文档介绍：该【混合像元分解 】是由【1781111****】上传分享，文档一共【17】页，该文档可以免费在线阅读，需要了解更多关于【混合像元分解 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。:..摘要:针对线性混合像元分解(LinearSpectralUnmixing,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(DynamicEndmemberLSU,DELSU)方法。以冬小麦为研究目标,采用LandsatTM图像为实验数据、高分QuickBird图像目视解译冬小麦结果为真值精度评价数据,利用本文提出的DELSU方法进行冬小麦提取。实验结果表明:该方法比最大似然方法、LSU方法更能准确地获取冬小麦面积,在一定程度上吸收了传统分类方法的优点,提高了目标地物的测量精度;同时作为一种改进的LSU方法也适用于其他土地利用/覆盖类型的测量。利用遥感图像进行土地利用/覆盖监测中,混合像元现象不可避免,尤其是中分辨率遥感图像中混合像元问题十分严重[1-3]。通过一定的方法计算出混合像元的典型地物组成比例,可解决混合像元问题,提高定性和定量遥感测量精度,在农作物种植面积监测中有着重要的应用价值[4-5]。混合像元分解(SpectralUnmixing,SU)是提取植被覆盖度的主要方法[6],其测量结果为各种地物的丰度,其模型可归结为5类[7]:线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型。线性混合像元分解(LinearSpectralUnmixing,LSU)模型因其简单实用而被广泛应用[8-9],特别是在图像波段数目较少、光谱分辨率不高的情况下[10]。在像元分解中,用传统的LSU模型从图:..但实际上大多数图像区域或混合像元只是由特定几种端元组成。许多学者采用可变的端元模式[11-13]以提高测量精度,如Roberts等[14]提出了多端元混合像元分析(MultipleEnd-memberSpectralMixtureAnalysis,MESMA)方法,将各种地物的光谱值组成一系列的候选模型(Candi-dateModel),用每个候选模型分别对图像进行分解,通过比较均方根误差(RMS)来确定何种模型入选,有效地提高了分解精度;但在全区范围内选择候选模型,采用穷举方法确定端元,计算量较大,影响其应用效果。丛浩等[10]提出了基于混合像元的光谱响应特征和地物分布的集聚性来实现端元可变的方法,可以保证光谱矢量最接近的端元入选并参与运算,并考虑到地物分布的聚集性,计算以像元为中心的3像元×3像元模板内的像元的端元加权和,通过设定阈值确定入选端元;但由于遥感图像光谱的不确定性,3像元×3像元模板并不一定适合。本文针对LSU的不足,提出变端元线性混合像元分解(DynamicEndmemberLSU,DELSU)方法。以冬小麦为研究目标,根据地物分布具有一定空间聚集性的特征,采用基于格网的DELSU,以格网为单元利用局部端元类型和数目进行变端元方式的混合像元分解,消除混合像元分解端元数目“过剩”造成的影响;分析格网大小对测量精度的影响,以实现在最优格网尺寸下进行DELSU,提高测量精度。:..多元遥感影像沙化土地信息提取研究土地沙化是目前全球面临的最严重的生态环境问题之一,在环境恶化,资源短缺,生物多样性日益减少的当今,土地沙化问题倍受国际社会的广泛关注。为了实现可持续发展,就必须及时准确地掌握和使用有关资源、环境和人文信息。遥感技术是向数字地球提供多维动态信息的先进手段。如今,可以获得粗、细、精空间分辨率互补;多光谱、高光谱、超光谱的光谱遥感和多波段、多极化、多角度的雷达遥感互补;长、中、短时间分辨率互补的遥感数据〔‘,。