基于分类结果的多光谱遥感影像端元提取方法
一种空间自适应的多光谱遥感影像端元提取方法
以 Ｔ 多光谱影像 为例 ， ０米的多光 谱影像有 ６个波段 （ Ｍ ３ 不
包 括热红外 ） ，即使这 ６ 个波段互不相关 ， 求取 的本征维数最
多也就是 ６ ， 维 能提取的端无数 目最 多 ７ 。按照 凸面体分 个 析理论 ， Ｍ 多光谱影像 只能提取少 量的端元 ，如果 再以提 Ｔ
取 的少量端 元去解混 ， 精度受到严 重影响 ，难 以满 足实际应 用中的要求 。
小组分 单元 ” ，即“ 端元”＿ ｊ ｌ 。 在混合像元 分解之 前需要进行端元 提取 。 是进行遥感 这
像， 对于高空问分辨率低光谱分辨率的多光谱影像端 元提取
算法很 少。如何从多光谱影像仅有的儿个波段 ｌ有效 的提取 ｝ １
端元信息 ， 是多光谱遥感影像混合像元 分解 的关 键 。 现行基
光谱和地物参考光谱 的蓖要纽带 ； 并从 另一个角度表 达 了遥 感影像分类和识别 的方法 与思路 。由于现实 中混合像 元的广 泛存在 ，一 方 使 得遥 感 影像 光谱 和地 表 实测 光谱 长期 割 ・ 裂 ，另一方面使得遥感 影像 的分类和识别以及定 量反演 的精 度受到重要影响 ，所以混合 像了 分解理沦在遥感 理解 与信息
于凸锥体分 析法 的端元提取算法 ， 通过求取影像 的本征维数 确定端元 的数 Ｖ。即影像端元数 日等于本 征维数加一【 Ｊ Ｉ 。
影像混合像元分解 的首要 步骤 ， 也足最 关键 的步骤 ，它 直接
影 响混合像元分解 的精度 。现行的端 ＿ 源概括 起来 主要 有 ＝ ） Ｉ ∈ 种ｉ ： １根据野外 波 谱测 量或从 已有 的地 物波 谱信息库 （） 巾选择端 】 通过这种 途径 选择 的端元称 为 “ ， 参考 端元 ” ；
１ ０４ ００ ９
多源遥感图像的全局和局部特征提取方法研究
多源遥感图像的全局和局部特征提取方法研究遥感图像是通过卫星或飞机等远距离获取地球表面信息的一种技术。
由于不同传感器所获得的遥感图像具有不同的分辨率、光谱范围和波段组合等特点，因此如何有效地提取出其中的有用信息成为了研究的热点问题。
在遥感图像中，全局特征和局部特征的提取是非常重要的。
全局特征指的是整个图像的统计特性，如平均亮度、对比度等。
这些特征可以帮助我们了解整个图像的整体情况。
局部特征则是指图像中的局部区域所具有的特征，如纹理、形状等。
这些特征能够提供更细致的信息，帮助我们更好地理解图像中的细节。
针对多源遥感图像的全局和局部特征提取问题，研究者们提出了一系列方法。
其中，基于传统的统计方法的全局特征提取方法是最常见的。
这些方法通过计算图像的像素平均值、方差等统计量来描述图像的全局特征。
然而，由于不同传感器所获得的图像具有不同的亮度和对比度特性，单纯使用统计量提取的全局特征可能存在不准确的问题。
为了克服传统方法的局限性，近年来，深度学习方法在多源遥感图像的特征提取中得到了广泛应用。
深度学习方法可以通过构建深层神经网络来学习图像的特征表示，从而提取出更加准确的全局和局部特征。
例如，卷积神经网络（CNN）可以通过卷积和池化等操作提取图像的纹理和形状等特征。
此外，注意力机制等方法也可以帮助网络更加关注图像中的重要局部区域。
总结起来，多源遥感图像的全局和局部特征提取方法是遥感图像研究中的重要问题。
传统的统计方法可以提取全局特征，但在不同传感器的图像上可能存在准确性问题。
而深度学习方法则可以通过构建深层神经网络来学习图像的特征表示，提取出更加准确的全局和局部特征。
未来的研究可以进一步探索更加有效的特征提取方法，以提高遥感图像的分析和应用能力。
高光谱遥感影像端元提取方法对比
高光谱遥感影像端元提取方法对比【摘要】本文在SMACC法和PPI法端元提取基础上，得到高光谱遥感影像端元丰度图，之后用SVM法进行分类。
通过分类结果精度来评价端元提取的优劣。
实验结果表明，基于PPI的线性混合像元分解得到的丰度图用SVM分类效果最佳，整体精度达87.59%，而基于SMACC法结合SVM分类的效果和直接应用SVM分类次之，整体精度分别是83.84%和85.16%。
