混合像元分解研究综述——端元内光谱差异问题

asd

　或叫做端元变异，端元不稳定(Endmember variation)。
一般的混合像元分解算法假设相同地物都有相同的光谱特征，因而对整幅图像采用相同的端元光谱。但由于同物异谱现象的存在，端元的光谱并非恒定的值，这就是端元内光谱差异现象。这种现象的存在常常会导致分解结果的误差。目前，解决该问题的方法可以分为四类：
(1)   多端元方法
       多端元方法指对每一类地物选取多个端元光谱参与混合像元分解。其中最典型的方法是由Roberts等(1998)[49]提出的MESMA(Multiple Endmember Spectral Mixture Analysis)方法。该方法首先为每类地物选取多条光谱，并以此生成多个端元组合（每个端元组合由不同地物中的某一条光谱组成），接着对每个像元寻找最小二乘法误差最小的端元组合，进而求出每个像元的端元比例。该方法在很多研究中被证实是十分有效的[50-54]。Bateson等(2000)[55]提出了一种端元束的方法，该方法对每类地物生成端元束（一个端元束由许多同一类地物的光谱组成），将所有端元束的光谱作为端元进行混合像元分解。因为端元数目超过光谱波段数，方程组欠定，所以只能求解出每一类地物（也就是一个端元束内所有光谱的比例之和）的最小值和最大值，再对其作平均得到每类地物的比例。该方法的优点在于可以得到每类地物比例的误差范围。多端元方法机制明确，但计算复杂，耗时过长。
(2)   光谱变换

       在很多情况下，同类地物的光谱的差别来自绝对值的变化，而光谱形状是相似的。因此通过对光谱进行一定的变换可以减少端元的光谱差异。Wu（2003）[56]提出将光谱除以各个波段的均值，再作混合像元分解，并应用于城市监测；Garcia-Haro等（2005）[57]将光谱作标准化后再作混合像元分解；Asner等(2003)[58]将光谱作微分后再作混合像元分解。Juan Pablo Guerschman等(2009)[59]利用原始光谱计算出归一化差分植被指数（Normalized　Difference Vegetation Index, NDVI）和纤维素吸收指数（Cellulose Absorption Index，CAI），假设两个指数也满足线性混合模型，利用两个指数求得光合植被、非光合植被及裸土的比例。由于这两个指数只利用了光合植被及非光合植被的特征波段，因此端元光谱差异也能得到一定的压缩。变换光谱的方法虽然计算方便，但在光谱变换中线性混合模型假设被破坏，使得混合机理不清楚，由此可能带来新的误差。

(3)   基于概率的方法
       Song(2005)[60]提出了一种贝叶斯混合光谱分析方法（Bayesian Spectral Mixture Analysis, BSMA）, BSMA不再将端元光谱用一个值表示，而是用概率密度函数来描述端元光谱的分布，进而根据贝叶斯理论推导出最似然的端元比例。然而，模拟实验与真实数据的检验并未证实该方法相对于FCLS的优越性。
(4)   基于光谱匹配的方法
陈晋等(2009)[61]提出了基于光谱匹配的混合像元分解技术将混合光谱与端元按照其比例线性混合的光谱进行匹配，以匹配效果最好的端元比例作为分解的最终结果。这种算法能够在一定程度上克服由于大气或地形因素影响引起的端元光谱变异。

wzhenchao

这个是怎么回事啊？好像不对啊？开头怎么感觉是个半句啊？