端元提取方法
基于坐标的最大距离法的AMEE的端元提取算法
基于坐标的最大距离法的AMEE的端元提取算法石之依;牛贝贝【摘要】将基于像元坐标的空间最大距离与自动形态学端元提取(Automated Morphological Endmember Extraction,AMEE)结合的一种用于混合像元的分解,实现端元提取的一种算法.这种方法充分地利用了高光谱的空间信息和光谱信息,结合AVIRIS高光谱遥感数据进行实验,并与传统PPI算法进行对比分析,结果表明本文提出的端元提取方法具有很高的可信度.【期刊名称】《黑龙江科技信息》【年(卷),期】2017(000)006【总页数】2页(P64-65)【关键词】混合像元;数学形态学;最大距离法;像元坐标;端元分解【作者】石之依;牛贝贝【作者单位】贵州水利水电职业技术学院,贵州贵阳 550001;河南省科源测绘中心,河南郑州 450000【正文语种】中文随着遥感科技的发展，逐步发展到高光谱遥感阶段，在发展过程中，主要从光谱信息量的增加、光谱波段数增加(从几个波段到可以获取到数十到数百个波段)以及光谱分辨率提高这三个方面进行了改善。
虽然各方面技术都有了显著改善，但由于空间分辨率的限制性，我们获取的影像数据中仍存在着大量的混合像元。
因此，研究如何有效地进行混合像元分解，仍然是当前遥感技术应用发展中的重要课题。
混合像元分解一般要分两步进行[1,2]，即：端元的确定与提取和混合像元分解模型求解。
端元的提取是进行混合像元分解的首要和关键步骤所在[3]，是求解各种地物类型丰度的前提条件。
目前，端元提取常用的方法有PPI[4]、N-FINDR[5]、IEA[6]以及AMEE[2]等方法，由于以上端元提取的方法都是在假定的理想状态下进行的，如何提高提取端元的精度正是现在研究的重点，因此端元提取方法的研究仍然是一个比较热点的问题。
本文通过在基于AMEE算法的基础上，提出了一种结合像元的空间坐标信息进行端元提取的方法。
通过将该方法用于Cuprite地区的AVIRIS数据的端元提取，与传统常用方法PPI方法进行了对比，证明了该方法的可靠性。
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
基于代数余子式的N-FINDR快速端元提取算法
基于代数余子式的N-FINDR快速端元提取算法李琳;孟令博;孙康;赵永超【期刊名称】《电子与信息学报》【年(卷),期】2015(037)005【摘要】基于高光谱图像特征空间几何分布的端元提取方法通常可分为投影类算法和单形体体积最大类算法,通常前者精度不好,后者计算复杂度较高.该文提出一种基于代数余子式的快速N-FINDR端元提取算法(FCA),该算法融合了投影类算法速度快和单形体体积最大类算法精度高的优势,利用像元投影到端元矩阵元素的代数余子式构成的向量上的方法,寻找最大体积的单形体.此外,该算法在端元搜索方面较为灵活,每次迭代都可用纯度更高的像元代替已有端元,因此能保证用该端元确定的单形体,可以将特征空间中全部像元包含在内.仿真和实际高光谱数据实验结果表明,该文算法在精准提取出端元的同时,收敛速度非常快.【总页数】7页(P1128-1134)【作者】李琳;孟令博;孙康;赵永超【作者单位】中国科学院电子学研究所北京100190;中国科学院大学北京100049;中国科学院电子学研究所北京100190;中国科学院大学北京 100049;中国科学院电子学研究所北京100190;中国科学院大学北京 100049;中国科学院电子学研究所北京100190【正文语种】中文【中图分类】TP751.1【相关文献】1.基于流形学习和空间信息的改进N-FINDR端元提取算法 [J], 唐晓燕;高昆;倪国强;朱振宇;程颢波2.一种改进的N-FINDR高光谱端元提取算法 [J], 赵春晖;齐滨;王玉磊3.一种改进的N-FINDR端元提取算法 [J], 韩雪4.两种基于异常权重的N-FINDR端元提取算法 [J], 王杰;李卫朋5.一种改进的快速N-FINDR端元提取算法 [J], 赵春晖;郭蕴霆因版权原因，仅展示原文概要，查看原文内容请购买。
光谱最小信息熵的高光谱影像端元提取算法
（１ ）
式 中，μ 和σ（σ＞０）为常数，则称 X 服从参数为μ 和σ 的高斯 分布或正态分布，记作 X ～N （μ，σ）。
