一种端元可变的混合像元分解方法

混合像元分解流程混合像元分解流程（Spectral Unmixing Process）英文：The mixed pixel decomposition process involves several key steps. Initially, it is crucial to ensure that the imagery has undergone necessary preprocessing, including geometric correction, atmospheric correction, and noise reduction. Once the imagery is ready, the process begins with the extraction of endmember spectra, which can be obtained from the image itself, spectral libraries, or other sources. Following the extraction of endmembers, a decomposition model is selected to derive the relative abundance maps of each endmember spectrum within each pixel. This involves the application of algorithms that analyze the spectral information and estimate the contribution of each endmember to the overall pixel reflectance. Finally, the abundance maps are used to extract pixels with different composition ratios, enabling a more detailed understanding of the underlying land cover and materials present in the image.中文：混合像元分解流程包括几个关键步骤。

一种端元可变的混合像元分解方法
丛浩;张良培;李平湘
【期刊名称】《中国图象图形学报》
【年(卷),期】2006(011)008
【摘要】混合像元线性分解是高光谱影像处理的常用方法,它使用相同的端元矩阵对像元进行分解,其结果是分解精度不高.为此提出了一种端元可变的混合像元分解方法,在确定端元矩阵时,首先考察混合像元与端元的光谱相似性,结合地物空间分布特点,实现了可变端元的混合像元分解.试验结果表明,该分解方法分解精度优于传统线性模型,符合实际情况.
【总页数】5页(P1092-1096)
【作者】丛浩;张良培;李平湘
【作者单位】武汉大学测绘遥感信息工程国家重点实验室,武汉,430079;武汉大学测绘遥感信息工程国家重点实验室,武汉,430079;武汉大学测绘遥感信息工程国家重点实验室,武汉,430079
【正文语种】中文
【中图分类】TP751.1
【相关文献】
1.端元可变非线性混合像元分解模型 [J], 李慧;张金区;曹阳;王兴芳
2.一种新的遥感图像混合像元分解方法 [J], 周昊;王斌;张立明
3.基于修正MCMC的端元可变的混合像元分解算法 [J], 胡霞;宋现锋;牛海山
4.一种端元变化的神经网络混合像元分解方法 [J], 吴柯;张良培;李平湘
5.端元之间最大距离和约束的\rNMF混合像元分解方法 [J], 徐君;王彩玲
因版权原因，仅展示原文概要，查看原文内容请购买。

端元就相当于一个像素里的亚像元，只包含一种地物的光谱信息，根据多光谱或高光谱的高光谱分辨率可以提取出来。

端元只包含一种地物信息，一般的像元都为混合像元，包括多种地物，在进行混合像元分解的时候，可以对一个像元中包括的几种端元进行定量描述，求得每个像元中几种端元在这个像元中的面积百分比，即端元的丰度。

混合像元分解(2011-06-10 14:46:57)转载▼分类：ENVI/IDL学习标签：杂谈混合像元是指在一个像元内存在有不同类型的地物，主要出现在地类的边界处。

混合像元的存在是影响识别分类精度的主要因素之一,特别是对线状地类和细小地物的分类识别影响较为突出，在土地利用遥感动态监测工作中,经常遇到混合像元的难题，解决这一问题的关键在于通过一定方法找出组成混合像元的各种典型地物的比例。

线性混合像元分解由于线性模型是应用最广泛，也是研究最多的算法，下面重点介绍基于线性模型的混合像元分解算法。

一般而言，混合像元分解算法包括数据降维、端元选取和反演三个步骤。

１.数据降维尽管数据降维不是混合像元分解算法的一个必需步骤，但由于大多数算法都将其作为一个流程，我们也将其当作一个步骤。

常用的降维算法有主成分分析（Principle Component Analysis，PCA）、最大噪声比变换（Maximum Noise Fraction，MNF）和奇异值分解（Singular Value Decomposition，SVD）。