然而,正如美国前副总统戈尔所说,尽管人们对遥感信息的需求很大,但其中绝大部分数据从未被使用过,其原因是缺少遥感专题信息提取的方法和模:..本文从遥感技术角度出发,通过对不同传感器的遥感影像进行处理和分析,以期得到更适合于客观实际应用的沙化土地信息提取方法,为沙化土地动态变化监测及其综合治理提供科学的决策依据。说明使用光谱知识分类的结果精度与影像的空间分辨率没有正相关的关系。沙化土地的危害及沙化信息提取的意义:缩小了人们的生存和发展空间?导致土地生产力的严重衰退?造成严重的经济损失?加剧了生态环境的恶化。夏季7、8月份的遥感影像有利于对沙化信息的提取混合光谱的形成主要有以下原因:、几何结构,以及在像元中的分布;;;使该地区具有非常显著的景观异质性,不同退化程度的沙地以不同比例镶嵌的景观类型十分普遍,因此在沙漠化地区混合像元大量存在〔57]。混合像元的存在,是传统的像元级遥感分类和面积量测精度难以达到实用要求的主要原因。如果将该类像元归为一类,势必会带来分类误差,导致分类精度下降,不能反映真实地表覆盖情况。为了提高遥感应用的精度,就必须解决混合像元的问题,使遥感应用由像元级达到亚像元级,进入像元内部,将混合像元分解为不同的“基本:..,并求得这些基本组分所占的比例。(1)MNF变换去噪处理最小噪声分离(MinimumNOiseFractionRotation,简称MNF)变换是美国著名科学家Boardman和Knlse于1994年发明的一种图位空间变换方法,是在主成分分析基础上的更进一步的改进。它被用来分离数据中的噪声,确定数据内在的维数,减少随后处理的计算量。MNF本质上是两次层叠的主成分变换。第一次变换(基于估计的噪声协方差矩阵)用于分离和重新调节数据中的噪声,这次变换的数据中噪声有单位变化,没有波段一波段间的相关,这样就使得噪声成分具有单一方差。第二步是对一次噪声白化数据的标准主成分变换。为了进一步对波谱进行处理,数据内在的维数是由检查出的最终特征值和相关图像来判定。通过对比特征值与相应的结果图像,数据空间可以被分为两部分:一部分是大特征值和主要成分图像,另一部分是小特征值和噪声成分为主的图像。最后,仅仅用相关部分就可以将噪声从数据中分离。由数据估计噪声统计是假定每一个像元都包含信号和噪声,且紧邻的像元包含同样的信号,但是具有不同的噪声,对数据进行“shiftdifference’’,就把临近的像元区分开来,并把结果平均值指定为每个正在被处理的像元的“噪声”值。(2)即I处理样本提纯纯净像素指数(P议elP丽tyIndexTM,简称PpITM)方法是一种在多波谱和高波谱图像中寻找波谱最纯的像元的方法。波谱最纯像元典型:..纯净像元指数通过迭代将一D散点图影射为一个随机单位向量来计算。每次影射的极值像元被记录下来,并且每个像元被标记为极值的总次数也记下来。一幅“像元纯度图像”被建立,在这幅图像上,每个像元的DN值与像元被标记为极值的次数相对应。(3)N一D散度法样本重组N一D散度法最新的可视化技术可以在真实N维样本空间中进行样本分离,同时还可以使样本精度大大提高,减少了由于目视判别造成的误差。将选出的AOI散点在N一D散点图中进行适时旋转,利用散点的运动可以同时使用图像的所有波段进行波谱分析,视觉技术和散点的几何形状被同时用来定位图像的波谱终端单元,这些波谱终端单元可以用于波谱角分类、混合像元分解、匹配滤波和光谱特征拟合等。波谱可以被看作是N一D散点图中的点(其中N是波段数)。N维空间中的点坐标是由N个值组成,他们只是一个给定像元的每个波段中波谱辐射或反射值。N一D观察仪(N一Dimensional巧sualizer)是N维空间中选择终端单元提供的一个交互式工具。N一D观察仪用于连接最小噪声部分转换和要定位、识别的纯净像元指数,并收集数据集中最纯的像元和极值波谱反应。混合像元分解方法的研究摘要:混合像元是遥感领域研究的热点,也是难点。