常见混合像元分解方法
分享
-
2016-06-22
常见的混合像元分解方法，主要包括线性波谱分离(Linear Spectral Unmixing )、匹配滤波(MF )、混合调谐匹配滤波(MTMF）、最小能量约束(CEM）、自适应一致估计（ACE）、正交子空间投影(OSP)等。
下面分别对几种分类方法原理一一说明。
(1) 线性波段预测(Linear Band Prediction)
线性波段预测法（LS-Fit）使用一个最小方框（least squares）拟合技术来进行线性波段预测，它可以用于在数据集中找出异常波谱响应区。LS-Fit先计算出输入数据的协方差，用它对所选的波段进行预测模拟，预测值作为预测波段线性组的一个增加值。还计算实际波段和模拟波段之间的残差，并输出为一幅图像，残差大的像元（无论正负）表示出现了不可预测的特征（比如一个吸收波段）。
(2) 线性波谱分离(Linear Spectral Unmixing )
Linear Spectral Unmixing可以根据物质的波谱特征，获取多光谱或高光谱图像中物质的丰度信息，即混合像元分解过程。假设图像中每个像元的反射率为像元中每种物质的反射率或者端元波谱的线性组合。例如：像元中的25%为物质A，25%为物质B，50%为物质C，则该像元的波谱就是三种物质波谱的一个加权平均值，等于0.25A+0.25B+0.5C，线性波谱分离解决了像元中每个端元波谱的权重问题。
线性波谱分离结果是一系列端元波谱的灰度图像（丰度图像），图像的像元值表示端元波谱在这个像元波谱中占的比重。比如端元波谱A的丰度图像中一个像元值为0.45，则表示这个像元中端元波谱A占了45%。丰度图像中也可能出现负值和大于1的值，这可能是选择的端元波谱没有明显的特征，或者在分析中缺少一种或者多种端元波谱。
(3) 匹配滤波(Matched Filtering )
使用匹配滤波（MF）工具使用局部分离获取端元波谱的丰度。该方法将已知端元波谱的响应最大化，并抑制了未知背景合成的响应，最后 “匹配”已知波谱。该方法无需对图像中所有端元波谱进行了解，就可以快速探测出特定要素。这项技术可以找到一些稀有物质的“假阳性(false positives)”。
匹配滤波工具的结果是端元波谱比较每个像素的MF匹配图像。浮点型结果提供了像元与端元波谱相对匹配程度，近似混合像元的丰度，1.0 表示完全匹配。
(4) 混合调谐匹配滤波(Mixture Tuned Matched Filtering）
使用Mixture Tuned Matched Filtering (MTMF )工具运行匹配滤波，同时把不可行性（Infeasiblility）图像添加到结果中。不可行性图像用于减少使用匹配滤波时会出现的“假阳性(false positives)”像元的数量。不可行性值高的像元即为“假阳性(false positives)”像元。被准确制图的像元具有一个大于背景分布值的MF值和一个较低的不可行性值。不可行性值以sigma噪声为单位，它与MF值按DN值比例变化（图14.26）。
图 14.26 混合调制匹配滤波技术图解
混合调谐匹配滤波法的结果每个端元波谱比较每个像元的MF匹配图像，以及相应的不可行性图像。浮点型的MF匹配值图像表示像元与端元波谱匹配程度，近似亚像元的丰度，1.0 表示完全匹配；不可行性（Infeasibility）值以sigma噪声为单位，显示了匹配滤波结果的可行性。
具有高的匹配滤波结果和高的不可行性的 “假阳性(false positives)”像元，并不与目标匹配。可以用二维散点图识别具有不可行性低、匹配滤波值高的像元，即正确匹配的像元。
(5) 最小能量约束(Constrained Energy Minimization）
最小能量约束法（CEM）使用有限脉冲响应线性滤波器（finite impulse response -FIR)和约束条件，最小化平均输出能量,以抑制图像中的噪声和非目标端元波谱信号，即抑制背景光谱，定义目标约束条件以分离目标光谱。
最小能量约束法的结果是每个端元波谱比较每个像元的灰度图像。像元值越大表示越接近目标，可以用交互式拉伸工具对直方图后半部分拉伸。
(6) 自适应一致估计（Adaptive Coherence Estimator）
自适应一致估计法（ACE）起源Generalized Likelihood Ratio (GLR)。在这个分析过程中，输入波谱的相对缩放比例作为ACE的不变量，这个不变量参与检测恒虚警率（Constant False Alarm Rate (CFAR)）。
自适应一致估计法结果是每个端元波谱比较每个像元的灰度图像。像元值表示越接近目标，可以用交互式拉伸工具对直方图后半部分拉伸。
(7) 正交子空间投影(Orthogonal Subspace Projection)
正交子空间投影法（OSP）首先构建一个正交子空间投影用于估算非目标光谱响应，然后用匹配滤波从数据中匹配目标，当目标波谱很特别时，OSP效果非常好。OSP要求至少两个端元波谱。
正交子空间投影法结果是每个端元波谱匹配每个像元的灰度图像。像元值表示越接近目标，可以用交互式拉伸工具对直方图后半部分拉伸。
