混合像元分解截取.pptx

遥感图像处理与应用;混合像元：一个像元内存在有不同类型地物类型 ;混合像元存在原因;混合像元问题在环境监测、水质监测、土地覆盖变化检测、植被制图以及月球表面物质制图等各个领域都广泛存在，急需解决。 混合像元问题在遥感影像中普遍存在，它不仅会影响地物识别和分类的精度，而且是遥感科学向定量化发展的主要障碍 目前已发展了许多混合像元模型用于解决该问题，可以归为两大类:统计模型、光谱模型。 ;混合像元相关的主要研究内容;混合像元模型假设混合像元的反射率可以表示为端元（组分，纯像元）的光谱特征和它们的面积百分比（丰度）的函数;光谱混合模型的数学表达式;;线性光谱混合模型;光谱混合模型 ;估计场景中,组成混合像元的端元光谱;;;图像端元提取;15;16;线性混合像元分解算法 ;由于同物异谱现象的存在，端元光谱并非恒定值，而是存在一定的差异;解决方法;;Spectral Normalization ;Spectral Derivative;对于不同的场景，如何确定应该使用线性模型或非线性模型 手动端元提取对经验要求高，过程烦琐；但自动端元提取基于纯数学判据，可能选出不具有物理意义的端元 端元内光谱差异是混合像元分解精度提高的重要障碍，至今仍未能得到很好解决 ;;混合像元分解可以看作一个带约束的非线性最优化问题 实际上，FCLS是最小化目标光谱与估计光谱的欧氏距离;;由于光照、地形、阴影、大气等的影响，地物组分相同的混合像元光谱可能绝对量变化比较大，但光谱形状得到保持。因此，采用SCM、SAM或SID作为光谱距离，可以克服欧氏距离受光谱绝对值差异影响较大的不足 一些软件包可以用来求解带约束非线性最优化问题，如CPLEX，LINGO，MATLAB优化工具箱等 但是由于目标函数形式复杂，采用传统的非线性优化算法往往效率十分低下;混合像元分解新探索 ;为方便求解上述最优化问题，作以下变换 将yi 和gi写成矩阵形式 ;上述最优化问题可以写为 由于 ， 有 最优化问题变形为（忽略约束条件： ） 利用非负最小二乘法求解;求解出 gi 后，可得： 进而求得;SCM算法步骤;;一类噪声;???类噪声;模拟实验: 从ENVI的光谱库中选择三类端元光谱（植被、土壤和干植被） ;模拟混合;模拟实验结果;真实图像实验;终端端元选取方法; 绿色植被 高反照度物体 低反照度物体 ;FCLS分解结果;对时间相近的IKONOS影像进行目视分类，计算与ETM像元对应的IKONOS影像7×7窗口内的每一类地物所占面积比例，并将该比例值作为各端元盖度的真实值。 用均方根误差来评价两种算法的精度;散点图对比;精度评价结果;小结