一种顾及上下文的高光谱遥感图像端元提取方法

端元提取技术是混合像元分解中重要的步骤之一,传统的端元提取方法仅考虑了像元的光谱信息。本文将数学形态学算子扩展到高光谱空间,并应用到端元提取技术中,可以顾及像元的上下文信息。利用AVIRIS高光谱仿真数据对算法进行了实验验证,结果表明本文算法具有较强的抗噪能力和较高的可靠性。在此基础上,结合徐州地区的EO-1 Hyperion高光谱遥感图像,使用本文算法进行了端元提取应用研究,将实验结果与纯净像元指数、顶点成分分析方法做了对比分析和精度评价,证明本文算法是一种可靠的高光谱遥感图像端元提取技术。     

结合空间信息选取最优端元组合的混合像元分解

传统的混合像元分解算法认为每个像元都包含图像中所能提取的全部端元组分，但这并不符合实际情况。实际上图像中大多数混合像元仅由少部分端元混合而成。由于端元提取精度及噪声的影响，采用全部端元对混合像元进行分解，会使得混合像元中实际并不存在的端元的丰度估计值不为零，分解结果存在较大误差。由于混合像元大多存在于不同地物的交界处，基于此，本文提出了一种结合图像的空间信息选取混合像元最优端元子集的方法。利用一个空间结构元素，从混合像元的附近邻域开始搜索，将搜索到的纯净像元光谱与所提取的图像端元光谱进行对比，并确定混合像元的端元子集进行分解。根据RMSE大小和变化情况，逐步扩大结构元素的大小，不断调整搜索范围，直至得到最优端元组合。模拟数据和真实数据的试验结果表明，该方法相比传统的全端元光谱分解方法，在总体上获得了更好的分解效果。     

面向端元提取的光谱角特征空间图像分块方法

传统的高光谱端元提取算法一般是在高维的光谱特征空间中进行运算,并且图像的全部像元都参与算法,因此运算量偏大,运算效率较低。提出了一种光谱角特征空间的概念,利用图像的空间信息辅助端元提取。图像的全部像元都可以映射到8维的光谱角特征空间中,样本点在特征空间中距离原点的远近表征了其在图像中的位置是否为地物区块的边缘,利用这点可以对高光谱图像进行空间分割。在分割后的每个子块图像内部只选取少数"最纯"像元参与端元提取算法,从而大大降低了端元提取的计算复杂度。     

最小二乘混合像元分解的端元丰度信息提取研究

针对无约束最小二乘混合像元分解算法提取地物端元丰度出现的局限性问题,通过野外实地采集的地物光谱数据建立研究区典型的地物波谱库,以Landsat OLI影像作为主要数据源,在经过Gram-Schmidt(GS)影像融合的基础上,利用纯净像元指数(PPI)及基于几何顶点的端元提取技术提取研究区典型地物端元,最后通过完全约束的最小二乘混合像元分解算法完成对研究区典型地物端元丰度的提取。结果较好地解决了无约束最小二乘混合像元分解算法提取的端元丰度信息出现负值的情况,并且提高了典型地物丰度信息提取的精度。完全约束最小二乘混合像元分解算法的RMSE误差均控制在0.174 913左右,在很大程度上提高了混合像元分解精度及实用性。     

纯净像元指数改进的N-FINDR高光谱端元提取算法

为了有效解决遥感影像中普遍存在的混合像元导致遥感影像定量解译精度低的问题,对两种不同混合像元端元提取算法进行了比较分析。纯净像元指数算法随着迭代次数的增加时间效率大大降低,而经典的N-FINDR算法初始端元数目选择的任意性会导致像元解混的精度不一,因此本文提出了一种基于纯净像元指数改进的N-FINDR算法。改进的N-FINDR算法相较于传统的N-FINDR算法能够准确构建候选端元集合并求得最优解。该算法结合高光谱影像数据的特点,首先利用纯净像元指数求取备选端元数目;然后以此为基础运用经典的N-FINDR算法求解最大的单形体顶点,将求解后顶点作为纯净像元,并完成丰度反演;最后使用ENVI产品中自带的经过大气校正的航空高光谱数据cup95eff.int对算法进行验证。试验结果表明,以纯净像元指数改进的N-FINDR算法在整体精度方面优于传统的N-FINDR算法。     