在自然现象和社会现象中，大量随机 变 量 服 从 或 近 似 服
从高斯分布［９］。实验表明，经过去 相 关 的 高 光 谱 影 像 灰 度 值
也是近似服从高斯分布。
１.２ 信息熵
２.３ 算法比对 主要 对 比 ＰＰＩ，ＳＭＡＣＣ 和 ＳＭＳＥ 三 种 端 元 提 取 算 法 的
效率和精度。实验平 台 使 用 清 华 同 方 笔 记 本 电 脑，Ｉｎｔｅｒ（Ｒ） 酷睿双核 Ｉ３ ，２．３ ＧＨｚ，内存 ２Ｇ。ＰＰＩ 迭代次数设置为 ５ ０００ 次，ＳＭＡＣＣ 端元提取个数设 置 为 ７ 个，每 种 方 法 进 行 了 １０ 次实验，得到结果后 求 取 的 平 均 值 如 表 ２ 。从 表 ２ 可 以 看 出 端元提取效率最好的是 ＳＭＡＣＣ，其次是 ＳＭＳＥ，ＰＰＩ 最差。
第８ 期
光谱学与光谱分析
２２３１
Fig.４ Endmember spectra extracted by SMSE
Table ２ Efficiency comparison on PPI，SMACC and SMSE
算Hale Waihona Puke 效率时 间 消 耗／ｓＣＰＵ 占有率／％
ＰＰＩ
１ ９５．６３
２７
ＳＭＡＣＣ
６．１ ３
再利用设置阈值的方式获得小于阈值信 息 熵 的 光 谱，并 叠 加
光 谱 曲 线 概 率 ，最 后 经 过 运 算 筛 选 提 取 端 元 的 算 法 。
ＳＭＳＥ 算法如式（４）所示。
n
∑ Ｈ （j ，k ）＝－ p （xi ）ｌｏｇ１０ p （xi ）＋aＰ （j ，k ） i ＝１
一种改进的N-FINDR高光谱端元提取算法
一种改进的N-FINDR高光谱端元提取算法赵春晖;齐滨;王玉磊【期刊名称】《电子与信息学报》【年(卷),期】2012(034)002【摘要】光谱端元提取是对高光谱数据进一步分析的重要前提.在各种端元提取算法中,N-FINDR算法因其全自动和选择效果较好等优点受到了广泛的关注.然而样本的排序对该算法的端元提取会造成一定影响,并且传统N-FINDR算法需要根据端元的个数进行降维处理,从而限制了该算法的应用.实际高光谱数据中存在的同一地物在高维空间中非紧密团聚现象也对端元提取增加了难度.为此该文提出改进的算法停机准则和数据特征预处理方法,并使用支持向量机对提取到的端元进行二次提取.实验结果表明,改进的停机准则进一步增加了由端元向量组组成的凸体体积.数据特征预处理和基于支持向量机的二次端元提取分别提升了数据的可分性和提取到端元的精度.%Spectral endmember extraction is an important pretreatment for the further analysis of hyperspectral data. Regarding many kinds of endmember extraction algorithms, N-FINDR algorithm is widely utilized for its full-automation and better endmember extraction performance. However, the order of the samples has a certain effect on the endmember extraction, and traditional N-FINDR algorithm also needs to reduce the dimensionality based on the number of the endmembers, which will limit its application. In the actual hyperspectral data, the incompact clustering of the same species presented in the high dimensional space also increases the difficulty of endmember extraction. So this paper proposedan improved stop rule and the pretreatment of the