《光谱解混.docVIP

光谱解混定义： Spectral unmixing is the procedure by which the measured spectrum of a mixed pixel is decomposed into a collection of constituent spectra， or endmembers， and a set of corresponding fractions， or abundances， that indicate the proportion of each endmember present in the pixel.【spectral unmixing，2002】 混叠产生原因： First, if the spatial resolution of a sensor is low enough that disparate materials can jointly occupy a single pixel, the resulting spectral measurement will be some composite of the individual spectra. This is the case for remote sensing platforms flying at a high altitude or performing wide-area surveillance, where low spatial resolution is common. Second, mixed pixels can result when distinct materials are combined into a homogeneous mixture. This circumstance can occur independent of the spatial resolution of the sensor. 光谱混合模型： ）混合 spectral unmixing，2002】 Hyperspectral Unmixing Overview-Geometrical， Statistical， and Sparse Regression-Based Approaches】） 光谱解混主要需要解决的问题： 的、种类计算在在混合像素中所占比例（） 解混： 【Incorporating spatial information in spectral unmixing- A review，2014】 数据预处理 大气校正大气衰减和散射影响辐射强度转换为反射率从而可以目标的固有属性数据由于高光谱数据各波段之间的相关性并且端元数目一般波段数）、最小化噪声分离过程主要包含两部分：端元和丰度估计。 根据是否假定光谱数据中存在纯像元，端元提取算法可以分为两类：端元识别算法和端元生成算法 【高光谱遥感图像混合像元分解的理论与算法研究_李二森】： PPI算法Mapping target signatures via partial unmixing of AVIRIS data，1995】 N-FINDR 算法 基于凸面几何的方法寻找影像中的纯像元集，该算法认为：在 L 维光谱空间，由纯像元组成的单体体积比由其他任何像元组成的单体体积都大。该算法由一组随机的像素集开始，在数据内部不断进行单体的“膨胀”，对于每个像素、每个端元，端元被像素的光谱取代，并且体积被重新计算，如果体积增加，将像素的光谱取代该端元，重复执行该过程直到没有任何替代发生为止。 【N-FINDR：an algorithm for fast autonomous spectral end-member determination in hyperspectral data，1999】 -FINDR算法 Plaza利用虚拟维数（VD）确定端元数目，利用迭代误差分析（IEA）算法的端元提取结果作为 N-FINDR 的初始端元，加快了算法的收敛速度并且端元提取结果更加稳定；Plaza研究了端元初始化方法（ATGP（Automatic Target Generation Process）、UFCLS（UnsupervisedFully Constrained Least Squares）、IEA（Iterative Error Analysis）、Maximin-Distance Algorithm）对 N-FINDR 算法的影响，实验证明引入端元初始化方法不仅可以加快算法的收敛速度并且不少初始端元引入 N-FINDR 后将会成为最终的端元，尤其是利用 ATGP 作为初始化方法