光谱分解获取端元光谱
优化端元提取方法的高光谱混合像元分解
优化端元提取方法的高光谱混合像元分解
高光谱混合像元分解是一种常用的方法，用于从高光谱遥感图像中提取端元信息。
但是在实际应用中，由于许多因素的影响，如光照变化、材质反射率等，混合像元分解结果可能存在一定的误差。
为了优化端元提取的效果，可以采取以下方法：
1. 数据预处理：在进行混合像元分解之前，对高光谱图像进行预处理，包括大气校正、辐射定标、大气矫正等，以降低噪声和光照变化对端元提取的影响。
2. 端元选择：根据具体应用需求，选择合适的端元库。
端元库是由已知材质的光谱响应函数构成，选择适当的端元可以更准确地反映实际场景中的材质组成，提高分解的准确性。
3. 混合像元分解算法选择：目前常用的混合像元分解算法有N-FINDR、PPI等。
根据具体情况选择合适的算法进行端元提取。
可以尝试多种算法并进行对比分析，选择效果较好的算法。
4. 约束条件引入：在混合像元分解过程中，可以引入额外的约束条件，如非负性约束、稀疏性约束等，以提高分解结果的稳定性和准确性。
5. 后处理方法：对提取的端元进行后处理，如噪声去除、光谱平滑、分类判别等，进一步提高分解结果的质量。
6. 结合其他数据源：结合其他遥感数据，如高分辨率光学影像、地面采样数据等，可以在一定程度上提高混合像元分解的准确性。
可以通过数据融合的方法，将不同数据源的信息相互补充，得到更可靠的端元提取结果。
通过上述优化方法的综合应用，可以提高高光谱混合像元分解的准确性和稳定性，从而更准确地获取端元信息。
需要根据具体应用场景和数据特点进行针对性的优化。
基于光谱分类的端元提取算法研究
基 于 光谱分 类 的端 元提取 算法研 究
高晓惠 ，相里斌 魏儒义 ，吕群波 ， 。 ，卫俊霞 。
１ ．中国 科 学 院光 谱 成 像 技 术重 点 实 验 室 ， 安 光 学 精密 机 械 研究 所 光 游 成 像技 术 实 验 ， 两 厢安 西 陕 ２ ．中国 科 学 院光 电技 术 研 究院 ，北 京
题 。光 ｝解 混 合包 括 两 方 面 的 问 题 ， 先 足 纯 光 谱 提 取 ，也 ｝ 孚 就 足 端 元 提取 ，然 后 求 解 各 个 端 元 在 每 个 像 元 【百 分 比 含 ｔ １ 量 ，也就 是 度 值 。线 性 混 合 模 比 较 简 ， 斤 在 多数 情
提 ｍ先进行光谱分类 ， 将 个 像划 分成 『 ｌ邻 、光谱 杆 【卡 ｛Ｉ 】１ ｛
具 合 理 件 。将 该算 法 处 理 结 果 与 Ｅ Ｉ【的 Ｓ ＮＶ ｆ Ｊ ＭＡＣ Ｃ算 法 处 结 果 进 行 比较 ． Ｉ 该 算 法 有 端 几 提 取 准 ｌ 』 ｊ
确 ， 问连续性 好，抗噪能力强等特点 。 空 关键词 高光谱遥感 ； ｉ分类 ； 光 ｝ ｝ 光谱冗余 ； 光谱解混俞
谱进行光 解混合 ，每次选择 有最大光游冗余 毓的类 的标
准光 游作 为 新 增 端） ，随 符端 厄 数 ｌ的 不 断 增 ） ， 谱 解 混 亡 １ Ｊ 光 Ｉ Ｉ
况下是有效的．蹦此在遥感图像处 理【 一般采用 线性 混合模 ｝ ］
型 进 行 光 谱解 混 合 。 线 性 光 谱 混 合 模 型 的 恭 础 ｉ．日前 常 在 用 的较 为 成熟 的端 厄 提 取 办法 有 于 形 体 几何 学 的像 元 纯
以达 到 纳 冰 ，空 川分 辨 率 一 般 为 几 米 到 几 米 之 问 。由 于 光
基于多尺度特征的高光谱端元提取方法
基于多尺度特征的高光谱端元提取方法罗菁;刘悦;李云雷【摘要】为提升高光谱端元提取效率,避免同种地物端元的多次重复提取,根据高光谱同种地物光谱曲线主要特征近似、全体像元中端元个体两两具有极大差异的原则,提出了一种基于多尺度特征的高光谱图像端元提取方法,即多尺度特征像元纯度指数方法(MSPPI).首先利用一维离散小波变换获取多尺度的光谱信息,然后利用光谱角距离和欧式最小距离提取相应的多尺度的光谱特征,并利用像元和其邻域内像元点之间的关联,引入距离测度提取纯像元,最终实现端元提取.通过在高光谱数据库USGS和AVIRIS中的实验验证算法有效性,并与SPPI算法和N-FINDR算法进行对比.结果表明:MSPPI算法能够提取全部端元,且每种地物端元提取百分比低于5％,SPPI虽然能够提取全部端元但提取百分比均高于10％,端元重复提取现象严重,而N-FINDR不能有效提取小面积地物,说明MSPPI算法性能优于N-FINDR算法和SPPI算法.%In order to enhance the efficiency of the endmember extraction and avoid the repetitious extraction on those same object endmembers, according to the principle that the hyper spectral curves of same objects have similar fea-tures and the difference between endmembers is greatest in all pixels, a multi-scale hyperspectral image end-member extraction method, named as multi-scale pixel purityindex(MSPPI), is proposed. Firstly, The one-di-mension discrete