优化端元提取方法的高光谱混合像元分解

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。

一种改进的N―FINDR端元提取算法
高光谱遥感的出现，是一个概念上和技术上的创新，它是目前遥感领域研究的热点。

遥感图像具备波段数目多，光谱分辨率高的特点，同时具备图谱合一的特点。

研究表明，高光谱遥感技术除了在找矿、水环境、生态、大气等定量遥感研究中具有巨大的潜力之外，还在遥感测绘领域展现出美好的前景。

但是由于成像光谱仪有限的空间分辨率和地物的复杂多样性，造成瞬时视场内不止包含一种地物，因而高光谱影像中混合像元大量存在，它影响着高光谱遥感应用的发展。

混合像元分解是研究混合像元最有效的方法，端元提取是混合像元分解的关键步骤。

1改进的N-FINDR算法
高光谱观测数据集在几何空间的分布形状是一个单形体，该单形体的顶点对应于端元，N-FINDR算法是通过计算单形体体积的方式确定端元位置。

混合像元属于单形体的内点，那么由端元组成的单体体积一定大于由内点组成的单体体积，将具有最大体积单体的顶点作为端元。

该算法精度高，稳定性好，但是算法执行时，首先需要对原始影像进行降维，降维易损失原始高光谱数据信息，其次需要遍历所有像元，算法计算速度慢。

4结论
本研究是在分析线性混合模型基础上，假设纯净像元存在的前提下提出的，是一种序列端元提取算法，参量是端元判断的重
要依据，此外，利用体积的递归关系，降低了计算复杂度。

算法在保证端元提取精度的同时，大大提高了数据处理的时间效率。

一、农田作物的光谱特征与天然植被有所不同（后者的叶片含水量及绿度均不及农田作物），故在选择纯净端元时会出现混淆，故希望先将农田掩去。

首先要先将农田的界限提取出来。

提取农田边界的方法：
1、对两期影像均提取NDVI图，再将两张NDVI图进行最大化合成。

再将合成后的NDVI
图与任一原图进行链接，调出CUSORLOCA TION 对话框，移动鼠标，观察对话框中NDVI图的数值变化，确定农田区的边界，注意图中某些高植被覆盖区的NDVI值也和农田区的数值一样高，这样做会把高值区也确定为农田区。

但没有关系，这些高值的天然植被区应为水库附近，其含水量等表象与农田作物相似，而与一般旱生植被有异。

正好一并掩去。

做NDVI图：
做最大化合成：
观察两幅图，确定阈值：
量图，此时即可得到农田的范围，然后可用该农田范围做掩膜。

在决策树上输入表达式：注意，阈值不一定是0.3，要自己确定。

给B1赋予NDVI波段
执行分类：
输出为矢量图：
二、应用掩膜，对某一期原始图像做MNF变换和主成分变换，选择前两个波段信息量最大的一种变换，选择其前两个波段，在ENVI5.1中做二维散点图，用最小法提取出纯净端元的光谱曲线。

三、对主成分图进行混合像元分解、分类。

，得到植被分量、分类图。

混合像元分解算法的比较和改进
混合像元分解是一种用于图像压缩和图像分割的算法。

在传统图像压缩中，利用DCT或者小波变换对图像进行变换，然后采用量化和编码的方式进行压缩处理。

然而，这些方法不能得到图像的结构信息，从而导致图像压缩的效果较差。

混合像元分解算法（HMRF）结合了有监督和无监督方法，能够有效地提取图像的结构信息，从而得到更好的图像压缩效果。

HMRF的基本思想是将图像分割为多个区域，并且每个区域采用不同的编码方式进行压缩。

具体来说，HMRF算法包含以下几个步骤：
3.编码：将每个区域内的像素点进行压缩编码，可以选择传统的DCT 或者小波变换等方法进行编码。

4.重构：将压缩后的编码数据进行解码和重构，得到压缩后的图像。

与传统的图像压缩方法相比，HMRF算法的优势主要体现在以下几个方面：
1.结构信息提取：HMRF能够有效地提取图像的结构信息，从而得到更好的图像压缩效果。

传统的压缩方法只能对像素点进行变换和量化，而无法提取图像的结构信息。

然而，HMRF算法也存在一些问题，需要改进：
综上所述，混合像元分解算法是一种有效的图像压缩和分割方法，能够提取图像的结构信息，得到更好的压缩效果。

然而，该算法还存在一些问题，需要进一步改进，提高压缩率和迭代的效率。

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。

一鉴于 PPI 的端元提取借助纯净像元指数（ PPI）和 n 维可视化工具用于端元波谱采集。

第一步、获取纯净像元这个步骤是在 MNF变换的结果上计算纯净像元指数（ PPI），以后选择阈值范围从 PPI 图像上获取感兴趣区，感兴趣区包括的像元就是比较纯净的像元。

（1）翻开高光谱数据。

（2）在 ENVI主菜单中，选择 Spectral ->MNF Rotation- > Forward MNF -> Estimate Noise Statistics From Dat a 。

在标准 ENVI文件选择对话框中，选择高光谱图像文件。

（3）翻开 Forward MNF Transform Parameters 面板，选择 MNF输出路径及文件名，单击 OK履行MNF变换。

（4）在波段列表中输出 MNF影像及特点曲线值。

从图中能够看出，大概 20 个波段此后的 MNF的特点值很小（5）MNF变换后，在 ENVI主菜单中，选择 Spectral-> Pixel Purity Index->[FAST] NewOutput Band。

在翻开的 Pixel Purity Index Input File 对话框中，选择 MNF变换结果，单击 Spectral Subset 按钮，选择前面 10 个波段（ MNF后边波段基本为噪声），单击 OK。

（6）在 Display 窗口中显示 PPI 结果。

选择 Overlay->Region of Interest ，在 ROI Tool 面板中，选择 Options->Band Threshold to ROI，选择 PPI 图像作为输入波段，单击 OK，翻开 Band Threshold to ROI面板（图 14.19 ）。

Min Thresh Value ：10，Max Thresh Value ：空（ PPI 图像最大值），其余默认设置，单击 OK计算感兴趣区，获取的感兴趣区显示在 Display 窗口中。

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。