04 混合像元分解截取
envi混合像元分解步骤
envi混合像元分解步骤
哎呀，envi 混合像元分解呀，这可真是个有意思的事儿呢！咱就一步步来瞧瞧。
首先呢，你得准备好你的数据呀，就像厨师要准备好食材一样。
这些数据就是你的宝贝，要好好对待它们哟！
然后呀，要选择合适的算法，这就好比是选择做菜的方法，不同的算法就像是不同的烹饪技巧，能做出不同风味的成果呢！
接下来，就是开始分解啦！这就好像是把一个大拼图一点点拆开，找出每一块的位置。
在这个过程中呀，你得细心再细心，可不能马虎哟！
分解的时候呢，要注意观察各种特征呀，就像观察菜肴的颜色、形状、味道一样。
每一个细节都可能影响最终的结果呢。
这中间可能会遇到一些小麻烦，就像做菜时不小心盐放多了或者火大了。
但别着急，咱慢慢调整，总能找到最合适的方法。
分解完了之后呢，还得检查检查，看看是不是都分解对了。
这就好比是尝尝菜做的好不好吃，要是味道不对，就得重新调整呀。
你想想看，这 envi 混合像元分解不就像是一场奇妙的冒险嘛！每一步都充满了挑战和惊喜。
咱得有耐心，有毅力，才能把这个任务完成得漂漂亮亮的呀！
在这个过程中，可别嫌麻烦，就跟学骑自行车似的，一开始可能会摔倒，但多练习几次就会啦！而且等你掌握了这个技能，那感觉可太棒啦！就好像你学会了做一道超级美味的菜，能在别人面前好好炫耀一番呢！
总之呀，envi 混合像元分解虽然有点复杂，但只要咱一步一个脚印地去做，就一定能成功的。
加油吧！让我们在这个奇妙的世界里探索出更多的精彩！。
常见混合像元分解方法简介二
端元就相当于一个像素里的亚像元，只包含一种地物的光谱信息，根据多光谱或高光谱的高光谱分辨率可以提取出来。
端元只包含一种地物信息，一般的像元都为混合像元，包括多种地物，在进行混合像元分解的时候，可以对一个像元中包括的几种端元进行定量描述，求得每个像元中几种端元在这个像元中的面积百分比，即端元的丰度。
混合像元分解(2011-06-10 14:46:57)转载▼分类：ENVI/IDL学习标签：杂谈混合像元是指在一个像元内存在有不同类型的地物，主要出现在地类的边界处。
混合像元的存在是影响识别分类精度的主要因素之一,特别是对线状地类和细小地物的分类识别影响较为突出，在土地利用遥感动态监测工作中,经常遇到混合像元的难题，解决这一问题的关键在于通过一定方法找出组成混合像元的各种典型地物的比例。
线性混合像元分解由于线性模型是应用最广泛，也是研究最多的算法，下面重点介绍基于线性模型的混合像元分解算法。
一般而言，混合像元分解算法包括数据降维、端元选取和反演三个步骤。
１.数据降维尽管数据降维不是混合像元分解算法的一个必需步骤，但由于大多数算法都将其作为一个流程，我们也将其当作一个步骤。
常用的降维算法有主成分分析（Principle Component Analysis，PCA）、最大噪声比变换（Maximum Noise Fraction，MNF）和奇异值分解（Singular Value Decomposition，SVD）。
(1) 主成分分析：遥感图像各波段之间经常是高度相关的，因此所有的波段参加分析是不必要的。
PCA就是一种去除波段之间相关性的变换。
PCA通过对原数据进行线性变换，获得新的一组变量，即主成分。
其中前几个主成分包含了原数据主要方差，同时各个主成分之间是不相关的。
(2) 最大噪声比变换：最大噪声比变换（Maximum Noise Fraction，MNF）[24]由Green等（1989）提出，该变换通过引入噪声协方差矩阵以实现对噪声比率的估计。
python 混合像元分解方法 -回复
python 混合像元分解方法-回复什么是混合像元分解方法？混合像元分解方法（Mixture Pixel Decomposition）是一种用于解析遥感图像中复杂地物的探测和提取的技术。
遥感图像包含了不同地物的混合像元，即一个像素内存在多种地物的信号。
混合像元分解方法可以将混合像元分离为不同的地物成分，从而获得每个地物的光谱信息，进一步实现对地物进行分类和定量分析。
混合像元分解方法的原理混合像元分解方法通过数学模型对混合像元进行分解，其中最常用的数学模型是线性模型。
假设一个像元包含K 个地物成分，那么混合像元可以表示为K 个地物的线性组合。
即：I = ∑( f * ρ)其中，I 是观测到的混合像元，f 是混合像元中每个地物的系数，表示该地物在混合像元中的比例，ρ是对应地物的光谱响应曲线。
通过对I 进行解析，可以求解出每个地物的成分系数f。
常见的混合像元分解方法1. N-FINDR：N-FINDR 法（Normalized Maximum Likelihood Feature Discrimination）是一种经典的混合像元分解方法。
它通过最大似然估计寻找最优的像元组合，将混合像元分解为基础地物。
N-FINDR 法常用于无监督的遥感图像分类。