wavelet transform(1-DWT) is used to obtain multi-scale spectral information. Then, the multi-scale features are extracted from spectral angle distance (SAD) and euclidean minimum distance (EMD), and based on the correlation between the pixels and the pixels in the neighborhood, the distancemeasure is used to extract the pure pixels, which helps the endmember extraction finally to be realized. The validity of the algorithm is tested through the experiments on the hyperspectral database USGS and AVIRIS respectively, and compared with the N-FINDR algorithm and the SPPI algorithm. The experimental results show that the MSPPI can extract all the endmembers with the percentage of endmember extraction less than 5％of each object;the endmembers are also extracted completely by SPPI with a percentage higher than 10％and a serious endmember repeated ex-traction phenomenon has arisen;the endmembers in small areas can not be extracted effectively by N-FINDR. It illustates that the performance of MSPPI algorithm is superior to those of N-FINDR algorithm and SPPI algorithm.【期刊名称】《天津工业大学学报》【年(卷),期】2017(036)006【总页数】8页(P73-80)【关键词】多尺度特征;一维离散小波变换;像素纯度指数;端元提取;高光谱图像;光谱角距离【作者】罗菁;刘悦;李云雷【作者单位】天津工业大学电工电能新技术天津市重点实验室,天津 300387;天津工业大学电气工程与自动化学院,天津 300387;天津工业大学电工电能新技术天津市重点实验室,天津 300387;天津工业大学电气工程与自动化学院,天津 300387;天津工业大学电工电能新技术天津市重点实验室,天津 300387;天津工业大学电气工程与自动化学院,天津 300387【正文语种】中文【中图分类】TP751在现代遥感体系中，相较于其他遥感技术，高光谱遥感技术具有光谱范围窄、波段连续、蕴含近似连续的地物光谱信息、地物识别能力较强等优点，目前被越来越广泛地应用于土地资源的调查及开发和自然灾害监测等领域.端元，指能够代表一种地物完整光谱特性的纯净像元.获取高光谱中的端元信息是高光谱图像精准分类的前提，端元提取作为高光谱图像分类的核心技术，受到了广泛关注.对于端元提取，目前国内外研究主要分为基于特征空间的投影算法，和基于高光谱图像数据在特征空间中呈凸面单形体的单形体体积最大算法.前者常用的方法有像元纯度指数算法（pixel purity index，PPI）[1-3]、顶点成分分析算法（vertex component analysis，VCA）[4-5]等；后者常用的方法有：N-FINDER算法[6-9]等.基于特征空间的投影算法，是将高光谱像元光谱投影到空间中的一组向量上，端点上的点则认为是端元，其端元提取结果受到投影向量选择的制约，随机性较大[10-12]；单形体体积最大算法，则是通过对完整高光谱数据进行迭代计算，选择能使空间单形体体积最大的点作为端元，若要保证端元提取的精确度，必然要承担运行时间和CPU占用率增加的后果.而由于高光谱图像本身数据量大，且信号传播距离长，不可避免会受到噪声的影响，为了减少噪声影响并降低算法复杂度，PPI算法和N-FINDR算法选择借助最小噪声分离（minimum noise fraction，MNF）来滤除噪声并降低高光谱数据维度，而MNF算法实现的前提是获取高光谱数据的噪声信息，噪声信息的获取效率决定了MNF算法的效果，并进一步影响PPI算法和N-FINDR算法的端元提取效率.此外，由于端元位于高光谱凸体顶点，地物的像元基数大小直接影响了其端元的提取效率，针对小面积地物，N-FINDR算法不能保证其端元提取率.为改善这类算法复杂度，崔建涛[10]等提出了空间像素纯度指数算法（spatial pixel purity index，SPPI），利用像元邻域内的局部特征提取代替了完整高光谱数据的迭代，有效降低算法复杂度，但SPPI算法将像元间的角度差异与距离差异无差别叠加，模糊了像元间光谱角距离（spectral angle distance，SAD）[7]和欧式最小距离（euclidean minimum distance，EMD）分别存在的差异，对于同种地物不同光照等状态下的像元光谱不能够很好地分辨，导致同类像元多次重复提取，降低端元提取效率.