(1) 主成分分析：遥感图像各波段之间经常是高度相关的，因此所有的波段参加分析是不必要的。

PCA就是一种去除波段之间相关性的变换。

PCA通过对原数据进行线性变换，获得新的一组变量，即主成分。

其中前几个主成分包含了原数据主要方差，同时各个主成分之间是不相关的。

(2) 最大噪声比变换：最大噪声比变换（Maximum Noise Fraction，MNF）[24]由Green等（1989）提出，该变换通过引入噪声协方差矩阵以实现对噪声比率的估计。

python 混合像元分解方法-回复什么是混合像元分解方法？混合像元分解方法（Mixture Pixel Decomposition）是一种用于解析遥感图像中复杂地物的探测和提取的技术。

遥感图像包含了不同地物的混合像元，即一个像素内存在多种地物的信号。

混合像元分解方法可以将混合像元分离为不同的地物成分，从而获得每个地物的光谱信息，进一步实现对地物进行分类和定量分析。

混合像元分解方法的原理混合像元分解方法通过数学模型对混合像元进行分解，其中最常用的数学模型是线性模型。

假设一个像元包含K 个地物成分，那么混合像元可以表示为K 个地物的线性组合。

即：I = ∑( f * ρ)其中，I 是观测到的混合像元，f 是混合像元中每个地物的系数，表示该地物在混合像元中的比例，ρ是对应地物的光谱响应曲线。

通过对I 进行解析，可以求解出每个地物的成分系数f。

常见的混合像元分解方法1. N-FINDR：N-FINDR 法（Normalized Maximum Likelihood Feature Discrimination）是一种经典的混合像元分解方法。

它通过最大似然估计寻找最优的像元组合，将混合像元分解为基础地物。

N-FINDR 法常用于无监督的遥感图像分类。

2. SISMA：SISMA 法（Spectral Information Subtraction Maximum Likelihood Algorithm）是一种监督的混合像元分解方法。

它引入了监督样本，通过最大似然估计计算每个地物的成分系数。

SISMA 法可以有效地提高分类精度和抑制混合像元效应。

3. VCA：VCA 法（Vertex Component Analysis）是一种基于顶点的混合像元分解方法。

它通过在N 混合像元图中选择顶点，进行解析，找到与顶点最接近的纯地物光谱，从而实现混合像元的分解。

VCA 法适用于对大尺度遥感图像进行定量分析。

混合像元分解方法的应用混合像元分解方法广泛应用于遥感图像解析、地物分类、环境监测等领域。

混合像元分解研究综述——端元内光谱差异问题或叫做端元变异，端元不稳定(Endmember variation)。

一般的混合像元分解算法假设相同地物都有相同的光谱特征，因而对整幅图像采用相同的端元光谱。

但由于同物异谱现象的存在，端元的光谱并非恒定的值，这就是端元内光谱差异现象。

这种现象的存在常常会导致分解结果的误差。

目前，解决该问题的方法可以分为四类：(1) 多端元方法多端元方法指对每一类地物选取多个端元光谱参与混合像元分解。

其中最典型的方法是由Roberts等(1998)[49]提出的MESMA(Multiple Endmember Spectral Mixture Analysis)方法。

该方法首先为每类地物选取多条光谱，并以此生成多个端元组合（每个端元组合由不同地物中的某一条光谱组成），接着对每个像元寻找最小二乘法误差最小的端元组合，进而求出每个像元的端元比例。

该方法在很多研究中被证实是十分有效的[50-54]。

Bateson等(2000)[55]提出了一种端元束的方法，该方法对每类地物生成端元束（一个端元束由许多同一类地物的光谱组成），将所有端元束的光谱作为端元进行混合像元分解。

因为端元数目超过光谱波段数，方程组欠定，所以只能求解出每一类地物（也就是一个端元束内所有光谱的比例之和）的最小值和最大值，再对其作平均得到每类地物的比例。

该方法的优点在于可以得到每类地物比例的误差范围。

多端元方法机制明确，但计算复杂，耗时过长。

(2) 光谱变换在很多情况下，同类地物的光谱的差别来自绝对值的变化，而光谱形状是相似的。

因此通过对光谱进行一定的变换可以减少端元的光谱差异。

Wu（2003）[56]提出将光谱除以各个波段的均值，再作混合像元分解，并应用于城市监测；Garcia-Haro等（2005）[57]将光谱作标准化后再作混合像元分解；Asner等(2003)[58]将光谱作微分后再作混合像元分解。

