谱遥感数据？
高光谱遥感技术的发展来自于成像技术的不断完善，成像光谱仪有其独特的优越性，但同时 海量数据也给应用和分析带来了不便。
➢ 常规遥感的局限：波段太少；光谱分辨率太低；波段宽一般>100nm；波段在光谱上不连续， 不能覆盖整个可见光至红外光(0.4~2.4nm)光谱范围。
➢ 如一个TM波段内只记录一个数据点，而航空可见光/红外光成像光谱仪(AVIRIS)记录这一波 段范围内的光谱信息用10个以上数据点。
混合像元分解提取植被
混合像元分解提取植被
混合像元分解是一种常用的遥感图像处理方法，它可以将遥感图像中的每个像元分解为不同的成分，从而提取出图像中的各种信息。
其中，植被是遥感图像中常见的一种成分，因此混合像元分解可以被用来提取植被信息。
混合像元分解的基本原理是将遥感图像中的每个像元分解为不同的成分，这些成分包括植被、土壤、水体等。
其中，植被成分可以通过NDVI指数来计算得到。
NDVI指数是一种反映植被覆盖度的指数，它的计算公式为：
NDVI = (NIR - RED) / (NIR + RED)
其中，NIR代表近红外波段的反射率，RED代表红色波段的反射率。
通过计算NDVI指数，可以得到遥感图像中每个像元的植被覆盖度。
除了NDVI指数，混合像元分解还可以使用其他的方法来提取植被信息。
例如，基于像元的分类方法可以将遥感图像中的每个像元分为不同的类别，其中包括植被、土壤、水体等。
通过对每个类别进行统计分析，可以得到遥感图像中植被的分布情况。
混合像元分解可以被广泛应用于植被监测、土地利用、环境保护等领域。
例如，在植被监测中，可以通过混合像元分解来提取植被信息，从而得到植被的分布情况、生长状态等信息。
在土地利用中，可以通过混合像元分解来分析土地利用类型的分布情况，从而为土
地规划和管理提供参考。
在环境保护中，可以通过混合像元分解来监测水体和土壤的污染情况，从而及时采取措施进行治理。
混合像元分解是一种非常有用的遥感图像处理方法，可以被用来提取植被信息以及其他各种信息。
在实际应用中，需要根据具体的需求选择合适的方法和参数，以得到准确的结果。
高光谱图像混合像元分解算法
ｏ ｐｏ ｅｔ ａａ ｅｃ ｐｉ Ｓ Ｄ ｎｓ ｐｒ ｖｃｏ ｄｔ ｄｓｒ ｔ ｎ（ Ｙ Ｄ）ｗ ｓ ｒｐｓｄ ｉｔ ｈ ｐｒ ｅｔ ａｅ ａ ｓ ｅｅ ｌｓｆ ｄｉｏｔｏ ａ ｓｉ ｕ ｔ ｒ ｉ ｏ ａ ｏｏｅ ．Ｆｒ ， ｙｅｓ ｃｒ ｉ ｇ ｔ ｒ ｃａｓｉ ｔ ｗ ｒ ， ｐ ｓ ｐ ａ ｍ ｌ ｄ ａｗ ｉｅ ｎ ｐ ｔ ．
２ Ｃｌ ｇ ｆ ｌｃ ｏｉ Ｅ ｇｎｅ ｎ ， ｅｏ ｇａ ｇＵ ｉ ｒｔ， ｒｉ １００ ，ｈｎ ） ． ｏｅｅｏ ｅｔ ｎｃ ｎｉｅｒ ｇ Ｈ ｉ ｎｊｎ ｎｖ ｓｙＨａ ｎ ５ ０ １ Ｃ ｉ ｌ Ｅ ｒ ｉ ｌ ｉ ｅｉ ｂ ａ
Ａｂ ｔ ａ ｔ ｈ ｒ ｄｔ ｎ ｌｈ ｐ ￣ｐ ｃ ｒｌｉ ｇ ｎ ｘ ｎ ｌｏ ｔ ｍ ｎ ｏｖ ｓ ｔｅ ｅ ｔ ｃｉ ｎ ｏ ｎ ｍｅ ｅ ｎ ｈ ｓｉ ｔ ｎ ｓｒ ｃ ：Ｔ ｅ ｔａ ｉ ｏ ａ ｙ ｅ ｅ ｔ ｍａ ｅ ｕ ｍｉｉ ｇ ａｇ ｒ ｈ ｉ ｖ ｌｅ ｈ ｘｒ ｔ ｆｅ ｄ ｍｂ ｒａ ｄ ｔ ｅ ｅ ｔ ｉ ａ ｉ ａ ｏ ｍａｉ ｏ ｏ ｂ ｎ ａ ｃ ａｕ ｓｆｒｅ ｃ ｎ ｍｅ ｅ ．Ａｌ ｏ ｇ ｎ ｄ ｌ ｓ ａｌ ｒ ｖｄ ｃ ｅ ｔｂ ｅ ｕ ｍｉ ｉｇ ｒ ｓ ｌ ， ｈ ｉｓｍａ ｆ ａ ｕ ｄ ｎ ｅｖ ｌ ｅ ａ ｈ ｅ ｄ ｍｂ ｒ ｏ ｔ ｕ ｈ ｍａ ｙ ｍｏ ｅｓｕ ｕ ｌ ｐ ｏ ｉ ｅａ ｃ ｐａ ｌ ｎ ｘｎ ｅ ｕ ｔ ｔ ｅ ｂ ａ ｙ ｈ ｙ ｓ ｂ ｒａ ｎ ｔ ｏ ｅ ｐｘ ｌ ｗ ｅｅ ａ ｎ ｎ ｗ ｎ ｍｅ ｅ ｘｓｓ ｈ ｒｆ ｒ ，ａ ｈ ｐ ｒｐ ｃ ｒｌｉ ｇ ｎ ｘｎ ｇ ｒ ｈ ｂ ｓ ｄ ｅ ｇ ｅ ｔｉ ｈ ｓ ｉｅ ｓ ｈ ｒ ｎ ｕ ｋ ｏ ｎ ｅ ｄ ｍｂ ｒｅ ｉ ．Ｔ ｅ ｅｏ ｅ ｙ ｅ ｓ ｅ ｔａ ｍａ ｅ ｕ ｍｉｉ ｇ ａ ｏ ｉ ｍ ａ ｅ ｔ ｌ ｔ
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。
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。
混合像元分解笔记
光谱混合分析（SMA）1.光谱分析法：利用光谱学的原理和实验方法以确定物质的结构和化学成分的分析方法。
特点：（1）分析速度较快（2）操作简便（3）不需要纯样品（4）可同时测定多种元素或化合物，省去复杂的分离操作（5）选择性好。
可测定化学性质相近的元素和化合物（6）灵敏度高（7）样品损坏少探随着新技术的采用，定量分析的线性范围变宽，使高低含量不同的元素可以同时测定，还可以进行微区分析。
局限性：光谱定量分析建立在相对比较的基础上，必须有一套标准样品的组成和结构状态应与被分析的样品一致。
2•高光谱遥感：指利用很多很窄的电磁波波段获得观测目标的相关信息。