为了快速而有效地提取不同地物的端元信息，本文提出一种基于多尺度特征的高光谱图像端元提取方法，即多尺度特征像元纯度指数方法（multi-scale pixel purity index，MSPPI）.将一维离散小波变换（onedimension discrete wavelet transform，1-DWT）引入高光谱端元提取中.一方面，一维离散小波变换（1-DWT）能够克服噪声对高光谱数据的影响，并且有效解决像元光谱的高维度问题；另一方面，和SPPI相比，多尺度特征能够有效分离像元间的角度差异与距离差异，从而能够更加精细地描述地物的纹理信息，解决同种地物在不同光照等状态下的像元光谱差异大的问题和不同地物在噪声、光照影响下像元光谱差异小的问题，减少端元重复提取.特征提取将分2个部分进行：一是利用一维离散小波变换（1-DWT）分离高光谱像元的低频与高频信息；二是在分离所得信息的基础上，利用光谱角距离（SAD）[13-14]和欧式最小距离（EMD）[15]获取多尺度特征.高光谱图像数据中包含大量噪声信息，由于同种地物的像元光谱在噪声以及光照分布的影响下存在差异，导致“同物异谱”现象产生.而一维离散小波变换（1-DWT）具有平移旋转不变性，并能够将信号分解为高频信息和低频信息，分离后的信号长度是原始信号的一半，其中低频部分体现原始信号的轮廓信息，高频部分体现信号的细节信息.针对高光谱数据的噪声问题和高维度问题，一维离散小波变换（1-DWT）能够有效降低数据中的噪声，同时降低数据维数并减少空间冗余，有效实现高光谱数据压缩的目的.当f（λ）表示一个像元的光谱曲线时，经一维离散小波变换得到低频和高频子带信号，如图1所示.其中cAi表示第i层低频分量，cDi表示第i层高频分量，继续分解得到光谱曲线的多尺度下分量，即多尺度能多方向、更精细地描述光谱曲线的纹理信息.高光谱图像进行1次一维离散小波变换（1-DWT），其原理如式（1）和式（2）所示：式中：指离散后的小波基函数，由于实验不需要重构光谱向量，小波基函数的选取对结果影响很小，故选择Daubechies小波即db小波完成一维离散小波变换（1-DWT）相关部分实验；m为尺度离散化的幂级数；n为单位时间间隔数.机载可见红外成像光谱仪（airborne visible infrared imaging spectrometer，AVIRIS）数据库[6]1992 年采集的印第安纳州西北部高光谱数据3D示意图如图2所示，从中选取同类地物中2个不同像元，其位置如图3所示.图3中，横坐标表示像元的水平方向上的索引，点的颜色代表地物编号.本文选择一维离散小波变换（1-DWT）对像元光谱进行尺度分离，其1次1-DWT结果如图4所示.由图4可以看出，2像元经分离后的轮廓信息趋势基本一致，细节信息上则出现了部分曲线走向相悖.根据光谱信息的特点，本文利用1-DWT对像元A进行5层分解，分解所得轮廓信息结果如图5所示.由图5可以看出，经4次1-DWT后光谱信息已被过度滤除，为尽可能地保留像元光谱曲线的主要特征，选择2次1-DWT和3次1-DWT所得的低频与高频特征作进一步分析.SPPI算法中所用的SAD特征取值范围为[0，π]，而EMD描述了像元间的偏差.由于高光谱数据的特殊性，同类像元空间结构形状相似，具有近似的SAD，但由于客观环境因素影响，同类像元可能具有很大的EMD值，即“同类异谱”现象.此时SAD对纯像元判定结果的影响几乎忽略不计，SPPI值受EMD主导，导致了端元重复提取.类似的，异类像元空间结构形状不同，但在客观因素影响下，其累计偏差可能近似，即“异物同谱”现象.这样得出的不同地物光谱的SPPI值是近似的，可能会误提混合像元，不利于最终端元提取.由于多尺度特征能够更加精确地描述信号中的纹理信息，与SPPI算法中所采用的融合SAD和EMD两项特征的测度相比，1-DWT的多尺度特征则是将像元分离成多个尺度再分别提取特征形成特征向量，将像元间的角度差异与距离偏差分别进行比较，避免2项特征所占比重不均的问题，同时细化了像元光谱的特征，基本解决“同物异谱”和“异物同谱”导致的端元重复提取和错误提纯的问题.根据高光谱图像中同种地物像元光谱相似且空间聚集分布这一特性，对像元进行提纯，能够减少端元提取的像元基数，并进一步降低算法复杂度和运算时间.本文利用不同尺度下像元间光谱角距离和欧式最小距离作为判定纯像元的标准，从空间角度和直接距离，即像元光谱空间形状上的相似性和像元光谱向量中元素数值上的偏差，对像元的差异性进行描述，并利用像元和其邻域内像元点之间的关联，完成像元提纯，其计算方法如式（3）所示.式中：P指某像元提取得到的特征，该特征由N个尺度提取而来，第i尺度提取的特征命名为Pi，包括和，其计算方法如式（4）—式（7）所示.式中：xi（a，b）指空间1像素点的第i个尺度下的光谱向量；（a，b）为该像素的空间坐标；（s，t）为该像素点邻域窗口K内像素点的坐标；K为5×5大小的空间邻域；y1和y2均为像元光谱向量.由于高光谱图像纯像元具有相似的特征并呈区域性分布，因此选择距离测度D和阈值Th来区分纯像元与混合像元，其计算方法如式（8）所示.式中：Pi，j为坐标（i，j）的像元特征；Ps，t为其邻域内的像元点，（s，t）为对应坐标.将每个像元的测度D由小到大依次排列，D越小说明像元纯度越高，利用阈值Th完成纯像元筛选，这里Th由全体像元的测度D的均值确定.