8高光谱遥感影像混合像元分解.

1、第八章高光谱遥感图像混 合像元分解本章主要介绍高光谱遥感数据混合 ” 像元分解技术，多种混合分解模型以及 扩展内容介绍. 1 8.1混合分解的定义：D混合像元在高光谱遥感彩像屮普遍存在。2）求解每一混合像元的覆盖类型组分比例 值，也就是求取端元百分含量（丰度）。3）解决了因混合像元的归属而产牛的错分、 误分问题，分类将更加榕确。混合光谱形成机理：在一个瞬时视坊内(1F0V),有多种物胶成分存在的空何混合;在一个瞬时視场内，由于地形和物体阴彫引起的照度差异； 不同像元之何的交又辐射；大气传输过程中的混合效应；遥感仪屡本身的混合效应.时机场)光谱混合的三种形式致密式聚合式整合式线性模型是假设物体间

2、没有相互作用(interaction),毎个光子(photon) 仅能、看到”一种物质，并将其信号叠加到像元光谱中.大尺度的光谱混合完全可以披认为是一种圾性混合，而小尺度的内部物 质混合是些微非线性的，而物体在上下垂直方向结构越复杂，其非践性 特征就表现的越明显.把像尤的反射率表示为端元组分的光谱特征和它们的 面枳百分比(丰度)的函数。Charles在1996年将像 元混合模型归结为以下五种类型：(1) 线性(linear)模型(2) 概率(probabilistic)模型(3) 儿何光学(geometric ptical)模吃(4) 随机几何(stochastic geometric)模型(

3、5) 模糊分析(fuzzy)模型还冇比它些模熨，如神经网络模型(ANN)(1)线性模型野。从提法适模 与性够和。方普种 鎏确能离分 验止就分组 实的：元 ，型转 > 像 卜模反率价 况谱些射评 情光模反和 的合过或析人 滑混通度分沁 光性，亮别旦 较线熨辐分刑 比模 k Ifil证谱性谱厶 表验光待光孤 、都厶请的沁 明果混光分M 照结件观组M 光验线衣元处 匀实于的像 均的助元各占 在外借像取优这应型SCC的汕段 大席波 较际廿 來买大 带)U澈芻(3删 一、匕./1 習以形 热难地 駢兀仃 、附端没 O 2)4)在线性混介模型中，每-光谱波段中单像兀 的反射率衣示为它的端元组分特征反

4、射率9它 们各自丰度的线性组合。从遥感图像的像元光谱信号可以提取像尤整体 的衣观光谱信息，其衣观光谱信息光谱辐亮度 L (门)是端元光谱辎亮度Lj ( Pj)的线性组 合。混合像元的光谓是像元内各地物光谓的加权和光谱曲线的反演10W0 400S00600700AK/nm80090010006OS040W2O0实麴熬林计畑严实諾幄合输体尢谢曲效和檢化F-JFj比«HWW«的复令尢谢的线影像中的表现形式RedFraction 血pGreenFractionMap数学公式的表现形式niin.e1 =(厂 Ma)1 (r - Ma)元圧纽成像尤的廉本妝位，足区分不同地物光诺待征的娠

5、木朮启分解精度评价标准未知真实组分光谱均方根误差RMSE误差影像的结构信息均方根误差(RMSE)此屮n衣示所仃测试的線尤个数.ylHbd分别代*佔汁组分比耳真实门分比分解精度评价标准已知真实组分均方根误差(RAISE) ROC估计(置信度)-双变量分布统计(BDF)ROC估计(置信度)ROCteil-水体 I：壌双变就分布统计但DF)估计值实例分析穷資，石匚玉at美国内华达(Nevada)地区AVIRIS高光常影像(波仅做-50 )实验分析分解结果（a）山体.阴影；（b）黄钾挟矶；（c）针铁矿;（d）明矶;（）白云母; 玉毬；（g）离岭石；（h）方解石；（i）仙彳脱仏（j）噪声图像.非线性混合

6、像元分解技术非线性光谱模型是与线性对应起来的模型,后面五种 模型川以统称为非线件模型，故常用的是把灰度表示 为二次多项式与残差Z和，表达式可以如下：DNh=f（Fi9DNKh）eh心1 f是非线性函数,一般可设为二次多项式,Fi表示第i 种典型地物在混合像元中所占面积的比例，b为波段 数。非线性混合像元分解的特点对以外地面物体来说,由于直表面状态复杂,地面与 人气以及地物之间的多次散射、阴影和仪器视场的不 均匀等原因产生非线性效应。线性混合是非线性混合 在多次反射被忽略的怙况卜的特例。点因点 优体缺人计算精度要高,符合实际悄况,考虑了多种具O通用性不强，计算复朵，某些悄况卜的谋差很（2）概率模