基于高光谱Hyperion数据的线性光谱混合模型与神经网络模型的比较

混合像元问题是定量遥感中的热点问题之一,为了改进从遥感数据中提取定量信息,人们建立了各种混合光谱分解技术,其中线性光谱混合模型和神经网络模型就是两种比较成熟的方法。以陕西省横山地区的高光谱Hyperion数据为研究基础,通过最小噪声变换(MNF)、像元纯度指数(PPI)转换和RMS误差分析的迭代方法相结合提取影像中的纯净像元作为终端端元。分别运用神经网络模型和线性光谱混合模型对影像进行光谱分解,得到各个组分的分解图像。以标准植被指数(NDVI)影像为衡量标准,选取训练样本点,分别对两种模型进行回归分析,结果显示NDVI影像与线性光谱混合模型植被分解图像的判定系数(R2=0.91)要大于其与神经网络模型的判定系数(R2=0.81)。进一步分析表明在一般情况下,线性光谱混合模型具有比神经网络模型略高的分离精度,但是神经网络模型对细部信息的提取的效果要好于线性光谱混合模型,最后提出了端元均方根误差(EAR)指数,一种新的混合像元分解的思路。     

高分辨率图像辅助提取高光谱图像端元

现有的端元提取算法大多是基于凸面单形体假设,对于非单一地物类型,利用这些端元进行丰度反演将会影响混合像元分解精度。本文提出一种利用高分辨率图像判断高光谱像元内是否为同一类型地物的方法。首先,利用图像分割程序对高分辨率图像进行分割,得到光谱均一的斑块矢量图,并叠加到高光谱图像上;然后,通过空间关系分析找出斑块内的高光谱像元,称其为准端元;最后,利用端元提取算法在这些准端元中进行端元提取。实验结果表明,该方法将端元提取结果的误差降低了20%左右。     

高光谱遥感图像的端元递进提取算法

针对高光谱遥感图像中可能并不存在图像端元这一问题,试探的提出一种基于线性混合模型下对初步提取的最近似于端元的像元进行再分析的端元提取算法,即高光谱遥感图像的端元递进提取算法.首先针对3个端元线性混合的图像进行提取,在图像中找到最大近似于端元的像元,利用凸面单形体的几何性质,找出初步提取像元附近位于图像端元构成的凸面单形体边界上的像元,通过计算图像端元在边界像元中的含量,应用线性反解提取出图像端元.模拟图像中的初步结果表明在不存在图像端元的图像中,该算法可以有效的提取3个端元,应用于实际Hyperion图像取得了较好的实验效果.     

采用IDL小波工具优化高光谱影像光谱特征匹配分类

光谱特征匹配分类是常用的高光谱影像分类、识别地物的方法,针对高光谱影像提取植被盖度存在的问题,文章根据高光谱遥感影像处理的方法,采用EO-1卫星在广州市过境的Hyperion高光谱影像,以＂广州南肺＂万亩果园作为试验区,经过大气纠正——最小噪声分离变换（MNF）——最纯净像元指数计算（PPI）——提取植被的端元,以此作为研究区识别植被的参考样本,进行光谱特征匹配提取植被盖度。其中提出利用连续小波变换对参考端元的波谱曲线降噪的方法,旨在优化光谱特征匹配,以提高识别植被的精度。实验结果表明,这种辅助匹配的方法能有效提高识别植被的精度。     

基于实测光谱和SRF的稀疏植被区MODIS积雪信息提取

以新疆准噶尔盆地古尔班通古特沙漠为研究区,以中等分辨率成像光谱仪(MODIS 1B)数据为例,辅以MODIS光谱响应函数(SRF)和全波段光谱仪(ASD)准同步采集的雪面反射光谱,运用线性光谱混合模型(LSMM)实现了稀疏植被区积雪遥感信息提取.结果表明:①利用SRF对雪面反射光谱进行端元光谱到像元光谱的转换,生成对应于MODIS1-7波段的离散光谱,将其与用最小噪声分离(MNF)变换和像元纯度指数(PPI)法获得的MODIS影像端元光谱进行对比,发现MODIS1波段光谱值远大于转换光谱值,MODIS2-7波段光谱值与转换光谱值接近;②MODIS2-7波段影像端元光谱值适用于LSMM估算稀疏植被区积雪分量,积雪分量估算值与归一化差分积雪指数(NDSI)拟合结果显示,剔除MODIS1波段后估算的积雪分量与NDSI的相关性显著提高,表明所提取的积雪分量可以作为估算积雪的典型指数.     