提纯后得到的“纯像元”，需作进一步处理以得到数量更少的端元.由于同类像元具有相似的空间结构，本文采用像元的特征作为区分端元的标准，完成端元提取.对于高光谱数据X，提取总数为n的端元，提取策略步骤如下：（1）记已求得的纯像元集为Xp，根据已求得的高光谱图像X的测度D，取其中具有最小D的像素点作为图像的第1个端元e1=x1，并初始化端元集E={e1}.k表示已被提取的端元个数；p表示待提取的第p个端元，p=k+1；q表示第q个待判断的像元.此时，k=1，p=2，q=2.（2）计算 xq 与端元集 E={e1，e2，…，ei，…，ek}中所有端元的值，记为SADq，i，1≤i≤k.如果min（SADq，i）≤ThSAD（ThSAD为选定的阈值），则q=q+1，转步骤（2）；否则，更新E=E∪{ep}，k=p，继续.（3）判断k=n是否成立，成立则算法结束，端元集为E；否则令p=p+1，返回步骤（2）.为更好地验证算法效果，本文分别设计了验证实验和测试实验.本仿真实验数据出自美国地质勘探局（United states geological survey，USGS）光谱数据库，选取其中的4种地物，其光谱曲线如图6所示.仿真实验所用地物光谱均包含2 151个波段，其波长范围为0.35～2.5 μm，光谱分辨率为10 nm.为了使仿真数据能够更好地模拟真实地物的空间分布特征，实验数据由这4种光谱曲线线性叠加而成，具体生成过程如下：（1）新建48×48的像素点阵，并将其分成6×6个8×8的小块，每一小块随机初始化为一种地物光谱，其分布情况如图7所示，根据灰度值由小到大分别对应地物 1、2、3、4.（2）利用高斯低通滤波器产生混合像元，其算子为13×13个单位.（3）为模拟实际光谱在获取过程中易受到噪声如水蒸气影响的现象，加入零均值高斯白噪声，最终得到仿真高光谱图，生成仿真高光谱数据第3波段图像，如图8所示.为验证本文算法的端元提取效率，将N-FINDR算法、SPPI算法与本文提出的MSPPI算法进行比较.当4种地物的端元均被成功提取时，3种算法的端元提取结果如图9所示，黑色为背景，其余点按照灰度值由小到大的顺序对应地物1、2、3、4.由图9可以看出，N-FINDR算法提取端元数目较多且较为分散，SPPI算法对第2种地物明显提取过多，而本文MSPPI算法提取了非常少量的端元.为定量分析，统计每种地物被提取的像素点个数以及所需时间，结果如表1所示.由表1可以看出，N-FINDR算法针对大面积地物提取端元数明显多于小面积地物，且算法运行时间很长；SPPI算法几乎提取了第2种地物的全部像元作为端元，受同物异谱现象影响严重，在第2种地物的端元提取上出现了明显的重复提取现象，运行时间较长；本文算法（MSPPI）在第2种地物的端元提取上虽然也出现重复提取现象，但对比SPPI算法已经有明显改善，同时所需时间最短.由此说明，本文MSPPI方法在保证算法运行时间的同时，能够减弱同物异谱现象对端元提取效率的影响.实验采用AVIRIS于1992年采集的印第安纳州西北部的高光谱数据集，数据记录了波长为0.4～2.5范围内包括224个波段的光谱图像，剔除低信噪比和受水蒸气影响较大的波段后剩余200个波段，每一波段对应的图像包含145 145个像素点.根据相关文献描述，数据所记录的区域包括16种地物，典型地物包括：玉米、草地、树、苜蓿、黄豆和燕麦等.本文首先对原始高光谱数据进行尺度分离，再取邻域为5×5像素窗口，计算每个像素点的MSPPI特征，并利用该特征对像元提纯，利用所得的纯像元集，进一步完成端元提取.为了更好地体现本文算法的优势，同时选择NFINDR算法、SPPI算法进行端元提取，并与MSPPI算法进行比较.高光谱理想地物分布如图10所示.NFINDR算法、SPPI算法和MSPPI算法端元提取结果如图11所示.图10和图11中，不同颜色代表不同的地物，共有16种.由图11能够明显看出，SPPI算法提取的端元数目最多，MSPPI算法次之，N-FINDR算法丢失了小面积地物的信息.具体每种地物的端元提取结果如表2所示，其端元提取百分比如图12所示.由表2可知：经N-FINDR算法提取得到的端元最少，但有6种小面积地物的端元并未被提取，如牧草、燕麦、小麦等，由于N-FINDR算法是基于单形体体积最大理论的，小面积地物对单形体体积影响很小，因而被忽略.SPPI算法提取了全部16种地物的端元，但提取百分比均高于10%，对于部分大块地物的端元提取出现了过多重复提取的现象，导致端元数目大大增加，为高光谱进一步解混增加了压力.这是由于当同种地物像元受到光照等因素影响时，其像元光谱会出现细节上的差异，当这种差异大到一定程度时，SPPI算法中提取的用于描述像素纯度的特征过于简单而不足以区分这些差异，所以产生误判.而MSPPI算法完整提取了全部种类的地物.由图12可知，MSPPI算法与N-FINDR算法相比，二者提取的端元占总数的百分比相近，每种地物端元提取数目基本低于对应像元总数的5%，但在小面积地物的端元提取效率上，本文算法（MSPPI）具有明显优势；与SPPI算法相比，MSPPI 算法对各类地物端元的提取率曲线明显更加平缓，即算法对不同地物端元的提取效果受地物本身像元基数或外界因素的影响较小，再一次验证了MSPPI算法的优越性.本文提出了一种多尺度高光谱图像端元提取方法，即MSPPI算法，利用1-DWT获取多尺度的光谱信息，利用SAD和EMD提取相应的多尺度光谱特征，利用像元和其邻域内像元点之间的关系引入距离测度提取纯像元，最终实现端元提取.