7、型概率模熨的个典型是由Marsh等人（1980）提出的近似故大似然法。该模型只何在两种地 物混合条件下使用。利用线性判别分析和端元 光谱产生一个判别值，根据判别值的范曲将像 元分为不同的类别。(3) 几何光学模型。该模型适用于冠状植被地区，它把地面看成由 树及其投射的阴影组成。从而地血可以分成四 种状态:光照植被面(C)、阴影植被面(T)、光照背景面(G)、阴影背景面(Z) o 像元的反射率可以表示为：R (4,R© + ARy + AqRg + AzR?.)/ A(4) 随机几何模型该模型和儿何光学模型相类似，像元反射率同 样农示为四种状态i的面积权重的线性组合o 即：&入

8、工)=工fi (兀)K (入x)(5) 模糊模型慕木原理：将各种地物类别看成模糊集合，像尤为模 糊集介的元素，每像元均与吆n隶属度值相对应， 隶属度也就代表了像元中所含此种地物类别的面积百 分比。丛木步骤是采用监傅嚴大似然法分类，询提是必须符 合正态分布。分别利用样木计算出模糊均值向量9模 糊协方差矩阵用r代理最大似然法分类中的均值向量 勺协方并矩阵，求取出属r某一个类别的隶属度。不同混合像元分解模型的可行性应用混合模型的吋行性佔知不河类型的比例线性尤学几何随机几何概率模糊浓密森林的柚被与裸地+怡*森休的柚被与裸地©44+不同杭被赛落©4-+平均树高、树密度、树尺寸

9、9;不同作物©+不同土壤或岩石©-+不河"物e-+混合上地復孟类乜+农中的农示最有效、亠为町行、-为不可行神经网络模型神经网络模型属r#线性模型的-种，它是近 儿年研究、应用非常活跃的模式识别方法。利 用神经网络进行混合像元分解：如果是直接的硬分类处理，表示将类别的输出 端的概率，按照从大到小的顺序进行排列，选 择垠人的那个类别作为类别的归属；如果是进行混合像元分解,则需要将输出端的 概率转化为侮一种类别的组分比，并保证组分 比的和相加等于1,把得出的每种类别的组 分比信息显示在放后的结果图像l：o木实验数据选取分辨率为30m的TM影像。该 影像区域为湖北省武汉M

10、，人小为400像索 X400像素,获取时间为1998年10JJ26H祇算样区*汉四种地物波段光谱曲线图BPTZ法分类结果分解结果线性分解结杲ANN分解结果8.3 端元(Endmember)提取 Endmember足影像所对应域内大多数像元的 个仃效组成成分，Endmember数壮的确定，应当 符介彩像所对应区域内的大多数像尤的实际。1) 数诡少会把非典型的Endmember分入分星中, 产生分量谋差,增加RMS2) 数量多乂会使模型对设备噪声、大气污染及 光谱木身的可变性嫩感，导致分尿误差。在实际应用中,Endmember的确定有监督与非监 督、自动与手工选取之分。一、实地测量或直接从光谱数据

11、库获得因为成像条件、大气吸收和地形影响因素，实地 测虽或光谱数据库中的同一地物的光谱值与影像 的光谱值并不-致，所以这种方式选取 Endmember的光谱值有-定的局限性。二、从影像统计分析中获得。如用监督分类的训练区采样，以样点的均值作 为各波段的取值；或用匸成分分析（PCA）方 法，绘制匸要成分波段的散点图，再通过不同 覆盖类型端元在匸成分特征空间中的分布，利 用人机交叵的方法确定样本区域以样点的均值 作为各波段的取值等。:端元选择：监督方法B)全自动选取Endmember:利用非监俘的方法从数据本身全口动获取端見 光谱是目前研究的热点。PH否Q舍«MNF/FCA$*IEaJBe

12、 |0&ft»VCABft斥JMISMAW否Iffft£VUNDUS台«AMRJI*fCA41ASIEE*ftR4rt*» !*1wA« 1 » .(1)纯净端元指数(PPI)1、利MJMNF变化进行噪声白化和降维的处理。2、把光谱特征空间中所有的像元往单位向量u I: 投影，端元会投影到u的两侧，而混合像元会 投影到中部。3、汁算每个像元被投影到端点的次数，即为纯 净指数。4、当被投影到向量端点的次数越多的时候,证 明该像元为纯净像元的概率越人。纯净端元指数提取示意图A、B、C、D的纯净像元指数分别为2,2,1,1(2) N

