混合像元分解截取課件

遙感圖像處理與應(yīng)用混合像元分解1遙感圖像處理與應(yīng)用混合像元分解1混合像元：一個像元內(nèi)存在有不同類型地物類型背景介紹什么是混合像元2混合像元：一個像元內(nèi)存在有不同類型地物類型背景介紹什么是混混合像元存在原因背景介紹在遙感圖像中，一個像元往往覆蓋幾平米甚至上千平方米的地表范圍，其中可能包含著多種地物類型，這就形成了混合像元3混合像元存在原因背景介紹在遙感圖像中，一個像元往往覆蓋幾平混合像元問題在環(huán)境監(jiān)測、水質(zhì)監(jiān)測、土地覆蓋變化檢測、植被制圖以及月球表面物質(zhì)制圖等各個領(lǐng)域都廣泛存在，急需解決?；旌舷裨獑栴}在遙感影像中普遍存在，它不僅會影響地物識別和分類的精度，而且是遙感科學(xué)向定量化發(fā)展的主要障礙目前已發(fā)展了許多混合像元模型用于解決該問題，可以歸為兩大類:統(tǒng)計模型、光譜模型。背景介紹3混合像元的影響及解決方案4混合像元問題在環(huán)境監(jiān)測、水質(zhì)監(jiān)測、土地覆蓋變化檢測、植被制圖混合像元相關(guān)的主要研究內(nèi)容混合模型的建立混合像元分解算法混合模型中端元的選取方法混合模型中如何考慮端元內(nèi)光譜差異混合像元分解精度的評價5混合像元相關(guān)的主要研究內(nèi)容混合模型的建立5混合像元模型假設(shè)混合像元的反射率可以表示為端元（組分，純像元）的光譜特征和它們的面積百分比（豐度）的函數(shù)端元1豐度端元2豐度端元3豐度混合光譜端元光譜光譜混合模型4光譜混合模型6混合像元模型假設(shè)混合像元的反射率可以表示為端元（組分，純像元光譜混合模型的數(shù)學(xué)表達(dá)式光譜混合模型5假設(shè)：在一個給定的場景里，地表由少數(shù)的幾種地物（端元）組成，并且這些地物具有相對穩(wěn)定的光譜特征，那么，遙感圖像像元的反射率可以表示為端元光譜和它們的面積百分比（豐度）的函數(shù)：7光譜混合模型的數(shù)學(xué)表達(dá)式光譜混合模型5假設(shè)：在一個給定的場線性模型:到達(dá)遙感傳感器的光子與唯一地物發(fā)生作用（即不同地物間沒有多次散射）光譜混合模型非線性模型當(dāng)?shù)竭_(dá)傳感器的光子在不止一類地物間進(jìn)行傳輸和散射（即地物間發(fā)生多次散射），產(chǎn)生非線性混合6物體混合和分布的空間尺度決定了非線性程度8線性模型:光譜非線性模型6物體混合和分布的空間尺度決定了非線線性光譜混合模型線性模型由于構(gòu)模簡單，物理含義明確等特性而得到了廣泛的應(yīng)用。其數(shù)學(xué)表達(dá)式如下：光譜混合模型79線性光譜混合模型線性模型由于構(gòu)模簡單，物理含義明確等特性而得光譜混合模型幾何光學(xué)模型概率模型模糊模型神經(jīng)網(wǎng)絡(luò)模型高次多項式模型9非線性光譜混合模型常見的非線性模型特定表面使用特定的非線性模型具有模擬精度高的優(yōu)點但是兩個主要的障礙限制了非線性模型的應(yīng)用非線性模型往往需要詳細(xì)的地物散射參數(shù)，這些參數(shù)獲取困難非線性模型反演比較困難10光譜混合模型幾何光學(xué)模型9非線性光譜混合模型常見的非線性模估計場景中,組成混合像元的端元光譜在保證大部分光譜信息的前提下，降低數(shù)據(jù)的維數(shù)，以方便后續(xù)處理通過混合像元的光譜和端元光譜，估計像元中各端元的面積百分比數(shù)據(jù)降維端元提取反演線性混合分解算法11線性光譜混合解混算法11估計場景中,組成混合像元的端元光譜在保證大部分光譜信息的前提主成分分析(PCA)對原數(shù)據(jù)進(jìn)行線性變換，變換后的數(shù)據(jù)的波段按方差大小次序排列，且各主成分線性無關(guān)。最大噪聲比變換(MNF)結(jié)合噪聲信息，變換后的數(shù)據(jù)的波段按信噪比大小次序排列奇異值分解(SVD)與PCA的作用類似，但適用于波段間高度相關(guān)的數(shù)據(jù)線性混合像元分解算法12數(shù)據(jù)降維12主成分分析對原數(shù)據(jù)進(jìn)行線性變換，變換后的數(shù)據(jù)的波段按方差大小參考端元使用光譜儀在地面或?qū)嶒炇覝y量到的端元光譜圖像端元直接從遙感圖像上獲得的端元光譜線性混合像元分解算法13端元選取13參考端元使用光譜儀在地面或?qū)嶒炇覝y量到的端元光譜圖像端元直接圖像端元提取線性混合像元分解算法交互式端元提取PPI指數(shù)（Boardman,1995）、MEST算法(Bateson,1996)、CAR和EAR指數(shù)(Dennison,2003)