混合像元问题不仅影响地物识别和分类精度,而且是遥感技术定量化发展的重要障碍。为了提高遥感应用的精度,就必须解决混合像元的分解问:..该文首先介绍了混合像元的产生机理,然后阐述了时下几种流行的混合像元分解模型:线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型,并对其中几种常用模型的优缺点及其适用性进行总结和讨论,对不同模型之间的相似和差异性进行比较分析。1引言通常,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计算的。像元是所对应的地表物质光谱信号的综合。由于遥感器的空间分辨力的限制以及所测地物复杂多样,一个像元往往包含多类地面目标的信息,这种像元成为混合像元(注:一个像元若仅包含一种地物光谱信息称为纯像元,它所记录的正是该类型的光谱响应的特征或光谱信号)。一个像元简单的归属到哪个典型的地物,都是错的。如果能通过一定的方法,找出组成混合像元的各种典型地物的比例,则可以解决混合像元产生的一系列的问题,提高定性和定量遥感的精度。混合像元的精确分解在基于多光谱和高光谱遥感图形的高精度地物分类及地面目标的检测和识别方面有重要的应用价值。2混合像元分解模型分解像元的途径是通过建立光谱的混合模拟模型。通常,模型是这样建立的:像元的反射率可以表示为端元组分的光谱特征和它们的面积百分比的函数;在某些情况下,表示为端元组分的光谱特征和其他的地面参数的函数。一般将像元混合模型归结为以下五种类型:线:..上述所有的模型都把像元的反射率表示为端元组分的光谱特征和它们的面积百分比的函数。然而,由于自然界地面的随机属性以及影像处理的复杂性,像元的反射率还取决于除端元的光谱特征和丰度以外的因素。因此,每种模型的差别在于:在考虑混合像元的反射率和端元的光谱特征和丰度之间的响应关系的同时,怎样考虑和包含其他地面特性和影像特征的影响。在线性模型中地面差异性被表示为随机残差;而几何光学模型和随机几何模型是基于地面几何形状来考虑地面特性的;在概率模型和模糊模型中,地面差异性是基于概率考虑的,例如通过使用散点图和最大似然法之类的统计方法。就所有的模型而言,混合像元的反射率和端元的光谱特征都是必需的参数。此外,对于几何光学模型和随机几何模型,还需要地物的形状参数、地物的高度分布、地物的空间分布、地面坡度、太阳入射方向以及观测方向等参数。光谱分解技术,就是假设某一像元的光谱是由有限几种地物的光谱曲线按某种函数关系和比例混合而成,分解的目的就是通过某种分析和计算,估计出光谱混合方式和混合像元包含的光谱成分及相应比例。基于TM遥感影像的分类方法研究与探讨无论是专业信息提取、动态变化预测,还是专题地图制作和遥感数据库的建立等都离不开分类。遥感影像分类过程实际上是将图像中的每一个像元点或区域归属若:..分类的结果是将图像空间划分为若干子区域,每个子区域代表一种地物类型。它的依据是:遥感影像中同类地物在相同条件下(纹理、地形、光照及植被覆盖等)应具有相同或相似的光谱信息特征和空间信息特征,因此,同类地物像元的特征向量将集群在同一特征空间区域,而不同的地物由于光谱信息特征或空间信息特征的不同,将集群在不同的特征空间区域。基于贝叶斯推理的像元内部端元选择模型中低分辨率遥感影像(例如MODIS,AsTER,TM)有着光谱信息丰富,覆盖面积广,成本低廉等诸多优点,因此在土地利用调查、环境监测、气象预报等方面得到广泛的应用。但混合像元问题一直影响了中低分辨率遥感影像的分类精度,制约了影像应用的可靠性川。如果遥感影像的单个像元对应的地物覆盖类别达到两种甚至更多,这样的像元被称为混合像元,无论将混合像元归为哪一个单一地物覆盖类都是不准确的。单一的地物覆盖被称为端元,像元内的所有端元被称为端元集合。如果能计算出混合像元中各类端元的丰度(即面积比例),那么混合像元问题就可以被有效解决,这个过程就是混合像元分解。