端元光谱变化与混合像元分解精度的关系研究

从误差传播理论的角度,分析了多选端元光谱、漏选端元光谱以及端元内部光谱变化等情况与混合像元分解精度之间的关系。然后用数值模拟的方式进一步研究了端元内部光谱与限定性混合像元分解精度的关系。研究结果表明:(1)端元光谱间差距越大,端元光谱内差距越小,则混合像元分解精度越高;(2)如果漏选了端元光谱会造成很大的模型误差,然而多选端元光谱却仍然是端元组分的无偏估计。数值模拟结果表明混合像元分解精度与端元类内变化的方差存在负相关的特点。最后就理论推导的结论,讨论了提高混合像元分解精度的可能方法。     

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。     

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。     

混合像元分解模型综述

介绍了五种混合像元分解模型，分别为线性模型、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讨论。并对不同模型之间的相似和差异性进行比较分析。     

FUZZY-ARTMAP混合像元分解及其应用

对于定量遥感来说,混合像元是制约它深入发展的难点之一。针对中高分辨率图像ETM＋,采用FUZZY ARTMAP神经网络进行混合像元分解,获得像元中不同地物的含量,进而获得像元的植被覆盖度。该方法在某地区ETM+图像的应用表明,试验结果能满足应用需求。     

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.     

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。     

基于灰神经网络理论的混合像元分解方法研究

混合像元的存在是影响识别分类精度的主要因素之一。把灰色系统理论与神经网络理论结合起来,提出了一种新的分解模型,对由ＴＭ影像退化生成的模拟数据进行分解的结果表明,使用该模型在分解混合像元时能得到很高的精度。     

利用混合像元分解结合SVM提取城市绿地

从遥感图像提取城市绿地是准确获取城市绿地空间分布的基础。然而由于混合像元的存在,导致城市遥感分类精度不高。因此,利用混合像元分解结合SVM（支持向量机）法提取北京市TM图像城市绿地,并与决策树法比较,研究提高遥感提取城市绿地精度的方法。结果表明,该方法较适合复杂高维空间,对样本选取的准确性没有那么苛刻,可有效地处理城市遥感图像存在的混合像元问题,可较准确地提取城市绿地信息,其精度在92%以上,优于决策树法。     

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。     

高光谱混合像元分解的稀疏优化算法

提出一种参数自适应估计的高光谱混合像元分解算法。为混合像元分解问题建立新的约束优化模型,该模型的目标函数由L2误差项和Lp正则项构成。利用交替优化方法将模型分解为若干子问题,采用邻近算子方法求解这些子问题。在交替迭代的求解过程中,根据每次迭代的结果自适应地选择模型参数。从理论角度分析了算法的收敛性,并通过实验验证了所提算法的有效性。实验结果还表明,与经典的高光谱混合像元分解算法相比,所建立的模型及提出的求解算法可获得更佳的混合像元分解效果。     

基于修正MCMC的端元可变的混合像元分解算法

传统的混合像元分解一般是基于固定端元的,然而实际上影像中像元并非都由完全相同的端元组成。基于波谱库,将端元选取和丰度反演合为一个步骤,抽象成一个估计参数的随机过程,在端元数目可变的前提下,基于可逆的跳跃式MCMC方法估计参数,从波谱库中选取端元并对混合像元进行线性解混。在状态转移过程中,加入端元的累积知识,以提高算法效率。这种算法不需要人工干预,能够实现自动化像元分解,并且具有较高的精度。实验表明,基于修正MCMC的端元可变的自动化解混算法在分解精度和稳定性方面均优于基于固定端元的混合像元分解方法。     

基于正则化方法的遥感图像混合像元分解

由于传感器的分辨率的限制,在低空间分辨率遥感图像中存在着大量的混合像元.混合像元所表示的并不是单一地面物体类别的光谱反射值,而是多种类别的反射光谱的组合.混合像元的混合模型可以分为线性混合模型和非线性混合模型.线性混合模型是最常用的一种解混合方法,对于线性混合模型的求解算法进行了研究,根据最小二乘原理,提出了基于正则化方法的线性混合模型求解算法,对实际遥感TM图像进行了解混合运算,求得了端元丰度图像和伪彩色合成图像.     

