混合像元线性分解-SMA-MESMA

最新推荐文章于 2022-06-23 11:30:54 发布

iFun0

最新推荐文章于 2022-06-23 11:30:54 发布

阅读量1.3w

点赞数 6

分类专栏： Remote Sensing 文章标签：高光谱遥感混合像元分解 MESMA SMA

本文链接：https://blog.csdn.net/Neil_Pan/article/details/51382400

版权

本文介绍了高光谱遥感中的混合像元线性分解方法，包括简单线性混合光谱分解（SMA）和多端元线性混合光谱分解（MESMA）。SMA通过端元提取和线性组合表示混合像元，常用工具有SMACC和LSU。MESMA则允许同一类端元有多个端元光谱，VIPER Tools为其典型应用工具。

摘要由CSDN通过智能技术生成

1. 端元提取与选择

1.1概念

线性光谱解混是在高光谱图像分类中针对混合像元经常采用的一种方法，该方法由两步组成，第一步是提取“纯”地物的光谱，即端元提取；第二步是用端元的线性组合来表示混合像元，即混合像元分解货混合光谱分解。目前的端元提取方法主要有：PPI，N-FINDR，SMACC等。

2. 简单线性混合光谱分解（SMA）

2.1概念

简单线性混合光谱分解即只用一组端元集（即同一类端元只有一个端元光谱）对遥感影像中的混合像元进行分解，但是可以运行多种端元模型，如二端元，三端元，四端元等

2.2工具

（1）Sequential Maximum Angle Convex Cone (SMACC)
ENVI中的 Sequential Maximum Angle Convex Cone (SMACC)模型是一种简单线性分解模型SMA，并且可以实现约束条件的设置。

关于SMACC模型的参考文献：
Gruninger, J, A. J. Ratkowski and M. L. Hoke. “The Sequential Maximum Angle Convex Cone (SMACC) Endmember Model”. Proceedings SPIE, Algorithms for Multispectral and Hyper-spectral and Ultraspectral Imagery, Vol. 5425-1, Orlando FL, April, 2004.