高光谱遥感影像混合像元分解.pptxVIP

第八章 高光谱遥感图像混合像元分解;8.1 混合分解的定义：;非线性光谱混合;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（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）几何光学（geometric—optical）模型 （4）随机几何（stochastic geometric）模型 （5）模糊分析（fuzzy）模型 还有其它一些模型，如神经网络模型（ANN）;在均匀光照明、表面比较光滑的情况下，实验室与野外的实验结果都验证了线性混合光谱模型的正确性。借助于线性混合光谱模型，通过模型反转，就能够从像元的表观光谱特性（辐亮度或反射率），分离和提取各像元组分的光谱，分别分析和评价像元组分。 优点：线性光谱混合模型是混合像元分解的常用方法。这种模型具有良好的物理意义，并且计算简单、普适应用的特点，也是目前国内外研究最为深入的一种模型。 缺点：当典型地物选取不精确时，会带来较大的误差；在实际应用中存在着一些限制 ：（1）实际情况；（2）端元光谱难以获取；（3）地物数大于波段数；（4）没有考虑地形及其他影响;在线性混合模型中，每一光谱波段中单一像元的反射率表示为它的端元组分特征反射率与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元整体的表观光谱信息，其表观光谱信息光谱辐亮度L（ ）是端元光谱辐亮度Lj（ j）的线性组合。;;混合像元光谱; 光谱曲线的反演;影像中的表现形式;; 光谱均方根误差 RMSE 误差影像的结构信息;均方根误差 (RMSE) ROC估计（置信度） 双变量分布统计(BDF);ROC估计;BDF图;美国内华达(Nevada)地区AVIRIS高光谱影像（波段数＝50）;;非线性光谱模型是与线性对应起来的模型，后面五种模型可以统称为非线性模型，最常用的是把灰度表示为二次多项式与残差之和，表达式可以如下： 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。 ; 对以外地面物体来说，由于其表面状态复杂，地面与大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???合是非线性混合在多次反射被忽略的情况下的特例。 优点：计算精度要高，符合实际情况，考虑了多种具体因素。 缺点：通用性不强，计算复杂，某些情况下的误差很大;（2）概率模型 概率模型的一个典型是由Marsh等人（1980）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。 ;（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。从而地面可以分成四种状态：光照植被面（C）、阴影植被面（T）、光照背景面（G）、阴影背景面（Z）。像元的反射率可以表示为：;（4）随机几何模型 该模型和几何光学模型相类似，像元反射率同样表示为四种状态i的面积权重的线性组合。即：;（5）模糊模型 基本原理：将各种地物类别看成模糊集合，像元为模糊集合的元素，每一像元均与一组隶属度值相对应，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。 基本步骤是采用监督最大似然法分类，前提是必须符合正态分布。分别利用样本计算出模糊均值向量与模糊协方差矩阵用于代理最大似然法分类中的均值向量与协方差矩阵，求取出属于某一个类别的隶属度。;不同混合像元分解模型的可行性;神经网络模型属于非线性模型的一种，它是近几年研究、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，选择最大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每一种类别的组分比，并保证组分比的和相加等于1，把得出的每一种类别的组分比信息显示在最后的结果图像上。;混合像元分解模型示意图 ;本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市，大小为400像素×400像素，获取时间为1998年10月26日 ;;分解结果;Endmember是影像所对应区域内大多数像元的一个有效组成成分，Endmember数量的确定，应当符合影像所对应区域内的大多数像元的实际。 1）数量少会把非典型的Endmember分入分量中，产生分量误差，增加RMS 2）数量多又会使模型对设备噪声、大气污染及光谱本身的可变性敏感，导致分量误差。 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库获得 因为成像条件、大气吸收和地形影响因素，实地测量或