快速像元纯度指数算法

像元纯度指数(PPI)算法广泛应用于目标与背景的分离中,对于超光谱图像数据,它可以从混合像元中提取纯净的端元,用于目标的识别,但缺点是计算量大、不能自动提取。针对这一问题,本文基于PPI算法的原理提出一种非监督端元自动提取方法,使得提取时间大大缩短。

基于线性光谱混合分析的城市不透水层分布估算

利用遥感图像进行城市不透水层分布的估算,在监测城市环境和规划城市发展等方面有着非常重要的作用.采用全约束的线性光谱混合模型,用3种方法(像元纯度指数、归一化的像元纯度指数和结合地表温度辅助分析的归一化像元纯度指数)分别从Landsat 7 TM/ETM+影像中分解得到上海市中心城区的不透水层分布,并比较了2002～2008年的上海市中心城区不透水层分布的变迁.结果表明,利用这3种方法分解得到不透水层的精度依次递增;总体来说,上海市不透水层分布比率较高.从2002～2008年不透水层分布变化来看,上海市的城市化有显著向外环线外区域扩张的趋势.

基于空间光谱信息协同的城市不透水层提取方法比较研究

【目的】利用不同的端元提取方法及混合像元分解算法计算南京市2018年城市不透水层覆盖度,评估各方法的精度,为城市可持续发展提供可靠的基础数据支撑。【方法】采用Landsat 8 OLI遥感影像,基于像元纯度指数(pixel purity index,PPI)并考虑空间光谱信息协同提出空间像元纯度指数(spatial pixel purity index,SPPI),精炼提纯植被、裸土、高反照度不透水层及低反照度不透水层4种类型端元,利用线性混合光谱模型(linear mixed spectral model,LMM)、混合调制匹配滤波(mixture tuned matched filtering,MTMF)、双线性混合光谱模型(bilinear mixed spectral model,BMM)及BP神经网络(BP neural network,BPNN)算法提取南京城市不透水层,采用同年的Google Earth遥感影像目视解译结果对提取的不透水层丰度进行精度验证。【结果】SPPI能有效结合多光谱波段的光谱信息和全色波段的空间信息,提高端元提取精度并减少计算量;同时,基于SPPI的BP神经网络算法提取精度最高,为90.45%;而基于PPI的线性混合光谱模型精度最低,为80.62%。BP神经网络算法在复杂城市中的解混精度高于线性混合光谱模型、混合调制匹配滤波和双线性混合光谱模型。【结论】采用全色波段像元亮度空间异质性辅助提取端元的方法,用空间信息弥补多光谱波段光谱信息较少的缺点,对于改进或发展适用于中/高分辨率多光谱影像的端元提取方法具有一定的参考价值,将其与神经网络模型结合可以在城市不透水层提取中推广应用。