自動端元提取根據(jù)光譜信息：N-FINDR(Winter,1999)、IEA(Neville,1999)、CCA(Ifarraguerri,1999)、ORASIS(Bowles,1995)結(jié)合光譜信息與空間信息：AMEE(Plaza,2002)、SSEE(Rogge,2007)1414圖像端元提取線性混合像元分解算法交互式PPI指數(shù)（Boar15PCA1515PCA1516MNF1616MNF16線性混合像元分解算法非負(fù)最小二乘法（ANC）只有數(shù)值解全約束最小二乘法（FCLS）只有數(shù)值解（Heinz,2001）17無約束最小二乘法（LS）部分約束最小二乘（ASC）反演17線性混合像元分解算法非負(fù)最小二乘法只有數(shù)值解全約束最小二由于同物異譜現(xiàn)象的存在，端元光譜并非恒定值，而是存在一定的差異端元內(nèi)光譜差異問題不同的草呈現(xiàn)類似而又不完全相同的光譜特征18端元內(nèi)光譜差異問題18由于同物異譜現(xiàn)象的存在，端元光譜并非恒定值，而是存在一定的差解決方法多端元方法MESMA(Roberts,1998)、端元束(Bateson,2000)

變換光譜均值標(biāo)準(zhǔn)化(Wu,2003)、標(biāo)準(zhǔn)化(Garcia,2005)；微分(Asner,2003)

基于概率分布的方法BSMA(Song,2005)、MDA(Ju,2003)端元內(nèi)光譜差異問題1919解決方法多端元方法MESMA(Roberts,199FractionimageshowingNPV(no-photosynthetic-vegetation),GV(greenvegetation)andsoilfractions

asred,green,andblue,respectively.MESMA2020FractionimageshowingNPV(no-SpectralNormalization2121SpectralNormalization2121SpectralDerivative2222SpectralDerivative2222對于不同的場景，如何確定應(yīng)該使用線性模型或非線性模型手動端元提取對經(jīng)驗要求高，過程煩瑣；但自動端元提取基于純數(shù)學(xué)判據(jù)，可能選出不具有物理意義的端元端元內(nèi)光譜差異是混合像元分解精度提高的重要障礙，至今仍未能得到很好解決存在的問題23混合像元分解方法存在問題23對于不同的場景，如何確定應(yīng)該使用線性模型或非線性模型存在的問小結(jié)實驗與精度評價抗噪聲能力分析基于相關(guān)系數(shù)匹配的混合像元分解算法基于光譜匹配的混合像元分解算法混合像元分解新探索24混合像元分解新探索24小結(jié)實驗與精度評價抗噪聲能力分析基于相關(guān)系數(shù)匹配的混合混合像元分解可以看作一個帶約束的非線性最優(yōu)化問題實際上，F(xiàn)CLS是最小化目標(biāo)光譜與估計光譜的歐氏距離混合像元分解新探索25D基于光譜匹配的混合像元分解25混合像元分解可以看作一個帶約束的非線性最優(yōu)化問題混合像元分解歐氏距離光譜角（SAM）相關(guān)系數(shù)（SCM）光譜信息散度（SID）D(S,XF)的幾種形式混合像元分解新探索2626歐氏距離光譜角相關(guān)系數(shù)光譜信息散度D(S由于光照、地形、陰影、大氣等的影響，地物組分相同的混合像元光譜可能絕對量變化比較大，但光譜形狀得到保持。因此，采用SCM、SAM或SID作為光譜距離，可以克服歐氏距離受光譜絕對值差異影響較大的不足

