一种高光谱遥感影像端元自动提取方法

高光谱遥感名词解释
1.高光谱遥感(Hyperspectral Remote Sensing):是遥感技术的一种，利用高光谱数据进行地物信息的提取。

高光谱遥感能够提供每个像元的数十至数百个波段的光谱数据，这些数据可以用来识别不同类型的地物，对地表的物理、化学和生物属性进行精确的定量分析。

2.光谱(Spectrum):是由不同波长的光组成的光线。

在高光谱遥感中，探测器可以测量出每个像元的光谱，也就是不同波长的光在该像元的反射率或辐射率的值。

3.反射率(Reflectance):是地物表面反射入射光的比率，是高光谱遥感中的一个重要参数。

不同地物的反射率在不同波段上表现出不同的特征，可以用来识别地物类型。

4.特征提取(Feature extraction):是高光谱遥感中的重要分析方法，通过数学和统计学方法对光谱数据进行处理，提取出地物的光谱特征，如反射率峰值、谷值和斜率等，用来识别地物类型和进行精确分类。

5.分类(Classification):是将地物根据其光谱特征划分为不同的类别的过程。

高光谱遥感中常用的分类方法包括基于像素的分类、基于物体的分类和基于混合像元的分类等。

6.多光谱遥感(Multispectral Remote Sensing):和高光谱遥感相似，但是只能提供少数几个波段的光谱信息。

多光谱遥感常用于地物类型的粗略分类，而高光谱遥感更加适用于地物的精细分类和属性分析。

1.几何校正：几何校正是利用地面控制点和几何校正数学模型来矫正非系统因素产生的误差，同时也是将图像投影到平面上，使其符合地图投影系统的过程。

2.图像镶嵌：指在一定的数学基础控制下，把多景相邻遥感影像拼接成一个大范围、无缝的图像的过程。

3.图像裁剪：图像裁剪的目的是将研究之外的区域去除。

常用方法是按照行政区划边界或自然区划边界进行图像裁剪。

在基础数据生产中，还经常要进行标准分幅裁剪。

按照ENVI 的图像裁剪过程，可分为规则裁剪和不规则裁剪。

4.图像分类：遥感图像分类也称为遥感图像计算机信息提取技术，是通过模式识别理论，分析图像中反映同类地物的光谱、空间相似性和异类地物的差异，进而将遥感图像自动分成若干地物类别。

5.正射校正：正射校正是对图像空间和几何畸变进行校正生成多中心投影平面正射图像的处理过程。

6.面向对象图像分类技术：是集合邻近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间、纹理和光谱信息来分割和分类，以高精度的分类结果或者矢量输出。

7.DEM：数字高程模型是用一组有序数值阵列形式表示地面高程的一种实体地面模型。

8.立体像对：从两个不同位置对同一地区所摄取的一对相片。

9.遥感动态监测：从不同时间或在不同条件获取同一地区的遥感图像中，识别和量化地表变化的类型、空间分布情况和变化量，这一过程就是遥感动态监测过程。

10.高光谱分辨率遥感：是用很窄而连续的波谱通道对地物持续遥感成像的技术。

在可见光到短波红外波段，其波谱分辨率高达纳米数量级，通常具有波段多的特点，波谱通道多达数十甚至数百个，而且各波谱通道间往往是连续的，因此高光谱遥感又通常被称为"成像波谱遥感"。

11.端元波谱：端元波谱作为高光谱分类、地物识别和混合像元分解等过程中的参考波谱，与监督分类中的分类样本具有类似的作用，直接影响波谱识别与混合像元分解结果的精度。

12.可视域分析：可视域分析工具利用DEM数据，可以从一个或多个观察源来确定可见的地表范围，观测源可以是一个单点,线或多边形13.三维可视化：ENVI的三维可视化功能可以将DEM数据以网格结构、规则格网或点的形式显示出来或者将一幅图像叠加到DEM数据上。

