混合光譜分解技術

混合光譜分解技術用以確定在同一像元內不同地物光譜成分所占的比例或非已知成分。因為不同地物光譜成分的混合會改變波段的深度，波段的位置，寬度、面積和吸收的程度等。這種技術採用矩陣方程，神經元網路方法以及光譜吸收指數技術等,求出在給定像元內各成分光譜的比例。

基本介紹

• 中文名：混合光譜分解技術
• 外文名：Spectral Unmixing
• 運用領域：遙感學
• 分析：同一元內不同組分比例

概念

為了改善從遙感數據中提取定量信息，人們建立了光譜混合模型的分析技術。這類模型包括分析光譜數據以確定在同一象元內不同成分(目標物)所占的比例或者識別在已知成分(endmember)分析中外加的成分。一般而言，在一個象元內引人第二種礦物成分就會影響該象元主要光譜參數，例如波段深度、波長、位置、寬度、面積和吸收程度。空問解析度的提高減少了混合象元的幾率，但光譜不“純”的象元依然存在。混合光譜分解技術就是用來處理這類不“純”象元的。這類技術已用在許多地質製圖和其他土地利用分類研究中。高光譜遙感的出現有利於對混合象元的光譜分解，其原因是象元光譜能較完整地描述一給定地物的光譜特徵。

高光譜分析技術

高光譜遙感雖然是多光譜遙感的發展，但它的意義不是簡單的波段數目的增加和波段寬度的減小，它所帶來的一些光譜特性和圖像特性在遙感技術上是具有里程碑性質意義的。如前所述，高光譜細緻地刻畫了地物的輻射光譜特性，為地物的精細分類和定量遙感提供了重要基礎。同時，由於高光譜波段數目很多，信息豐富而數據量也急劇增大。所有這些使得對高光譜數據的處理和信息提取方法也有不同於多光譜的很多重要特點。比如光譜導數分析，在多光譜中由於波段不連續，從而沒有其意義，而在高光譜中則是很有理論和實用價值的。當然，不僅多光譜的處理方法對高光譜仍然適用，而且有些從高光譜數據發展起來的分析方法，對多光譜也是可用的。高光譜信息分析技術有很多，包括各種光譜匹配方法、混合像元分解方法、分類方法等。下面介紹兩種分析方法。

光譜角度製圖法

光譜角度製圖(SAM)法是一種光譜匹配的方法，它計算高光譜圖像中像元的光譜與幾種已知地物類型的“標準”或“參考”光譜之間的相似性，將像元歸人與其相似性最大的標準光譜的地物類型。它所採用的度量光譜之間相似性的量，就是光譜空間中兩光譜向量之間的夾角a。為了便於圖示，以三維的光譜為例，如圖1所示。在圖中，像元的光譜和標準光譜都是一個三維向量(對於n維光譜則是一個n維向量)，顯然，兩個光譜若相似則它們之間的夾角會很小，完全相同則夾角為0。光譜向量的長度(模)的大小對光譜之間角度沒有影響。SAM方法最好針對光譜反射率數據進行。若是輻亮度數據，則未計入模長的考慮這一點，可能是有利的，也可能是不利的。比如，地物由於光照、地形等原因造成的光譜輻亮度值整體提高或降低，不計模長可消除光照影響，因此有利；但若地物的確是因自身輻亮度有較大的成比例的差異，則不計模長顯然是不利的。

圖1

混合像元分解

一個像元所對應的地面單元中，往往包含了不止一種的地物類型，這種像元稱為混合像元(Mixed Pixel)。組成混合像元的各種地物成分稱為組分或端元組分，或“終端單元”(Endmember)。對混合像元，我們探測到的是其混合光譜，即像元的光譜亮度值來自像元中所有地物組分的光譜貢獻(設滿足非相干光輻射功率相加原理)。基於像元的混合光譜，而將混合像元中各種地物(端元)所占比例估計出來就是混合光譜分解技術(SpectralUnmixing)。高光譜為混合像元分解提供了必要的信息條件。要從混合光譜中估計出各種端元地物成分，首先要清楚各端元地物的光譜以何種形式構成了混合光譜，即混合光譜的數學模型，然後依據各種組分光譜對混合光譜的貢獻大小來估計相應的地物組分的含量。一種簡單而比較合理的假設是像元的混合光譜是由組分光譜以組分的面積比例加權的線性組合(此為混合光譜的線性模型)，以此假設為基礎來估計組分含量，稱為混合像元線性光譜分解。

