高光谱遥感影像端元提取方法对比.docxVIP

PAGE

1-

高光谱遥感影像端元提取方法对比

一、高光谱遥感影像端元提取方法概述

(1)高光谱遥感影像端元提取是高光谱图像处理的重要环节，它涉及从遥感影像中识别和分离出具有特定光谱特性的地物或目标。这一过程对于高光谱遥感数据分析和应用至关重要。端元提取的方法主要包括物理端元提取和混合端元提取两大类。物理端元提取方法通常基于光谱数据的物理性质，如光谱角、光谱距离等，来识别和分离地物端元。而混合端元提取方法则考虑了光谱数据中可能存在的混合像元，通过分析混合像元的比例和光谱分布来进行端元提取。

(2)物理端元提取方法中，光谱角（如最小角法、最小二乘法等）和光谱距离（如光谱欧氏距离、光谱马氏距离等）是常用的指标。这些方法在处理高光谱影像时，能够有效地识别出光谱特征明显、易于区分的地物端元。然而，当影像中存在大量混合像元时，这些方法可能会受到混合像元的影响，导致端元提取精度下降。因此，混合端元提取方法应运而生，它通过建立地物光谱库，利用端元混合模型对混合像元进行分解，从而提取出纯净的地物端元。

(3)混合端元提取方法又可分为监督方法和非监督方法。监督方法需要预先标记部分已知的端元，然后利用这些标记端元对整个影像进行分类和端元提取。非监督方法则不需要预先标记端元，通过聚类算法将光谱数据自动分组，形成端元集合。近年来，随着深度学习技术的发展，基于深度学习的端元提取方法也得到了广泛关注。这些方法能够自动学习影像数据中的复杂特征，提高端元提取的精度和鲁棒性。然而，深度学习方法对计算资源要求较高，且模型的解释性相对较弱，这是当前研究中的一个挑战。

二、常用高光谱遥感影像端元提取方法对比

(1)最小角法（MinimumAngleRegression,MAF）是一种常用的物理端元提取方法，它通过计算光谱数据之间的角度来确定端元。MAF方法在多个高光谱影像数据集上进行了验证，如AVIRIS数据集和Hyperion数据集。在AVIRIS数据集上，使用MAF方法提取的端元与实地测量值相比，总体精度达到了85%以上。在Hyperion数据集上，MAF方法提取的端元与地面实测值的相关性系数为0.93，表明该方法在提取纯净端元方面具有较高的准确性。例如，在植被覆盖区，MAF方法能够有效地提取出植被端元，其光谱特征与实地测量的植被光谱特征高度一致。

(2)最小二乘法（LeastSquaresSpectralRegression,LS-SVM）是一种基于统计学的混合端元提取方法，它通过建立端元混合模型来分离混合像元。在Hyperion数据集上，LS-SVM方法在植被覆盖区提取的端元与实地测量值的相关性系数达到了0.95，表明该方法在处理混合像元时具有较高的精度。在实际应用中，LS-SVM方法在土壤、水体等不同地物类型上也取得了较好的效果。例如，在土壤类型识别中，LS-SVM方法能够将不同土壤类型端元区分开来，其分类精度可达90%。此外，LS-SVM方法在处理高噪声数据时，其鲁棒性也优于其他方法。

(3)深度学习方法在高光谱遥感影像端元提取中的应用逐渐增多。卷积神经网络（ConvolutionalNeuralNetworks,CNN）是一种常用的深度学习模型，它在高光谱影像端元提取中取得了显著成果。在AVIRIS数据集上，使用CNN方法提取的端元与实地测量值的相关性系数为0.92。在Hyperion数据集上，CNN方法在植被覆盖区提取的端元与实地测量值的相关性系数达到了0.96。与传统的端元提取方法相比，CNN方法在处理复杂地物类型和混合像元时具有更高的精度。例如，在森林类型识别中，CNN方法能够将不同森林类型端元有效地区分开来，其分类精度可达95%。然而，深度学习方法在计算资源、模型复杂性和解释性方面仍存在一定局限性。

三、不同提取方法在实际应用中的效果分析

(1)在实际应用中，最小角法（MAF）在植被覆盖区表现出较高的端元提取精度，尤其适用于光谱特征明显、易于区分的地物。然而，当面对复杂的地物混合区域时，MAF方法可能会受到混合像元的影响，导致端元提取精度下降。例如，在森林和农田的交界区域，MAF方法提取的端元与实地测量值的相关性系数可能降至0.75左右。此外，MAF方法对噪声敏感，在高噪声环境下，端元提取效果可能进一步恶化。

(2)最小二乘法（LS-SVM）在处理混合像元时表现出较强的鲁棒性，能够在多种地物类型中实现较高的端元提取精度。在土壤类型识别中，LS-SVM方法提取的端元与实地测量值的相关性系数可达0.85，表明该方法在复杂地物混合区域具有较好的适应性。然而，LS-SVM方法在处理高噪声数据时，其端元提取精度会受到一定影响。例如，在噪声水平较高的影像中，LS-SVM方法提取的端元与实地测量值的相关性系数可能降至0.70。

(3)深度