摘自《ENVI遥感图像处理方法》
文章来源：http://blog.sina.com.cn/s/blog_764b1e9d0100qwz6.html
下面分别对几种分类方法原理一一说明。
(1) 线性波段预测(Linear Band Prediction)
线性波段预测法（LS-Fit）使用一个最小方框（least squares）拟合技术来进行线性波段预测，它可以用于在数据集中找出异常波谱响应区。LS-Fit先计算出输入数据的协方差，用它对所选的波段进行预测模拟，预测值作为预测波段线性组的一个增加值。还计算实际波段和模拟波段之间的残差，并输出为一幅图像，残差大的像元（无论正负）表示出现了不可预测的特征（比如一个吸收波段）。
(2) 线性波谱分离(Linear Spectral Unmixing )
Linear Spectral Unmixing可以根据物质的波谱特征，获取多光谱或高光谱图像中物质的丰度信息，即混合像元分解过程。假设图像中每个像元的反射率为像元中每种物质的反射率或者端元波谱的线性组合。例如：像元中的25%为物质A，25%为物质B，50%为物质C，则该像元的波谱就是三种物质波谱的一个加权平均值，等于0.25A+0.25B+0.5C，线性波谱分离解决了像元中每个端元波谱的权重问题。
线性波谱分离结果是一系列端元波谱的灰度图像（丰度图像），图像的像元值表示端元波谱在这个像元波谱中占的比重。比如端元波谱A的丰度图像中一个像元值为0.45，则表示这个像元中端元波谱A占了45%。丰度图像中也可能出现负值和大于1的值，这可能是选择的端元波谱没有明显的特征，或者在分析中缺少一种或者多种端元波谱。
(3) 匹配滤波(Matched Filtering )
使用匹配滤波（MF）工具使用局部分离获取端元波谱的丰度。该方法将已知端元波谱的响应最大化，并抑制了未知背景合成的响应，最后 “匹配”已知波谱。该方法无需对图像中所有端元波谱进行了解，就可以快速探测出特定要素。这项技术可以找到一些稀有物质的“假阳性(false positives)”。
匹配滤波工具的结果是端元波谱比较每个像素的MF匹配图像。浮点型结果提供了像元与端元波谱相对匹配程度，近似混合像元的丰度，1.0 表示完全匹配。
(4) 混合调谐匹配滤波(Mixture Tuned Matched Filtering）
使用Mixture Tuned Matched Filtering (MTMF )工具运行匹配滤波，同时把不可行性（Infeasiblility）图像添加到结果中。不可行性图像用于减少使用匹配滤波时会出现的“假阳性(false positives)”像元的数量。不可行性值高的像元即为“假阳性(false positives)”像元。被准确制图的像元具有一个大于背景分布值的MF值和一个较低的不可行性值。不可行性值以sigma噪声为单位，它与MF值按DN值比例变化（图14.26）。
图 14.26 混合调制匹配滤波技术图解
混合调谐匹配滤波法的结果每个端元波谱比较每个像元的MF匹配图像，以及相应的不可行性图像。浮点型的MF匹配值图像表示像元与端元波谱匹配程度，近似亚像元的丰度，1.0 表示完全匹配；不可行性（Infeasibility）值以sigma噪声为单位，显示了匹配滤波结果的可行性。
具有高的匹配滤波结果和高的不可行性的 “假阳性(false positives)”像元，并不与目标匹配。可以用二维散点图识别具有不可行性低、匹配滤波值高的像元，即正确匹配的像元。
(5) 最小能量约束(Constrained Energy Minimization）
最小能量约束法（CEM）使用有限脉冲响应线性滤波器（finite impulse response -FIR)和约束条件，最小化平均输出能量,以抑制图像中的噪声和非目标端元波谱信号，即抑制背景光谱，定义目标约束条件以分离目标光谱。
最小能量约束法的结果是每个端元波谱比较每个像元的灰度图像。像元值越大表示越接近目标，可以用交互式拉伸工具对直方图后半部分拉伸。
(6) 自适应一致估计（Adaptive Coherence Estimator）
自适应一致估计法（ACE）起源Generalized Likelihood Ratio (GLR)。在这个分析过程中，输入波谱的相对缩放比例作为ACE的不变量，这个不变量参与检测恒虚警率（Constant False Alarm Rate (CFAR)）。
自适应一致估计法结果是每个端元波谱比较每个像元的灰度图像。像元值表示越接近目标，可以用交互式拉伸工具对直方图后半部分拉伸。
(7) 正交子空间投影(Orthogonal Subspace Projection)
正交子空间投影法（OSP）首先构建一个正交子空间投影用于估算非目标光谱响应，然后用匹配滤波从数据中匹配目标，当目标波谱很特别时，OSP效果非常好。OSP要求至少两个端元波谱。
正交子空间投影法结果是每个端元波谱匹配每个像元的灰度图像。像元值表示越接近目标，可以用交互式拉伸工具对直方图后半部分拉伸。
摘自《ENVI遥感图像处理方法》
文章来源：http://blog.sina.com.cn/s/blog_764b1e9d0100qwz6.html
