基于混合像元分解的植被覆蓋度提取方法的研究

李艷

【摘要】受傳感器分辨率、土壤濕度、樹種郁閉度等因素的影響，遙感影像中普遍存在混合像元，而遙感影像中混合像元，會在遙感應用中帶來的較大誤差。本文通過對MNF變換、PPI處理等操作，使用最小二乘法對研究區(qū)域處理后的遙感影像進行混合分解，得到研究區(qū)域植被、土壤、水體的豐度圖像。

【關(guān)鍵字】遙感 混合像元 端元提取

1 引言

遙感是以像元為單位記錄其傳感器接收到的地面發(fā)射或反射光譜信號，每個像元記錄了探測單元在瞬時視場內(nèi)對應地面范圍所有目標輻射能量的總和。地表覆蓋類型一般是復雜多變的，因此影像中每個像元所記錄對應的地物光譜響應特征是相對獨立的。

純凈像是指探測單元在瞬時視場角所對應的地面范圍內(nèi)包含同一類型相同性質(zhì)目標，它記錄了該類型地面目標的光譜信號和光譜響應特征。混合像元是指探測單元在瞬時視場角所對應的地面范圍內(nèi)具有多種類型不同性質(zhì)目標，它記錄了多種類型地面目標的光譜信號和光譜響應特征。受傳感器分辨率的影響，遙感影像中普遍存在混合像元，尤其是地物分布復雜的區(qū)域，同時土壤濕度、樹種郁閉度等因素使相近地物產(chǎn)生混合像元，另外受背景、陰影等影響也有可能形成混合像元。因此，了解遙感影像中混合像元，有助于減少遙感應用中帶來的較大誤差。

2 常用端元提取方法

2.1 像元純凈指數(shù)PPI。像元純度指數(shù)PPI(Pixel Purity Index)是目前最成功的方法之一，它認為多光譜和高光譜的所有數(shù)據(jù)在其特征空間中被圖像中的所有地物與之對應的端元為頂點的單行體所包圍。該算法受操作人員先驗知識的影響，并且在端元選取過程中存在很大的主觀性。

2.2 N-FINDR。N-FIND是從高光譜數(shù)據(jù)點集構(gòu)成的凸面單形體中，尋找一組能夠在特征空間中構(gòu)成具有最大體積單形體的一組像元。首先通過最小噪聲分離變換(MNF)降低數(shù)據(jù)的維數(shù)，隨機選擇一組向量作為初始端元，計算這些隨機選取項量所構(gòu)成的單形體體積。然后將圖像中每個像元點的光譜都帶入到各端元位置計算體積，如果引起體積增加，則把該像元作為端元點，重復此操作，直到再也沒有端元被替代時停止算法，此時得到的端元就可以作為終端端元。這個算法計算性能的好壞在很大程度上取決于最初選擇端元的性質(zhì)。

2.3 IEA。誤差迭代分解 (IEA)是一種不需要對原始數(shù)據(jù)進行降維而直接進行處理提取端元的算法，在誤差迭代分解過程中，每次都將分解誤差最小的像元作為新的端元。

3.4 SMACC。SMACC方法是基于凸錐模型(殘余最小化）借助于約束條件來識別圖像端元波譜;采用極點確定凸錐，并以此來定義第一個端元波譜;然后，在己有的錐體中應用一個具有約束條件的斜投影生成下一個端元波譜;繼續(xù)增加錐體生成新的端元波譜;重復以上步驟直到生成的凸錐中包含了已有的終端端元，或者滿足了指定的端元波譜數(shù)。

3 基于PPI的端元提取

3.1 最小噪聲分離（MNF）變換。由于多光譜數(shù)據(jù)信息量大、波段之間相關(guān)性大，且存在著信息冗余現(xiàn)象，所以本文首先對TM和ETM數(shù)據(jù)剔除第6波段（熱紅外波段）進行最小噪音分離(MNF)變換，將噪音與信號分離。該方法被用來分離數(shù)據(jù)中的噪音，確定數(shù)據(jù)內(nèi)在維數(shù)，減少隨后處理的計算量。MNF變換后，將影像有用信息集中在前幾波段，噪音集中在后面波段。MNF是一種線性變換，包含了兩次疊置的主成份分析:第一次變換是利用主成分中的噪聲協(xié)方差矩陣，分離和重新調(diào)節(jié)數(shù)據(jù)中的噪聲，減小波段間的相關(guān)性;第二次變換是對噪聲數(shù)據(jù)進行主成分變換。數(shù)據(jù)空間被分為兩部分:一部分是聯(lián)合大特征值和相對應的特征圖像;另一部分與近似相同的特征值和噪聲圖像。MNF變換后的波段影像如圖3-1所示。

3-1 2014年某地區(qū)第一波段最小噪聲分離變換(MNF變換)結(jié)果圖

影像經(jīng)過MNF變換后，前幾個波段清晰，地物特征明顯，說明了地物的信息主要集中在前幾個波段，后面波段圖像嘈雜，斑駁，第6波段完全由噪聲點組成。經(jīng)過最小噪音變換后圖像的信息集中與前幾波段，圖像信息清晰可見。

3.2 純凈像元指數(shù)的提取

純凈像元指數(shù)(PPl)是一種在多光譜和高光譜圖像中尋找波譜最純像元的方法，是一個迭代分析的過程，其認為遙感圖像數(shù)據(jù)集合是在N維空間的一個凸集，像素向量是在N維空間上的矢量。將經(jīng)過MNF變換的數(shù)據(jù)做PPI變換，得到一幅PPI圖像。在這幅圖像上，每個像元的DN值是該像元被標一記為純凈像元的次數(shù)，像元值越高說明像元越純凈。

N-Dimensional Visualizer（N維可視化器)可以與最小噪聲分離變換(MNF)和純凈像元指數(shù)(PPI)計算的結(jié)果相結(jié)合，用于識別、定位、聚集數(shù)據(jù)集中最純的像元，從而獲得最純凈的端元波譜。本文利用N維可視化器提取PPI圖像中像元值大于10的像元作為純凈像元，分析其MNF前3個分量，在三維散點圖上分別選取土壤、植被、水體終端像元。將選取的每個端元的波譜平均值作為該端元的波譜值，得到各個端元的光譜特征曲線，

4 小結(jié)

通過MNF變換、PPI處理等操作，選定土壤、植被、水體3個終端端元組分，根絕所選定的終端端元，使用最小二乘法對研究區(qū)域處理后的遙感影像進行混合分解，分別得到研究區(qū)域植被、土壤、水體的豐度圖像。