Juan Pablo Guerschman等(2009)[59]利用原始光谱计算出归一化差分植被指数（Normalized Difference VegetationIndex, NDVI）和纤维素吸收指数（Cellulose Absorption Index，CAI），假设两个指数也满足线性混合模型，利用两个指数求得光合植被、非光合植被及裸土的比例。

混合像元分解
混合像元分解（MixedPixelDecomposition，MPD）是一种不需要任何理论假设的半监督算法，用于自动地从复杂的观测图像中分解出多个不同的像元组。

MPD是计算机视觉和图像处理领域的一个关键技术，它支持多种现代视觉任务，包括目标检测、跟踪、语义分割、深度学习等。

MPD技术应用于图像处理，首先要建立一个模型，该模型由不同的像元组成，比如彩色图像的RGB通道，使用MPD技术，可以将彩色图像分解成RGB三个通道，也可以分解成更多的像元，比如灰度、噪声、亮度、颜色等像元。

使用MPD技术可以方便地处理复杂的图像，将它们分解成可操作的不同像元集。

MPD技术采用半监督学习方法，把原始图像分解成不同的像元，可以是灰度、噪声、亮度、颜色等像元，这样就可以很容易地提取，保存和操作不同的像元，MPD技术的优点是不需要任何理论假设，只要输入输入完整的图像，就可以得到准确的结果。

MPD技术的基本流程是：输入原始图像，通过全局优化算法，得到混合像元，然后使用机器学习模型，学习每个混合像元的结构，最终得到像元分解的结果。

MPD技术的应用非常广泛，可以应用在图像分类和识别、目标检测、图像处理领域，深度学习、自然语言处理等领域。

比如在目标检测任务中，可以使用MPD技术训练的模型来识别目标物体或背景中的特征；在图像处理领域，可以用MPD技术来分离图像中的不同像元，
从而得到更高质量的图像；在深度学习和自然语言处理领域，MPD技术也可以用来提取文本特征和语义信息。

总之，MPD是一种非常有用的技术，可以应用于图像处理、目标检测、深度学习、自然语言处理等领域，可以有效处理复杂的图像信息，提取出单像素或多像素的信息，以及文本特征和语义信息等，为图像分析和处理提供了可靠的基础。

基于混合像元分解提取植被端元流程下载温馨提示:该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。

文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by theeditor.I hope that after you download them,they can help yousolve practical problems. The document can be customized andmodified after downloading,please adjust and use it according toactual needs, thank you!In addition, our shop provides you with various types ofpractical materials,such as educational essays, diaryappreciation,sentence excerpts,ancient poems,classic articles,topic composition,work summary,word parsing,copy excerpts,other materials and so on,want to know different data formats andwriting methods,please pay attention!基于混合像元分解的植被端元提取流程解析在遥感领域，混合像元分解（Mixture Pixel Dposition, MPD）是一种重要的数据处理技术，主要用于从多光谱图像中提取出不同地物类型的端元信息。

第11卷　第1期2007年1月遥　感　学　报JOURNAL OF RE MOTE SENSI N GVol .11,No .1Jan .,2007收稿日期:2005212206;修订日期:2006204220基金项目:国家自然科学基金项目(编号:40471088,40523005)、国家973项目(编号:2006CB701302)和地理空间信息工程国家测绘局重点实验室课题资助。

作者简介:吴　柯(1981—　),男,武汉大学测绘遥感信息工程国家重点实验室博士研究生。

研究方向为神经网络,遥感图像处理等。

E 2mail:tingke2000@ 。

文章编号:100724619(2007)0120020207一种端元变化的神经网络混合像元分解方法吴　柯,张良培,李平湘(武汉大学测绘遥感信息工程国家重点实验室,湖北武汉　430079)摘　要:　遥感图像中普遍存在着混合像元,对混合像元进行分解是遥感图像处理中的难点,在端元(End me mber )个数不变的情况下,往往得到的分解结果精度不高。

