《混合像元分解截取课件.pptx》由会员分享，可在线阅读，更多相关《混合像元分解截取课件.pptx（46页珍藏版）》请在三一办公上搜索。
1、遥感图像处理与应用,混合像元分解,1,混合像元：一个像元内存在有不同类型地物类型,背景介绍,什么是混合像元,2,混合像元存在原因,背景介绍,在遥感图像中，一个像元往往覆盖几平米甚至上千平方米的地表范围，其中可能包含着多种地物类型，这就形成了混合像元,3,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。,背景介绍,3,混合像元的影响及解决方案,4,混合
2、像元相关的主要研究内容,混合模型的建立混合像元分解算法混合模型中端元的选取方法混合模型中如何考虑端元内光谱差异混合像元分解精度的评价,5,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,混合光谱,端元光谱,光谱混合模型,4,光谱混合模型,6,光谱混合模型的数学表达式,光谱混合模型,5,假设：在一个给定的场景里，地表由少数的几种地物（端元）组成，并且这些地物具有相对稳定的光谱特征，那么，遥感图像像元的反射率可以表示为端元光谱和它们的面积百分比（丰度）的函数：,7,线性模型:到达遥感传感器的光子与唯一地物发生作用（即不同地物间没有多次散射）
3、,光谱混合模型,非线性模型当到达传感器的光子在不止一类地物间进行传输和散射（即地物间发生多次散射），产生非线性混合,6,物体混合和分布的空间尺度决定了非线性程度,8,线性光谱混合模型,线性模型由于构模简单，物理含义明确等特性而得到了广泛的应用。其数学表达式如下：,光谱混合模型,7,9,光谱混合模型,几何光学模型概率模型模糊模型神经网络模型高次多项式模型,9,非线性光谱混合模型,常见的非线性模型,特定表面使用特定的非线性模型具有模拟精度高的优点但是两个主要的障碍限制了非线性模型的应用非线性模型往往需要详细的地物散射参数，这些参数获取困难非线性模型反演比较困难,10,估计场景中,组成混合像元的端元
4、光谱,在保证大部分光谱信息的前提下，降低数据的维数，以方便后续处理,通过混合像元的光谱和端元光谱，估计像元中各端元的面积百分比,数据降维,端元提取,反演,线性混合分解算法,11,线性光谱混合解混算法,11,线性混合像元分解算法,12,数据降维,12,线性混合像元分解算法,13,端元选取,13,图像端元提取,线性混合像元分解算法,14,14,15,PCA,15,16,MNF,16,线性混合像元分解算法,17,反演,17,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,端元内光谱差异问题,不同的草呈现类似而又不完全相同的光谱特征,18,端元内光谱差异问题,18,解决方法,端元内光谱
5、差异问题,19,19,Fraction image showing NPV(no-photosynthetic-vegetation), GV(green vegetation) and soil fractions as red, green, and blue, respectively.,MESMA,20,20,Spectral Normalization,21,21,Spectral Derivative,22,22,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
6、分解精度提高的重要障碍，至今仍未能得到很好解决,存在的问题,23,混合像元分解方法存在问题,23,小结,实验与精度评价,抗噪声能力分析,基于相关系数匹配的混合像元分解算法,基于光谱匹配的混合像元分解算法,混合像元分解新探索,24,混合像元分解新探索,24,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,混合像元分解新探索,25,D,基于光谱匹配的混合像元分解,25,D(S, XF)的几种形式,混合像元分解新探索,26,26,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SC
7、M、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,27,27,混合像元分解新探索,28,最小化估计光谱与目标光谱的欧氏距离,最大化估计光谱与目标光谱的相关系数,基于相关系数匹配的混合像元分解SCM,改变最小二乘法的目标函数,28,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,混合像元分解新探索,29,29,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
8、条件： ）利用非负最小二乘法求解,混合像元分解新探索,30,30,求解出 gi 后，可得：进而求得,混合像元分解新探索,31,31,SCM算法步骤,将目标光谱及各端元光谱作标准化：利用非负最小二乘法求解如下目标函数： 将gi转换为端元比例fi：,混合像元分解新探索,32,FCLS,32,SCM算法的抗噪声能力分析,考虑两种形式的噪声；对端元盖度为 F0 的混合光谱添加两种噪声,混合光谱绝对值变化但形状不变的噪声，即所有的波段都被添加同样的噪声 (一类)其中b, c是与波段无关的常数,以下将从理论上证明SCM算法对两种噪声的稳健性,混合像元分解新探索,33,33,一类噪声,混合像元分解新探索,3
9、4,34,二类噪声,混合像元分解新探索,35,35,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）,实验与精度评价,混合像元分解新探索,36,36,模拟混合,固定绿色植被的比例为20；土壤比例从0开始，按步长0.8%增长；相应的干植被比例从80开始，按步长0.8降低，共计产生101条混合光谱。根据不同的噪声生成三组光谱,利用FCLS与SCM算法求解,混合像元分解新探索,37,37,模拟实验结果,对于没有添加噪声的数据， SCM与FCLS都能给出准确的估计对于高斯噪声,两者都有小的偏差。FCLS和SCM的均方根误差分别为0.0023，0.0033对于一类噪声，SCM能够得到
10、准确的估计,而FCLS估计结果偏差很大，均方根误差达到0.042,混合像元分解新探索,38,38,真实图像实验,北京市北三环及其以北部分区域,混合像元分解新探索,39,概念模型：V-I-S,39,终端端元选取方法,采用ENVI提供的终端端元选取标准方法，即基于最小化噪声（Minimum Noise Fraction，MNF）变换和PPI（Pure Pixel index）指数计算的方法，选取三类端元包括高反照度物体（混凝土、玻璃等）、低反照度物体（水体、沥青地等）、绿色植被（草地、树林等）。,混合像元分解新探索,40,40,绿色植被 高反照度物体 低反照度物体,混合像元分解新探索,41,SCM
11、算法分解结果,41,FCLS分解结果,绿色植被 高反照度物体 低反照度物体,混合像元分解新探索,42,42,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77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,精度评价方法,混合像元分解新探索,43,43,散点图对比,高反照度,绿色植被,低反照度,44,精度评价结果,两种算法的精度十分接近，SCM算法没有体现出优势,混合像元分解新探索,45,45,小结,理论和模拟实验证明对于特殊的噪声（一类噪声）而言,SCM算法比FCLS有更强的抗噪声能力地面实测光谱与遥感图像上的光谱往往欧氏距离比较大，但相关系数仍然保持比较高。因此SCM算法可能可以直接利用地面实测光谱作为端元光谱,而不需要做复杂的辐射订正真实图像实验的结果并未取得理想的效果，可能是因为该地区属于平原地区，仍主要是以高斯误差为主。SCM算法可能在山地地区会有更好的表现，因为地形变化容易引起光谱亮度的差异,混合像元分解新探索,46,46,
