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。     

一种高光谱遥感影像端元自动提取方法

针对人工样本选择和端元提取存在的不确定性和工作量大等缺点,提出一种集成非监督分类、纯净像元指数计算、线性光谱混合模型和凸面单形体理论的自动端元提取算法,能够有效地提取端元用于高光谱遥感影像分类和混合像元分解。利用北京昌平地区的OMIS高光谱遥感数据进行了验证,结果表明算法可行有效,自动化程度较高,作为训练样本进行分类能够获得较高精度,优于常规方法。     

利用夏玉米端元丰度估算夏玉米种植面积的研究

以河南省鹤壁市为研究区,以FY3/MERSI数据为主要遥感信息源,采用基于光谱匹配的自适应最佳端元组合混合像元分解方法提取夏玉米端元丰度值,构建像元中夏玉米端元丰度值和夏玉米种植面积百分比值之间多种方程形式的回归模型,综合模型建立时的相关系数、显著性水平和验证样点的均方根误差情况,选择立方模型对研究区夏玉米种植面积进行估算。经验证,遥感估算的夏玉米种植面积精度为97.1%,位置精度为82.5%。研究结果可为采用中低空间分辨率遥感数据在种植结构复杂地区准确估算大范围作物的种植面积提供科学基础。     

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。     

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...     

基于拉格朗日的高光谱解混算法研究*

针对混合像元分解误差问题,提出一种基于拉格朗日算法的高光谱解混算法。通过变分增广拉格朗日算法提取出部分端元,由于端元组中存在相似端元影响解混精度,利用基于梯度的光谱信息散度算法进行光谱区分,除去相似端元。通过对得到的端元进行排序,依次增加端元进行光谱解混,将满足条件的端元增加进端元组,最终得到优选端元。该方法不仅有效去除了相似端元的干扰,而且不需要不断搜索端元的组合,根据每个端元对于混合像元的重要性做出相应次数的非限制性最小二乘法计算,得到更精确高光谱端元的子集,该方法对高光谱混合像元解混的效率以及可靠性均有所提高。     

一种自动获取端元的RMS误差迭代改进算法

端元提取是混合像元分解算法中的关键技术之一,端元的质量直接影响分解结果的精度。本文对基于均方根(RMS)误差分析迭代提取端元的算法进行了改进,提出在端元选择时,增加像元纯净指数(PPI)、光谱矢量距离以及RMS误差值作为约束条件。利用南京地区2002年TM遥感影像作为试验数据,用本文提出的方法提取各组分丰度图,结合V-I-S模型以及研究区的实际情况,分析所提取的各组分丰度空间分布合理性,参考同期IKONOS影像解译结果,对改进前后的分解算法进行精度比较。试验结果表明:基于改进法得到的各组分结果精度较好,其与实测值的回归曲线在相关系数、斜率以及截距方面均得到了较明显的改善,但对于光谱非线性混合现象较严重的地物仍存在一定局限性。     

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。     

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。     

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。     

基于光谱信息散度与光谱角匹配的高光谱解混算法

针对采用线性逆卷积(LD)算法进行端元初选过程中,端元子集中存在相似端元光谱,影响解混精度的问题,提出了一种基于光谱信息散度(SID)与光谱角匹配(SAM)算法的端元子集优选光谱解混算法。通过在端元进行二次选择时,采用以光谱信息散度和光谱角(SID-SA)混合法准则作为最相似端元选择的判据,去除相似端元,降低相似端元对解混精度的影响。实验结果表明,基于SID与SAM的高光谱解混算法将重构影像的均方根误差(RMSE)降低到0.0104,该方法比传统方法提高了端元的选择精度,减少了丰度估计误差,误差分布更加均匀。     