实验结果表明：（1）MSPPI能够提取全部端元，且每种地物端元提取数目基本低于对应像元总数的5%，并有效减弱同物异谱和异物同谱现象对端元提取的影响；SPPI算法虽然能够提取全部端元，但提取百分比均高于10%，端元重复提取现象严重；而N-FINDR算法不能有效提取小面积地物.（2）与N-FINDR算法、SPPI算法相比，MSPPI算法降低了数据维数和程序复杂度，在运行时间方面的性能优于N-FINDR算法和SPPI算法.（3）MSPPI算法基本能够解决“同物异谱”和“异物同谱”导致的端元重复提取和错误提纯的问题.但当前实验中，阈值是经过多次测试后效果最好的一组，是固定不变的，并没有针对每次迭代结果对阈值进行规则性地调整以达到更好的端元提取效果.更加科学系统的阈值自适应调节方法还有待进一步研究.【相关文献】[1]ALIM S，LI J，LIU S C，et al.Improved hyperspectral image classification by active learning using pre-designed mixed pixels[J].Pattern Recognition，2016，51：43-58. [2]WU X Y，HUANG B M，ANTONIO P，et al.Real-time implementation of the pixel purity index algorithm for endmember identification on GPUs[J].IEEE Geoscience and Remote Sensing Letters，2014，11（5）：955-959.[3]CHANG C I，WU C C.Iterative pixel purity index[C]//Workshop on Hyperspectral Image and Signal Processing，Evolution in Remote Sensing.Washington DC：IEEE Computer Society，2012：1-4.[4]孟强强，杨桄，孙嘉成，等.利用小波分解和顶点成分分析的高光谱异常检测[J].光电子·激光，2014，25（6）：1152-1157.MENG Q Q，YANG G，SUN J C，et al.Anomaly detection algorithm based on wavelet decomposition and vertex component analysis in hyperspectral images[J].Journal of Optoelectronics·Laser，2014，25（6）：1152-1157（in Chinese）.[5]CHANG C I，CHEN S Y，LI H C，et parative study and analysis among ATGP，VCA，and SGA for finding endmembers in hyperspectral imagery[J].IEEE Journal of Selected Topics in Applied Earth Observations&Remote Sensing，2017，9（9）：4280-4306.[6]王丽姣，厉小润，赵辽英.快速实现基于单形体体积生长的端元提取算法[J].光学学报，2014，34（11）：308-314.WANG L J，LI X R，ZHAO L Y.Fast implement of the simplex growing algorithm for endmember extraction[J].Acta Optica Sinica，2014，34（11）：308-314（in Chinese）.[7]WINTER M E.N-FINDR：An algorithm for fast autonomous spectral endmember determination in hyperspectral data[C]//Proceedings of SPIE-The International Society for Optical Engineering.[s.l.]：SPIE，1999，3753：266-275.[8]李琳，孟令博，孙康，等.基于代数余子式的N-FINDR快速端元提取算法[J].电子与信息学报，2015，37（5）：1128-1134.LI L，MENG L B，SUN K，et al.A fast N-FINDR algorithm based on cofactor of a determinant[J].Journal of Electronics&InformationTechnology，2015，37（5）：1128-1134（inChinese）.[9]赵春晖，郭蕴霆.一种改进的快速N-FINDR端元提取算法[J].光子学报，2015，44（10）：36-44.ZHAO C H，GUO Y T.An improved fast N-FINDR endmember extractionalgorithm[J].Acta Photonica Sinica，2015，44（10）：36-44（in Chinese）.[10]崔建涛，王晶，厉小润，等.基于空间像素纯度指数的端元提取算法[J].