features, and utilizing Support Vector Machine (SVM) to conduct the second endmember extraction. Experiments show that the improved stop rule further increased the volume of the convex polyhedron composed of the endmembers. The pretreatment of the features and the second SVM endmember extraction increase the separability of the data and the precision of the extracted endmembers respectively.【总页数】5页(P499-503)【作者】赵春晖;齐滨;王玉磊【作者单位】哈尔滨工程大学信息与通信工程学院哈尔滨150001;哈尔滨工程大学信息与通信工程学院哈尔滨150001;哈尔滨工程大学信息与通信工程学院哈尔滨150001【正文语种】中文【中图分类】TP751.1【相关文献】1.基于改进人工蜂群算法的高光谱图像端元提取方法 [J], 李冰;孙辉;孙宁;王坤2.基于流形学习和空间信息的改进N-FINDR端元提取算法 [J], 唐晓燕;高昆;倪国强;朱振宇;程颢波3.一种改进的N-FINDR端元提取算法 [J], 韩雪4.一种改进的高光谱端元提取算法及其FPGA实现 [J], 张锦涛;雷杰;吴凌云;黄碧莹;李云松5.一种改进的快速N-FINDR端元提取算法 [J], 赵春晖;郭蕴霆因版权原因，仅展示原文概要，查看原文内容请购买。
端元快速提取的光谱梯度特征搜索法
端元快速提取的光谱梯度特征搜索法田玉刚;杨贵【期刊名称】《测绘学报》【年(卷),期】2015(000)002【摘要】由于数据量大，目前大多数端元提取算法均需较长的计算时间，限制了这些算法的有效应用。
本文提出了以光谱梯度特征为搜索条件的快速端元提取方法，其核心包括基于光谱梯度特征的候选端元快速筛选和基于光谱解混误差的端元识别两部分。
由于能够从影像中快速筛选出少量的像元光谱作为候选端元，故具有较好的计算性能；同时由于避免了非端元光谱参与端元识别，使得识别的结果具有更高的精度。
试验表明，相比经典的 IEA 算法和 ECHO 算法，该算法不仅能大幅度提高端元提取速度，而且具有更准确的端元识别能力。
同时，基于该算法原理，也可对现有各种算法进行改进，提升现有的各种端元提取算法的运算速度。
【总页数】7页(P214-219,227)【作者】田玉刚;杨贵【作者单位】中国地质大学武汉信息工程学院，湖北武汉 430074;中国地质大学武汉信息工程学院，湖北武汉 430074【正文语种】中文【中图分类】TP237;TP751【相关文献】1.结合空间和光谱信息的高光谱影像端元光谱自动提取 [J], 孔祥兵;舒宁;龚龑;王凯2.应用特征光谱线性反演模型快速提取矿物的光谱预处理研究 [J], 王菲;蔺启忠;王钦军;李帅3.新疆天山北坡常见盐生植物端元尺度光谱特征及识别 [J], 张芳;熊黑钢;努尔巴依·阿布都沙力克;栾福明4.基于实测端元光谱的多光谱图像光谱模拟研究 [J], 张婷;丁建丽;王飞5.以凸面单体边界为搜索空间的端元快速提取算法 [J], 朱述龙;齐建成;朱宝山;曹闻因版权原因，仅展示原文概要，查看原文内容请购买。
粒子群空间优化的端元提取算法
350002, China 3.National Engineering Research Centre of Geospatial Space Information Technology, Fuzhou University, Fuzhou
350002, China
ZHU Zhangzhi, HUANG Fenghua. Endmember extraction algorithm based on particle swarm search space optimization. Computer Engineering and Applications, 2018, 54（11）：185-192.
