混合像元分解方法的研究

混合像元是遥感领域研究的热点,也是难点。混合像元问题不仅影响地物识别和分类精度,而且是遥感技术定量化发展的重要障碍。为了提高遥感应用的精度,就必须解决混合像元的分解问题。该文首先介绍了混合像元的产生机理,然后阐述了时下几种流行的混合像元分解模型：线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型,并对其中几种常用模型的优缺点及其适用性进行总结和讨论．对不同模型之间的相似和差异性进行比较分析。     

端元约束下的高光谱混合像元非负矩阵分解

提出一种端元约束条件下的非负矩阵分解方法来自动反演混合像元组分。以端元光谱之间的差距为约束条件,使得目标函数综合了影像的分解误差和端元光谱的影响,并以最大后验概率方法导出了限制性非负矩阵分解的迭代算法。成像光谱数据实验结果表明该方法能够自动提取影像的端元光谱矩阵与组分信息,且分解精度比IEA方法高。     

混合像元分解方法的研究

混合像元是遥感领域研究的热点,也是难点。混合像元问题不仅影响地物识别和分类精度,而且是遥感技术定量化发展的重要障碍。为了提高遥感应用的精度,就必须解决混合像元的分解问题。该文首先介绍了混合像元的产生机理,然后阐述了时下几种流行的混合像元分解模型:线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型,并对其中几种常用模型的优缺点及其适用性进行总结和讨论,对不同模型之间的相似和差异性进行比较分析。     

一种端元可变的混合像元分解方法

混合像元线性分解是高光谱影像处理的常用方法，它使用相同的端元矩阵对像元进行分解，其结果是分解精度不高。为此提出了一种端元可变的混合像元分解方法，在确定端元矩阵时，首先考察混合像元与端元的光谱相似性，结合地物空间分布特点，实现了可变端元的混合像元分解。试验结果表明，该分解方法分解精度优于传统线性模型，符合实际情况。     

基于改进SAM的高光谱影像混合像元分解算法研究

将传统遥感图像分类方法中的光谱角度制图法(Spectral Angle Mapping-SAM)加以变换,改进为一种符合全约束条件下的高光谱遥感图像的混合像元分解模型.新算法在端元丰度比例满足全约束的条件下,通过逼近的方法寻找一种端元丰度的比例组合,使测试光谱与目标光谱的广义夹角最小,从而认为该比例组合就是混合像元分解...     

结合空间光谱预处理和约束非负矩阵分解的高光谱图像混合像元分解

目的 混合像元问题在高光谱遥感图像处理分析中普遍存在,非负矩阵分解的方法被引入到高光谱图像解混中。本文提出结合空间光谱预处理和约束非负矩阵分解的混合像元分解流程。方法 结合空间光谱预处理的约束非负矩阵分解,如最小体积约束、流行约束等,通过加入邻域的空间和光谱信息进行预处理获得更优的预选端元,从而对非负矩阵分解的解混结果进行优化。结果 在5组不同信噪比的模拟数据实验中,空间预处理（SPP）和空间光谱预处理（SSPP）均能够有效提高约束非负矩阵分解（最小体积约束的非负矩阵分解和图正则非负矩阵分解）的解混结果,其中SPP在不同信噪比的情况下都能优化约束非负矩阵分解的结果,而SSPP在低信噪比的情况下,预处理效果更佳。利用美国内华达州Cuprite矿区数据进行真实数据实验,SPP提高了约束非负矩阵分解的解混精度,而SSPP在复杂场景下,解混精度更佳。模拟数据和真实数据的实验均表明,空间光谱预处理能够有效地提高约束非负矩阵分解的解混精度,特别是对于信噪比较低的情况下,融合空间和光谱信息对噪声有很好的鲁棒性。结论 本文对约束非负矩阵分解的解混算法添加空间光谱预处理,利用高光谱遥感数据的空间和光谱信息,优化预选端元,加入空间光谱预处理的非负矩阵解混实验流程,在复杂场景情况下,对噪声具有较好的鲁棒性。     