【关键词】高光谱；端元；支撑向量机（SVM）Comparison of Endmember Extraction Methods from Hyperspectral ImageJIN Wen-ping XIAO Ke－ke（School of Geoscience and Info-Physics, Central South University，Changsha Ｈｕｎａｎ，410083，China）【Abstract】In this paper, SMACC method and PPI method were used to extract endmembers. Then the abundance maps which were derived from endmembers were classified by SVM method. At last ,we evaluated the quality of endmember extraction methods by classification precision. The results show that the PPI-SVM is the best method and the overall precision is 87.59% while that of the SMACC-SVM method and the SVM method are 83.84% and 85.16%.【Key words】Hyperspectra；Endmember；Support vector machine（SVM）０引言高光谱遥感技术丰富的空间维、光谱维信息受到国际研究者的广泛关注，具有广阔的发展应用前景[1]。
遥感影像处理中的特征提取方法和应用
遥感影像处理中的特征提取方法和应用遥感影像是通过无人机、卫星等载体获取的地球表面的影像数据。
特征提取是遥感影像处理中的一项重要任务，旨在从遥感影像中提取出地物的特定特征，以实现对地物的分类、识别和监测等应用。
本文将介绍遥感影像处理中常用的特征提取方法及其应用。
一、特征提取方法1. 基于像素的特征提取方法基于像素的特征提取方法是从单个像素点的信息中提取特征。
常用的方法包括：（1）颜色特征提取：利用遥感影像中的颜色信息进行特征提取。
常用的方法包括二值化、RGB分量、HSV、归一化差异植被指数（NDVI）等。
（2）纹理特征提取：利用遥感影像中的纹理信息进行特征提取。
常用的方法包括灰度共生矩阵（GLCM）、灰度值标准差、平均灰度值等。
（3）形状特征提取：利用遥感影像中的形状信息进行特征提取。
常用的方法包括链码、Hu不变矩、区域面积等。
2. 基于目标的特征提取方法基于目标的特征提取方法是在已知地物目标的前提下，根据地物目标的特定特征进行特征提取。
常用的方法包括：（1）形状特征提取：利用地物目标的形状信息进行特征提取。
常用的方法包括面积、周长、伸长率等。
（2）纹理特征提取：利用地物目标的纹理信息进行特征提取。
常用的方法包括纹理能量、纹理熵、纹理对比度等。
（3）上下文特征提取：利用地物目标的上下文信息进行特征提取。
常用的方法包括边界连接、邻居分析、局部空间关系等。
二、特征提取应用1. 地物分类特征提取在地物分类中起到了关键作用。
通过提取不同地物的特定特征，可以将遥感影像中的地物进行分类，如水体、森林、建筑等。
特征提取方法可以通过训练分类器来实现自动分类。
2. 土地利用监测特征提取可以应用于土地利用监测。
通过提取遥感影像中地物的特定特征，可以实现对土地的类型和变化进行监测，如农田的扩张、森林的退化等，为土地规划和资源管理提供支持。
3. 城市规划特征提取在城市规划中具有重要意义。
通过提取遥感影像中的建筑、道路等特定特征，可以分析城市的发展趋势和扩张方向，为城市规划和交通规划提供数据支持。
遥感影像处理中的分类与目标提取方法
遥感影像处理中的分类与目标提取方法遥感影像处理是利用遥感技术获取的遥感影像数据进行分析、处理和应用的过程。
在遥感影像处理中，分类和目标提取是非常重要的步骤。
分类是将遥感影像中的像素或区域划分到不同的类别中，而目标提取则是从遥感影像中提取出感兴趣的目标对象。