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。

快速像元纯度指数算法摘要:像元纯度指数(PPI)算法广泛应用于目标与背景的分离中,对于超光谱图像数据,它可以从混合像元中提取纯净的端元,用于目标的识别,但缺点是计算量大、不能自动提取。

针对这一问题,本文基于PPI 算法的原理提出一种非监督端元自动提取方法,使得提取时间大大缩短。

关键词:超光谱图像像元纯度指数混合像元端元自动提取遥感器所获取的地面反射或发射光谱信号是以像元为单位记录的,它是像元所对应的地表物质光谱信号的综合。

图像中每个像元所对应的地表,往往包含不同的地物,它们有着不同的光谱特性曲线。

若该像元仅包含一种地物,则为纯像元(Pure Pixel),若该像元是几种不同物质光谱的混合,称为混合像元(Mixed Pixel)。

混合像元在遥感图像中普遍存在,它的分解己经成为制约遥感图像向定量化发展的一个障碍。

本文将结合传统的PPI算法,使混合像元的快速解译成为可能[1]。

1 像元纯度指数(PPI)PPI(pure pixel index)算法认为在超光谱图像的所有数据中,其特征空间均由图像中所有地物所对应的纯粹像元(端元)为顶点的单形体所包围[2]。

为了得到纯像元,首先随机生成大量测试向量,然后将光谱点分别往各个测试向量上投影,根据端元投影到向量的两侧而混合像元投影到中部的原则,记录下图像中每个像元被投影到端点的次数,最后认定出现频率最高的点即为要找的纯点。

PPI算法虽然广泛应用在遥感影像处理系统中,但也存在着一些缺点。

首先,由于生成大量的随机测试向量,并且需要超光谱图像上的每个像元光谱向量对每一条测试向量投影,记录取极大值的次数,这样使得计算量非常大。

其次,需要估计一个阈值,这个值不好选取。

针对以上问题本文提出一种改进的PPI算法即快速像元纯度指数算法。

2 快速像元纯度指数(FPPI)与传统的PPI算法相比,FPPI算法具有几个显著的优点:首先,使用虚拟维度估计需要产生的端元数量,使运行和截止阈值的敏感性问题得到解决。

一种改进的顶点成分分析端元提取算法袁博;张杰林【摘要】顶点成分分析算法需要预先提供端元数目,端元数目正确与否对结果会产生较大影响,其算法在实际应用中多次运行的结果不稳定.针对上述缺点提出了一种改进的顶点成分分析端元提取算法.该方法在n维光谱空间中生成n个彼此正交的单位向量,在此基础上生成与之具有一定夹角的单位向量,将光谱空间中的像元点分别投影在单位向量上以获取端元.结果表明改进的顶点成分分析端元算法提高了端元提取结果的稳定性.【期刊名称】《世界核地质科学》【年(卷),期】2016(033)001【总页数】7页(P33-38,44)【关键词】端元提取;顶点成分分析;纯净像元指数;正交向量;蚀变信息【作者】袁博;张杰林【作者单位】中国矿业大学(北京),地球科学与测绘工程学院,北京100083;核工业北京地质研究院,遥感信息与图像分析技术国家级重点实验室,北京100029【正文语种】中文【中图分类】TP79;P57高光谱遥感技术是20世纪80年代发展起来的首次实现图谱合一的对地观测技术，其光谱分辨率可以达到5～10 nm［1］，可为每个像元提供数十个或数百个波段的光谱信息，可以产生一条完整并且连续的光谱曲线，使得许多在多光谱遥感中不能分辨的物质得以识别。

地球表面并不是由单一的物质组成的，当遥感图像中的一个像元包含了不同波谱特性的物质时就会产生混合像元，在高光谱遥感中混合像元是广泛存在的，高光谱遥感图像中每个像元的光谱信息是其对应地表物质光谱信息的综合，不同的物质具有不同的光谱响应特征，而一个像元仅用一条波谱曲线来代表这些特征［2］，因此对高光谱遥感数据进行分析就必须进行混合像元的解混。