尽管研究混合像元分解的文献很多,但基本可以归为三类模型:线性光谱混合模型,2)经验模型,3)物理模型。目前,最为常用的模型是线性光谱混合模型。在线性光谱混合模型中叫,像元的反射率等于各端元反射率的加权平均值,权重为各端元对应的丰度。对混合像元分解的前提是确定像元内部的端元种类。然而,多数混合像元分解的研究中,认为单个像元中的端元类别等同于:..根据线性光谱混合模型,当波段数与端元数的差小于1时,则方一程组有无限多个解,因此,从全局端元种类中选择适合于指定像元的端元种类,可以减少方程中的未知数,从而使方程有解的可能性增大。而以往的研究表明川,单个像元内的混合像元的端元数远低于全局端元数。2)混合像元分解中多选端元意味与地面情况不符,必然造成分解误差。目前,像元内部端元选择有基于光谱相似度和基于线性拟合度两类方法。基于光谱相似度的端元选择方法中,通过建立像元光谱相似度指标,选取若干与混合像元最相似的端元,从而获得单个混合像元中的端元。Masellit吕计算端元光谱向量在像元光谱向量的投影,通过投影值的大小来确定端元与混合像元的相似程度,从而选取端元。丛浩等川采用了一种更复杂的投影方法来计算端元与混合像元的相似程度。Zhu厂1自j通过计算端元对于像元的隶属度从而选取端元,即PG算法。基于线性拟合度的方法通过线性光谱混合方程的残差来评价端元选择的适合度。Zhu「‘叼通过限制端元个数和排除丰度为负数的端元,并通过残差的均方根来选取最合适的端元集合,即MRES算法。Rogge等仁‘1〕通过反复分解混合像元来逐步去除丰度值最小的端元,并基于最小均方根来选取最佳的端元集合。RobertS等厂’2了提出了一套有效提取单个像元中端元的方法MESMA,像元中端元要满足以下三个条件:l)残差的均方根小于指定阑值。2)。3)线性拟合的光谱值与实际光谱值之差小于指定的阑值。像元内部的端元选择是遥感影像混合像元分解:..直接影响到混合像元的分解精度。但以往在这方面的研究并不多,更鲜有研究考虑到端元光谱的不确定性,本文从概率论的角度来推导像元内部的端元选取方法,并对混合像元进行分解。因为主流遥感软件中仅有软件能在像元内部选择端元,本研究将IDRISI软件中的MRES和PG作为对比算法,文献压中详细介绍了这两种算法。基于高光谱混合像元分解的干旱地区稀疏植被覆盖度估测*1·4·“端元”的宏观组合[20],像元内端元之间的多重散射可以忽略;在非线性光谱混合模型中,像元内不同端元的多重散射被予以考虑,,,非线性光谱混合模型比线性光谱混合模型更复杂,且前者的结果更难于直观地解释,使其准确定量反演植被覆盖度更困难[21],而相对简单的线性模型的结果则物理意义明显,,本文采用线性光谱混合模型(linearspectralmixturemode,lLSMM)对影像进行混合像元分解1·4·2端元的确定线性光谱混合分析的关键在于寻找一组合适的端元,:1)在影像上直接提取;2)野:..影像端元易于获取,不需要大量地物光谱测量及大气校正工作,并且能够代表相同空间尺度(影像尺度)上的光谱测量值[22],,两者之间的偏差不超过5%、均方根误差RMSE为3·0681;而非受限的混合像元分解结果则明显小于地面实测植被覆盖度,两者之间虽具有一定相关性,但相关性不高(R2=0·5855);与McGwire等的相关研究相比,全受限混合像元分解对稀疏植被覆盖度的估测具有更高的精度及可靠性,:基于光谱混合分析技术,针对内蒙古科尔沁沙地提出了一种荒漠化信息提取的新方法。首先,应用光谱混合分析技术对研究区域的土地覆盖类型信息进行提取,以像元为单位计算出裸沙占地百分比,并通过与穗帽变换和NDVI(归一化植被指数)对比,验证了此技术应用的可行性;然后利用光谱混合分析结果建立荒漠化评价模型,对研究区域的荒漠化信息进行提取;最后利用实地调查数据进行精度验证。本文涉及的线性光谱分离技术的主要操作在美国RSI公司开发的专业遥感信息处理软件ENVI4·0中完成。