常见混合像元分解方法简介.docx

常见混合像元分解方法 (2021-04-20 20:35:42) 转载▼ 标签： 分类：遥感技术 混合像元 亚像元分解方法 线性波谱别离 教育 常见的混合像元分解方法，主要包括线性波谱别离(Linear Spectral Unmixing )、匹配滤 波(MF )、混合调谐匹配滤波(MTMF)、最小能量约束(CEM)、自适应一致估计〔ACE)、 正交子空间投影(OSP)等。 下面分别对几种分类方法原理一一说明。 线性波段预测(Linear Band Prediction) 线性波段预测法〔LS-Fit〕使用一个最小方框〔least squares)拟合技术来进展线性波段 预测，它可以用于在数据集中找出异常波谱响应区°LS-Fit先计算出输入数据的协方差，用 它对所选的波段进展预测模拟，预测值作为预测波段线性组的一个增加值。还计算实际波段 和模拟波段之间的残差，并输出为一幅图像，残差大的像元〔无论正负〕表示出现了不可预 测的特征〔比方一个吸收波段〕。 线性波谱别离(Linear Spectral Unmixing ) Linear Spectral Unmixing可以根据物质的波谱特征，获取多光谱或高光谱图像中物质的 丰度信息，即混合像元分解过程。假设图像中每个像元的反射率为像元中每种物质的反射率 或者端元波谱的线性组合。例如：像元中的25%为物质A，25%为物质B，50%为物质C， 那么该像元的波谱就是三种物质波谱的一个加权平均值，等于，线性波谱别离解决了像元中 每个端元波谱的权重问题。 线性波谱别离结果是一系列端元波谱的灰度图像〔丰度图像)，图像的像元值表示端元 波谱在这个像元波谱中占的比重。比方端元波谱A的丰度图像中一个像元值为，那么表示 这个像元中端元波谱A占了 45%。丰度图像中也可能出现负值和大于1的值，这可能是选 择的端元波谱没有明显的特征，或者在分析中缺少一种或者多种端元波谱。 ⑶ 匹配滤波(Matched Filtering ) 使用匹配滤波〔MF)工具使用局部分离获取端元波谱的丰度。该方法将端元波谱的响 应最大化，并抑制了未知背景合成的响应，最后“匹配〃波谱。该方法无需对图像中所有 端元波谱进展理解，就可以快速探测出特定要素。这项技术可以找到一些稀有物质的“假阳 性(false positives)。 匹配滤波工具的结果是端元波谱比较每个像素的MF匹配图像。浮点型结果提供了像元 与端元波谱相对匹配程度，近似混合像元的丰度，表示完全匹配。 混合调谐匹配滤波(Mixture Tuned Matched Filtering) 使用Mixture Tuned Matched Filtering (MTMF )工具运行匹配滤波，同时把不可行性 〔Infeasiblility〕图像添加到结果中。不可行性图像用于减少使用匹配滤波时会出现的“假 阳性(false positives)像元的数量。不可行性值高的像元即为“假阳性(false positives)像元。 被准确制图的像元具有一个大于背景分布值的MF值和一个较低的不可行性值。不可行性值 以sigma噪声为单位，它与MF值按DN值比例变化〔图〕。 匹配滤波错误位置1 feasibility sigma = 1 DN 匹配滤波错误位置 0,7S. 0.2S 匹配滤波分值背景L feasibiHty 匹配滤波分值 背景 L feasibiHty 胡gnn =100*5 DM 图混合调制匹配滤波技术图解 混合调谐匹配滤波法的结果每个端元波谱比较每个像元的MF匹配图像，以及相应的不 可行性图像。浮点型的MF匹配值图像表示像元与端元波谱匹配程度，近似亚像元的丰度，表 示完全匹配；不可行性〔Infeasibility［值以sigma噪声为单位，显示了匹配滤波结果的可行 性。 具有高的匹配滤波结果和高的不可行性的“假阳性(false positives)像元，并不与目的 匹配。可以用二维散点图识别具有不可行性低、匹配滤波值高的像元，即正确匹配的像元。 最小能量约束(Constrained Energy Minimization) 最小能量约束法〔CEM［使用有限脉冲响应线性滤波器〔finite impulse response -FIR) 和约束条件，最小化平均输出能量，以抑制图像中的噪声和非目的端元波谱信号，即抑制背 景光谱，定义目的约束条件以别离目的光谱。 最小能量约束法的结果是每个端元波谱比较每个像元的灰度图像。像元值越大表示越接近 目的，可以用交互式拉伸工具对直方图后半部分拉伸。 自适应一致估计(Adaptive Coherence Estimator) 自适应一致估计法〔ACE〕起源Generalized Likelihood Ratio (GLR)。在这个分析过程