一、分类方法1.1 基于像素的分类方法基于像素的分类方法是将遥感影像中的每一个像素点都进行分类，常见的分类方法包括最大似然分类、支持向量机和随机森林等。
这些方法通过对每个像素的特征进行分析，将其划分到最适合的类别中。
1.2 基于目标的分类方法与基于像素的分类方法不同，基于目标的分类方法将遥感影像中的目标对象作为分类的基本单元。
例如，在城市遥感影像中，目标可以是建筑物、道路或植被等。
这种方法首先对目标进行提取，然后通过对提取的目标进行特征分析和分类。
二、目标提取方法2.1 基于形状特征的目标提取方法基于形状特征的目标提取方法主要是通过对目标的形状进行分析和比较来提取目标。
例如，可以使用边缘检测算法来提取目标的轮廓，然后通过对轮廓的形状进行分析和比较。
这种方法适用于目标具有明显边界和规则形状的情况，如建筑物和道路等。
2.2 基于纹理特征的目标提取方法基于纹理特征的目标提取方法通过对目标的表面纹理进行分析和比较来提取目标。
例如，可以使用纹理特征提取算法来提取目标的纹理特征，然后通过对纹理特征的分析和比较来判断目标。
这种方法适用于目标具有特殊的纹理特征的情况，如森林和农田等。
2.3 基于深度学习的目标提取方法近年来，随着深度学习的发展，基于深度学习的目标提取方法在遥感影像处理中得到了广泛的应用。
深度学习通过构建深度神经网络模型，可以从遥感影像中学习到更高级别的特征表示，从而实现更准确的目标提取。
例如，可以使用卷积神经网络来提取目标的特征，然后通过对特征进行分类或分割来提取目标。
三、遥感影像处理中的挑战在分类和目标提取的过程中，遥感影像处理面临着一些挑战。
遥感图像信息提取方法综述
遥感图像信息提取方法综述遥感图像分析遥感实际上是通过接收（包括主动接收和被动接收方式）探测目标物电磁辐射信息的强弱来表征的，它可以转化为图像的形式以相片或数字图像表现。
多波段影像是用多波段遥感器对同一目标（或地区）一次同步摄影或扫描获得的若干幅波段不同的影像。
在遥感影像处理分析过程中，可供利用的影像特征包括：光谱特征、空间特征、极化特征和时间特性。
在影像要素中，除色调/彩色与物体的波谱特征有直接的关系外，其余大多与物体的空间特征有关。
像元的色调/彩色或波谱特征是最基本的影像要素，如果物体之间或物体与背景之间没有色调/彩色上的差异的话，他们的鉴别就无从说起。
其次的影像要素有大小、形状和纹理，它们是构成某种物体或现象的元色调/彩色在空间（即影像）上分布的产物。
物体的大小与影像比例尺密切相关；物体影像的形状是物体固有的属性；而纹理则是一组影像中的色调/彩色变化重复出现的产物，一般会给人以影像粗糙或平滑的视觉印象，在区分不同物体和现象时起重要作用。
第三级影像要素包括图形、高度和阴影三者，图形往往是一些人工和自然现象所特有的影像特征。
1、遥感信息提取方法分类常用的遥感信息提取的方法有两大类：一是目视解译，二是计算机信息提取。
1.1目视解译目视解译是指利用图像的影像特征（色调或色彩，即波谱特征）和空间特征（形状、大小、阴影、纹理、图形、位置和布局），与多种非遥感信息资料（如地形图、各种专题图）组合，运用其相关规律，进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。
早期的目视解译多是纯人工在相片上解译，后来发展为人机交互方式，并应用一系列图像处理方法进行影像的增强，提高影像的视觉效果后在计算机屏幕上解译。
1）遥感影像目视解译原则遥感影像目视解译的原则是先“宏观”后“微观”；先“整体”后“局部”；先“已知”后“未知”；先“易”后“难”等。
一般判读顺序为，在中小比例尺像片上通常首先判读水系，确定水系的位置和流向，再根据水系确定分水岭的位置，区分流域范围，然后再判读大片农田的位置、居民点的分布和交通道路。
多光谱遥感影像的特征提取方法研究
多光谱遥感影像的特征提取方法研究多光谱遥感影像是指在空间和时间上连续采集多光谱波段信息的遥感影像。
由于其可以获取丰富的信息，因此在各个领域中应用广泛。
但是，如何有效地从多光谱遥感影像中提取关键的信息是一个重要的问题。