2. SISMA：SISMA 法（Spectral Information Subtraction Maximum Likelihood Algorithm）是一种监督的混合像元分解方法。
它引入了监督样本，通过最大似然估计计算每个地物的成分系数。
SISMA 法可以有效地提高分类精度和抑制混合像元效应。
3. VCA：VCA 法（Vertex Component Analysis）是一种基于顶点的混合像元分解方法。
它通过在N 混合像元图中选择顶点，进行解析，找到与顶点最接近的纯地物光谱，从而实现混合像元的分解。
VCA 法适用于对大尺度遥感图像进行定量分析。
混合像元分解方法的应用混合像元分解方法广泛应用于遥感图像解析、地物分类、环境监测等领域。
混合像元分解提取植被
混合像元分解提取植被
混合像元分解是一种常用的遥感图像处理方法，它可以将遥感图像中的每个像元分解为不同的成分，从而提取出图像中的各种信息。
其中，植被是遥感图像中常见的一种成分，因此混合像元分解可以被用来提取植被信息。
混合像元分解的基本原理是将遥感图像中的每个像元分解为不同的成分，这些成分包括植被、土壤、水体等。
其中，植被成分可以通过NDVI指数来计算得到。
NDVI指数是一种反映植被覆盖度的指数，它的计算公式为：
NDVI = (NIR - RED) / (NIR + RED)
其中，NIR代表近红外波段的反射率，RED代表红色波段的反射率。
通过计算NDVI指数，可以得到遥感图像中每个像元的植被覆盖度。
除了NDVI指数，混合像元分解还可以使用其他的方法来提取植被信息。
例如，基于像元的分类方法可以将遥感图像中的每个像元分为不同的类别，其中包括植被、土壤、水体等。
通过对每个类别进行统计分析，可以得到遥感图像中植被的分布情况。
混合像元分解可以被广泛应用于植被监测、土地利用、环境保护等领域。
例如，在植被监测中，可以通过混合像元分解来提取植被信息，从而得到植被的分布情况、生长状态等信息。
在土地利用中，可以通过混合像元分解来分析土地利用类型的分布情况，从而为土
地规划和管理提供参考。
在环境保护中，可以通过混合像元分解来监测水体和土壤的污染情况，从而及时采取措施进行治理。
混合像元分解是一种非常有用的遥感图像处理方法，可以被用来提取植被信息以及其他各种信息。
在实际应用中，需要根据具体的需求选择合适的方法和参数，以得到准确的结果。
混合像元分解法操作步骤[整理版]
![混合像元分解法操作步骤[整理版]](https://img.taocdn.com/s3/m/ff294137bdd126fff705cc1755270722192e59ea.png)
一、农田作物的光谱特征与天然植被有所不同（后者的叶片含水量及绿度均不及农田作物），故在选择纯净端元时会出现混淆，故希望先将农田掩去。
首先要先将农田的界限提取出来。
提取农田边界的方法：
1、对两期影像均提取NDVI图，再将两张NDVI图进行最大化合成。
再将合成后的NDVI
图与任一原图进行链接，调出CUSORLOCA TION 对话框，移动鼠标，观察对话框中NDVI图的数值变化，确定农田区的边界，注意图中某些高植被覆盖区的NDVI值也和农田区的数值一样高，这样做会把高值区也确定为农田区。
但没有关系，这些高值的天然植被区应为水库附近，其含水量等表象与农田作物相似，而与一般旱生植被有异。
正好一并掩去。
做NDVI图：
做最大化合成：
观察两幅图，确定阈值：
量图，此时即可得到农田的范围，然后可用该农田范围做掩膜。
在决策树上输入表达式：注意，阈值不一定是0.3，要自己确定。
给B1赋予NDVI波段
执行分类：
输出为矢量图：
二、应用掩膜，对某一期原始图像做MNF变换和主成分变换，选择前两个波段信息量最大的一种变换，选择其前两个波段，在ENVI5.1中做二维散点图，用最小法提取出纯净端元的光谱曲线。
三、对主成分图进行混合像元分解、分类。
，得到植被分量、分类图。
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。
常见混合像元分解方法简介二
端元就相当于一个像素里的亚像元，只包含一种地物的光谱信息，根据多光谱或高光谱的高光谱分辨率可以提取出来。
端元只包含一种地物信息，一般的像元都为混合像元，包括多种地物，在进行混合像元分解的时候，可以对一个像元中包括的几种端元进行定量描述，求得每个像元中几种端元在这个像元中的面积百分比，即端元的丰度。
混合像元分解(2011-06-10 14:46:57)转载▼分类：ENVI/IDL学习标签：杂谈混合像元是指在一个像元内存在有不同类型的地物，主要出现在地类的边界处。
混合像元的存在是影响识别分类精度的主要因素之一,特别是对线状地类和细小地物的分类识别影响较为突出，在土地利用遥感动态监测工作中,经常遇到混合像元的难题，解决这一问题的关键在于通过一定方法找出组成混合像元的各种典型地物的比例。
