针对目标探测算法对混合像元难以区分以及阈值不易选择的问题,根据同类像元的相似性提出对抗生长(AG)算法。首先将生长树模型应用在目标探测中,然后利用AG算法对生长树模型进行改进,最后在遗漏率和重叠率两个参数的约束下得到生长结果,通过对生长结果的进一步分析来得到探测结果。通过实验数据分析可以看到AG算法在检测概率为90%的情况下,虚警率比其他4种传统算法中最佳结果还低0.31个百分点;算法的接收机特性曲线在4组数据中均位于其他算法的左上方,验证所提算法的有效性,表明该算法能够较好地区分混合像元,克服阈值选择的难题,提高目标检测的效率。

地物三维结构在像元尺度下的光学辐射特征并不等同于其表面材质的反射特性，这给基于图像信息的目标特征提取与识别造成困难。结合对三维几何体的外场零视距测量实验, 分析了地物几何结构对像元综合反射率的影响效应。基于线性混合像元模型, 尝试加入方向辐射特性、光照阴影和端元分布等修正因子进行改进。结果表明, 较之于目前广泛使用的线性混合模型, 改进模型对像元综合反射率的计算精度有所提高, 相对误差由原先的 13.08% 平均减小至 8.79%。鉴于三维异质结构混合像元综合辐射作用的复杂性, 改进方法的完备性和模型普适性有待进一步研究和验证。

提出了一种基于高光谱数据简化的改进非负矩阵分解端元提取方法,通过计算和比较图像的光谱信息熵,划分图像的同质区,只选择同质区中最具代表性的像元参与非负矩阵分解运算,减少了端元提取算法的运算量。实验结果显示,数据简化前后运用非负矩阵分解算法所提取的几种矿物的光谱角均值基本相等,但数据简化后端元提取算法的运行时间减少了4/5,算法的运行效率提高。

高光谱遥感被越来越多的应用于确定混合像元的地物组分和比例。 将不同面积比例的植被-土壤混合像元作为研究对象, 使用偏振装置和 ASD FieldSpec3 光谱仪得到植被—土壤组成的混合像元的偏振反射光谱曲线, 计算得到八种植被指数值, 讨论不同面积比例, 不同偏振角度下植被-土壤混合像元的高光谱偏振特性。 研究发现, 随着叶片占混合像元面积比例的增大, 植被-土壤光谱曲线越来越明显地表现出植被光谱“五谷四峰”的特性, 且峰值与谷底的位置与植被光谱基本相同。 偏振角越大, 混合像元的光谱偏振反射比越大; 混合像元条件下, 植被所占混合像元的面积比例越大, 光谱受偏振角的影响越大。 各植被指数与混合像元中植被面积大小呈线性关系, 其中植被衰减指数和改进红边归一化植被指数的相关系数最大, 可以达到98%左右, 适合用于建立植被指数与植被占混合像元面积比例之间的相关模型。 在植被面积发生变化时, 改进红边比值植被指数的灵敏性更好。 在利用光谱吸收特征参数进行植被指数估算时, 发现吸收谷深度与光化学植被指数的二次函数模型拟合度最强, 决定系数R2为0.963 3; 光谱吸收指数与光化学植被指数的二次函数模型拟合度最强, 决定系数R2为0.960 5。

介绍了近年来非线性光谱解混方法的发展状况, 主要包括矿物沙地地区的紧密混合模型和植被覆盖区域的多层次混合模型, 以及基于这些模型的非线性解混算法和利用核函数、流形学习等方法的数据驱动非线性光谱解混算法及非线性探测算法.最后分析总结了现有非线性解混模型与算法的优势与缺陷及未来的研究趋势.