本文将从传统方法和基于深度学习的方法两个方面分别介绍多光谱遥感影像的特征提取方法。
传统方法传统的多光谱遥感影像特征提取方法可以分为基于像元的方法和基于对象的方法两种。
基于像元的方法是将多光谱遥感影像中每个像元的多个波段值作为一个特征向量，然后利用聚类、分类等统计方法对其进行处理。
基于对象的方法则是将多个像元构成的对象视作一个整体，将其特征表示为这些像元的统计属性，如平均值、方差等。
其中，常用的基于像元的方法有PCA、ICA、LDA等。
PCA方法是一种线性变换方法，可将多光谱遥感影像中的多个波段压缩为较少的主成分，然后通过对主成分进行分类或聚类进行特征提取。
ICA方法是在PCA的基础上进一步发展而来的，是一种解决非高斯信号的线性分离方法。
LDA方法则是一种有监督的线性变换方法，将多光谱遥感影像中的特征向量映射到一个低维空间中，并立足于分类目标进行分类。
基于对象的方法则包括了多个区域的光谱信息集成和纹理特征提取。
区域集成就是将光谱信息、空间信息和周围环境信息等综合在一起，形成一个整体。
纹理特征提取则是从遥感影像的纹理特征、形状特征、周围环境等方面进行特征提取。
基于深度学习的方法随着机器学习和深度学习算法的发展，在多光谱遥感影像特征提取问题上也出现了更加高效、准确的方法。
深度学习算法通过构建多层神经网络来自动学习特征，从而有效地提高了特征提取的准确率。
深度学习算法中常用的模型有卷积神经网络(CNN)和循环神经网络(RNN)。
CNN模型利用卷积核对输入数据进行特征提取，每个卷积层对输入数据进行不同的特征提取，最终经过全连接层进行分类。
RNN模型则是一种特殊的神经网络，用于处理序列数据。
其中，LSTM模型是一种被广泛使用的循环神经网络模型。
基于分层特征提取和多尺度特征融合的高分辨率遥感影像水体提取深度学习算法
ｈｔｔｐ：／／ｗｗｗ．ｒｅｎｍｉｎｚｈｕｊｉａｎｇ．ｃｎＤＯＩ：１０ ３９６９／ｊ ｉｓｓｎ １００１ ９２３５ ２０２４ ０２ ００６第４５卷第２期人民珠江 ２０２４年２月 ＰＥＡＲＬＲＩＶＥＲ基金项目：国家重点研发计划项目（２０２２ＹＦＣ３００２７０１）收稿日期：２０２３－０６－１３作者简介：盛晟（１９９６—），女，博士研究生，主要从事径流模拟与预报等方面研究。
Ｅ－ｍａｉｌ：ｓｈｅｎｇｓｈｅｎｇ＠ｗｈｕ．ｅｄｕ．ｃｎ通信作者：陈华（１９７７—），男，教授，主要从事水利信息化、流域水文模拟等方面的研究。
Ｅ－ｍａｉｌ：ｃｈｕａ＠ｗｈｕ．ｅｄｕ．ｃｎ盛晟，万芳琦，林康聆，等．基于分层特征提取和多尺度特征融合的高分辨率遥感影像水体提取深度学习算法［Ｊ］．人民珠江，２０２４，４５（２）：４５－５２．基于分层特征提取和多尺度特征融合的高分辨率遥感影像水体提取深度学习算法盛 晟１，万芳琦２，林康聆１，胡朝阳３，陈 华１（１．武汉大学水资源工程与调度全国重点实验室，湖北 武汉 ４３００７２；２．江西省自然资源测绘与监测院，江西 南昌 ３３０００９；３．福建省水利水电勘测设计研究院，福建 福州 ３５０００１）摘要：高精度的水体提取有助于水资源监测和管理。
目前基于遥感影像的水体提取方法缺乏对于边界质量的重视，造成边界划分不准确，细节保留度低的问题。
为了提升遥感影像水体提取的边界与细节的精度，提出了一种基于多尺度特征融合的高分辨率遥感影像水体提取深度学习算法，包括分层特征提取模块与融合多尺度特征的堆叠连接解码器模块。
分层特征提取模块中，引入了通道注意力结构，用于整合高分辨率遥感影像中水体的形状、纹理和色调信息，以便更好地理解水体的形状和边界。
在融合多尺度特征的堆叠连接解码器模块中，进行了多层次语义信息的堆叠连接，并加强了特征提取，同时捕捉了广泛的背景信息和细微的细节信息，以实现更好的水体提取效果。
在自行标注的数据集与公开数据集上的试验结果表明，模型的准确率达到了９８．３７％和９１．２３％，与现有的语义分割模型相比，提取的水体边缘更加完整，同时保留细节的能力更强。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于分类结果的多光谱遥感影像端元提取方法
作者：张云飞岳彩荣马明
来源：《科技视界》2014年第05期