当像元中只有一种地物时，该像元就被称为端元，端元光谱就是该区域的特征光谱，因此端元提取是解混的前提。

像元混合分为线性混合和非线性混合。

如果像元内物质混合的尺度大，那么混合像元被视为线性混合；如果像元内物质混合尺度小，混合紧密，则混合像元被视为非线性混合［3］。

ENVI高光谱数据处理流程一、显示图像波谱1.打开文件：主菜单中，File→Open Image File→文件名.raw或者Window→Available Bands List→File →Open Image File→文件。

2.显示真彩色图像：波段列表（Available Bands Lis）中，右键→Load TrueColor。

3.*设置像素大小：主窗口（Display）中，右键→Pixel Locator。

4.绘制波谱：主窗口中，右键→Z Profile（Spectrum）。

5.收集任意点波谱：Spectral Profile中，Options→Collect Spectra，点击图像任6.光谱平滑：Spectral Profile中，Options→Set Z Profile Avg Window，将window7.部分光谱：主菜单→Basic Tools→Resize Data(Spatial/Spectral)→Spectral Subset，选择需要的光谱波段。

生成新的文件，右键→Load True Color to<new>。

显示新图像。

8.关闭所有文件：File→Close All Files。

二、标准波谱库主菜单→Spectral→Spectral Libraries→Spectral Library Viewer→安装文件夹下，ITT\IDL\IDL80\products\envi48\spec_lib。

共有usgs_min、veg _lib、jpl_lib、jhu_lib四个标准波谱库。

在Spectral Library Viewer中，单击波谱名称，自动显示波谱。

三、自定义波谱库1.输入波长范围：在菜单中，Spectral Spectral Library→Spectral Library Builder2.波谱收集：以从影像数据中收集波谱为例：a)打开高光谱图像，收集任意点波谱。

高光谱遥感图像光谱解混方法研究及其应用近年来,随着遥感技术的发展,所获取的高光谱遥感图像的光谱分辨率和空间分辨率都得到进一步的提高,其处理手段也得到了长足的发展。

高光谱遥感图像不仅可以得到所观测区域物质的光谱特性,同时可以在视觉上直接观看图像的空间信息,以其图谱合一的特性,受到了各领域研究学者的关注。

在高光谱遥感图像获取过程中,遥感传感器以像元的形式来记录地物所反射、散射以及其他各种形式的作用所产生的光谱信息。

遥感传感器一般都是从遥远的空间距离来进行地物观测,所获取的高光谱遥感图像的空间分辨率会受到一定影响,同时,由于自然界地物的复杂多样性,所获取的高光谱遥感图像中单像元得到的光谱不一定只是一种物质的光谱,可能是几种不同物质光谱的组合。

这样的像元被称为混合像元。

相对应的,如果所获取的单像元中只有一种物质的光谱,这样的像元被称为纯像元。

所以,混合像元的存在导致无法直接获取所需要的光谱信息,这制约了高光谱遥感图像的分析及应用,进而影响了高光谱遥感技术领域的发展。

光谱解混技术就是用来解决混合像元问题的一项技术。

它将高光谱图像的混合像元分解为端元和丰度的组合,为更精细的光谱应用提供了可能。

因此,光谱解混技术是实现高光谱遥感技术定量化研究和应用的重要条件。

本文所做的主要研究工作如下:1.对高光谱遥感图像进行了线性混合模型下的解混方法研究。

针对假设图像中存在纯像元的情形,采用基于吉文斯旋转的QR 分解方法,获得高光谱数据的正交子空间,提出了一种基于吉文斯旋转的端元提取方法(Endmember Extraction Algorithm base on QR Factorization usingGivens Rotations,EEGR),进而对获取的端元,采用全约束的最小二乘法对丰度进行了估计。

采用模拟高光谱数据和真实高光谱图像进行实验分析,其端元提取精度相对于经典的同类型端元提取算法来说更为精确。

并且,由于吉文斯旋转本身的固有特性,更适合于用高性能计算来实现,这也是后续的研究内容。