第十讲 高光谱遥感图象混合象元的分析.docVIP

第十讲 高光谱遥感图象混合象元分析 混合象元的概念： 遥感器所获取的地面反射或发射光谱信号是以象元为单位记录的。它是象元所对应的地表物质光谱信号的综合。图象中每个象元所对应的地表，往往包含不同的覆盖类型，他们有着不同的光谱响应特征。而每个象元则仅用一个信号记录这些“异质”成分。若该象元仅包含一种类型，则为纯象元(pure pixel)，也称为端元（endmember），它所记录的正是该类型的光谱响应特征或光谱信号；若该象元包含不止一种土地覆盖类型，则成为混合象元(mixed pixel)，它记录的是所对应的不同土地覆盖类型光谱响应特征的综合。由于传感器的空间分辨力限制以及自然界地物的复杂多样性，混合像元普遍存在于遥感图象中。 混合象元模型 光谱混合形式上可以分为致密式（intrinsic）、聚合式（aggregate）和整合式（areal）三种情形（如图）,本质上分可以分为线性混合和非线性混合两种模式。线性混合模型假定到达传感器的光子只与一种物质发生作用[rast,1991]；当混合元素尺寸小，入射光子与多于一种以上的物质发生作用时，导致非线性混合[smiths,1985； Mustard,1987]。 图 1 线性混合模型 通常情况下,高光谱图象中每个象元都可以近似认为是图象中各个端元的线性混合象元: (1) (2) (3) 其中为端元数，为图象中任意一维光谱向量（为图象波段数），为矩阵，其中的每列均为端元向量。为系数向量，表示象元中端元所占的比例，为误差项。 在误差项很小的情况下，满足（1）、（2）和（3）的所有点的集合正好构成一个高维空间的凸集，这些端元则坐落于这个凸面单形体的顶点。以两个波段三个端元为例来说明它们之间的几何关系(图2).从图2可以看出,端元a,b,c分别位于三角形体的顶点,三角形内部的点则对应着图象中的混合象元.这样,提取高光谱图象的端元问题就转化为求单形体的顶点的问题. 图2 两个波段三个端元的散点图在空间上具有明显的三角形结构 非线性混合模型 端元提取 PPI 当把特征空间中的所有散点往一个单位向量上投影时，端元就会投影到的两侧，而混合象元则会投影到中部。基于这个思想，可以让图象在n个随机的单位向量上投影，并且记下每个象元被投影到端点的次数，即为纯象元指数(PPI).当然，被投影到随机向量端点的次数越多，说明此象元为纯粹象元的可能性越大。 N-FINDR N-FINDR算法正是通过求最大单形体的体积而得到各个端元的，其体积公式如下： (4) (5)其中为表征第个端元的列向量,是由这个端元所构成的单形体的体积,为行列式运算符.由于用到了求行列式的运算,所以要求必须为方阵,这样向量的维数必须为,但原始的高光谱数据往往是不满足这个条件的,于是需要先对原始数据进行降维处理,这也正是N-FINDR算法可能引起偏差(比如’忽视’小目标)的原因所在,同时也是此算法的不足之处 距离法 首先，以图象中所有象元的平均向量为初始值；从图象中找出距离最远的点即为第一个端元；距离最远的点即为第二个端元，同时记下此距离为；然后找出距离与所构成直线最远的点,即与这两个顶点端元围成的三角形面积最大的点,此即为第三个端元，同时记下此距离为；然后，再 找出距这三个端元、和所构成的平面最远的点，即与这三个端元围成的三棱锥体积最大的点，同时记下此距离为。依此类推，可以找到图象中的所有端元（其中，为波段数）， 上述算法的关键在于如何得到高维空间中一个点到一个超平面的距离。假设现在已经得到端元，是图象中的任一象元（光谱向量），我们通过施密特正交化得到到所构成的超平面的单位垂直向量，过点以为方向可以得到维空间的一个直线方程；过中的任何一点以为法方向可以得到维空间的一个超平面方程；上述直线方程与超平面方程在维空间有唯一的交点，可以验证，到此交点的距离既是到所构成的超平面的距离，其中距离所构成的超平面最大的象元即为第个端元，下面给出具体的数学描述： 在维特征空间中，过点方向为的直线方程为： (6) 过点，以为法向量的超平面方程为：