Un píxel mixto puede contener una variedad de objetos terrestres, por lo que determinar el número de miembros finales es un requisito previo para la descomposición espectral lineal y también es indispensable en toda la desmezcla lineal espectral. enlace de tecnología. El método común para datos multiespectrales es determinar el número de miembros finales en función de la covarianza del análisis de componentes principales, pero su método de análisis es relativamente aproximado. Para imágenes de teledetección hiperespectrales con cientos de bandas estrechas, PCA puede clasificar fácilmente información espectral sutil en partes de ruido (Chang C, 2007). Por lo tanto, un método común para determinar el número de miembros finales en imágenes de detección remota hiperespectrales es el método de análisis de umbral de características basado en la teoría de detección de Neyman-Pearson (Harsanyi et al., 1994), denominado HFC (Harsanyi, Farrand, Chang). Este capítulo también utiliza este método para determinar el número de miembros finales.
El principio de HFC es obtener la matriz de correlación Rm×n, la matriz de covarianza Km×n y sus valores propios calculando la matriz de correlación de la imagen, y registrar los valores propios como.
Si la energía de la señal de la imagen es positiva, entonces existe
tecnología de extracción de información de imágenes de detección remota hiperespectral
donde: n es el número de miembros finales; m es el máximo El número de bandas de la imagen espectral.
Incluso si no se utiliza el análisis de componentes principales, algunas señales débiles inevitablemente serán excluidas como señales de ruido. Por lo tanto, para minimizar este fenómeno, es mejor realizar un blanqueamiento antes de calcular el número de miembros finales (Gruninger et al., 2004).
3.1.3.2 Extracción de miembros finales
Actualmente, se han realizado investigaciones en profundidad sobre los métodos de extracción de miembros finales en imágenes hiperespectrales, y los investigadores han propuesto muchos métodos de extracción prácticos desde diferentes perspectivas. Los métodos comúnmente utilizados incluyen el índice de píxeles puros (PPI), el método de volumen máximo interno (N-FindR), el análisis de componentes de vértice (VCA), el método de proyección simplex (SPM), el cono convexo máximo secuencial (SMAC) y el análisis de errores iterativos (IEA). , contracción simplex envuelta (SSWA), análisis simplex de volumen mínimo (MVSA) y análisis de cono convexo (MVSA). Morfología automática (AMEE), método de distancia máxima (MaxD), método de volumen máximo (MaxV), método de distancia de proyección de espacio nulo máximo (NSP), análisis cuantitativo de componentes independientes (ICA), etc. (Zhang Bing et al., 2011). En este capítulo, el método de extracción de miembros finales es SMACC, que proporciona un método más rápido y automatizado para obtener espectros de miembros finales, pero sus resultados tienen alta aproximación y baja precisión. Dado que el propósito de la investigación de este capítulo es un método de descomposición lineal mejorado en lugar de centrarse en la selección de miembros finales, SMACC no es el mejor algoritmo, pero puede lograr el propósito del experimento de este capítulo.
El algoritmo SMACC (Gruninger et al., 2004) puede obtener los resultados de la inversión de abundancia mientras extrae miembros finales. El principio básico es obtener miembros finales mediante iteración. Después de múltiples iteraciones, la proporción de cada miembro final en el píxel mezclado se calcula y ajusta continuamente, y la interacción entre los miembros finales se elimina mediante la transformación de proyección. Entre ellos, el paso más crítico es determinar si hay miembros finales en el píxel y si se requiere una proyección oblicua (u proyección ortogonal). El algoritmo específico es el siguiente:
Supongamos que el conjunto de píxeles original se expresa como: el conjunto de píxeles antes de la j-ésima iteración es, el miembro final establecido antes de la j-ésima iteración es, wj es la dirección de proyección de cada iteración, XJ-1 es el vector espectral más largo, entonces el coeficiente de proyección de XJ-1 en la dirección wj es
Tecnología de extracción de información de imágenes de teledetección hiperespectral
La proporción ej el coeficiente de xi es
Tecnología de extracción de información de imágenes de detección remota hiperespectral
Donde: βij es el coeficiente de ajuste; cuando βij = 1, es una proyección ortogonal; Después de múltiples iteraciones, finalmente se puede obtener el coeficiente proporcional de Xi EJ.
El resultado de la proyección del píxel es
Tecnología de extracción de información de imágenes de detección remota hiperespectral
Entre ellos, el principio de ajuste del coeficiente βij es: cuando Oij≤ 0, βij = 0, es decir, no existe tal miembro final; de lo contrario, el valor mínimo se obtiene calculando vk de acuerdo con la
tecnología de extracción de información de imágenes de detección remota hiperespectral
y registrado como vmin. Cuando vmin > 1, βij = 1, que es una proyección ortográfica, en caso contrario es una proyección oblicua, βij = vmin.
3.1.3.3 Extracción y clasificación de información de características de píxeles mixtos
Al descomponer la matriz construida a partir de las curvas espectrales de píxeles mixtos, se obtiene el valor de abundancia fj (j = 1, 2, . .n), pero la clasificación de imágenes hiperespectrales o la extracción de información de características se dividen en función de los píxeles, es decir, es imposible pintar un píxel con diferentes colores en la clasificación o extracción de características. Por lo tanto, para facilitar la clasificación,