高光譜圖像包含豐富的空間信息和光譜信息，針對全色或多光譜圖像的信息提取方法不適合高光譜圖像的處理，因此，需要根據高光譜遙感的機理和圖像的特點，發展新的信息提取模型與方法。高光譜圖像波段多、數據量大，而且混合像元問題較為嚴重，且同物異譜影響明顯，這都是信息提取研究需要解決的關鍵問題。

當一個像元對應的瞬時視場內存在多種不同地物類型，該像元的光譜特征則由這些地物的光譜信息共同構成，由此產生了混合像元現象。由于遙感器空間分辨率的制約，高光譜圖像中普遍存在混合像元問題，這是制約分類精度提高和目標探測準確率的重要因素。

高光譜遙感成像示意

1、像元的概念

純像元 (Pure Pixel):若一個像元對應的地面區域內只包含一種純地物類型。此像元記錄的信息就是該純地物的光譜響應特征或光譜信號。

混合像元(Mixed Pixel):若一個像元對應的地面區域內包含兩個或更多純地物類型此像元記錄的信息是區域內全部純地物光譜信息(也稱為端元)的綜合疊加。

純像元與混合像元

混合像元形成的機理:在一個瞬時視場內 (IFOV)，有多種物質成分存在的空間混合;在一個瞬時視場內，由于地形和物體陰影引起的照度差異;不同像元之間的交叉輻射;大氣傳輸過程中的混合效應;遙感儀器本身的混合效應。

2、混合像元分解方法

光譜圖像的混合像元分解有兩個基本目的：確定組成混合像元的基本地物和計算各個基本地物在混合像元中所占比例。前者稱為端元提取(endmember extraction)，后者稱為豐度反演(abundance inversion)。這兩者是實現混合像元分解的核心步驟。為了實現混合像元分解，需要利用數學模型描述混合像元形成的物理過程。根據對物理過程抽象程度的不同，高光譜圖像光譜混合模型可以分為線性光譜混合模型LSMM(Linear Spectral Mixing Moldel)和非線性光譜混合模型NLSMM(Nonlinear Spectral Mixing Model)。地物的混合和物理分布的空間尺度大小決定了非線性的程度，大尺度的光譜混合通常被認為是一種線性混合，而小尺度的物質混合則是非線性的。

LSMM和NLSMM模型一般都是將端元光譜作為單條曲線進行處理，忽略了端元光譜存在的變異性。光譜變異對混合像元分解影響的研究中，比較代表性的工作有兩方面：一是在已有的線性混合模型基礎上考慮光譜變異，用一個有限的光譜集合代表端元可能發生的各種變異情況。另一個是擴展現有的模型，對光譜變異程度進行建模，例如正態組分模型，它用概率來描述光譜的不確定性，將端元視為一個呈給定概率分布的隨機變量。該方法利用特定參數來表示端元光譜變異，好處是這種方法在不存在純像元的數據中也可以估計端元。

推薦：

無人機機載高光譜成像系統iSpecHyper-VM100

一款基于小型多旋翼無人機機載高光譜成像系統，該系統由高光譜成像相機、穩定云臺、機載控制與數據采集模塊、機載供電模塊等部分組成。無人機機載高光譜成像系統通過獨特的內置式或外部掃描和穩定控制，有效地解決了在微型無人機搭載推掃式高光譜照相機時，由于振動引起的圖像質量較差的問題，并具備較高的光譜分辨率和良好的成像性能。

審核編輯 黃宇