基于遗传算法的混合像元快速分解及分类算法

在深入研究混合像元分解原理的基础上,提出了用遗传算法进化模型拟合分解结果的超平面,以实现混合像元分解并进一步分类的算法。给出了用该方法对多光谱图像中混合地物进行分类的实例。实验结果证明:该算法的结果与全约束最小二乘(FCLS)的混合像元分解算法结果相近(相关系数达到0.99),而计算复杂度大大降低,计算速度明显提高且具有较强的适应性。同时在整幅遥感图像的分类中体现出较高的分类性能,为遗传算法在混合地物分类问题中的应用提供了又一条可行的途径。     

基于混合像元分解的高光谱影像柑橘识别方法

为及时准确地监测柑橘种植信息,以江西省会昌县作为研究区,采用EO-1 Hyperion高光谱影像作为数据源,构建了基于混合像元分解的高光谱影像柑橘识别方法。首先,针对EO-1 Hyperion高光谱影像提供了242个波段,光谱范围广的特点,在波段选择、大气校正等预处理的基础上,提取研究区典型地物端元光谱曲线;然后,利用全约束线性光谱混合模型进行混合像元分解,提取出柑橘端元的丰度值,并通过对照高分遥感影像,构建柑橘端元丰度与柑橘实际种植的对应的关系。结果表明:由于典型地物端元提取中不可避免的误差及柑橘冠层覆盖度的差异,柑橘种植的准确识别与其柑橘端元丰度阈值存在对应关系。在经过反复试验的条件下,研究区柑橘端元丰度阈值设定在0.30~0.45范围之内,总精度达到90%以上,能够满足柑橘种植识别要求。     

基于混合像元分解的喀斯特石漠化地物丰度估测

我国西南喀斯特地区长期存在以石漠化为特征的土地退化问题,是我国三大生态问题之一。喀斯特地区地表复杂度高,具有高度时空异质性,像元混合现象严重,植被、裸岩和裸土为喀斯特地区典型地物,使得评价喀斯特石漠化的关键指标(如裸岩率、植被覆盖度)获取比较困难,高光谱遥感在混合像元分解方面有独特优势,可以获取地物端元的丰度。通过地面试验表明光谱指数能够表征地物覆盖度,进而以Hyperion高光谱影像为数据源,利用连续最大角凸锥方法从影像中提取这3类地物的端元,运用半约束和全约束线性光谱分解方法估算其丰度。研究表明:半约束线性分解得到的丰度优于全约束分解结果,其反演的植被、裸土和裸岩的丰度与相应的光谱指数间具有显著线性相关性,确定系数R²分别为0.92、0.66与0.84,表明地物丰度能够表征其覆盖度。因此,通过混合像元分解算法反演地物丰度来提取喀斯特石漠化因子具有一定的可行性,这为高光谱遥感在喀斯特石漠化中的评价和监测奠定了理论和算法基础。     

土地利用遥感动态监测中混合像元的分解方法研究

混合像元的存在是影响识别分类精度的主要因素之一。本分析了现有几种混合像元分解方法的特点,在此基础上提出了灰色相关像元分解法,并验证了其可行性。     

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...     

基于贝叶斯自组织映射和高斯混合模型的混合像元分解

提出一种新的对多通道遥感图像进行混合像元分解的方法.该方法将贝叶斯自组织映射算法引入混合像元分解问题中,通过最小化Kullback-Leibler信息度实现高斯参数的估计,并结合高斯混合模型完成解混.为了获得较高的解混精度,要求适当地扩展正态分布的范围,提出了3σ的方差调整方法来解决这一问题.所采用的解混模型自动满足混合像元分解问题所要求的2个约束条件:丰度值非负约束,丰度值和为1约束.实验结果表明,该方法有较好的混合像元分解结果,同时具有较强的抗噪声能力.     

被动微波遥感数据超分辨率增强与混合像元分解研究综述

星载被动微波遥感数据以其全天候、穿透性以及不受云干扰等特点,在全球变化研究领域取得了广泛的应用,然而其较低的空间分辨率,限制了后期地物参数的反演精度。对国内外被动微波遥感数据空间分辨率提高方法进行介绍,重点介绍了基于图像处理技术的超分辨率增强和混合像元分解方法。通过对两类方法的介绍和评价,展望被动微波遥感数据混合像元分解方法的研究前景。被动微波遥感数据空间分辨率的有效提高,可以为更多的研究和应用领域服务。