本文基于fuzzy ART MAP 神经网络,提出一种基于端元变化的神经网络混合像元分解模型。

首先利用混合像元与纯净端元之间的光谱相似性,判断出混合像元包含的端元个数及类别,然后结合fuzzy ART MAP 神经网络进行分解。

实验结果表明:本文提出的方法比传统的线性混合模型及fuzzy ART MAP 神经网络模型的精度要高,而且更加符合实际情况。

关键词:　混合像元;端元变化;线性模型;神经网络;Fuzzy ART MAP;影像分类中图分类号:　TP751.1 文献标识码:　AA Neura l Network M ethod of Selecti ve End m em ber for P i xel Unm i x i n gWU Ke,ZHANG L iang 2pei,L I Ping 2xiang(S tate Key Laboratory for Infor m ation Engineering in Surveying,M apping and Re m ote Sensing,Hubei W uhan U niversity,Hubei W uhan 430079,China )Abstract:　Remote sensing i mages contain a l ot of m ixed i mage p ixels,but it is difficult to classify thesep ixels .I f the number of p ixel ’s endmember is regarded as unchangeable,the traditi onal p ixel unm ixing algorith m cannot get a g ood result .In this paper we devel op a new method of selective endmembers for p ixel unm ixing based on the fuzzy ART MAP neural net work,which firstly compares the p ixel ’s spectral t o the conference one and then gets the nu mber of endmember .W hen it is taken into account,we use an ART MAP neural net work t o extract subp ixel infor mation .Finally,the experi m ental results show that the selective endmember algorithm has been i mp r oved over conventi onal ANN algorithm s and conventional linear algorithm s .Key words:　m ixed p ixel;selective endmember;linear algorithm;ANN;Fuzzy ART MAP;i mage classification1　引　言由于地球卫星的空间分辨率及地表的复杂多样性,在一幅遥感图像中有许多像元都包含有若干表面覆盖类(标准地物)[1],这类像元称为混合像元。

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。

端元就相当于一个像素里的亚像元，只包含一种地物的光谱信息，根据多光谱或高光谱的高光谱分辨率可以提取出来。

端元只包含一种地物信息，一般的像元都为混合像元，包括多种地物，在进行混合像元分解的时候，可以对一个像元中包括的几种端元进行定量描述，求得每个像元中几种端元在这个像元中的面积百分比，即端元的丰度。

混合像元分解(2011-06-10 14:46:57)转载▼分类：ENVI/IDL学习标签：杂谈混合像元是指在一个像元内存在有不同类型的地物，主要出现在地类的边界处。

混合像元的存在是影响识别分类精度的主要因素之一,特别是对线状地类和细小地物的分类识别影响较为突出，在土地利用遥感动态监测工作中,经常遇到混合像元的难题，解决这一问题的关键在于通过一定方法找出组成混合像元的各种典型地物的比例。

线性混合像元分解由于线性模型是应用最广泛，也是研究最多的算法，下面重点介绍基于线性模型的混合像元分解算法。

一般而言，混合像元分解算法包括数据降维、端元选取和反演三个步骤。

１.数据降维尽管数据降维不是混合像元分解算法的一个必需步骤，但由于大多数算法都将其作为一个流程，我们也将其当作一个步骤。

常用的降维算法有主成分分析（Principle Component Analysis，PCA）、最大噪声比变换（Maximum Noise Fraction，MNF）和奇异值分解（Singular Value Decomposition，SVD）。

(1) 主成分分析：遥感图像各波段之间经常是高度相关的，因此所有的波段参加分析是不必要的。

PCA就是一种去除波段之间相关性的变换。

PCA通过对原数据进行线性变换，获得新的一组变量，即主成分。

其中前几个主成分包含了原数据主要方差，同时各个主成分之间是不相关的。

(2) 最大噪声比变换：最大噪声比变换（Maximum Noise Fraction，MNF）[24]由Green等（1989）提出，该变换通过引入噪声协方差矩阵以实现对噪声比率的估计。