线性混合像元分解由于线性模型是应用最广泛，也是研究最多的算法，下面重点介绍基于线性模型的混合像元分解算法。
一般而言，混合像元分解算法包括数据降维、端元选取和反演三个步骤。
１.数据降维尽管数据降维不是混合像元分解算法的一个必需步骤，但由于大多数算法都将其作为一个流程，我们也将其当作一个步骤。
常用的降维算法有主成分分析（Principle Component Analysis，PCA）、最大噪声比变换（Maximum Noise Fraction，MNF）和奇异值分解（Singular Value Decomposition，SVD）。
(1) 主成分分析：遥感图像各波段之间经常是高度相关的，因此所有的波段参加分析是不必要的。
PCA就是一种去除波段之间相关性的变换。
PCA通过对原数据进行线性变换，获得新的一组变量，即主成分。
其中前几个主成分包含了原数据主要方差，同时各个主成分之间是不相关的。
(2) 最大噪声比变换：最大噪声比变换（Maximum Noise Fraction，MNF）[24]由Green等（1989）提出，该变换通过引入噪声协方差矩阵以实现对噪声比率的估计。
混合像元分解
注：由于计算量较大，所以将图像分成三块进行处理，另外此步骤在ENVI Classic里面完成一：纯像元提取（PPI）1、MNF变换选择Spectral→MNF Rotation→Forward MNF→Estimate Noise Statistics from Data在弹出的窗口中选择13-4-26a.img文件，点击ok在弹出的窗口中设定保存路径，文件命名为13-4-26amnf，点击ok2、PPI计算选择Spectral→Pixel Purity Index→[FAST]New Output Band在弹出的窗口中选择13-4-26amnf文件，点击ok在弹出的窗口中设置输出文件，13-4-26appi，点击ok，这一步要等很久。
将获取的纯像元变为ROI：Basic Tools→Region of Interest→Band Threshold to ROI，选择13-4-26appi文件，点击ok弹出的窗口中：3、构建n维窗口，选择端元波谱选择Spectral→n-Dimensional Visualizer→Visualize with New Data在弹出窗口中选择13-4-26amnf文件，点击ok，选中1-5波段（1）在n-D Controls面板中，设置适当的速度（Speed），单击Start按钮，在n-D Visualizer 窗口中的点云随机旋转，当在n-D Visualizer窗口中的点云有部分聚集在一块时，单击Stop 按钮。
借助<-，->，New按钮可以一帧帧从不同视角浏览以辅助删除分散点。
（2）在n-D Controls面板中，选择Class->Items 1:20->red，可选择标志颜色（3）在n-D Visualizer窗口中，用鼠标左键勾画“白点”集中区域，右键结束4、输出端元波谱在n-D Controls面板中，选择Options->Mean All，在Input File Associated with n-D Scatter Plot 对话框中选择原图像13-4-26a，单击OK（2）获取的平均波谱曲线绘制在n_D Mean绘图窗口中。
- 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)。
混合光谱
光谱混合模型
光谱混合模型的数学表达式
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：
S f (x1 , x 2 ,..., x n , f1 , f 2 ,..., f n ) subject to: fi 1, fi 0, i 1,..., n
Y (y1 , y 2 ,..., y n ) G ( g1 , g 2 ,..., g n )T
29 混合像元分解新探索
上述最优化问题可以写为 T minimize 1- YG y S
subject to:
i
i
gi
1, gi 0, i 1,...n
由于 yS 1，YG 1 有
D S, XF PXFj (ln PXFj ln PSj ) PSj (ln PSj ln PXFj )
j 1 i 1
b
b
其中PXFj ( XF ) j / ( XF ) j , PSj S j / S j
j 1 i 1
b
b
混合像元分解新探索
由于光照、地形、阴影、大气等的影响，地物组分
BSMA (Song,2005)、MDA (Ju,2003)
19
端元内光谱差异问题
MESMA
Fraction image showing NPV(nophotosyntheticvegetation), GV(green vegetation) and soil fractions as red, green, and blue, respectively.