高光谱影像端元提取算法的进展分析与比较

对当前国际经典和前沿的6种代表性的端元提取算法进行比较研究,包括SPP-N-FINDR、VCA、SPICE、PCOMMEND、MVSA和MVC-NMF,通过理论和实验两种方式对这些算法进行综合性对比和分析,总结其优势和存在的问题。通过模拟和真实数据实验得出:SPP-N-FINDR算法的抗噪声能力不如其他5种算法;VCA和MVSA的稳定性较好;MVC-NMF和SPICE无需知道端元数目,且能直接得出丰度矩阵,自动化程度较高;PCOMMEND在真实高光谱图像中提取端元的结果最好,能直接得出丰度矩阵,但若端元数量为素数时精度会下降。研究成果将为今后围绕这些算法的相关研究提供必要的理论支持和参考。     

基于RBF神经网络的混合像元分解

介绍了高光谱遥感技术中混合像元的概念,可以通过分析高光谱遥感光谱曲线,来确定混合像元的地物组成类别和比例,实现混合像元分解的目的.阐述了基于RBF网络进行混合像元分解的方法,并采用模拟遥感数据进行了仿真实验,验证了这种方法的有效性.     

非线性混合像元分解的可视化分析与评价

混合像元的非线性分解通常采用神经元网络模型来拟合,普遍缺乏线性分解模型简单明确的物理意义,导致难于了解像元混合的特点及误差分布的模式。为此,提出均方根误差、双变量统计、置信度估计和混合复杂度等可视化方法来评价非线性混合模型分解的结果,直观地表达出影像中像元的分解精度、混合程度以及误差分布模式等,从而理解非线性混合模型分解的某些特点。实验以投影追踪学习网络（PPLN）为例,利用MODIS与ETM+数据,对MODIS混合像元分解进行了可视化分析,一定程度上展现了PPLN分解的某些特点。通过与反向传播神经网络(BPNN)分解比较结果表明,PPLN具有较高的分解精度,总体误差从0.182 8降低到0.171 7,降低了大约6.5%,且可视化分析表明混合程度较大的区域发生在城区和稀疏植被覆盖区。     

基于线性光谱模型的混合像元分解方法与比较

线性光谱模型是目前解决城市中等空间分辨率遥感(如Landsat)中存在的混合像元问题的简单、有效的策略。本实验以广州区域为研究区,利用ENVI/IDL影像处理和开发平台对4种混合像元线性光谱分解方法进行了对比,即无约束条件法、带部分约束条件法、普通带全约束条件法和带全约束条件的可变端元法。结果表明,普通带全约束条件法和带全约束条件的可变端元法的分解结果比无约束条件法和带部分约束条件法的分解结果合理,均方根误差明显要小;同时,带全约束条件的可变端元法要优于普通带全约束条件法。光谱归一化处理则对不同分解方法带来不同的影响,应依据实际需要采取合适的光谱处理方式。     

混合像元分解的理论与方法-以神木县为例

识别分类是遥感技术应用中的重要一环,而混合像元是影响识别分类精度的主要因素之一。为了提高识别分类精度,本文提出了四种混合像元分解方法,它们是匹配像元分解、折半像元分解、双邻像元分解、相关像元分解。混合像元分解前,计算机分类识别精度仅为63.65％,混合像元分解后,其识别分类精度达88.67％,可见混合像元分解的效果是很显著的。     

基于低秩分解与像素置乱的图像去雾方法

针对浓雾场景下图像目标信息被严重遮挡,现有雾天图像清晰化算法难以取得较好去雾效果的问题,基于低秩分解并结合像素置乱提出一种新的图像去雾方法。根据低秩分解理论和散射介质成像模型,将雾天降质图像看作两部分的叠加：一部分是具有低秩特性的雾化背景,另一部分是具有高秩特性的清晰目标场景。由于目标场景本身具有局部相关性和非局部相似性而含有一定程度的低秩成分,直接进行低秩分解会导致一部分目标场景被当作雾化背景去除,因此对原始雾天图像进行像素置乱以破坏场景本身的相关性,同时雾化背景因其全局缓变特性仍保持低秩属性,从而在进行低秩分解时最大限度地保留场景信息。最后,将高秩成分进行像素归位,获得去雾后的复原场景。实验结果表明,与暗通道先验、DehazeNet等主流图像去雾方法相比,该方法针对O-HAZE数据集中浓雾图像的去雾具有更好的表现,在有效去除浓雾的同时,不会产生大面积色偏现象。     