浙江大学学报：工学版，2013，43（9）：1524-1530.CUI J T，WANG J，LI X R，et al.Endmember extraction algorithm based on spatial pixel purity index[J].Journal of Zhejiang University：Engineering Science，2013，43 （9）：1524-1530（in Chinese）.[11]杨可明，刘士文，王林伟，等.光谱最小信息熵的高光谱影像端元提取算法 [J].光谱学与光谱分析，2014，34（8）：2229-2233.YANG K M，LIU S W，WANG L W，et al.An algorithm of spectral minimum shannon entropy on extracting endmember of hyperspectralimage[J].Spectroscopy and Spectral Analysis，2014，34（8）：2229-2233（in Chinese）. [12]王丽姣.基于单形体体积增长的高光谱图像端元提取及快速实现[D].杭州：浙江大学，2015.WANG L J.Hyperspectral endmember extraction and its fast implementation basedon simplex growing theory[D].Hangzhou：Zhejiang University，2015（in Chinese）. [13]韩静，岳江，张毅，等.光谱角匹配加权核特征空间分离变换高光谱异常检测算法 [J].红外与毫米波学报，2013，32（4）：359-365.HAN J，YUE J，ZHANG Y，et al.SAM weighted KEST algorithm for anomaly detection in hyperspectral imagery[J].Journal of Infrared and Millimeter Waves，2013，32（4）：359-365（in Chinese）.[14]PANDA A，PRADHAN D.Hyperspectral image processing for target detection using spectral angle mapping[C]//2015 International Conference on Industrial Instrumentation and Control.New York：Institute of Electrical and Electronics Engineers Inc，2015：1098-1103.[15]陈宏达，普晗晔，王斌，等.基于图像欧氏距离的高光谱图像流形降维算法 [J].红外与毫米波学报，2013，32（5）：450-455.CHEN H D，PU H H，WANG B，et al.Image euclidean distance-based manifold dimensionality reduction algorithm for hyperspectral imagery[J].Journal of Infrared and Millimeter Waves，2013，32（5）：450-455（in Chinese）.。
混合像元分解及其应用(ENVI操作文本)讲解
一基于PPI的端元提取借助纯净像元指数（PPI）和n维可视化工具用于端元波谱收集。
第一步、获取纯净像元这个步骤是在MNF变换的结果上计算纯净像元指数（PPI），之后选择阈值范围从PPI图像上获得感兴趣区，感兴趣区包含的像元就是比较纯净的像元。
（1）打开高光谱数据。
（2）在ENVI主菜单中，选择Spectral ->MNF Rotation- > Forward MNF -> Estimate Noise Statistics From Dat a。
在标准ENVI文件选择对话框中，选择高光谱图像文件。
（3）打开Forward MNF Transform Parameters面板，选择MNF输出路径及文件名，单击OK执行MNF变换。
（4）在波段列表中输出MNF影像及特征曲线值。
从图中可以看出，大约20个波段以后的MNF的特征值很小（5）MNF变换后，在ENVI主菜单中，选择 Spectral-> Pixel Purity Index->[FAST] New Output Band。
在打开的Pixel Purity Index Input File对话框中，选择MNF变换结果，单击Spectral Subset按钮，选择前面10个波段（MNF后面波段基本为噪声），单击OK。
（6）在Display窗口中显示PPI结果。
选择Overlay->Region of Interest，在ROI Tool 面板中，选择Options->Band Threshold to ROI，选择PPI图像作为输入波段，单击OK，打开Band Threshold to ROI 面板（图14.19）。
Min Thresh Value：10，Max Thresh Value：空（PPI图像最大值），其他默认设置，单击OK计算感兴趣区，得到的感兴趣区显示在Display窗口中。
第二步、构建n维可视化窗口（1）在ENVI主菜单中，选择Spectral ->n-Dimensional Visualizer，在n-D Visualizer Input File 对话框中选择MNF变换结果，单击OK。
高光谱遥感岩矿端元提取与分析方法研究