基于FY-3D/MERSI-Ⅱ的积雪面积比例提取算法北大核心CSCD

风云三号D星(FY-3D)是我国新一代极轨气象卫星。中分辨率光谱成像仪(MERSI-Ⅱ)是其携带的核心传感器之一,FY-3D对于全球数值天气预报、大气定量探测以及气候变化监测等具有重要意义。积雪面积比例产品是众多陆面产品之一,是水文模型和区域气候模型的主要输入参数。基于MERSI-Ⅱ数据发展了业务化提取积雪面积比例的算法,算法核心是混合像元分解。空间光谱端元提取(SSEE)的方法自动提取端元,全约束最小二乘法(FCLS)求解线性混合模型。解混结果叠合云掩膜得到FY-3D/MERSI-Ⅱ积雪面积比例数据(FY-FSC)。以Landsat 8的积雪面积比例数据(L-FSC)作为参考值对FY-FSC进行验证,同时将FY-FSC和MODIS积雪面积比例数据(M-FSC)进行比较。结果表明:FY-FSC的总体相关系数(R)为0.54,均方根误差(RMSE)为0.17,绝对平均误差(AME)为0.10;M-FSC总体R为0.41,RMSE为0.26,AME为0.29;利用积雪面积提取的精度评价因子K比较FY-FSC和M-FSC获取的总积雪面积的精度。结果表明:FYFSC和M-FSC数据的平均K值分别为88.51%和86.78%,FY-FSC精度高于M-FSC。FY-FSC将作为试验参数纳入FY-3D/MERSI-Ⅱ积雪覆盖业务产品中,可填补国产卫星业务化反演积雪面积比例参数的空白。     

基于FY-3D/MERSI-Ⅱ的积雪面积比例提取算法

风云三号D星(FY-3D)是我国新一代极轨气象卫星。中分辨率光谱成像仪(MERSI-Ⅱ)是其携带的核心传感器之一,FY-3D对于全球数值天气预报、大气定量探测以及气候变化监测等具有重要意义。积雪面积比例产品是众多陆面产品之一,是水文模型和区域气候模型的主要输入参数。基于MERSI-Ⅱ数据发展了业务化提取积雪面积比例的算法,算法核心是混合像元分解。空间光谱端元提取(SSEE)的方法自动提取端元,全约束最小二乘法(FCLS)求解线性混合模型。解混结果叠合云掩膜得到FY-3D/MERSI-Ⅱ积雪面积比例数据(FY-FSC)。以Landsat 8的积雪面积比例数据(L-FSC)作为参考值对FY-FSC进行验证,同时将FY-FSC和MODIS积雪面积比例数据(M-FSC)进行比较。结果表明:FY-FSC的总体相关系数(R)为0.54,均方根误差(RMSE)为0.17,绝对平均误差(AME)为0.10;M-FSC总体R为0.41,RMSE为0.26,AME为0.29;利用积雪面积提取的精度评价因子K比较FY-FSC和M-FSC获取的总积雪面积的精度。结果表明:FYFSC和M-FSC数据的平均K值分别为88.51%和86.78%,FY-FSC精度高于M-FSC。FY-FSC将作为试验参数纳入FY-3D/MERSI-Ⅱ积雪覆盖业务产品中,可填补国产卫星业务化反演积雪面积比例参数的空白。     

基于空谱初始化的非负矩阵光谱混合像元盲分解

混合像元分解是提高遥感监测能力的有效方法之一,因此一直以来是遥感领域的重要研究内容。非负矩阵盲分解(Non-negative Matrix Factorization,NMF)方法无需监督选择端元,无需假定纯像元存在,且能同步获取优化的端元光谱与端元丰度,从而为先验知识不足、高度混合场景下的混合像元分解提供了不错的选择,因此成为高光谱混合像元分解方法的重要分支之一。但NMF易陷入局部最优,若直接应用于混合像元解混难以获取稳定的最优解,从而影响了NMF在光谱混合分解的推广应用。针对这一问题,提出一种利用空谱预处理(SSPP)改进NMF的混合像元分解方法(SSPP-NMF)。首先利用SSPP算法结合空间和光谱信息筛选出合理有效的数据子集;然后用NMF算法对筛选出的数据子集进行混合像元分解,获取具有空间均匀性和光谱纯净性的端元光谱;最后基于上一步获取端元光谱利用非负最小二乘法(NNLS)获取整个研究区的最终端元丰度。为检验该方法的有效性和适用性,分别采用模拟仿真数据和真实遥感影像分析了SSPP对NMF的改善效果,并与ATGP-NMF、MVC-NMF两种基于初始化改进NMF的方法进行了比较分析,结果表明:相比ATGP-NMF、MVC-NMF而言,SSPP算法更能有效抑制噪声的影响,明显地提高NMF分解效果,并且具有较高的时间效率。     

