8 高光谱遥感影像混合像元分解

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。

遥感影像混合像元分解算法对比分析田珊珊;杨敏华【期刊名称】《现代测绘》【年(卷),期】2016(039)001【摘要】当混合像元分解将遥感中的分类问题深入到亚像元级别时就有巨大的研究前景.围绕混合像元分解问题,介绍了不同的端元提取方法,并利用地面真实遥感数据,采用PPI与SMACC 2 种算法进行端元提取,完成丰度反演,获取每种端元的比例.对精度进行对比和分析的结果表明,在端元提取上PPI算法更为精确.%Mixed pixels immixing expand classification problem to a sub-pixel-level,it has a broad prospect in theory.It focus on the immixing of mixedpixels,describes several algorithms of end member e the remote sensing image to do experiment,it getting the proportion of each end member.Finally,compare and analysis the different accuracy,then come to the conclusion that the PPI algorithm is more accurate.【总页数】4页(P11-13,20)【作者】田珊珊;杨敏华【作者单位】中南大学地球科学与信息物理学院,湖南长沙 410083;中南大学地球科学与信息物理学院,湖南长沙 410083【正文语种】中文【中图分类】P237【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.基于端元变化的两种混合像元分解算法比较研究 [J], 段金亮;王杰;文星跃4.基于改进SAM的高光谱影像混合像元分解算法研究 [J], 韩文超;田庆久;余涛;顾行发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。

高光谱遥感图像的解混和波段选择方法研究高光谱遥感图像能够以纳米级的光谱分辨率提供海量数据信息,但是由于空间分辨率限制,图像中的一个像元可能包含有多种地物类型,形成混合像元,影响了对地表形态的精确测量和分析。

因此,在实际应用时经常需要将混合像元进行分解,从中得到典型地物的光谱(端元)及这些地物所占比例(丰度),以便充分发掘数据中的光谱信息,研究目标物质。

如何快速有效地进行混合像元的分解,是近年来高光谱图像处理中的一个热点问题。

本论文重点针对混合像元问题,分别从统计学和几何学的角度展开分析,并在此基础上提出相应的解混方法。

此外,针对数据的维数问题,我们还研究了复杂网络的方法,将其应用到高光谱波段选择问题中,用于数据的降维处理。

本论文的主要工作和创新点包括以下几个方面：1.提出一种有约束独立分量分析的解混方法。

该方法通过设计新的目标函数,选择符合高光谱图像物理意义的约束条件,在根本上克服了传统ICA的独立性假设,使算法能够适用于遥感数据的分析。

此外还设计了一种自适应的模型来描述数据的概率分布,能够利用蕴含在观测图像中的统计信息实现自动建模,在提高解混结果精度的同时,使算法对各种不同的遥感数据都表现出良好的适用性。

所提出的算法克服了基于独立分量分析的方法进行光谱解混时所出现的问题,能够得出更优的解。

而且,算法即使在端元数估计错误的情况下仍能得到正确结果,作为一种无需光谱先验信息的算法,为混合像元分解问题提供了一种有效的解决手段。

2.提出一种基于三角分解的端元提取框架。

这既是一种单形体类的几何方法,同时又建立在三角分解的代数原理之上。

我们通过最小化单形体体积寻找端元,在这一过程中引入了三角分解,利用递归操作,只需对数据做一轮体积比较便可完成端元提取任务,得到全局最优解。

该算法能够在原始高维数据上快速而稳定地运行,在实时处理领域有着很好的应用前景。

降维处理不是必要步骤,所以在实际应用中可以根据具体情况选择是否进行降维,具有很好的灵活性。

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。

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)高光谱遥感基本概念1、高光谱遥感特点波段特点：波段多、波段宽度窄、不断连续数据量特点：数据量大、数据冗余增加2、波谱空间与光谱空间光谱特征空间：以波段为维度的空间，波段增加会导致光谱空间维度增加。

波普特征空间：不同波段影像所构成的测度空间。

3、高光谱数据图谱合一的特点高光谱数据同时反映地物的空间特征〔图〕和光谱特征〔谱〕。

(二)成像光谱仪1、成像光谱仪的空间成像方式和光谱成像方式的含义空间成像方式：从影像二维空间形成角度考察成像光谱仪的工作方式。

光谱成像方式：从光谱维数据形成的角度考察成像光谱仪的工作方式。

2、成像光谱仪的瞬时视场角〔IFOV〕仪器视场角〔FOV〕瞬时视场角：以毫弧度为计量单位，所对应的地面大小被称为地面分辨单元。

仪器视场角：仪器扫描镜在空中扫过的角度，与系统平台高度决定了地面扫描幅宽。

摆扫型：单个像元凝视时间短,进一步提升光谱分辨率和信噪比较困难。

推扫型：凝视时间长,分辨率高,仪器体积小(无光机),视场角小(30°)定标量大不稳定。

3、成像光谱仪的三种定标方式共性：出于同一目的，特定情况下都是不可缺少的。

差异：处于不同阶段，考虑因素不同，入瞳辐射值获取方式不同〔实验室定标：有实验室测得，原始定标，准确度高，后续定标基础〕〔机上星上定标：综合性定标，对前一项进行的修正，机上星上测得考虑搬运安装操作影响〕〔场地定标：入轨后实际运行情况，大面积均匀地表做参照,考虑大气传输，多通道大范围〕场地定标的常用方法：反射基法〔气溶胶参数〕、辐照度基法〔过程〕、辐亮度基法〔人力〕机上定标一般使用内定标法，星上定标受制于体积一般进行辐射定标〔人造辐射源/太阳〕光谱定标：确定成像光谱仪增益系数和偏置量之前，必须通过光谱定标，获得成像光谱仪每个波段的中心波长和带宽。

辐射定标：确定成像光谱仪在该波长小输入辐射能与输出响应关系〔增益系数和偏置量〕4、空间分辨率和光谱分辨率光谱分辨率：指探测器波长方向上的记录宽度，又称波段宽度〔50%〕空间分辨率：由仪器瞬时视场角决定，地面分辨单元。

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。

一基于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收集。

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），之后选择阈值范围从PPI图像上获得感兴趣区，感兴趣区包含的像元就是比较纯净的像元。

（1）打开高光谱数据。

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

（4）在波段列表中输出MNF影像及特征曲线值。

从图中可以看出，大约20个波段以后的MNF的特征值很小（5）MNF变换后，在ENVI主菜单中，选择 Spectral-> Pixel Purity Index->[FAST] New Output Band。

在打开的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后面波段基本为噪声），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，打开Band Threshold to ROI 面板（图14.19）。

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

第二步、构建n维可视化窗口（1）在ENVI主菜单中，选择Spectral ->n-Dimensional Visualizer，在n-D Visualizer Input File 对话框中选择MNF变换结果，单击OK。

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。