一些軟件包可以用來求解帶約束非線性最優(yōu)化問題，如CPLEX，LINGO，MATLAB優(yōu)化工具箱等但是由于目標(biāo)函數(shù)形式復(fù)雜，采用傳統(tǒng)的非線性優(yōu)化算法往往效率十分低下混合像元分解新探索2727由于光照、地形、陰影、大氣等的影響，地物組分相同的混合像元光混合像元分解新探索28最小化估計光譜與目標(biāo)光譜的歐氏距離最大化估計光譜與目標(biāo)光譜的相關(guān)系數(shù)基于相關(guān)系數(shù)匹配的混合像元分解SCM改變最小二乘法的目標(biāo)函數(shù)28混合像元分解新探索28最小化估計光譜與目標(biāo)光譜的歐氏距離最為方便求解上述最優(yōu)化問題，作以下變換將yi

和gi寫成矩陣形式混合像元分解新探索2929為方便求解上述最優(yōu)化問題，作以下變換混合像元分解新探索29上述最優(yōu)化問題可以寫為由于，有最優(yōu)化問題變形為（忽略約束條件：）利用非負(fù)最小二乘法求解混合像元分解新探索3030上述最優(yōu)化問題可以寫為混合像元分解新探索3030求解出gi

后，可得：進(jìn)而求得混合像元分解新探索3131求解出gi后，可得：混合像元分解新探索3131SCM算法步驟將目標(biāo)光譜及各端元光譜作標(biāo)準(zhǔn)化：利用非負(fù)最小二乘法求解如下目標(biāo)函數(shù)：

將gi轉(zhuǎn)換為端元比例fi：

混合像元分解新探索32FCLS32SCM算法步驟將目標(biāo)光譜及各端元光譜作標(biāo)準(zhǔn)化：混合像元分解新高斯噪聲(二類)

SCM算法的抗噪聲能力分析考慮兩種形式的噪聲；對端元蓋度為F0

的混合光譜添加兩種噪聲混合光譜絕對值變化但形狀不變的噪聲，即所有的波段都被添加同樣的噪聲(一類)其中b,c是與波段無關(guān)的常數(shù)以下將從理論上證明SCM算法對兩種噪聲的穩(wěn)健性混合像元分解新探索3333高斯噪聲(二類)SCM算法的抗噪聲能力分析考慮兩種形式的一類噪聲混合像元分解新探索3434一類噪聲混合像元分解新探索3434二類噪聲混合像元分解新探索3535二類噪聲混合像元分解新探索3535模擬實驗:

從ENVI的光譜庫中選擇三類端元光譜（植被、土壤和干植被）實驗與精度評價

混合像元分解新探索3636模擬實驗:實驗與精度評價混合像元分解新探索3636模擬混合固定綠色植被的比例為20％；土壤比例從0開始，按步長0.8%增長；相應(yīng)的干植被比例從80％開始，按步長0.8％降低，共計產(chǎn)生101條混合光譜。根據(jù)不同的噪聲生成三組光譜,利用FCLS與SCM算法求解1沒有添加噪聲2高斯噪聲：加入10％的高斯噪聲（即標(biāo)準(zhǔn)差為光譜均值的10%）3一類噪聲：在0.9～1.1之間產(chǎn)生隨機數(shù)，分別乘以上述101條混合光譜混合像元分解新探索3737模擬混合固定綠色植被的比例為20％；土壤比例從0開始，按步長模擬實驗結(jié)果對于沒有添加噪聲的數(shù)據(jù)，

SCM與FCLS都能給出準(zhǔn)確的估計對于高斯噪聲,兩者都有小的偏差。FCLS和SCM的均方根誤差分別為0.0023，0.0033對于一類噪聲，SCM能夠得到準(zhǔn)確的估計,而FCLS估計結(jié)果偏差很大，均方根誤差達(dá)到0.042混合像元分解新探索3838模擬實驗結(jié)果對于沒有添加噪聲的數(shù)據(jù)，SCM與FCLS都能給真實圖像實驗北京市北三環(huán)及其以北部分區(qū)域混合像元分解新探索39概念模型：V-I-S39真實圖像實驗北京市北三環(huán)及其以北部分區(qū)域混合像元分解新探索終端端元選取方法采用ENVI提供的終端端元選取標(biāo)準(zhǔn)方法，即基于最小化噪聲（MinimumNoiseFraction，MNF）變換和PPI（PurePixelindex）指數(shù)計算的方法，選取三類端元包括高反照度物體（混凝土、玻璃等）、低反照度物體（水體、瀝青地等）、綠色植被（草地、樹林等）。混合像元分解新探索4040終端端元選取方法采用ENVI提供的終端端元選取標(biāo)準(zhǔn)方法，即基

綠色植被高反照度物體

低反照度物體

混合像元分解新探索41SCM算法分解結(jié)果41 綠色植被高反照度物體FCLS分解結(jié)果綠色植被

高反照度物體

低反照度物體混合像元分解新探索4242FCLS分解結(jié)果綠色植被對時間相近的IKONOS影像