数据降维
尽管数据降维不是混合像元分解算法的一个必需步骤,但由于大多数算法都将其作为一个流程,我们也将其当作一个步骤。常用的降维算法有主成分分析(Principle Component Analysis,PCA)、 最大噪声比变换(Maximum Noise Fraction,MNF)和奇异值分解(Singular Value Decomposition,SVD)。
(1) 主成分分析:遥感图像各波段之间经常是高度相关的,因此所有的波段参加分析是不必要的。PCA就是一种去除波段之间相关性的变换。PCA通过对原数据进行线性变换,获得新的一组变量,即主成分。其中前几个主成分包含了原数据主要方差,同时各个主成分之间是不相关的。
(2) 最大噪声比变换: 最大噪声比变换(Maximum Noise Fraction,MNF)[24]由Green等(1989)提出,该变换通过引入噪声协方差矩阵以实现对噪声比率的估计。首先,通过一定方式(比如对图像进行高通滤波)获取噪声的协方差矩阵,然后将噪声协方差矩阵对角化和标准化,即可获得对图像的变换矩阵,该变换实现了噪声的去相关和标准化,即变换后的图像包含的噪声在各个波段上方差都为1,并且互不相关。最后对变换后的图像再做主成分变换,从而实现了MNF变换,此时得到的图像的主成分的解释方差量对应于该主成分的信噪比大小。
(3) 奇异值分解: 奇异值分解(Singular Value Decomposition, SVD)也是遥感图像处理中常用的变换,与PCA类似,SVD能够找出包含原始数据大部分方差的特征方向,不同的是,SVD特别适合于波段间高度相关的数据,而PCA在这种情况下很有可能会失败[25]。