13、-Finder它要是利用高光谱数据在特征空间中的凸面单形体结 构，丰找最大体积的单形体,从而自动获取图像中的 所有端元。下式为误羞项n满足很小时，所右的点正好满足落在唯 形体的体积内。p 工 y rar, + n s Ec nrn討I0 W q W 1p闇像中任意-个£维光谄向Bid为田他波段数)； ELxN矩阵其中的毎列均为端元向G一傢元P中细元蝦所占的比例；»決差頊。以两个波攻三个端元为例，说明它们Z间的儿何关系 A. B, C分别是1角形的顶点,0角形内部的点对应 着图像的混合像元。这样求取岛光谱端元的问题转化 为求单形体顶点的问题。端元a草形体的体积： /*. 5

14、cx.饰=詁严忡©为表企第/个鏑元的则倉量長由55心这.个蟠元所构成的单形 体的体机I內行列式运算埒.向量1阳續数为肿7.MNF PCA逐祈增加单形体空何维数，通过寻找具有最大体积的单形体自动获取 图像中的所有靖元.(3)迭代误差分析求取端元迭代误差分析(iterative error analysis, IEA )是一种 不需要对原始数据进行降维或去冗余而直接对数据进 行处理的端元提取算法。该算法需耍多次利用约束性解混，耍求得到的端元使 得线性解混后误差最小。首先给定-个初始向彊(一般为图像中所有光谱的均 值向量),对图像进行约束性解渦得到误差图像。误差最大的像元作为第一个端元，对

15、图像进行约束性 解混，得到误差图像中误差最人的像元作为新的端元, 再将新端尤再加入到卜一步的约束线件解混操作小， 直到求出图像中的所有端元。全门动选择端元实例:AVIRIS图像"方体谋片随端兀堆加Ifu减小的曲线23«5GTtV10ErcNurrbcr $c2r«:IEA提取的端元分布图a：山体、阴形:b：黄钾铁矶:C：针铁矿:d：明矶: e：门Z汁h f：玉的：g： 岭石：h：方解石-4混合像元分解若干问题K全限制性分解传统的线性光谱分解模型求解结果误差比较大，同时求解h 度中存在着负值的情况，因此在这里加I:两个限制性条件:Is. 22a/ =1分解组分相加和

16、为仃a, 10丰度值不能为ftft.十同时满足这两个条件的时候，实验打仃天理论研究农明. 混合像元限定性分解比非限定性分解精度有很人提高。对比：全限制性与非限制性分解实验M041X2磚 00woe. a11U1u.丰限创性分解的BDFffl全限创性分解的BDF图2、多源遥感影像分解实验选择通过不同传感器所获取的多源数据來对某 个地区的土地覆盖类世进行研究。选取同一地区两种不同分辨率的 影像，进行严格的儿何配准，使两个影像保持一对应的 关系。I KONOS 形像(1200<1200)ETM 彩像(150 拿 150)实验高分辨影像中没有混 合像元高分辨影像分类的结果扔算为低分辨彩像对应地物

17、的组分比I【ONOS分类结杲换 算为百分比够像I KONOS硬分英形像结果分析：1、IKONOS打ETM+不同传感器的影响以及形像Z间存在 定 的配准误羌：2、实验地区地物比较奴朵 IKONOS妙像分类斯度妙啊了 ET附实強的分解粘腹：3、越像屮同类地物Z间光诜最别人以及类别定 义等的原N。XLS方法分解的组分形像04KLS （aft小二桑）方法分解结果的BDF图3、影响误差的因素:1）选择模拟数据进行定量分析。为什么采用模拟数据？完全知道端元组份的人小，因此端元组份 的估计值与真实值之间的差距完全是宙模型或者 算法本身的影响造成。混合光谱模拟数据产生方法端元光谱随机产生组分比随机噪声例:从幅

18、推扫式机载成像光iftPHI®像中选収的阿种瑞元 光谱，侮种端元选择了 15条)曲线.“迹”用來描述内在端元变化的啊度犬小：L =-Etv, )XFrf 日儿 A I实验数据0 o D两组模拟数据两组数据分别代表：噪声和端元内部变化对混 合光谱分解粘度的彩响。第一组采用平均值作为端元光谱，闵而不存在 端元内部的变化，但在模拟数据中附加了随机 噪声；第二纟【1模拟数据保昭了端尤内部的变化，但没 有附加随机噪声。第一组模拟数据:第一俎去月平均伍作为端元光借刁，"L2.3.4一个模推的混合像元生农过程是：产生一俎01内随机数rq.®.55】T，并且便潯可+q二】则混合光

19、谱为再在卩hAl h-个附加噪由N.牛成最粪的混合尤情0式口SNR为信吨匕示備讼 方差力的正念随矶矢量。第二组模拟数据:产生四个1, 15內随机数整数叫n, n>. np从各类申选择招应的矢量片.吩川片作为端元光诸S：®升升.其余步躱与築一组換以放据牛咸的讨程相同，泪足该牛敷鞭没育附力:淹机噪由N假i殳伯噪比为SKR-15, 1,使用上述竝方注懊拟两组靛合光漕，冉生对应的数秦使席曲同混台比-一共生成了 2100 i世台光借并用地八二畀法式来分别估i-分解貉果.最后乐用均方很词鱼农置比较这两担致務前分解绘呆.实验结论:道牟水枷Xi0.01630.0S90.0.1283-0 082