（即高光谱分辨率）特点：波段数目多，波段宽度窄，波段分布连续，光谱分辨率高，图谱合一。
f 地物识别、分类具有优势，适用于混合像元分析。
高光谱遥感影像分析f 集中于对光谱维信息的提取和定量分析。
（1）影像立方体X, Y:普通影像的长和宽乙由波长长短顺序叠加形成的。
（上短下长）图：单个像元沿Z轴的不同亮度值形成了一条连续的光谱曲线波(X 长，Y亮度)f描述每个像元所代表的地物光谱特征。
(2)光谱数据库：自然条件下，仪器实测的各种地物光谱数据。
人为控制下，测得的矿物，植物矿片等光谱数据。
每条光谱记录都对应有其测量的仪器，气象条件，周围环境等详细信息。
(3)光谱匹配：将地物光谱与实验室测量的参考光谱进行匹配，或将地物光谱与参考光谱数据库进行比较，求得它们之间的相似性或差异性，以达到识别地物的目的。
3.混合光谱分析纯像元：仅包含一种土地覆盖类型。
记录的是该土地覆盖类型的光谱响应特征或光谱信号。
混合像元：包含不止一种土地覆盖类型。
记录的是不同土地覆盖类型光谱响应特征的综合。
(1)线性混合：指传感器无法分辨的多种小地物光谱的线性合成。
只要这些不同小地块的光谱能互不干扰地到达传感器，就可用线性方法通过像元亮度值估算不同地块比例f (各地块分布紧密的区域) 包括：物理学描述，代数学描述，几何学描述。
混合像元分解和其应用ENVI操作讲解
混合像元分解和其应用ENVI操作讲解混合像元分解的过程可以通过光谱混合分析法（SMA）来实现。
SMA假设观测到的光谱是由一个像元中每个地物类别的光谱能量线性组合得到的。
为了进行混合像元分解，需要预先获取每个地物类别的光谱特征。
常见的方法是通过野外调查、实地采样或其他遥感图像分类结果来获取这些特征。
在ENVI软件中，实施混合像元分解可以通过以下步骤完成：1.打开ENVI软件并加载需要进行混合像元分解的遥感图像。
2. 选择"Raster"菜单中的"Spectral"，然后选择"Spectral Indices"子菜单。
在弹出窗口中，选择需要进行混合像元分解的图像。
3. 在"Spectral Indices"窗口中，可以选择多种混合像元分解算法。
常见的算法有Jeffries-Matusita Distance、SMA、Parallel Factor Analysis (PARAFAC)等。
选择适合自己需求的算法并点击"OK"进行计算。
4.完成计算后，ENVI将在新窗口中显示出分解后的图像。
每个地物类别将以不同的颜色表示。
5.可以通过调整图像的对比度、亮度等参数，以及使用ENVI软件中的其他图像分析工具来进一步分析和提取分解后的地物类别。
1.土地利用和土地覆盖分类：混合像元分解可以提取出每个像元中不同地物类别的能量贡献，帮助识别和分类土地利用和土地覆盖类型。
这对于土地规划、农业生产、环境保护等有很大的指导作用。
2.环境监测：混合像元分解可以提取出不同地物类别在像元中的分布比例，从而可以监测和分析环境中不同地物的变化。
例如，可以通过监测城市中不同地物类别的分布变化来评估城市扩张对生态环境的影响。
3.自然资源管理：混合像元分解可以提取出影像中的不同地物信息，例如森林、水体、草地等，从而帮助管理和保护自然资源。
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
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。
常见混合像元分解方法简介[技巧]
![常见混合像元分解方法简介[技巧]](https://img.taocdn.com/s3/m/65021f55e418964bcf84b9d528ea81c758f52ea9.png)
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。
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。
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。
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。
- 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)。
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
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
B）全自动选取Endmember
利用非监督的方法从数据本身全自动获取端元 光谱是目前研究的热点。
（1）纯净端元指数（PPI）
1、利用MNF变化进行噪声白化和降维的处理。 2、把光谱特征空间中所有的像元往单位向量u上
投影，端元会投影到u的两侧，而混合像元会 投影到中部。 3、计算每个像元被投影到端点的次数，即为纯 净指数。 4、当被投影到向量端点的次数越多的时候，证 明该像元为纯净像元的概率越大。
KLS方法分解的组分影像