光譜匹配技術

光譜匹配技術是用已知物體的特徵光譜來與未知目標物的光譜作匹配比較，以求出它們之間的相似性或差異性，從而對目標物光譜作詳細分析的一種光譜分析技術。它包括目標物光譜對參考光譜的匹配及目標物光譜與光譜資料庫的比較兩種情形。

相應於光譜匹配技術，某些時候需要將目標物的混合光譜加以分解，以確定在混合光譜中不同組分所占的比例或者識別在已知組分中外加的其他組分。理論上，在一種光譜確定的物質中加入其他組分時，光譜的特徵參數(如波長位置、波段深度、寬度、面積和吸收反射程度)會發生改變，這為用光譜法對目標物中的組分識別提供可能。但混合光譜分解技術有兩個關鍵問題：一是要找出一組成分純的化學物質的光譜或已知組分混合比例的目標物的光譜；二是要修正從純組分光譜到混合組分光譜因條件不同而帶來的光譜變化。目前，國內外還未見根據光譜匹配技術來分析水稻光譜變化及其生化組分的報導。

遙感技術的發展趨勢

航天遙感小衛星技術近年來發展很快．小衛星是指體積小、重量輕、功能單一的衛星，使用小火箭發射，研製周期短，衛星成本低。小衛星質量一般小於500千克，在近地軌道運行。在對地觀測領域，小衛星的對地觀測功能較強，向大眾化和商業化邁進了一大步。美國在20世紀80年代初期開始進行小衛星技術項目的研究，先後發射了多顆試驗衛星：日本發射了多顆小衛星用於空中探測和地面監測；英國在商業化小衛星研製和套用開發方面處於領先地位的是英國薩瑞大學空間技術中心．它已經先後發射了數十顆遙感小衛星。2000年，我國首顆小衛星“清華1號”成功運行，總體上採用了薩瑞大學的技術：2005年10月27日我國成功發射了北京一號小衛星：2010年8月24日發射成功的天繪一號立體測繪小衛星，成為我國完全自主研發的首顆小衛星。為了能夠利用小衛星來實現地
球觀測系統(Earth Observing System．EOS)那樣大計畫的目的，很快又發展了“小衛星群”的概念，但仍有很多關鍵技術有待突破。

除了遙感衛星及感測器技術，遙感信息處理技術也獲得了長足的進展，主要表現在影像的校正與恢復、影像增強、影像分類、影像數據融合、高光譜影像分析、影像傳輸與壓縮等方面。其中，影像的校正與恢復的方法已經比較成熟：影像增強方面成熟的算法已集成於商業化的ERDAS、PCI、ENVI等遙感影像處理軟體，包括輻射增強、空間域增強、頻率域增強、多光譜增強等；影像分類是遙感影像處理定量化和智慧型化發展的主要方面。目前比較成熟的是基於光譜統計分析的分類方法，如監督分類和非監督分類；為了提高基於光譜統計分析的分類精度和準確性，出現了一些光譜特徵分類的輔助處理技術，如上下文分析方法、輔以紋理特徵的光譜特徵分類法等，同時神經網路分類器、專家系統方法等智慧型型影像分類方法得以更深入研究；影像數據融合技術目前還主要是像素和特徵層的融合，決策層的數據融合僅處於研究的初期：在高光譜遙感信息處理方面，發展了許多處理方法，如光譜微分技術、光譜匹配技術、混合光譜分解技術、光譜維特徵提取方法等。儘管如此，遙感信息處理技術任重而道遠，仍需要研究可以把信息處理得更精確、更高效，具有普適性的算法．並逐步推廣套用於國民經濟的各個領域。

總之．遙感技術正在進人一個能夠快速、準確地提供多種高解析度對地觀測海量數據及套用研究的新階段，隨著電子技術、計算機技術、航空航天技術等的飛速發展，遙感技術將會迅速發展，逐步達到更新的高度。