目标光谱引导的高光谱图像混合像元分解方法

"本文主要介绍了一种针对高光谱图像混合像元分解的新方法——目标光谱指导下的混合像元分解。这种方法旨在解决传统混合像元分解中端元物理含义解释不清的问题，通过引入具有明确物理意义的目标光谱来指导分解过程。" 高光谱图像分析是遥感领域的重要研究方向，其特点是能够提供地表物体的丰富光谱信息，但同时也面临着混合像元问题。混合像元是指一个像素包含了多种地物的光谱特性，这给图像解析带来了挑战。传统的混合像元分解方法，如非负矩阵分解（Non-negative Matrix Factorization, NMF），通常无法直接提供端元（即纯地物光谱）的物理含义。 该研究由于钺和孙卫东提出，他们创新性地引入了目标光谱的概念。在分解过程中，首先识别出具有明确物理含义的目标光谱，然后建立这些目标光谱与混合像元中端元之间的对应关系。接着，他们基于最小距离约束的非负矩阵分解（Minimum Distance Constrained NMF, MDC-NMF）方法，利用光谱特征距离（Spectral Feature Distance, SFD）作为正则项，以保持端元与目标光谱之间的相似性。这样不仅有助于解释端元的物理含义，还能缓解端元提取中的病态性问题。 为了验证方法的有效性，研究者使用了模拟数据和真实数据进行实验。实验结果显示，目标光谱指导下的混合像元分解方法在诠释端元物理含义和改善分解效果方面表现出优越性，与非监督情况下的分解结果相比有显著提升。 此外，文中还提到了混合像元分解在光学卫星遥感图像解译中的应用，包括参数反演、高精度分类和小目标检测。随着遥感技术的进步，混合像元分解在亚像元和光谱层次上的处理显得越来越重要。高光谱图像由于其丰富的光谱信息，为混合像元分解提供了更好的条件，使得更精确的解译成为可能。 关键词涉及高光谱图像、目标光谱、混合像元分解、光谱识别和小波变换，这些都是该领域的核心概念和技术。小波变换在图像处理中常用于信号去噪和特征提取，对于理解和改进混合像元分解算法也有着重要作用。 这项研究为高光谱图像的混合像元分解提供了一个新的视角，通过目标光谱的引导，提高了分解的物理可解释性和准确性，对于推动遥感图像分析技术的发展具有积极的意义。