多端元光谱混合分析综述戚文超;张霞;岳跃民【摘要】多端元光谱混合分析是一种端元可变的线性光谱混合分析方法,通过由不同种类和数量的纯净像元(端元)构成的端元组合,对混合像元进行分解.针对每类地物,该方法可以采用多条同种端元光谱进行解混,在一定程度上克服了同种地物的光谱变异问题,能够提高解混的精度.本文对多端元光谱混合分析的具体方法进行综述.首先,基于对多端元解混研究现状的深入分析,归纳了多端元光谱混合分析的基本流程.其次,对多端元解混涉及的端元选取方法进行总结,分别概述了图像端元和参考端元扩充的策略及优化的指标;在此基础上,系统论述了端元光谱库构建主要途径及其优缺点,并指出针对特定的研究区域最佳端元模型确定的方法.最后,提出多端元光谱混合分析存在的问题并给出相应的解决方案.【期刊名称】《遥感信息》【年(卷),期】2016(031)005【总页数】8页(P11-18)【关键词】多端元光谱混合分析;端元提取;端元扩充及优化;端元库构建;端元模型【作者】戚文超;张霞;岳跃民【作者单位】中国科学院遥感与数字地球研究所,北京100101;中国科学院大学,北京100049;中国科学院遥感与数字地球研究所,北京100101;中国科学院亚热带农业生态过程重点实验室,长沙410125【正文语种】中文【中图分类】P237因遥感传感器空间分辨率的限制和地物特征光谱的异质性，中等或低空间分辨率影像的像元中往往出现光谱混合现象，给遥感解译造成困扰。

为消除混合像元造成的影响，通常采用传统线性光谱混合分析模型(固定端元)对遥感影像进行混合像元分解。

但由于该模型未能充分考虑遥感数据光谱维类内光谱的可变性[1]，造成端元分解过剩(解混结果中端元数目远远大于端元的真实数目)以及用太少的端元进行解混导致精度不高的问题[2-3]。

为此，1988年Roberts等提出了多端元光谱混合分析(Multiple Endmember Spectral Mixture Analysis，MESMA)[4]。

基于先验知识的MCMC在混合像元分解中的应用研究
胡霞
【期刊名称】《安徽农业科学》
【年(卷),期】2013(041)010
【摘要】MCMC方法是一种动态的参数估计方法,研究MCMC方法在遥感影像混合像元分解中的应用.传统的混合像元分解一般是基于固定端元的,而实际上影像中像元并不都是由完全相同的端元组成.基于MCMC方法提出了一种端元可变的像元分解算法,并且充分利用了端元的累计先验知识.算法将端元选取和丰度反演合为一个步骤,抽象成一个估计参数的随机过程,在端元数目可变的前提下,基于可逆的跳跃式MCMC方法估计参数.在状态转移过程中,加入端元的累计先验知识,提高算法效率.这种算法不需要人工干预,能够实现自动化像元分解,并且具有较高的精度.结果表明,基于修正MCMC的端元可变的自动化解混算法在分解精度和稳定性方面均优于基于固定端元的混合像元分解方法.
【总页数】5页(P4673-4676,4680)
【作者】胡霞
【作者单位】中国科学院大学,北京100049
【正文语种】中文
【中图分类】S127;TP79
【相关文献】
1.基于先验知识的支持向量机在图像分割中的应用研究 [J], 李晨;王巍
2.基于修正MCMC的端元可变的混合像元分解算法 [J], 胡霞;宋现锋;牛海山
3.基于ASTER数据的混合像元分解技术在水质监测与评价中的应用 [J], 杨强;张志;覃志豪;李文梅
4.Bayesian-MCMC算法在计算机图像处理中的应用研究 [J], 米向荣
5.基于bp神经网络的Bayesian-MCMC方法在突发性水污染事件中的应用研究[J], 赵云峰;邢郡航
因版权原因，仅展示原文概要，查看原文内容请购买。