Ｌ Ｉ Ｕ Ｈａ ｎ — ｈ ｕ 一． ＹＡ ＮＧ Ｗｕ — ｎ ｉ ａ ｎ 一ａ ｎ ｄ Ｙ ＡＮ Ｇ Ｒ ｏ ｎ ｇ — ｈ ａ ０ ２
（ １ ．Ｓ ｔ ａ ｔ ｅ Ｋ ｅ ｙ Ｌ ａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙ ｏ ｆ Ｇ ｅ ｏ ｈ ａ ｚ ａ ｒ ｄ Ｐ ｒ ｅ ｖ ｅ ｎ ｔ ｉ ｏ ｎ ａ ｎ ｄ Ｇ ｅ ｏ ｅ ｎ ｖ ｉ ｒ ｏ ｎ ｍｅ ｎ ｔ Ｐ ｒ ｏ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ，Ｃ ｈ ｅ ｎ ｇ ｄ ｕ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ，Ｃ ｈ ｅ ｎ ｇ ｄ ｕ
口
Ｉ ＿ ＿ －
刘 汉 湖 ， 一 ， 杨 武 年 一 ， 杨 容 浩２
（ １ ．成都理工大学 地质灾害防治与地质环境保护 国家重点实验室 ，四川 成都 ２ ． 成 都理 工大学 国土资源部地学空间信息技术重点实验室 ，四川 成都 摘 ６ １ ０ ０ ５ ９ ； ６ １ ０ ０ ５ ９ ）
ｎ ｏ ｉ ｓ ｅ ｆ ｒ ａ ｃ ｔ ｉ ｏ ｎ（ ＭＮＦ ）ａ ｎ ｄ ｐ ｉ ｘ ｅ １ ｐ ｕ ｒ ｉ ｔ ｙ ｉ ｎ ｄ ｅ ｘ（ Ｐ Ｐ Ｉ ）ａ ｎ ｄ ，ｏ ｎ ｓ ｕ ｃ ｈ ａ ｂ ａ ｓ ｉ ｓ ， ｅ ｘ ｔ ｒ ａ ｃ ｔ ｅ ｄ ｔ ｈ ｅ ｅ ｎ ｄ — ｍｅ ｍｂ ｅ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｂ ｙ
ｕ ｓ ｉ ｎ ｇ ｔ ｗｏ － ｄ ｉ ｍｅ ｎ ｓ ｉ ｏ ｎ ａ ｌ ｓ ｃ ａ ｔ ｔ ｅ ｒ ｄ ｉ ａ ｇ ｒ ａ ｍ ａ ｎ ｄ ｔ ｈ ｒ ｅ ｅ — ｄ ｉ ｍｅ ｎ ｓ ｉ ｏ ｎ ｌ ａ ｓ ｃ ａ ｔ ｔ ｅ ｒ ｄ ｉ ａ ｇ ｒ ｍ ，ａ ａ ｎ ｄ ｃ ｏ ｎ ｄ ｕ ｃ ｔ ｅ ｄ ｔ ｈ ｅ ｒ ｅ ｓ ｅ ｒｃ ａ ｈ ｏ ｎ ｔ ｈ ｅ
五、光谱分解与图像分类
包含全部
5
5.1 混合光谱模型
光谱混合的三种形式
线性模型是假设物体间没有相互作用(interaction)，每个光子(photon) 仅能“看到”一种物质，并将其信号叠加到像元光谱中。 大尺度的光谱混合完全可以被认为是一种线性混合，而小尺度的内部物 质混合是些微非线性的，而物体在上下垂直方向结构越复杂，其非线性 特征就表现的越明显。
30
5.2 线性光谱解混－端元提取
（3）顶点成分分析（Vertex Component Analysis, VCA）
单形体若干个顶点可以张成一个子空间，而单形体在某个与这个子空间 正交的向量上的投影距离的最大值点一定是单形体的顶点。因此，可以先设 法找到一个初始端元，然后每次循环都先找一个和已经找到的端元同时正交 的单位向量，再将所有像元点投影到这一单位向量上，将投影结果最大的记 为新端元，加入端元集合并开始下一次循环，直到找到个端元。
22
5.2 线性光谱解混
线 性 光 谱 解 混 的 一 般 过 程 过 程
23
5.2 线性光谱解混
线性光谱解混：
24
5.2 线性光谱解混－端元提取
（1）纯像元指数（PPI）
单形体的形状特点决定了其在空间中任意直线上的投影必为线段， 且线段的端点必为单形体顶点的投影。利用这一性质，可以在特征空间 中随机生成若干直线，并将所有像元点投影到各个直线上，那么直线上 所有投影点中最靠外的两个便是端元点的投影。
－MNF变换进行降维处理 －在n个随机的单位向量上做正交投影变换 －计算每个像元被投影到单位向量端点的次数
25
5.2 线性光谱解混－端元提取
（1）纯像元指数（PPI）
特征空间中点到直线的投影可通过向量的内积运算完成。
高光谱解混方法研究
高光谱解混方法研究严阳;华文深;刘恂;崔子浩【摘要】高光谱图像的空间分辨率较低,导致大量混合像元存在于高光谱图像中.混合像元的存在是使高光谱图像目标分类准确率降低的主要原因之一.高光谱像元解混在高光谱遥感图像处理中具有非常重要的意义.高光谱像元解混主要分为线性和非线性光谱解混两种方法,研究最广泛的是线性光谱解混.归纳了线性光谱解混的两个步骤:(1)提取纯净像元中地物的光谱信号,即提取端元,这是关键步骤;(2)利用端元的加权线性组合对混合像元进行光谱解混,即丰度反演.简述了端元提取及丰度反演研究的主要进展,介绍了端元提取的几种典型算法.通过归纳、对比和分析,总结了不同端元提取方法的特点,并对高光谱解混的研究前景进行了展望.【期刊名称】《激光技术》【年(卷),期】2018(042)005【总页数】7页(P692-698)【关键词】光谱学;高光谱图像;线性解混;端元提取【作者】严阳;华文深;刘恂;崔子浩【作者单位】陆军工程大学石家庄校区电子与光学工程系,石家庄 050003;陆军工程大学石家庄校区电子与光学工程系,石家庄 050003;陆军工程大学石家庄校区电子与光学工程系,石家庄 050003;陆军工程大学石家庄校区电子与光学工程系,石家庄 050003【正文语种】中文【中图分类】TP751引言高光谱图像通过光谱仪采集，能同时获得光谱信息和图像信息，具有图谱合一的优点[1]，使得其在军事目标检测、农作物分类、矿物探测等多个领域都得到广泛应用。
高光谱图像的光谱分辨率在不断提高，但是空间分辨率仍旧较低。
由于高光谱遥感图像在采集图像时，是以像元为单位来获取地面物体的光谱信息，高光谱图像中的每一个像元都对应着具有一定面积的地表区域，而区域的大小由光谱仪的空间分辨率决定。
