混合像元分解笔记

两种被动微波遥感混合像元分解方法比较的报告，600字混合像元分解（Mixed Pixel Decomposition, MPD）是一种为了更准确估计遥感数据中被动微波遥感（Passive Microwave Remote Sensing, PMRS）反射率的方法。

近年来，许多被动微波遥感像元分解方法都被提出，以提高数据估计的准确性，例如基于子空间分解（Subspace Decomposition）的方法，基于模型的方法，基于混合模型的方法等。

本文将比较不同的混合像元分解方法，以便更好地理解它们的优缺点。

首先，基于子空间分解的方法是一种基于稀疏性和多心思的技术，这种方法能够从传感器获取信息，识别特征，有效地分离混合像元信号。

它是利用子空间来模拟PMRS反射率的变化趋势。

但是，由于这种方法有一定的假设和条件，所以不适用于一般的PMRS反射率变化模式。

其次，基于模型的方法是一种基于统计模型的技术，它可以将PMRS信号分解成不同的反射率，重建PMRS图像，这样可以有效地减少噪声的影响。

它的优点在于可以减少杂散反射降低空气湿度的影响。

但是，这种方法会产生较大的计算复杂度，而且估计的结果可能会受到特定模型假设的影响，因此可靠性较差。

最后，基于混合模型的方法是一种结合基于子空间的分解和基于模型的方法的技术，它能够有效地消除基于子空间分解方法的假设和基于模型方法的缺点，从而产生更准确的结果。

这种方法以和最小二乘法相结合的映射方式来分析PMRS信号，从而有效地分解出PMRS反射率，并且可以减少噪声对结果的影响。

因此，在进行PMRS反射率估计时，基于子空间分解，基于模型及基于混合模型的MPD方法都有其特定的优缺点。

在空间投影，空间拓扑，噪声消除等应用中，基于混合模型的MPD方法将是一个更优的选择。

因此，为了更准确地估计PMRS反射率，混合模型的MPD方法可以作为一种有效的技术来考虑。

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。

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。

高光谱图像混合像元解混技术研究高光谱图像混合像元解混技术研究随着高光谱遥感技术不断发展,高光谱图像具有显著特点:光谱分辨高,图谱合一,并广泛应用到各个领域。

但遥感技术向定量化方向进一步发展的主要障碍是广泛存在着混合像元。

为了突破遥感图像空间分辨率低的障碍与地物具有复杂多样性的影响,多种类型的地物常包含于独立的单个像元中,要在亚像元级别的精度上得到混合像元的真实属性信息,提高图像分类精度。

在高光谱图像中,关键问题之一是如何有效地对混合像元进行分解已经得到了广泛关注,并一直进行着深入地研究。

本文首先对其所研究内的相关技术及应用进行了叙述,并阐述了高光谱解混的研究现状,混合像元分解存在的问题,如解混效果不理想,算法的目标函数收敛速度慢,图像分类不精确,耗时多等。

针对以上问题,本文在NMF算法的基础上,提出了3种混合像元分解算法:(1)基于图正则和稀疏约束半监督NMF的混合像元分解算法。

该算法加入了拉普拉斯图正则化约束和部分样本的类别信息,并对丰度矩阵施加稀疏约束,最后融合到同一目标函数中,能够改善解混效果;(2)基于图正则和稀疏约束的INMF高光谱解混。

该算法将稀疏非负矩阵分解与增量型学习相结合,既能降低平均运行时间又能提高图像分类精度;(3)基于双图正则的半监督NMF混合像元解混。

该算法不仅考虑了高光谱数据流形与特征流形的几何结构,还将已知的标签类别信息施加于非负矩阵分解中,极大加快了目标函数的收敛速度,改善效果得到进一步提高,耗时少。

本文分别对提出的3种算法在真实遥感数据集上进行仿真实验,在解混性能评价指标均方根误差和光谱角度距离上与NMF和改进的NMF算法作比较,实验结果表明本文提出的3种算法解混可靠性和有效性高。

