下载文档原格式
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方法，用于从高光谱遥感图像中提取端元信息。
但是在实际应用中，由于许多因素的影响，如光照变化、材质反射率等，混合像元分解结果可能存在一定的误差。
为了优化端元提取的效果，可以采取以下方法：
1. 数据预处理：在进行混合像元分解之前，对高光谱图像进行预处理，包括大气校正、辐射定标、大气矫正等，以降低噪声和光照变化对端元提取的影响。
2. 端元选择：根据具体应用需求，选择合适的端元库。
端元库是由已知材质的光谱响应函数构成，选择适当的端元可以更准确地反映实际场景中的材质组成，提高分解的准确性。
3. 混合像元分解算法选择：目前常用的混合像元分解算法有N-FINDR、PPI等。
根据具体情况选择合适的算法进行端元提取。
可以尝试多种算法并进行对比分析，选择效果较好的算法。
4. 约束条件引入：在混合像元分解过程中，可以引入额外的约束条件，如非负性约束、稀疏性约束等，以提高分解结果的稳定性和准确性。
5. 后处理方法：对提取的端元进行后处理，如噪声去除、光谱平滑、分类判别等，进一步提高分解结果的质量。
6. 结合其他数据源：结合其他遥感数据，如高分辨率光学影像、地面采样数据等，可以在一定程度上提高混合像元分解的准确性。
可以通过数据融合的方法，将不同数据源的信息相互补充，得到更可靠的端元提取结果。
通过上述优化方法的综合应用，可以提高高光谱混合像元分解的准确性和稳定性，从而更准确地获取端元信息。
需要根据具体应用场景和数据特点进行针对性的优化。
高光谱特征波段提取方法
高光谱遥感技术是利用高光谱传感器对地物反射、辐射和吸收的光谱信息进行采集和处理的技术。
高光谱遥感技术具有高精度、高分辨率、高空间分辨率等优点，是地球观测和环境监测的重要手段。
在高光谱遥感技术中，特征波段的提取是非常重要的。
特征波段是指在高光谱数据中具有较高信息量和反映地物特征的波段。
特征波段的提取可以帮助我们更准确地进行地物分类、光谱反演和物理参数估计等工作。
目前，针对高光谱数据的特征波段提取方法有很多种，包括互信息、信息增益、最大信息系数、相关系数等。
其中，最大信息系数方法是目前被广泛应用的一种特征波段提取方法。
该方法利用信息论中的最大信息系数原理，通过计算不同波段之间的相关度，来确定具有最大信息量的波段。
除此之外，还有一些基于统计学方法和机器学习方法的特征波段提取方法，如主成分分析、线性判别分析、支持向量机等。
这些方法在特征波段提取方面具有一定的优势和适用性。
总之，特征波段的提取是高光谱遥感技术中非常重要的一步。
各种提取方法具有各自的优势和适用性。
在实际应用中，我们需要根据具体问题和数据特点选择合适的方法，以获得更准确、更可靠的结果。
- 1 -。
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。
外、热红外光谱特征，大大提高了地物的分类和识别能力，在农业、林业、海洋、气象、地质、全球环境及军事遥感等诸多领域显示出巨大的应用前景。
目前，已有许多国家相继研制出或正在研制各具特色的成像光谱仪，数量达四十种之多［３－６１。
从第一代ＡＩＳ的３２个连续波段，到第二代高光谱成像仪。
航空可见光、红外光成像光谱仪（ＡＶＩＲＩＳ）的２２４个波段，光谱分辨率在不断提高，ＡＶＲＩＳ是首次测量全反射波长范围（Ｏ．４～２．５ｒｕｎ）的成像光谱仪。
美国宇航局在１９９９年底发射的中等分辨率成像光谱仪（ＭＯＤＩＳ）和高分辨率成像光谱仪（ＨＩＲｊＳ）为人类提供了更多信息。
２００１年发射的ＯｒｂＶｉｅｗ卫星能够同时提供更高空间分辨率和光谱分辨率的数据，它能获取】ｍ全色波段影像和４ｍ～５ｍ的多光谱波段以及空间分辨率为８ｍ的２００个波段的高光谱数据。
此外，许多具有高空间分辨率和高光谱分辨率的成像光谱仪正在或即将进入实用阶段，例如：美国的ＨＹＤＩＣＥ、ＳＥＢＡＳ，加拿大的ＦＬＩ、ＣＡＳＩ和ＳＦＳＩ，德国的ＲＯＳＩＳ以及澳大利亚的ＨＹＭＡＰ等。
这些传感器有的已经进入了商业运营，技术比较成熟。
特别是美国的ＨＹＤＩＣＥ和ＡＶＩＲＩＳ多次参与军方的实验，提供了大量的军事应用的第一手资料。
图ｌ—ｌ高光谱图像数据立方体示意我国在这一领域的发展也十分迅速。
中科院上海技术物理研究所于１９９７年开始研制２４４波段的推扫式（ＰＨＩ）和１２８波段的可见光／近红外、短波红外、热红外模块化成像光谱仪系统（ＯＭＩＳ）并取得了成功，特别是ＯＭＩＳ已经成功转入商业运营。
另外，中科院长春光学精密机械与物理研究所、西安光学精密机械研究所也在这一领域取得了重要的研究成果。
高光谱数据除了拥有图像数据的几何信息外，还具有光谱信息，从而构成三维的图像立方体。
如图１．１，光谱维信息可以记录地物所具有的反射、吸收和发射电磁能量的能力，这种能力是由物质的分子和原子结构确定，不同的地物类型对应于不同的谱特征，这就是光谱的“指纹效应”，如图１．２。