因此，当空间分辨率较低时，图像中将会出现大量混合像元，导致目标的分类精度降低。
若一个像元里仅仅包含一种物体，则该像元是纯净像元，包含纯净的光谱信号的像元称之为端元;当光谱仪空间分辨率较低时，一个像元里含有多种物质混合，则包含混合光谱信号的像元称作混合像元[2]。
基于随机NMF理论的高光谱端元抽取
第39卷第1期2020年2月南昌工程学院学报Journal of Nanchang Institute of TechnologyVol.39No.1Feb.2020文章编号：1674-0076(2020)01-0086-07基于随机NMF理论的高光谱端元抽取刘雪松，谭文群，彭天亮(南昌工程学院江西省水信息协同感知与智能处理重点实验室，江西南昌330099)摘要：高光谱端元抽取是光谱解混的一部分。
非负矩阵分解(NMF)理论由于其能够很好的保持数据的非负特性,被广泛的应用于光谱解混。
随着高光谱设备的提高，摄像机的光谱频带数也从几百个频带扩展到几千个频带。
从而使光谱数据也越来越大。
经典NMF理论是块处理法，数据越大，计算量也大幅增加。
为了加快光谱解混速度，提出了基于随机L1/2NMF理论的端元抽取方法，与经典NMF相比，该方法能够快速提升算法速度，并且能够保证很好的解混精度。
最后，用真实仿真数据验证了随机NMF理论的有效性。
关键词:端元抽取;光谱解混;非负矩阵分解;随机中图分类号:TP751文献标志码:AHyperspectral endmember extraction based on random NMF theoryLlUXuesong,TAN Wenqun,PENG Tianliang(Jiangxi Province Key Lab o£Water Information Cooperative Sensing and Intelligent Processing,Nanchang Institute of Technology,Nanchang330099,China)Abstract:Hyperspectral endmember extraction is part of spectral unmixing.The non-negative matrix factorization(NMF) theory is widely used in spectral unmixing because it can well maintain the non-negative properties of data.As hyperspectral devices increase,the number o£spectral bands in a camera also extends from hundreds o£bands to thousands of bands.As a result,the spectral data is also growing.The classical NMF theory is a block processing method.The larger the data,the larger the calculation amount.In order to speed up the spectral unmixing speed,this paper proposes an endmember extraction method based on random L1/2NMF pared with the classical NMF,this method can quickly improve the algorithm speed and ensure good unmixing precision.Finally,we validate the validity of the random NMF theory with real simulation data.Key words:endmember extraction；spectral unmixing；non-negative matrix factorization；random高光谱图像通常是包含了几百个波段的图像的集合。
- 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)。
光谱分解获取端元光谱
光谱分解是一种将复杂的光谱分解为几个特定成分（端元）的方法。
端元是指光谱中代表特定物质或物理过程的单一成分。
通过分析端元光谱，可以了解复杂光谱中各成分的贡献和特性。
获取端元光谱的方法通常包括以下几个步骤：
1. 采集样品光谱：首先，需要采集一系列代表所研究样品的光谱数据。
这可以通过光谱仪等光学设备来实现。
2. 选择端元光谱：从采集到的样品光谱中选择几个代表性光谱，作为端元。
选择的端元光谱应该能够较好地表示样品中的特定成分。
3. 端元光谱提取：利用数学方法，如主成分分析（PCA）或线性混合模型（LSM），从样品光谱中提取端元光谱。
这些数
学方法可以将复杂的光谱分解为端元光谱和相关的权重系数。
4. 端元光谱分析：对提取到的端元光谱进行分析和解释。
可以通过比较端元光谱和已知的物质光谱数据库进行匹配，以确定端元光谱所代表的物质。
光谱分解获取端元光谱在许多应用领域都有广泛的应用，如遥感、光谱成像和化学分析等。
通过获取端元光谱，可以更好地理解和解释复杂光谱数据中的成分和特性。