内容简介
混合像元分解是高光谱图像处理领域的重要研究内容。本书系统地介绍了混合像元的基本概念和数学模型,详细地描述了混合像元分解的主要算法。全书分为7章:绪论、混合像元模型、混合像元分解流程、端元数量确认算法、端元提取算法、丰度反演算法和实验比较。
目录
《地球观测与导航技术丛书》出版说明
前言
第1章绪论1
1.1遥感与高光谱遥感1
1.2高光谱遥感图像数据2
1.3混合像元现象3
1.4混合像元分解问题5
第2章混合像元模型6
2.1线性光谱混合模型7
2.2非线性光谱混合模型10
2.2.1Hapke混合光谱模型11
2.2.2Kubelk-Munk混合光谱理论12
2.2.3双线性模型13
2.3混合像元分解流程14
2.4数据降维方法15
2.4.1主成分分析15
2.4.2最大噪声分数17
2.4.3仿射集拟合18
2.5精度评价指标20
2.5.1光谱角距离20
2.5.2光谱信息散度20
2.5.3均方根误差21
第3章端元数量确认算法22
3.1主成分分析22
3.2最大噪声分数22
3.3虚拟维数23
3.4最小误差信号子空间识别27
3.5特征值似然最大化30
3.6基于几何学的端元数目估计算法31
第4章端元提取算法36
4.1端元提取算法分类36
4.2纯像元假设下的端元提取算法37
4.2.1纯像元指数37
4.2.2内部最大体积40
4.2.3逐次投影算法41
4.2.4顶点成分分析42
4.2.5单形体投影方法43
4.2.6迭代误差分析44
4.2.7单形体增长45
4.2.8顺序最大角凸锥45
4.2.9交替体积最大化46
4.2.10连续体积最大化51
4.2.11p范数纯像元识别52
4.3最小体积模型下的端元提取算法53
4.3.1外包单形体收缩53
4.3.2最小体积单形体分析55
4.3.3基于分裂增广拉格朗日的单纯形识别56
4.3.4最小体积外包单形体58
4.3.5鲁棒最小体积封闭单形体算法61
4.3.6最小体积约束的非负矩阵分解63
4.3.7迭代限制端元法64
4.3.8凸锥分析方法65
4.4融合空间信息的端元提取方法66
4.4.1自动形态学端元提取66
4.4.2空间光谱信息端元提取68
4.4.3空间预处理71
4.4.4区域空间预处理74
4.4.5空间光谱预处理75
4.5统计模型下的端元提取算法76
4.5.1独立成分分析76
4.5.2依赖成分分析83
4.5.3贝叶斯分析87
4.6智能端元提取算法90
4.6.1蚁群优化端元提取90
4.6.2离散粒子群优化端元提取95
4.7其他端元提取算法99
4.7.1凸集分离端元提取99
4.7.2支持向量机端元提取405
第5章丰度反演算法107
5.1最小二乘法107
5.1.1无约束最小二乘法107
5.1.2“和为1”约束最小二乘法108
5.1.3非负约束最小二乘法108
5.1.4全约束最小二乘法109
5.2稀疏回归光谱解混109
5.2.1基于稀疏策略的迭代约束端元提取算法109
5.2.2分离和增广拉格朗日光谱解混110
5.2.3全变分-分离和增广拉格朗日光谱解混112
5.2.4L1/2稀疏约束非负矩阵分解算法118
5.3正态组分模型反演算法122
5.3.1马尔可夫链蒙特卡罗算法123
5.3.2粒子群优化的期望最大化算法125
5.3.3正态端元光谱解混算法128
5.3.4可逆转跳变马尔可夫链蒙特卡罗129
第6章混合像元分解实验135
6.1模拟数据实验135
6.1.1数据介绍135
6.1.2实验流程137
6.1.3实验结果与分析138
6.2实际数据实验141
6.2.1数据介绍142
6.2.2实验流程143
6.2.3实验结果与分析144
参考文献155
索引161
精彩书摘
第1章绪论
1.1遥感与高光谱遥感遥感遥感(remote sensing, RS)是以电磁波与地球表面物质相互作用为基础,探测、分析和研究地球资源与环境,揭示地球表面各要素的空间分布特征与时空变化规律的科学技术(赵英时, 2010)。按照获取图像光谱分辨率的不同,可将遥感分为全色、彩色、多光谱和高光谱四类。
高光谱遥感高光谱遥感成像是将成像技术和光谱技术相结合的多维信息获取技术,同时探测场景的二维几何空间与一维光谱信息,获取高光谱分辨率的连续、窄波段的图像数据,因此高光谱遥感通常又被称为成像光谱遥感成像光谱遥感(童庆禧等, 2006)。高光谱遥感成像技术是20世纪80年代初在多光谱遥感成像技术的基础上发展而来的,高光谱遥感的出现可以称得上是遥感技术的一场革命。它使原本在多光谱遥感中无法有效探测的地物,在高光谱遥感中得以探测。高光谱遥感数据的光谱分辨率高达10-2um数量级,在可见光到短波红外波段范围内光谱分辨率为纳米级。