20、8.曹2坦®ESE)0. C3720.10120.2052、0.1953两组楔仏欽据的分解泯差端元内部的变化对混合像元分解精度的影响要 远人于噪声的影响，I人I此，端元内部变化是制 约混合像元分解精度的主要I大I素。传统的混合光谱模型没有考虑端元内部的变化, 逍成r在同物界谱混合现彖比较箔的区域分解 精度降低。2）漏选或多选端元光谱蔦一. 多选端元光谱对信噪比较禹影像的分解结果 影响不是很人，所以，传统的混合像元分解中， 每个像元都用整幅彫像中端元光谱來分解，是女 选端元的条件下进行分解。二、漏选端元光谱会给分解结果带來较大误差， 所以一定要避免漏选的情况。那么，究竞对每个像元里面的

21、端元应该如何进行 选择，并且选择多少？端元可变的混合像元分解考虑交叉相关光谱匹配技术，计算像元光谱和参考光谱（端元）之间的响应值，来判断两光谱之间的相似程度，从而保证与参考光谱相似程 度最高的组分入选。进行n次迭伏后，满足两次投 彰之间的差为0,或者负值， 终止迭代.主要公式二心R厂RJ(R厂RJj工(尺-几门工(尺-丘)2& :测试光谱& :家考光谱P :原始泯合光谱值 pr :剁余泯合光谱值“撰考光谱最大的投影值实验：高光谱ROSIS成像光谱仪(光谱范围是425U 85()nm,共有102个波段)所获取的遥感影像作为 高光谱实验数据。该数据获取的时间是2002年7月， 地区

22、是意大利北部城市帕维亚市(45.11 N, 9.09 E) o这里采用64、39、10波段进行真彩色合成。ROS1S高丸语彩像:哦柱提取 全限制社提取端元可变握取4、高光谱影像亚像元目标探测 从遥感图像屮.提収可视1标是一个相讨简单的任务水泥地植被屋顶圧传统方法从臾国洛杉矶国际机场提取E机如何识别那些隐藏和不可视的目标 1）目视不可区分OlOOSM1-A1坦克隐藏在丛林中基于光谱特征的异常目标探测技术 < 2）目标尺寸小于一个像元采川卄杲地物信号可变的亚像元11标探测方闪高光谱遥感影像目标探测的困难ta” <purep.K*)SutC<2kn>sdd)iT混合像元现鮫W

23、GQaWaroiength Oim)理论基础1）信号检测概述噪声干扰"0发射信号se传辐卜接收斓i预处理信号检测二元假设检验Ho：信号不存在（$（”<»Hi：信写存在（心o）15： 195%95%信噪比 60： 1探测率真实百分比5、亚像元定位亚像元定位(Sub-pixel mapping)，其目的是在 混合像元分解的基础上，进步确定像元中不 同地物类型的具体空间位屋，获収更高空间分 辨率的地物分类图。乔意图lot*w纯像元JL混合S元示：tlX亚像元定位：将混合像尤切创成更小的 m元并将具体地物类刑核心理论i Atkinson fl 997年首次提出了亚像元空间分布

24、相关性的 艸论，这个理论指出：亚像元定位的核心是保证在* 个混合像尤当中,相似的亚像元空间相关性最大化。熾心1分百分比(町和三种不网的長僱尢空阀分布卅况(b) (c) (d)实验数据与验证标准1) 选择多光谱波段的影像来代替高光谱数据 为了减少计算量，说明的是样的道理。2) 采用合成图像进行实验所有的实验分析屮的数据都是采用介成图像來模拟混合像元分解后的丰度图。所谓合成图像,是指: 将较高分辨率影像中各类型的硬分类结果，用滤波器 重采样至低分辨率的丰度图。3) 评判标准原始高分辨率的硬分类结果可作为精度验证的标 准，采用PCC比较，混淆矩阵,Kappa系数。合成数据制作过程疋掌龙定位用的貝果基于邻近信息的定位方法是一种简单易行的方法：每一个子像元的值 由邻近的像元的值算术计算得到。 A）尺度S=2：利用与A距离最近的三个像元值取平均号=（心+為+ 4J/3 B）尺度S=3：利用与A距离相近的五个像元取平均心=（厶+仏+鎰+九+ %）/51.01 01 010AB00CD100500HBaH(Dcn/ /(»(> /numis)nii/ r> 00X)eciP PuseMi 体工具ciP PuseMi 体工具CeciPPus