KLS（核最小二乘 ）方法分 解结果的BDF图
3、影响误差的因素
1）选择模拟数据进行定量分析。
为什么采用模拟数据？ 完全知道端元组份的大小，因此端元组份
的估计值与真实值之间的差距完全是由模型或者 算法本身的影响造成。
模拟数据产生方法
端元光谱
随机产生 组分比
*+
混合 光谱
随机噪声
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。
误差随端元增加而减小的曲线
IEA提取的端元分布图
a
b
c
d
e
f
g
h
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
8.4 混合像元分解若干问题
1、全限制性分解 传统的线性光谱分解模型求解结果误差比较大，同时求解丰 度中存在着负值的情况，因此在这里加上两个限制性条件：
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。
实验
高分辨影像中没有混 合像元
高分辨影像分类的结 果折算为低分辨影像 对应地物的组分比
ETM影像(150*150)
IKONOS影像(1200*1200)
IKONOS 硬分类影像
IKONOS分类结果换 算为百分比影像
结果分析：1、IKONOS与ETM+不同传感器的影响以及影像之间存在一定 的配准误差；2、实验地区地物比较复杂，IKONOS影像分类精度影响了 ETM+实验的分解精度；3、影像中同类地物之间光谱差别大以及类别定 义等的原因。
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：
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
着图像的混合像元。这样求取高光谱端元的问题转化 为求单形体顶点的问题。
（3）迭代误差分析求取端元
迭代误差分析（iterative error analysis, IEA）是一种 不需要对原始数据进行降维或去冗余而直接对数据进 行处理的端元提取算法。
该算法需要多次利用约束性解混，要求得到的端元使 得线性解混后误差最小。
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
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)
n
s.t. j 1 j 1
j 0
分解组分相加和为1。 丰度值不能为负数。
当同时满足这两个条件的时候，实验与有关理论研究表明，
混合像元限定性分解比非限定性分解精度有很大提高。
对比：全限制性与非限制性分解实验
非限制性分解的BDF图
全限制性分解的BDF图
2、多源遥感影像分解实验
选择通过不同传感器所获取的多源数据来对某一个地区 的土地覆盖类型进行研究。选取同一地区两种不同分辨率的 影像，进行严格的几何配准，使两个影像保持一一对应的 关系。
例：从一幅推扫式机载成像光谱PHI影像中选取的四种端元 光谱，每种端元选择了15条光谱曲线。
“迹”用来描述内在端元变化的幅度大小：
2
1 15 Tr[(vi
- E(vi ))(vi
- E(vi ))T ]
实验数据
两组模拟数据
两组数据分别代表：噪声和端元内部变化对混 合光谱分解精度的影响。
在实际应用中，Endmember的确定有监督与非监 督、自动与手工选取之分。
一、实地测量或直接从光谱数据库获得
因为成像条件、大气吸收和地形影响因素，实地 测量或光谱数据库中的同一地物的光谱值与影像 的光谱值并不一致，所以这种方式选取 Endmember的光谱值有一定的局限性。
二、从影像统计分析中获得。
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)
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
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
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；
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。
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。
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
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)
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
(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：
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。