【摘要】本文针对凸面体分析理论应用于多光谱影像端元提取时的端元数目的限制，提出了一种集成监督分类、纯净像元指数计算、凸面体分析理论的端元提取方法。
通过TM影像端元提取实验表明，该方法能够克服端元提取数目的限制，有效的提取多光谱影像的端元。
【关键词】多光谱；混合像元；端元
0 引言
遥感影像的像元很少是由单一均质的地表覆盖类型组成，一般都是几种地物的混合。
因此影像中像元的光谱特征并不是单一地物的光谱特征，而是几种地物光谱特征的混合反映，这给遥感解译造成困扰。
混合像元问题不仅是遥感技术向定量化深入发展的重要障碍，而且也严重影响计算机处理的效果或计算机技术在遥感领域中的应用[1]。
遥感影像端元提取是理解遥感影像空间与特征空间的纽带，它是进行遥感影像混合像元分解的首要步骤，直接影响混合像元分解的精度，是进行定量遥感反演的基础，因而混合像元分解理论在遥感影像的理解与运用上占据重要的地位[2]。
现行的端元来源有两种，一是使用光谱仪在地面或实验室测量到的“参考端元”[3]；二是在遥感图像上得到的“图像端元”[4]。
但是由于各种因素，诸如不同传感器光谱响应、大气影响、辐射条件等，地面实测光谱很难与影响建立起关系，并且实测有较大的主观性。
而从影像本身获取端元简单、方便，且获取的端元具有与影像数据相同的度量尺度[5]，因此从影像本身获取端元是目前获取有效端元的主要途径和研究的热点。
目前，国内外针对端元提取的算法大都集中于高光谱影像，高光谱影像以其图谱合一技术为端元的提取提供了广阔的空间[6]，而对于高空间分辨率低光谱分辨率的多光谱影像端元提取算法很少。
如何从多光谱影像仅有的几个波段中有效的提取端元信息，是多光谱遥感影像混合像元分解的关键。
现行的端元提取算法集中于凸面体分析，通过求取影像的本征维数来确定端元的数目，端元数目即为本征维数加一[7]。
以TM多光谱影像为例，分辨率为30米的多光谱影像有6个波段，即便这6个波段互不相关，其本征维数不会超过6维，最多能够提取7个端元。
对于实际应用来说，端元提取的理论在TM等多光谱影像上是难以应用的。
为此，本文提出了一种基于分类结果的多光谱遥感影像端元提取方法。
该方法结合监督分类、纯净像元指数提取和凸面体理论来提取端元，解决了多光谱遥感影像端元提取数量限制和精度问题，为多光谱遥感影像端元提取提供了新的思路。
1 端元提取方法思路与实现
本文设计的多光谱遥感影像分类和端元提取方法用到了监督分类算法（最大似然法）、像元纯净指数算法和凸面体分析理论。
该方法的基本思想如下：首先通过监督分类将原始数据划分为不同的区块，分块后的影像块间差异较大，有效抑制了背景信息的影响；然后通过对每个区块的光谱特征分析，确定分块端元的数目；最后对图像进行MNF变换，利用纯净像元提取方法提取端元光谱。
具体流程图如图1。
该方法的实现步骤如下：
（1）对原图像进行监督分类，根据图像所显示区域实际土地覆盖情况将原图像分为若干类别，所有类别依次对原图像进行掩膜处理，将原图像裁剪成若干区块。
（2）对每个区块进行光谱特征分析。
根据分块的结果，将影像投影到二维散点图空间，分析光谱特征散点图空间分布特点和复杂程度，确定区块端元数目。
（3）通过凸面体分析技术，采用沙漏流程，首先对影像进行MNF变换，根据光谱特征分析确定的端元数目，设置MNF变换输出的维数。
降维之后借助纯净像元指数和n维可视化工具收集端元波谱。
2 实验与分析
2.1 实验数据
实验所用数据为经过预处理的云南省大理市TM多光谱遥感影像数据。
TM数据在可见光/近红外/短波红外/热红外0.45～12.5μm的大气窗口上设置了7个波段，而出TM6波段空间分辨率为120m外，其他波段空间分辨率均为30m。
本文采用TM1～TM5、TM7这六个波段进行处理，波长范围为0.45～2.35μm，如图2所示（5，4，3波段彩色合成），图像大小为400行×400列。
2.2 实验过程
根据实验数据所示区域实际土地覆盖情况以及数据图像的可分性，将实验区土地覆盖划分为建筑用地、农地、水域、林地和裸地等5类。
在影像区域内均匀地选取各类型的样本数据，使用样本数据对影像进行最大似然法监督分类。
分类结果如图3所示，其中红色代表建筑用地、黄色代表农地、蓝色代表水域、绿色代表林地、青色代表裸地。
