混合像元分解方法研究.docVIP

混合像元分解方法研究 　　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题。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。 　　关键词:光谱; 混合像元;遥感; 分解模型 　　中图分类号:TP317文献标识码:A文章编号:1009-3044(2009)13-3499-02 　　 　　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,找出组成混合相远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。 　　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。 　　2.1 线性模型 　　通常情况下,高光谱图像中每个像元都可以近似认为是图像中各个端元的线性混合,即 　　 ■ (1) 　　式中:i―― 光谱通道(i=1,2,…,n );j ―― 端元组分(j=1,2,…,n );Fj ―― 各端元组分在像元中所占的视面积比,为待求参数;ε(λi) ―― 第i个光谱通道的误差项 　　使: 　　■ 　　可以把(1)式写成: r=Rf+ε (2) 　　假设公式(1)中组成混合像元的端元光谱是完整的,则比例系数Fj满足如下的约束条件: 　　 ■(3) 　　当然,通常情况下,以上假设未必满足,因为很难确定所选光谱端元是否完整覆盖了研究区域的地物种类。 　　因为Fj为像元中第j个像元组分在向原中所占的视面积比,所以应该有: 　　 Fj≥0(4) 　　线性混合光谱分解问题是当R和r为已知,求f成分的比例。由于高光谱遥感中的波段数远远大于端元光谱数,所以我们可以通过最小二乘法求解f。下面具体说明f的解的算法:不带约束的最小二乘法 　　不带约束的最小二乘法: 　　因为通常情况下,很难确定所选光谱段源是否完整覆盖了研究区域的地物种类。素以我们可以由式(2)用不带约束的最小二乘原理求解f。其求解步骤如下: 　　由式(2)得: 　　 ε=r-Rf (5) 　　构造函数ψ=εTε=(r-Rt)T(r-Rf),对该函数求f得倒数并使所得函数值为零得到: 　　 ■ (6) 　　转换并整理得: 　　RTr-RTRf=0 　　从而得到: 　　f=(RTR)-1RTr 　　2.2 概率模型 　　概率模型的一个典型是由Marsh 等人(1980) [11] 提出的近似最大似然法。该模型只有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, 根据判别值的范围将像元分为不同的类别。 　　假设构成混合像元的端元组分只存在两种, 分别为X 、Y ,那么可以用以下公式来表示其中的一个端元组分在混合像元中所占的面