摘 要：粒子群优化算法（Particle Swarm Optimization，PSO）应用于高光谱影像端元提取时，由于影像中存在端元 的 像 元 数 所 占 比 例 极 小 且 分 布 零 散 ，导 致 粒 子 群 的 搜 索 空 间 破 碎 ，存 在 收 敛 性 能 低 、容 易 陷 入 局 部 最 优 解 等 缺 陷 。 对粒子群的搜索空间进行优化，选择影像中纯净像元指数（Pixel Purity Index，PPI）较大的像元作为预选像元，然后 对 预 选 像 元 进 行 光 谱 聚 类 排 序 ，将 排 序 后 的 集 合 作 为 粒 子 群 的 搜 索 空 间 ，优 化 了 粒 子 的 搜 索 空 间 。 并 在 迭 代 过 程 中 ，充分利用粒子群的信息自适应地调整其系数 ，在缩小原始图像与反演图像的误差同时 ，增加体积约束 ，在提取端 元时更好地保持其原有的形状。通过模拟数据和 AVIRIS 影像的实验表明该算法具有较好端元提取效果。 关键词：粒子群算法 ；端元提取 ；高光谱遥感 文献标志码：A 中图分类号：TP751；TP18 doi：10.3778/j.issn.1002-8331.1701-0220
混合像元最优端元子集
混合像元最优端元子集1. 任务背景混合像元最优端元子集（Mixed Pixel Optimal Endmember Subset）是一种在遥感图像处理中常用的技术。
遥感图像通常由多个光谱波段组成，每个像素点包含了来自不同波段的信息。
而混合像元指的是具有多种地物成分的像素点，这些地物成分可能来自于不同的光谱波段。
混合像元最优端元子集就是通过寻找图像中最能代表地物成分的端元（endmember）并将其组合成一个最优的子集，以实现对混合像元进行解析。
2. 混合像元解析方法混合像元解析方法主要包括两个步骤：端元提取和线性解混。
2.1 端元提取端元提取是指从遥感图像中选取代表地物成分的纯净光谱，通常使用基于统计学的方法进行。
常见的端元提取方法有： - 直接法：直接从图像中选取已知地物光谱作为端元。
- 统计法：通过统计图像中各类别样本点的光谱特征来估计端元。
- 非负矩阵分解法：通过将图像数据矩阵分解为非负的端元和混合系数来提取端元。
2.2 线性解混线性解混是指将混合像元表示为端元的线性组合，以还原地物成分。
常见的线性解混方法有： - 直接法：根据端元提取结果，直接计算混合像元中各个地物成分的比例。
- 最小二乘法：通过最小化混合像元与实际观测像元之间的误差，求解最优解。
- 线性光谱不变法：利用端元在不同波段上的光谱特征不变性，建立线性方程组求解。
3. 混合像元最优端元子集技术应用混合像元最优端元子集技术在遥感图像处理中有广泛的应用。
3.1 地物分类通过对混合像元进行解析，可以得到各个地物成分在图像中的空间分布。
结合其他地物分类算法，如支持向量机、随机森林等，可以实现高精度的地物分类。
3.2 地表参数估计通过对混合像元进行解析，并结合地表反射率模型，可以估计出地表参数，如植被覆盖度、土壤湿度等。
这对于农业、水资源管理等领域具有重要意义。
3.3 环境监测混合像元最优端元子集技术可以用于监测环境变化，如城市扩张、森林砍伐等。
一种改进的快速N-FINDR端元提取算法
一种改进的快速N-FINDR端元提取算法
赵春晖;郭蕴霆
【期刊名称】《光子学报》
【年(卷),期】2015(0)10
【摘要】为了解决传统N-FINDR算法计算量大,提取结果对噪声和初始端元选取敏感,且容易将异常点作为端元而造成误提取的问题,提出一种改进的快速N-FINDR端元提取算法.该方法通过光谱距离提取并去除高光谱图像中的冗余信息,减少N-FINDR提取端元的搜索范围,平滑噪声影响,并自适应剔除异常点,通过最大化光谱距离选取N-FINDR的初始端元,避免了随机选择的盲目性.采用合成数据和真实高光谱数据进行仿真分析并与现有算法进行对比,结果表明,本文算法能在噪声与奇异点干扰下正确提取端元,其提取效率和鲁棒性均优于现有算法.