化算法往往效率十分低下
27
混合像元分解新探索
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 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
XF XF T S S minimize 1 S subject to: fi =1, f i 0, i 1,...n
最大噪声比 变换(MNF)
结合噪声信息，变换后的数据的波段按信噪比大 小次序排列
奇异值分解 (SVD)
与PCA的作用类似，但适用于波段间高度相关的 数据
12
线性混合像元分解算法
端元选取
使用光谱仪在地面或实 参考端元 验室测量到的端元光谱
图像端元 的端元光谱
直接从遥感图像上获得
13
线性混合像元分解算法
6
物体混合和分布的空间尺度决定了非线性程度
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：
S fi xi w XF w
i 1 n
subject to: i 1, i 0, i 1,..., n
i 1
n
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SCM、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
实际上，FCLS是最小化目标光谱与估计光谱的欧氏距
i 1 n
离
minimize S XF S XF
T
subject to: fi 1, f i 0, i 1,...n
i 1
n
25
混合像元分解新探索
D(S, XF) 的 几 种 形 式
26
• 欧氏距离
D S, XF S XF
14
线性混合像元分解算法
PCA
15
MNF
16
反演
无约束最小二乘 法 （LS）
ˆ U (XT X)1 XT S F
部分约束最小二 乘 （ASC） f 1
n i 1 i
ˆF F ˆ U ( XT X) 1 ZT Z( XT X) 1 ZT 1 (Zα ˆ U b) F 其中: Z 1,...,1 , b 1
利用非负最小二乘法求解
30 混合像元分解新探索
求解出 gi 后，可得：
i
1 gi
i
进而求得
fi gi
i
i
i
gi
, i 1,..., n
31
混合像元分解新探索
SCM算法步骤
将目标光谱及各端元光谱作标准化：
yS
S x xi yi i , i 1,..., n i
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
光谱混合模型
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
端元1丰度 端元2丰度 端元3丰度
端元光谱
T
非负最小二乘法 （ANC）
只有数值解
全约束最小二乘 法 （FCLS）
17
只有数值解（Heinz ,2001）
线性混合像元分解算法
端元内光谱差异问题
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
0.8 0.7 0.6 大针茅 芨芨草 小叶锦鸡儿 羊草 平均
反射率
0.5 0.4 0.3 0.2 0.1 0 0 500 1000 波长(nm) 1500
2000
2500
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
解决方法
•多端元方法
MESMA (Roberts ,1998)、端元束(Bateson , 2000)
• 变换光谱
均值标准化(Wu,2003) 、标准化(Garcia,2005)；微分(Asner,2003)
• 基于概率分布的方法
图像端元提取
交互式 端元提取
PPI指数（Boardman, 1995 ）、MEST算法 (Bateson, 1996)、CAR和EAR指数(Dennison, 2003)
自动 端元提取
•根据光谱信息：N-FINDR(Winter, 1999 )、IEA (Neville, 1999) 、CCA (Ifarraguerri, 1999)、 ORASIS(Bowles , 1995) •结合光谱信息与空间信息：AMEE(Plaza, 2002) 、 SSEE(Rogge, 2007)
其中 S: 表示混合像元反射光谱, S ( s1 , s2 ,..., sb )T , b表示光谱波段数 X : b n矩阵, 表示端元反射光谱,X (x1 , x 2 ,...x n ), xi 表示第i个端元的光谱 F : 表示端元的丰度, F ( f1,f 2 , ..., f n )T ,n为端元的数目 w : 观测误差
S cXF0 b
其中b, c是与波段无关的常数
高斯噪声 (二类)
S XF0 ε
以下将从理论上证明SCM算法对两种噪声的稳健性
33 混合像元分解新探索
一类噪声
由于y S S S
S
cXF0 b cXF0 b
S
c
S
(XF0 XF0 )
fi gi
i
subject to:
f
i 1
n
i
1, f i 0, i 1,...n
i
i
混合像元分解新探索
gi
, i 1,..., n
32
SCM算法的抗噪声能力分析
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)
• 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
20
Spectral Normalization
21
Spectral Derivative
22
混合像元分解方法存在问题
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分解精度提高
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
混合像元相关的主要研究内容
Y (y1 , y 2 ,..., y n )
利用非负最小二乘法求解如下目标函数：
S S
minimize y S YG
将gi转换为端元比例fi：
T
y S YG
FCLS
minimize S XF S XF
T
subject to: gi 0, i 1,...n
T
S XF
• 光谱角 （SAM）
ST ( XF) D S, XF cos T T S S( XF) ( XF)
1
• 相关系数
（SCM）
D S, XF
XF XF S S 1
T
XF S
• 光谱信息散度 （SID）