采集端元组分光谱信息的常用方法有三种:(1)直接从影象上相应的纯净地物像元获取;(2)通过实地或实验室的光谱测量获得;(3)从主成分特征向量中选取边界值[11]。其中,第一种方法是通过目视获得,其解译精度难以保证;第二种方法需要大量地物光谱测量及大气校正:..其难度较大,可操作性较差;最后一种具有压缩数据维数、去相关性的特点,有利于信息的集中和噪声的去除。目前大部分的研究都采用后一种方法,并取得了较好的效果。线性光谱分离处理的主要过程包括数据预处理、PCA(principalcomponentanalysis)变换、PPI(pixelpurityindex)处理、终端单元的收集、线性光谱分离、结果检验与校正等。PCA是一种常用的数据压缩方法,可以将具有相关性的多波段数据压缩到完全独立的较少的几个波段上,使图象数据更易于解译。“纯净”像元是指影像像元对应的地表要素为单一类型的像元,PPI(像元纯度指数)计算结果是像元纯净指数的空间分布图,其值越大则表示入选纯净指数的次数越多,即该像元在多波段影像空间里表现越独特。利用PPI结果进行终端单元收集的方法主要有两种,一种是将PPI进入PCA空间进行N维散度分析,在PCA空间旋转变换中,在PPI空间多面体的顶点取得终端单元;另一种是显示PPI在两个PCA主成分坐标里的空间分布,在多边形顶点处得到合理的终端单元。线性光谱分离。利用前述分离出的终端单元,进行线性光谱分离处理,得到各终端单元所代表地物的丰度和RMS(rootmeansquare)的空间分布图。结果检验与校正。在理想状态下,线性光谱分离结果要求各地物空间分布值在0和1之间。RMS值主要由噪声组成,在空间上的分布应该没有规律,其值应尽可能小。但在实际操作中,由于区域内没有所谓的“纯净像元”,可能会有极少数像元分离值大于1或小于0。因此,按照这个要求对终端单元进行调整甚至重新选取是非常必要的。:..遥感影像混合像元分解中的端元选择方法综述端元是指在遥感影像中,组成混合像元的多种单一光谱的土地覆盖类型[5-8]。在混合像元分解过程中,端元的选择很重要,因其直接影响混合像元分解的精度。如果端元选择的数量太少,不能涵盖研究区所有的土地覆盖类型,就会把漏掉的土地覆盖类型错分为其他土地覆盖类型;如果端元选择的数量太多,端元之间的相关性就会增强,这使得分解模型对端元的选择非常敏感,容易把相关性强的端元组分混淆,影响分解模型的精度和普及范围。要获得理想的模型分解结果,需综合考虑端元选择的数量、类型和分解模型的精确性。在确定像元基本组分时,我们采用了主成分分析(PCA),去相关的特点,有利于信息的集中和噪声的去除?混合像元线性分解的精度估算线性分解模型是建立在像元内相同地物都有相同的光谱特征以及光谱线性可加性基础上的,优点是构模简单,其物理含义明确,理论上有较好的科学性,对于解决:..地物选取不精确时,会带来较大的误差。对端元(典型像元)的错误选择或大气条件的影响会造成端元的比例出现负值或全部数字为大于100%的正值。更有甚者,当。在主成份变换后的四幅图像中,端元的区分度较大,说明变换后的图像中对像元的区分作用较好。基于混合像元分解的荒漠化监测与评价非约束光谱混合分析的各基本分量图像是对基本组分丰富度的最好描述,尽管在局部地区可能出现丰富度小于0或大于1的情况。本文以野外调查数据为基础,对沙生植被分量的精度进行了验证,结果表明,两者的相关系数达到0夕82,精度很高。:..中等分辨率的遥感影像(TM/ETM+、ASTER)以获取成本低、存档数据时间序列长、具有多个波谱段等特性在城市土地利用/土地覆盖中广泛使用。但由于城市地物的复杂性,中等分辨率的遥感影像中存在着大量的混合像元,传统的遥感研究方法(监督分类、非监督分类)都是基于像元级的,一个像元对应一种地物类型,这样得到的结果精度往往达不到实用要求。为了提高中等分辨率的遥