【总页数】9页(P36-44)
【关键词】遥感;端元提取;N-FINDR;高光谱图像;光谱距离;快速算法;抗噪声
【作者】赵春晖;郭蕴霆
【作者单位】哈尔滨工程大学信息与通信工程学院
【正文语种】中文
【中图分类】TP751.1
【相关文献】
1.基于流形学习和空间信息的改进N-FINDR端元提取算法 [J], 唐晓燕;高昆;倪国强;朱振宇;程颢波
2.基于代数余子式的N-FINDR快速端元提取算法 [J], 李琳;孟令博;孙康;赵永超
3.一种改进的N-FINDR高光谱端元提取算法 [J], 赵春晖;齐滨;王玉磊
4.一种改进的N-FINDR端元提取算法 [J], 韩雪
5.利用卡方分布改进N-FINDR端元提取算法 [J], 丁海勇;史文中
因版权原因，仅展示原文概要，查看原文内容请购买。
高光谱遥感数据PPI端元提取方法的研究与实现
高光谱遥感数据PPI端元提取方法的研究与实现侯缓缓【摘要】随着数字地球的提出,高光谱遥感技术在科学技术应用以及日常生活中发挥着不可替代的作用,利用高光谱遥感信息技术的特点,及时获取遥感影像,检测地物的地表分布特征,为地质找矿、地质灾害、环境检测、城市交通、大气研究等提供了可靠的资料.在本文中,以Hyperion图像为研究对象,研究了高光谱端元提取技术以及PPI提取端元算法的基本原理并用程序实现,获得了良好的实验效果.【期刊名称】《世界有色金属》【年(卷),期】2017(000)004【总页数】2页(P117,119)【关键词】高光谱遥感;Hyperion;端元提取;PPI【作者】侯缓缓【作者单位】新疆维吾尔自治区地质环境监测院,新疆乌鲁木齐830000【正文语种】中文【中图分类】P208高光谱遥感(Hyperspectral Remote Sensing)是目标探测技术结合光谱成像技术，获得多维地物特征信息的获取信息技术，它的光谱分辨率已达到了纳米级，这使得多光谱遥感影像中无法获取的光谱特征信息得到检测。
对于地质应用方面，区域地质填图、矿产勘探是高光谱遥感主要的两个应用领域。
通过矿物光谱的研究表明，岩石特性根据某些波段来具体的反映出来，这样就为对其研究提供了有力的保证。
1.1 高光谱遥感图像数据的特点高光谱遥感数据和之前的遥感数据比较，具有图谱合一、多维表达；数据量大、冗余信息多；隐含特征丰富；精细光谱特征表达的特点[1]。
1.2 高光谱数据预处理本文选用的是仅经过辐射校正之后的L1R数据，其中心纬度为北纬22°52′59″，中心经度东经96°26′43″。
研究区Hyperion数据的预处理流程主要为未定标和受水汽影响波段的去除，绝对辐射值转换，Smile效应去除，大气校正，处理后得到反射率图像。
经过大气校正之后地物的光谱特征曲线更接近于真实的植被光谱特征,使得地物更容易被识别。
- 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)。
端元提取是一种数学计算方法，用于从一组数据中提取一个特定的数值。
端元提取通常用于解决一些实际问题，例如从图像中提取特征、从音频信号中提取特征等。
端元提取的方法有很多种，其中最常用的方法是通过特征提取算法来提取端元。
特征提取算法是一种数学变换方法，通过将数据转化为新的形式来提取特征。
常见的特征提取算法包括傅里叶变换、小波变换、能量谱等。
在进行端元提取时，首先需要将数据输入到一个合适的特征提取算法中，然后根据算法的要求进行计算和分析，最后得到所需的端元。
不同的端元提取方法适用于不同的数据类型和问题，因此需要根据具体的情况选择合适的方法。