高光谱图像混合像元分解方法综述：线性与非线性模型

高光谱图像混合像元分解是遥感图像处理中的一个重要课题，它关注于解决由于传感器空间分辨率有限导致的一个像元内可能包含多种地物的复杂情况。混合像元问题源于每个像元代表的地物组合，可能包含纯像元（单一地物）和混合像元（多种地物的组合）。混合像元的存在显著降低了传统像元级遥感图像在分类和面积量测方面的精度，特别是在高光谱图像中尤为突出，因此亚像元（subpixel）级别的分析成为处理这类数据的常用策略。 高光谱图像的混合像元分解通常涉及以下几个关键步骤和模型： 1. **混合像元问题与光谱混合模型**：这个问题的解决过程被称为混合像元分解或光谱解混，目标是确定每个混合像元由哪些纯像元组成以及它们的相对比例。混合模型主要分为线性和非线性两类，其中线性模型由于计算相对简单，且在实际应用中更常见，但可能存在对复杂光谱关系的简化。 - **线性光谱混合模型**：这是最常用的模型，基于物理原理，假设混合像元中各纯像元的光谱响应可以线性叠加。这种模型简化了计算，但可能无法完全捕捉到非线性光谱交互的影响。 - **非线性混合模型**：虽然能够更好地模拟复杂的光谱混合现象，但需要更多的输入参数，实现起来更复杂，对数据质量和模型选择的要求较高。 2. **高光谱图像线性光谱解混流程**：这个过程通常包括预处理（如辐射校正和归一化）、建立混合矩阵、求解线性方程组来确定各纯像元的贡献，以及验证和优化解混结果。 3. **端元提取和丰度反演**：端元是指混合像元中具有代表性的纯像元，通过提取这些端元并估计其在混合像元中的相对丰度，有助于深入理解像元的组成和特性。这一步骤对于后续的图像分类和地质信息提取至关重要。 4. **实例分析**：混合像元分解的具体应用通常会涉及实际案例研究，通过比较解混前后图像的变化，评估方法的有效性和准确性，以及对地物识别和地表参数估计的改进。 高光谱图像混合像元分解是一个综合性的技术，它结合了数学模型、物理原理和计算机算法，旨在揭示高光谱图像中复杂的光谱信息，以提高遥感数据的解析能力。通过有效地处理混合像元，可以提升遥感数据在环境监测、土地利用分析和地球系统科学研究等领域的应用潜力。