图1.1高光谱数据获取
与多光谱遥感器相比,成像光谱仪能够得到上百通道、连续波段的图像,如图1.1所示,高光谱分辨率的特性使得高光谱图像数据相邻波段间隔较窄,存在波段重叠区域,因此光谱通道不再离散而是连续的,高光谱图像数据每个像元均可提取一条完整的高分辨率光谱曲线,而与地面光谱辐射计相比,成像光谱仪不是在(点)上的光谱测量,而是在连续空间上进行光谱测量,因此它是光谱成像。依据高光谱遥感成像技术,高光谱图像数据具有高光谱分辨率、图谱合一的特点,但由于成像光谱仪设计和制造方面的技术瓶颈,高光谱数据在信噪比、空间分辨率、扫描幅宽等性能方面受到一定程度的制约,高光谱数据这些鲜明的(优势)和(弱点)使得其数据处理与分析方法必须有别于全色和多光谱数据。
1.2高光谱遥感图像数据
由于高光谱图像图谱合一的特点,其获取的数据构成一个三维数组,或称为图像立方体。一个M行、N列、L波段的高光谱图像立方体第i行、第j列的像元是,可将其各个波段的数值与波长对应,得到一个二维坐标系中的散点图。若图像的波长间隔足够小、波段数量足够多,则可将散点连接,得到一个近似的曲线图,称为像元的光谱曲线!如图1.2所示
若不考虑波长的物理意义,仅将视为一个L维向量,则其可对应L维空间中的一个点。进而整个高光谱图像将对应中的一个点云。因此称为高光谱图像的特征空间。
虽然高光谱图像包含了空间和光谱双重信息,但对于某些高光谱图像处理算法来说,只需利用其光谱信息。为了便于表述,通常将M行、N列、L波段的高光谱图像立方体重新排列为M行N列的二维数组称为图像矩阵。图像矩阵,中第i列的向量r,为原高光谱图像中的一个像元为第i个像元在第j个波段的反射率(或辐亮度)如图1.3所示
1.3混合像元现象
传感器接收地面信号的基本单位是像元,每个像元记录的是传感器每个瞬时视场角对应地面单元内的地表物质发射或反射的电磁波信号的综合"称为光谱信息。每个像元对应地面单元内可能包含不同地物"这些地物具有不同的光谱特征"是像元光谱信号的基本组成成分"称为端元。如果一个像元内只包含一种地物,则称这个像元为纯像元。如果一个像元内包含多种地物,则称这个像元为混合像元。如图1.4所示。显然,纯像元中只含有一个端元,而混合像元中含有多个端元。
由于成像光谱仪的空间分辨率较低,混合像元问题在高光谱遥感图像中普遍存在,而混合像元的存在是影响遥感图像分类精度和目标探测效果的重要原因。在遥感图像分类中,很难给出一个混合像元所归属的具体类别,因为其中包含了不同地物的信息。不同的分类器甚至相同分类器的不同参数都可能对一个混合像元的所属类别做出不同的判断。在遥感图像目标探测中,如果目标的尺寸小于图像的空间分辨率,则称为亚像元小目标,这种目标在图像中不具备纹理特征,无法根据其空间结构进行探测。因此,解决混合像元问题是高光谱遥感研究中的一个重要内容。混合像元问题出现的根本原因仍然是有限的空间分辨率和地表物质分布无限的复杂性之间的矛盾,但大气传输过程中的混合效应和传感器本身的混合效应也是形成混合像元的重要因素(图1.5)。总体上讲,混合像元的形成主要原因有:
(1)单个像元内包含的多种地物光谱。
(2)大气传输过程中的混合效应。
(3)传感器本身的混合效应。
其中(2)、(3)为非线性效应,大气的影响可以通过大气纠正加以部分克服,仪器的影响可以通过仪器的校准、定标加以部分克服。原因(1)中混合像元光谱受地物光谱、地物几何结构及其在像元中的分布等因素影响,既有线性效应也有非线性效应。
1.4混合像元分解问题
高光谱遥感的发展为混合像元问题的解决提供了新的途径。由于成像光谱仪获取了每个像元的光谱信息,而光谱信息反映了地物的理化特性,因此可以通过对混合像元光谱进行分解,研究其中包含的端元和各个端元参与混合的程度。因此,通常将利用高光谱图像研究混合像元的组成及比例的过程称为混合像元分解。其中,确定组成混合像元的基本地物的过程称为端元提取。计算各个基本地物在混合像元中所占比例的过程称为丰度反演。如图1.6所示。
第2章混合像元模型
光谱的解混算法依赖于场景混合模型的建立,现有的混合模型主要有线性和非线性模型两种,物体的混合和物理分布的空间尺度大小决定了非线性的程度,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微非线性的,如图2.1所示。
线性光谱混合模型是假设太阳入射辐射只与一种地物表面发生作用,物体间没有相互作用,每个光子仅能,看到,一种物质并将其信号叠加到像元光谱中。图2.2简要阐明了线性模型的原理,当同一场景内三种物体的反射光同时进入一个传感器内,所测光谱即为三个物体反射光谱的加权平均,相应的权重即代表每个地物的相对数量。
前言/序言
高光谱图像混合像元分解 下载 mobi epub pdf txt 电子书 格式