一种端元变化的神经网络混合像元分解方法

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（Endm ember）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 ARTMAP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 ARTMAP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 ARTMAP神经网络模型的精度要高,而且更加符合实际情况。     

A fast iterative algorithm for implementation of pixel purity index

The pixel purity index (PPI) has been widely used in hyperspectral image analysis for endmember extraction due to its publicity and availability in the Environment for Visualizing Images (ENVI) software. Unfortunately, its detailed implementation has never been made available in the literature. This paper investigates the PPI based on limited published results and proposes a fast iterative algorithm to implement the PPI, referred to as fast iterative PPI (FIPPI). It improves the PPI in several aspects. Instead of using randomly generated vectors as initial endmembers, the FIPPI produces an appropriate initial set of endmembers to speed up its process. Additionally, it estimates the number of endmembers required to be generated by a recently developed concept, virtual dimensionality (VD) which is one of the most crucial issues in the implementation of PPI. Furthermore, it is an iterative algorithm, where an iterative rule is developed to improve each of the iterations until it reaches a final set of endmembers. Most importantly, it is an unsupervised algorithm as opposed to the PPI, which requires human intervention to manually select a final set of endmembers. The experiments show that both the FIPPI and the PPI produce very close results, but the FIPPI converges very rapidly with significant savings in computation.     

Cross-sensor calibration between Ikonos and Landsat ETM+ for spectral mixture analysis

Spectral mixture analysis is an algorithm that is developed to overcome the weakness in traditional land-use/land-cover (LULC) classification where each picture element (pixel) from remote sensing is assigned to one and only one LULC type. In reality, a remotely sensed signal from a pixel is often a spectral mixture from several LULC types. Spectral mixture analysis can derive subpixel proportions for the endmembers from remotely sensed data. However, one frequently faces the problem in determining the spectral signatures for the endmembers. This study provides a cross-sensor calibration algorithm that enables us to obtain the endmember signatures from an Ikonos multispectral image for spectral mixture analysis using Landsat ETM+ images. The calibration algorithm first converts the raw digital numbers from both sensors into at-satellite reflectance. Then, the Ikonos at-satellite reflectance image is degraded to match the spatial resolution of the Landsat ETM+ image. The histograms at the same spatial resolution from the two images are matched, and the signatures from the pure pixels in the Ikonos image are used as the endmember signatures. Validation of the spectral mixture analysis indicates that the simple algorithm works effectively. The algorithm is not limited to Ikonos and Landsat sensors. It is, in general, applicable to spectral mixture analysis where a high spatial resolution sensor and a low spatial resolution sensor with similar spectral resolutions are available as long as images collected by the two sensors are close in time over the same place.     

高光谱端元自动确定与提取的迭代算法

针对端元提取算法依赖人工确定端元数量的问题, 提出一种端元自动确定与提取的迭代算法。首先, 通过统计分析获得像元相似性阈值, 确定候选端元判据;其次, 对候选端元进行内、外部相关性判断, 对端元光谱集进行病态矩阵规避判断;最后, 以候选端元判据为迭代终止条件, 当图像空间不存在候选端元时, 获得端元集合并确定端元数。实验结果表明, 该方法正确有效, 可以避免顺序端元提取方法的错误风险, 提高端元提取自动化程度。     

变端元混合像元分解冬小麦种植面积测量方法

针对线性混合像元分解(Linear Spectral Unmixing,LSU)在端元(Endmember)个数不变情况下常会出现端元分解过剩现象导致分解结果精度不高的问题,以地物分布的聚集性特征为基础,提出了基于格网的变端元线性混合像元分解(Dynamic Endmember LSU,DELSU)方法.以冬小麦为研究...