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。

端元可变的高光谱图像解混算法研究光谱解混是高光谱图像众多应用中需要解决的一个关键问题。

传统的光谱解混方法假定每类地物仅有一种端元光谱, 其端元集是固定的。

由于地物的复杂多样性和成像条件的影响, 高光谱图像“同物异谱〞和“异物同谱〞现象普遍存在, 从而导致对所有像元用固定的端元集进行解混精度受限。

因此, 研究端元可变的高光谱图像解混算法对提高高光谱图像的应用具有重要的意义。

本文针对端元可变的端元束提取以及多端元光谱混合分析算法展开研究, 主要研究内容如下:(1) 针对现有的基于光谱信息和空间信息的端元束提取方法没有充分考虑冗余端元的去除, 导致后续光谱解混误差增加和光谱解混复杂度较高的问题, 提出了一种基于超像素分割和像元纯度指数的端元束提取方法。

首先通过PPI 提取初始候选端元, 每个超像素内保存一个候选端元并以超像素为邻域计算其均质性指数,对保存的端元根据其均质性指数进行筛选, 通过聚类得到每类地物的端元束, 并进一步去除类内冗余端元。

仿真和真实数据实验结果说明, 所提出的方法能有效提取可变端元且能降低后续光谱解混的复杂度。

(2) 针对基于超像素分割和纯像元指数的端元束提取算法无法有效解决含多种植被和植被与其他地物致密混合的城市高光谱数据的问题,提出了基于植被指数分析和PPI 结合超像素分割的端元束提取方法。

对PPI 提取并经超像素分析保存的端元集, 根据植被指数分为植被端元、含植被的混合端元和其他端元三类。

纯植被端元集利用其最大光谱值分成两类, 其他端元集那么先利用均质性指数进行筛选,再通过聚类得到每类地物的端元束, 通过一系列实验验证了该算法的有效性。

(3) 多端元光谱混合分析同样是解决光谱可变性的有效手段。

为了在降低光谱混合分析时间复杂度的同时提高其精度, 提出了一种由粗到细的多端元光谱混合分析算法。

该算法首先基于扩展的端元集对每个像元进行全约束光谱混合粗分析, 确定含所有地物的初始端元集,在此根底上进一步进行精细光谱混合分析, 迭代光谱混合分析构建端元子集, 最终根据重构误差变化量确定各个像元的最优端元集。

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。

基于端元变化的两种混合像元分解算法比较研究
段金亮;王杰;文星跃
【期刊名称】《资源开发与市场》
【年(卷),期】2017(033)006
【摘要】光谱混合分析对提高遥感影像分类具有重要意义,其中端元变化处理是提高解混精度的关键.目前,许多算法被用来解决端元变化,但仍存在一些问题有待解决,如算法运行效率慢、忽略端元的高阶交互、像元空间邻城信息缺失.结合IDL和MATLAB混合编程,利用确定性模型中的交替最小角度法和统计性模型中考虑高阶项的非线性算法对Hyperion影像进行端元变化解混,再利用概率松弛标记法对像元补充空间邻域信息.试验结果表明:当某种地物类别所占面积较大时,确定性与统计性模型都能获得较高的解混精度;当地物类别所占面积较小时,确定性模型的解混精度高于统计性模型;补充像元空间邻域信息对解混结果有很好的校正.
【总页数】6页(P651-655,封2)
【作者】段金亮;王杰;文星跃
【作者单位】西华师范大学国土资源学院,四川南充637009;西华师范大学国土资源学院,四川南充637009;西华师范大学国土资源学院,四川南充637009
【正文语种】中文
【中图分类】TP751.1
【相关文献】
1.基于非线性降维的高光谱混合像元分解算法 [J], 唐晓燕;高昆;倪国强
2.基于修正MCMC的端元可变的混合像元分解算法 [J], 胡霞;宋现锋;牛海山
3.一种端元变化的神经网络混合像元分解方法 [J], 吴柯;张良培;李平湘
4.端元光谱变化与混合像元分解精度的关系研究 [J], 吴波;周小成;赵银娣
5.基于超像素的流形正则化稀疏约束NMF混合像元分解算法 [J], 李登刚; 陈香香; 李华丽; 王忠美
因版权原因，仅展示原文概要，查看原文内容请购买。