龙源期刊网 http://www.qikan.com.cn 高光谱遥感影像端元提取方法对比 作者：靳文凭 肖可可 来源：《科技视界》2012年第17期
【摘 要】本文在SMACC法和PPI法端元提取基础上，得到高光谱遥感影像端元丰度图，之后用SVM法进行分类。通过分类结果精度来评价端元提取的优劣。实验结果表明，基于PPI的线性混合像元分解得到的丰度图用SVM分类效果最佳，整体精度达87.59%，而基于SMACC法结合SVM分类的效果和直接应用SVM分类次之，整体精度分别是83.84%和85.16%。
【关键词】高光谱；端元；支撑向量机（SVM） Comparison of Endmember Extraction Methods from Hyperspectral Image JIN Wen-ping XIAO Ke－ke （School of Geoscience and Info-Physics, Central South University， Changsha Ｈｕｎａｎ， 410083， China）
【Abstract】In this paper, SMACC method and PPI method were used to extract endmembers. Then the abundance maps which were derived from endmembers were classified by SVM method. At last ,we evaluated the quality of endmember extraction methods by classification precision. The results show that the PPI-SVM is the best method and the overall precision is 87.59% while that of the SMACC-SVM method and the SVM method are 83.84% and 85.16%.
【Key words】Hyperspectra；Endmember；Support vector machine（SVM） ０ 引言 高光谱遥感技术丰富的空间维、光谱维信息受到国际研究者的广泛关注，具有广阔的发展应用前景[1]。目前已在地质勘探、植被生长状况监测以及城市监测等方面取得了显著的成果[2]。高光谱遥感影像的分类方法、训练样本选择以及混合像元分解问题目前已成为人们研究的热点[3]。对通过高光谱遥感技术进行地物识别而言，混合像元一直是影响分类精度的主要原因之一，混合像元的分解问题一直是遥感应用研究的难点和热点。本文主要对比了常用的端元提取法：SMACC法和PPI法，对混合像元分解后得到的端元丰度图用支持向量机（SVM）法进行分类，最后将上述两种分类结果与直接对原始影像分类的结果进行对比，得出了一些有意义的结论，对以后实验研究具有一定的指导意义。
实验选取的数据为北京昌平地区的PHI高光谱影像，其波段范围为412~833nm，波段数为80，所截取的大小为328行×392列。 龙源期刊网 http://www.qikan.com.cn １ 端元丰度图提取 １．１ 特征提取 由于高光谱数据光谱维过高，直接用于分类会因计算量过大而导致分类过程耗时较长，增加构建分类器的难度，同时会引入噪声而导致分类精度降低。因此，在进行分类前，要对光谱信息进行特征提取，实现光谱数据的降维[4]。
特征提取的典型方法是主成分分析（PCA）法，它是在统计特征基础上的多变量正交线性变换。通过去掉那些相对较小的变换系数而又不会损失太大的信息量达到有效地降低维数的目的，是对均方误差最小而言的最佳变换。特征提取也可以用MNF（MirninumNoiseFraction）变换进行。MNF变换是一种类似于主成分变换的方法。但该方法首先把数据中的噪音部分隔离出来，确定实际数据量的大小，从而为后续处理减少工作量。MNF变换通过两步主成分变换来实现:第一步变换对数据中的噪音去相关和归一化，使各序列之间互不相关;第二步再实施标准的主成分变换。
在对实验数据进行MNF（MinimumNoiseFraetion）变换后，检查各波段的信息量，发现从20维以后所包含的绝大部分是噪声信息，因此，本文选用MNF转化后的前20维作为有效信息进行分类。
１.2 端元选择 端元（EndMember）是代表某种具有相对固定光谱的特征地物。在应用混合光谱模型理论对植被高光谱遥感图像进行混合像元分解过程中，端元选择的好坏直接影响到混合像元分解的精度。
在植被高光谱分类过程中，端元一般来源于两种：第一，参考端元，来源于地物标准光谱库或实际地物类型光谱；第二，图像端元，从图像上选择训练区来提取训练样本作为参考光谱。图像端元是从图像本身获取组分，与图像数据具有相同的度量尺度，图像端元的选择可以应用纯净像元指数（Pixe1Purity Index，PPI）法和逐次最大角凸锥体（SMACC）法等获得。