基于混合像元分解和双边界提取的湖泊面积变化监测

如何通过充分考虑地物复杂性和地域时间限制,提高混合像元分解算法的精度和普适性,是目前基于中低分辨率遥感数据进行湖泊面积监测所面临的主要问题。针对问题,提出了一种结合双边界提取和混合象元分解的高效算法,最后基于AVHRR数据对中国东北,内蒙古地区的湖泊面积变化进行遥感监测,验证了算法的高精度和可行性。     

基于线性光谱混合模型的油菜种植面积遥感监测方法研究

利用中低分辨率卫星影像进行油菜面积提取时,需要考虑混合像元产生的影响,以提高面积提取的精度。本文以2009年湖北省潜江市油菜种植面积为例,利用中巴地球资源卫星(CBERS-02B)遥感影像,选取线性光谱混合模型进行油菜种植面积的分解计算研究,将结果与基于GVG(GPS、VIDEO、GIS)农情采样系统得到的结果进行对比分析,面积提取精度为97.43%。表明线性光谱混合模型能够高精度地提取油菜的种植面积,不失为一种很好的监测油菜种植面积方法。     

由粗到细的高光谱图像多端元光谱混合分析

光谱可变性是影响高光谱图像光谱混合分析精度的重要因素，多端元光谱混合分析是解决该问题的有效手段。为了降低光谱混合分析时间复杂度的同时提高其精度，提出了一种由粗到细的多端元光谱混合分析算法，该算法首先基于扩展的端元集对每个像元进行全约束光谱混合粗分析，确定含所有地物的初始端元集，在此基础上进一步进行精细光谱混合分析，迭代光谱混合分析构建端元子集，最终根据重构误差变化量确定各个像元的最优端元集。实验结果表明:相比迭代光谱混合分析法和分层多端元光谱混合分析法，所提出的由粗到细的高光谱图像多端元光谱混合分析能有效降低算法反演丰度误差并改善计算效率。     

由粗到细的高光谱图像多端元光谱混合分析

光谱可变性是影响高光谱图像光谱混合分析精度的重要因素,多端元光谱混合分析是解决该问题的有效手段。为了降低光谱混合分析时间复杂度的同时提高其精度,提出了一种由粗到细的多端元光谱混合分析算法,该算法首先基于扩展的端元集对每个像元进行全约束光谱混合粗分析,确定含所有地物的初始端元集,在此基础上进一步进行精细光谱混合分析,迭代光谱混合分析构建端元子集,最终根据重构误差变化量确定各个像元的最优端元集。实验结果表明:相比迭代光谱混合分析法和分层多端元光谱混合分析法,所提出的由粗到细的高光谱图像多端元光谱混合分析能有效降低算法反演丰度误差并改善计算效率。     

基于一种改进的多端元混合像元分解方法的三江源中东部地区植被盖度信息的提取

三江源地处青海省南部,近年来生态环境不断恶化、草地退化严重。植被盖度是研究草地退化的重要指标之一,如何快速、准确、大面积地获取植被信息对三江源的生态环境变化监测尤为重要。传统的固定端元混合像元分解(TSMA)不适用于地域辽阔、地物类型复杂多样的三江源区,而多端元混合像元分解(MESMA)允许端元的类型和数量随像元的不同而变化,更符合三江源的实际情况。基于已有相关研究提出一种改进的多端元混合像元分解(IMESMA),即加入端元组分合理性最优端元模型判断规则,分两步对影像进行分解并获得像元的植被盖度信息。第一步利用多端元模型探测出含有植被信息和完全不含植被信息的像元,并对非植被像元进行掩膜,以提高分解精度;第二步仅对含有植被信息的像元进行分解,获得最终的三江源中东部植被盖度信息。通过多端元分布图、混淆矩阵和与实测数据的均方根误差(RMSE)对比表明,相比TSMA,IMESMA考虑了同物异谱现象,并且其分解精度高、分解结果可信,更适合三江源区的植被信息提取。本方法也可用于其他复杂环境地表组分信息的提取。     

扫描图象细化后象点点位精度研究

该文提出了一种计算扫描图象细化后象点点位中误差的方法,通过实验,得出的主要结论是：扫描图象细化后的点位精度由固定误差和比例误差两部分组成;不同细化算法对点位精度影响不大,但扫描仪可能存在系统误差,其大小有待进一步研究。图象细化是扫描图象矢量化的基础,研究扫描图象细化后的精度对某些应用领域（如图象转换为ＧＩＳ数据库的数据）有着重要的意义。