高光谱图像端元提取算法对比分析：N-FINDR、VCA等

"该文主要探讨了在高光谱图像分析中如何衡量不同端元提取算法的实验结果的相似性，特别关注了N-FINDR、VCA、SGA、OSP、ICE和MVC-NMF这六种算法的性能对比。实验设计包括不同端元数目、噪声稳健性、图像大小以及真实高光谱图像场景的应用。文章采用了光谱夹角距离（SAD）和光谱信息散度（SID）作为相似性度量标准，以此来评估真实光谱与估计光谱之间的差异。" 在高光谱图像处理中，混合像素分解是解决混合像素问题的有效方法，以实现亚像素分类。线性光谱混合模型（LSMM）是最广泛应用的混合像素分解模型之一，包括降维、端元提取和丰度估计三个主要步骤。端元提取是MPD的核心部分。根据纯像素假设的存在，端元提取算法可以分为两类：端元识别算法（EIA）和端元生成算法（EGA）。EIA直接从数据中提取纯像素，而EGA则是从光谱数据中生成端元。然而，由于高光谱数据的空间分辨率限制，纯像素往往罕见，因此端元生成算法在实际应用中更为常见。 本文中提到的ICE算法属于端元提取的一种，与其他五种算法一起被用于实验对比。实验目的包括分析当端元数目改变、噪声水平变化、图像尺寸不同以及在真实高光谱图像上的表现时，这些算法的性能差异。通过SAD和SID这两个相似性度量标准，可以定量地比较每种算法估计的端元与实际光谱之间的角度差异和信息差异，从而得出哪种算法在特定条件下的表现更优。 SAD是基于光谱向量的角度差异，计算两个光谱之间的角度以度为单位，数值越小表示相似性越高。而SID则是一种非对称的测度，它基于信息理论，衡量的是一个光谱分布相对于另一个分布的“信息损失”，数值越接近于0，表示两个光谱的相似性越高。 该研究为高光谱图像分析提供了重要的评价工具和实验设计思路，有助于进一步优化端元提取算法，提高图像分类的准确性和可靠性。通过这种详尽的比较和分析，研究人员和实践者可以更好地选择适合特定应用场景的端元提取方法。