最后,对3种解混算法进行比较,得到基于双图正则的半监督NMF 混合像元解混算法耗时最少,解混效果最优。

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。

混合像元分解应用《混合像元分解应用》篇一混合像元分解，这听起来就像是一个超级高大上、充满科技感的玩意儿。

我第一次听到这个词的时候，脑袋里就像进了一团浆糊，完全搞不懂这是啥。

混合像元分解，简单来说，就像是要把一锅乱炖的菜给分得清清楚楚。

你看啊，在我们用卫星图像观察地球的时候，就好比从高空俯瞰一个大餐桌，上面摆满了各种各样的“菜”，也就是不同的地物。

可是呢，有时候一个像元里就包含了好几种不同的地物，就像一道菜里有肉、有菜、有调料混在一起。

混合像元分解就是要把这些混在一起的东西给区分开。

我记得有一次，我们老师给我们展示了一张卫星拍摄的城市和郊区的图片。

那画面看起来就像是一幅色彩斑斓的拼图，但是又乱乱的。

老师说这里面很多像元都是混合的。

比如说，城市边缘的像元，可能既有高楼大厦的信息，又有农田或者荒地的信息。

这时候混合像元分解就可以大显身手啦。

它就像是一个超级侦探，通过分析像元的光谱特征之类的东西，把这些混在一起的信息给揪出来。

也许有人会说，这有啥用呢？嘿，用处可大了去了。

就拿环境监测来说吧。

如果我们不能准确地分解混合像元，那我们怎么能知道一片区域到底有多少森林被破坏了，又有多少新的建筑建在了不该建的地方呢？这就好比你要统计家里的财产，结果你把钱和各种杂物都混在一个大箱子里，你能清楚知道自己到底有多少钱吗？肯定不能啊。

我自己就试着做过一些简单的混合像元分解模拟。

我从网上找了一些简单的图像数据，然后按照书上的方法，一步一步地试着分解。

哎呀，那过程就像是在黑暗里摸索，我总是担心自己是不是算错了，是不是把这个当成那个了。

有时候我觉得自己好像找到了正确的路，可是下一个数据又把我给搞懵了。

就像你在走迷宫，刚觉得自己找到出口了，结果发现是个死胡同。

不过，当我终于有一点点成果的时候，那种感觉就像是挖到了宝藏一样。

我想，这就是混合像元分解的魅力吧，虽然它很难，就像一座难以攀登的高峰，但当你爬上一小段的时候，那种成就感是无法言喻的。

《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。

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]。

混合像元分解模型综述吕长春,王忠武,钱少猛(中国科学院遥感应用研究所,北京9718信箱100101)摘要:介绍了五种混合像元分解模型,分别为线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型,并对其中几种常用模型的优缺点及其适用性进行总结讨论。

并对不同模型之间的相似和差异性进行比较分析。

关键词:遥感;混合像元分解;模型中图分类号:T P751文献标识码:A文章编号:1000-3177(2003)71-0055-041前言遥感影像中像元很少是由单一均匀的地表覆盖类组成的,一般都是几种地物的混合体。

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。

它给遥感解译造成困扰。

混合像元无论直接归属到哪一种典型地物,都是错误的,因为它至少不完全属于这种典型地物。

如果每一混合像元能够被分解而且它的覆盖类型组分(通常称为端元组分)占像元的百分含量(丰度)能够求得的话,分类将更精确,因混合像元的归属而产生的错分、误分问题也就迎刃而解,这一处理过程称之为混合像元分解。

混合像元问题不仅是遥感技术向定量化深入发展的重要障碍,而且也严重影响计算机处理的效果或计算机技术在遥感领域中的应用。

大多数遥感影像分类算法并不考虑这一现象,只是利用像元光谱间的统计特征进行像元分类。

光谱混合分解技术考虑了这一现象,不仅能给出组成像元各地表覆盖类的丰度,而且能给出分类的图像。

2混合像元分解模型分解像元的途径是通过建立光谱的混合模拟模型。

通常,模型是这样建立的:像元的反射率可以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;在某些情况下,表示为端元组分的光谱特征和其他的地面参数的函数。

Char les Ichoku(1996)[1]将像元混合模型归结为以下五种类型:线性(linear)模型、概率(probabilistic)模型、几何光学(geo-metric-optical)模型、随机几何(sto chastic geometric)模型和模糊分析(fuzzy)模型。