PPI法是对原始影像做纯净像元筛选，剔除掉不纯净的像元，能够提高端元选择的精度。本文首先对高光谱图像进行MNF变换，用MNF变换后的前20个波段设定迭代次数为2000，阈值系数为3，产生像元纯度指数PPI。将PPI导入到MNF变换后前20个波段中得到散点图。图中有4个犄角，因此选择了4个端元。
SMACC法是一种基于凸锥模型的自动获取图像中端元并提供端元丰度图像的方法。它能够实现了端元的自动快速提取[5]。
本文应用PPI法和SMACC法分别提取端元，图1为所选端元波谱图，横轴为波长，纵轴为光谱反射率，其中（a）为用SMACC法自动得到4个端元，（b）为用PPI提纯后根据散点龙源期刊网 http://www.qikan.com.cn 图选择出的4个端元。由于SMACC方法得到的各个端元仅是单独的一个点，而PPI法是通过PPI散点图选择犄角附近的点求均值后作为端元，因此可靠性更高。同时，从图1中还可以看到SMACC法得到的4个端元其中两个在波长为700附近时不平滑，存在数值突变现象，也说明了可靠性不如PPI法。
（a）SMACC提取的端元 （b）PPI图像提取的端元 图1 端元波谱图 １.3 线性混合像元分解 线性混合光谱模型是近年来研究人员提出的较为有效的混合像元分解方法之一，其基本思想是假设图像地物光谱是纯净端元光谱的线性组合，且各端元间应是独立可分的，其目的就是通过某种分析和计算，得到混合像元中所包含端元占的比例。线性光谱混合分析模型为[6]
R■=■f■R■+ε■ 其中，λ为所用光谱波段数，k=1，...，n为所选端元数目； R■像元在第i波段的光谱反射率；f■为端元k在一个像元中所在的比例；R■为端元k在波段λ上像素的光谱反射率；ε■为波段λ的残差项。
用SMACC法直接得到的4个丰度图，其中一个为阴影（shade）组分，另外三个丰度图代表性不强。图2为用PPI法提取的端元，用线性混合分解的得到的丰度图。
２ 分类方法 支持向量机（SVM）的原理由Vapnik 和Chervonenkis于1971年首次提出，然后在1999年Vapnik 对其进行了详细的论述。传统算法采用经验风险最小化准则，而SVM是广义的线性分类器，可以用训练数据描述分离超平面，因此直接解决分类问题，不需把概率密度估计作为中间步骤。
假设在d维特征空间存在N个训练样本集（x1，y1）、（x2，y2）…（xN，yN），输入模式为xi∈Rd，yi∈{-1,1}为目标输出，分类超平面方程为：
ωTxi+b=0， 式中：ω为权值向量，b为偏置。SVM的目标是寻找一个使训练样本错分误差最小的最优超平面，因此可得下式优化问题：
β（ω，ε）=■ωTω+C■ε■ 龙源期刊网 http://www.qikan.com.cn 式中：C表示对错分样本的惩罚系数；ε■为松弛变量。利用拉格朗日乘子法，将最优分类超平面的求解转化以
■αiγi=0，0≤αi≤C，i=1，2…，N 为约束条件的下对αi求最大值的约束优化问题： P（α）=■αi-■■■αiαjγiγjK（xi，xj） 式中：αi为Lagrange乘子，大部分αi为0，αi≠0时对应的训练样本称为支持向量；K（xi，xj）为核函数；γ为核函数的gamma值。
Vapnik等研究表明，核函数类型对SVM分类结果影响不大，而核函数的参数是影响SVM分类结果的主要因素。已有研究[7]表明RBF-SVM的分类精度达94.5127%， Kappa系数达0.9351，取得了最佳的分类结果，是SVM算法进行高光谱分类的首选。因此本文选择RBF核函数，惩罚系数C及核函数参数γ分别为100和0.013。
３ 结果与分析 对实验数据进行分类，结果如图3所示，其中图3（a）表示直接对影像进行SVM的分类结果，图3（b）表示对SMACC法提取的丰度图进行SVM的分类结果，图3（c）表示PPI法提取的端元经过线性混合像元分解得到的丰度图进行SVM的分类结合。对比图3分类结果中左上角白色矩形框体内的方格水体可以看到，图3（a）中直接应用SVM分类法将部分水体错分为闲置地，而图3（b）中SMACC-SVM方法将此方格内水体完全错分为闲置地和稀疏植被，只有图3（c）中的PPI-SVM方法得到正确的分类结果。再对比图3中细条状的公路，同样可以明显看出图3（a）直接应用SVM分类的结果和图3（b）应用SMACC-SVM的分类结果不仅出现错分，而且道路会出现中断，只有图3（c）应用PPI-SVM方法的分类结果更加合理，不仅道路连续，而且准确率最高。因此，可以直观判断出PPI-SVM分类方法最好，直接应用SVM分类方法次之，而SMACC-SVM分类方法效果最差。
用测试样本对分类结果进行评价，生成混淆矩阵（表1）。结果表明，SMACC-SVM分类精度仅达83.84%，Kappa系数为0.7329，分类结果较差;直接用SVM对高光谱原始波段分类，精度为85.16%， Kappa系数为0.7531，也未取得精确的分类结果；而采用PPI散点图选择的端元进行线性分解后用SVM分类，精度高达87.59%， Kappa系数0.7861。可见由PPI选择端元进行线性分解结合SVM进行高光谱遥感影像分类是一种优选方法。
4 结论 表1 精度评价表