一种基于光谱归一化下的植被覆盖度反演算法

针对常规混合像元分解算法在植被覆盖度遥感反演中存在的端元变化误差及运算效率的问题,以两个不同类型植被覆盖下地区的TM影像数据为基础,提出了一种基于光谱归一化框架下的协同稀疏回归的植被覆盖度反演算法,并针对多种地表类型下的植被覆盖度反演试验,与常用的像元二分法模型进行对比分析。试验结果表明:对影像与端元组进行归一化后,有效地降低了它们的异质性,从而提高了反演精度,同时,该算法获取的植被覆盖度相对像元二分法具有更高的精度。     

基于元胞自动机模型的遥感图像亚像元定位

由于遥感图像中普遍存在混合像元,因此传统分类方法得到的结果通常会存在较大误差,应用混合像元分解技术,虽然可以得到混合像元中各端元组分的丰度,但是却不能得到各端元组分的空间分布状态,而亚像元定位则是在混合像元分解的基础上,将混合像元剖分为亚像元,再利用端元组分的丰度及像元空间分布的特点,将亚像元赋予不同端元组分来得到各端元组分的空间分布情况,以提高遥感图像分类的精度。为了更好地解决亚像元定位问题,结合亚像元定位的理论模型,提出了一种新的元胞自动机模型,并通过模拟数据和实际数据对该模型进行了检验,结果表明,该模型是一种简单有效的解决亚像元定位问题的方法。     

基于局部连续性与全局相似性的光谱保持型亚像元映射

遥感图像的像元级分类精度受混合像元的影响. 亚像元映射以像元分解获得的丰度值为基础,在地物分布规律的约束下,细化估计各类地物的亚像元级分布模式. 本文同时考虑了地物分布的空间与光谱信息,提出了一种基于局部连续性与全局相似性的光谱保持型亚像元映射算法. 针对地物的空间分布特性,提出了利用类内离散度对局部连续性进行建模,并通过相似分布像元表示误差引入全局相似性约束项. 针对地物的光谱特性,采用最小化光谱误差约束了亚像元映射过程中的光谱无失真性. 模拟数据与真实数据上的实验结果表明,本文算法比其他同类算法具有更高的估计精度,且更适合于实际应用.     

植被指数模型估算干旱区稀疏光合/非光合植被覆盖度北大核心CSCD

定量估算干旱与半干旱地区的稀疏光合与非光合植被覆盖度(f_(PV)和f_(NPV))可为土地荒漠化研究和生态系统研究提供重要信息,同时获取f_(PV)和f_(NPV)有助于为土地退化监测和土地管理提供重要的数据支撑。选取典型干旱区的稀疏植被为研究对象,基于Sentinel-2A多光谱影像及地面实测纯净端元光谱数据获取影像及纯净端元归一化植被指数(normalized difference vegetation index,NDVI)、优化的叶绿素吸收指数(modified chlorophyll absorption ratio index,MCARI)、干枯燃料指数(dead fuel index,DFI)和红边叶绿素指数(red-edge chlorophyll index,CI red-edge),构建DNVI-DFI、MCARI-DFI、CI-DFI 3个像元三分模型,并采用NDVI、DFI和比值土壤指数(ratio soil index,RSI)构建线性植被指数模型。经过地面实测植被覆盖度分析评价构建模型精度,得到如下结论:NDVI-DFI模型相较于MCARI-DFI、CI-DFI模型表现出更好的估算效果,f_(PV)估算的RMSE为0.0590(R^(2)=0.7738),f_(NPV)估算的RMSE为0.0510(R^(2)=0.8);NDVI-DFI模型中融入RSI指数构建的线性植被指数模型可以提高f_(PV)和f_(NPV)的估算精度,f_(PV)估算的RMSE为0.0524(R^(2)=0.7764),f_(NPV)估算的RMSE为0.0444(R^(2)=0.8115),精度分别提高11.2%和12.9%。因此,融入RSI指数的NDVI-DFI线性植被指数模型可以有效地估算典型干旱区稀疏植被的f_(PV)和f_(NPV)。该文的研究为NPV覆盖度的定量估算提供更可靠的理论基础。