根据分类结果，对实验数据进行裁剪，得到5块类别不一的影像，在此选取农地和林地影像进行研究。
分块影像如图4所示（5，4，3波段彩色合成），其中a为农地影像，b为林地影像。
根据分块的结果，将影像投影到二维散点图空间，如图5所示，其中a为农地影像二维散点图，b为林地影像二维散点图。
分析光谱特征散点图空间分布特点和复杂程度，确定分块影像的端元数目。
农地影像二维散点图呈直线型分布，分布结构比较简单，从该区域影像空间能够提取2个有效端元。
林地影像二维散点图明显有3个犄角，说明从该影像空间能够提取3个有效端元。
对分块影像进行MNF变换，MNF变换实现降维与噪声白化作用，目的是寻找影像的本征维数。
根据光谱特征分析确定的端元数目，设置MNF变换的波段输出维数。
农地和林地影像MNF变换的波段输出维数分别设置为2和3。
降维之后进行像元纯净指数计算（PPI），PPI 算法的实质是把端元往给定的投影线上投影，查看端元的投影次数，端元一般位于投影次数最多的地方。
根据纯净像元落在相应影像中的位置，判断农地影像中的两个端元为水田（主要作物为水稻）和旱地（主要作物为玉米、土豆等），林地影像中的三个端元为阔叶林、针叶林和灌木林。
最终提取的端元波谱曲线如图6所示，其中a为农地影像端元提取结果，实线所示为水田光谱曲线，虚线所示为旱地光谱曲线；b为林地影像端元提取结果，实线所示为阔叶林光谱曲线，点虚线为针叶林光谱曲线，长虚线为灌木林光谱曲线。
2.3 实验结果分析
在混合像元分解过程中，端元的选择尤为重要，因为它直接影响混合像元分解的精度。
为了检验本文提出的端元提取方法的有效性，在此从遥感影像中手动选取相应地物，绘制平均光谱曲线，与提取到的端元光谱曲线作对比。
由于TM影像空间分辨率较低，很难从影像中判别相应的地物，借助森林资源二类调查数据，从相应地物的小班中勾画感兴趣区，绘制成平均光谱曲线。
如图7所示，a中实线所示为水田平均光谱曲线，虚线所示为旱地平均光谱曲线；b 中实线所示为阔叶林平均光谱曲线，点虚线为针叶林平均光谱曲线，长虚线为灌木林平均光谱曲线。
对比图6可以看到，各地类的平均光谱曲线差异性明显小于端元光谱曲线，这是由于混合像元大量存在造成的；而从曲线特征来看，平均光谱曲线与端元光谱曲线的折点位置相似，这表明提取到的端元有效，能够表征相应的地物。
3 结束语
本文针对多光谱遥感影像光谱分辨率较低，波段较少，并且波段间的相关性较大，影像噪声严重的现象，提出了一种基于分类结果的端元提取方法，该方法能够克服凸面体分析理论应用到多光谱影像端元提取的数量限制，提高了端元提取的精度。
这种通过光谱先聚再分的思想，充分利用了遥感影像的空间和光谱信息，为多光谱遥感影像的端元提取提供了一种新的思路。
本文提出的端元提取方法基于最大似然法监督分类结果，分类的误差会传递给后续的端元提取过程。
本文还可以尝试采用其他的分类方法代替，以降低分类结果的误差，如支持向量机、随机森林、面向对象的分类方法等。
但是如何减少分类误差向下传导将会是今后一个重要的研究方向。
【参考文献】
[1]吕长春，王忠武，钱少猛.混合像元分解模型综述[J].遥感信息，2003（3）：55-58.
[2]耿修瑞，高光谱影像目标探测与分类[D].北京：中国科学院研究生院（遥感应用研究所），2005.
[3]Roberts D A， Gardner M， Church R， et al. Remote Sensing of Environment[J].1998，65：267
[4]Rashed T， Weeks J R， Gadalla M S， et al. Geocarto International[J].2001，16（4）：5.
[5]李素，李文正，周建军.遥感影像混合像元分解中的端元选择方法综述[J].地理与地理信息科学，2007，23（5）：35-36
[6]童庆禧，张兵，张兰芬.高光谱遥感[M].北京：高等教育出版社，2006.
[7]褚海峰，翟中敏，赵银娣，等.一种多/高光谱遥感图像端元提取的凸锥分析算法[J].遥感学报，2007，11（4）：460-467.
[责任编辑：曹明明]。