针对MODIS数据绿潮提取存在大量混合像元导致绿潮覆盖面积偏大这一问题, 基于3 m分辨率的机载SAR高分影像, 结合归一化植被指数(NDVI), 对MODIS研究区中大于NDVI阈值的像元进行混合像元分解得到绿潮的“覆盖面积”; 获取的准同步3 m机载SAR提取的绿潮面积为“真实值”, 然后建立二者之间的关系模型, 并选取不同的样本区域对该模型进行了验证。实验结果表明: NDVI等传统算法所提取的绿潮覆盖面积约为“真实值”的2.68倍; 基于混合像元分解的方法所提取的绿潮面积较“真实值”偏小, 约为“真值”的0.56倍; 与传统的NDVI等多波段比值法相比, 该精细化模型方法提取的绿潮覆盖面积更接近于“真实值”, 与“真实值”误差仅为6.7%。

在绿潮遥感业务化监测中, 250 m分辨率的MODIS卫星数据是主要数据源, 归一化差值植被指数(NDVI) 是绿潮卫星遥感信息提取的主要方法。研究发现, 由于MODIS空间分辨率较低, 存在大量的混合像元, 导致提取的绿潮覆盖面积明显偏大。针对该问题, 本文在MODIS绿潮NDVI计算的基础上, 首先对大于NDVI阈值的像元进行混合像元分解, 得到MODIS NDVI混合像元分解后的绿潮面积, 然后以准同步的30 m分辨率HJ-1 CCD影像提取的绿潮覆盖面积为真值, 建立了MODIS NDVI混合像元分解得到的绿潮面积与HJ-1提取的绿潮面积之间的关系模型, 以实现绿潮面积的精细化提取。与传统的NDVI阈值法和混合像元分解法相比, 该方法提取的绿潮覆盖面积更接近于“真值”, 面积约为“真值”的96%, 而传统的NDVI阈值法和混合像元分解方法提取的面积分别为“真值”的2.96倍和45%。另外, 与传统的NDVI阈值法相比, 新方法对NDVI阈值变化不敏感, 在相同的NDVI阈值变化区间内, 前者提取的绿潮覆盖面积变化了41%, 而新方法的变化仅为11%。本文的工作在很大程度上解决了MODIS空间分辨率低导致的绿潮监测结果不准确的问题, 为精细化的绿潮卫星遥感业务监测提供了参考。

针对基于线性模型分解高光谱影像混合像元分解精度低, 而非线性模型难以建立等问题, 提出了利用多核支持向量机(MKSVM)的后验概率进行高光谱影像非线性混合像元分解的方法。该方法在支持向量机的基础上, 以线性加权组合核函数代替单核函数, 采用简单多核学习方法迭代解算权系数来实现分类。然后, 通过S型函数将分类器输出值转化为概率; 将两两配对概率转换为多类后验概率。最后, 利用后验概率实现高光谱影像的非线性混合像元分解。采用该方法对两组推帚式超光谱成像仪(PHI)的高光谱影像进行了对比实验, 结果表明: 该方法的分类精度分别提高到95.62%和91.51%, 均方根误差(RMSE)最小分别为11.15%和7.55%, 均小于15%。实验结果显示提出的方法基本消除了混合像元对高光谱影像分类的影响, 提高了分类精度。

为探索微观和宏观尺度下混合像元光谱混合机制的差异, 在人工设置试验环境下, 以人工制作雪-土混合像元表征微观尺度混合像元, 固定全波段光谱仪探头距离, 完成不同面积比的雪-土混合像元和雪、 土端元反射光谱的采集, 并对采集得到的光谱数据进行全波段反射光谱、 350～2 500 nm归一化反射光谱和剔除噪声后350～1 815 nm再归一化反射光谱数据定性定量分析。 同时, 分析同期MODIS和环境与灾害监测卫星B星(HJ-1B CCD/IRS)影像中可见光、 近红外和短波红外通道反射率相关性及MODIS影像中雪-土混合像元光谱与端元光谱的关系。 结果表明; (1)微观尺度时, 全波范围内混合像元反射光谱与端元光谱存在非线性关系, 分波段范围内存在线性关系; (2)宏观尺度时, 可见光范围内, CCD 1, 2, 3通道与MODIS 3, 4, 1通道相关系数在0.76～0.89间; 短波红外范围内, IRS通道2与MODIS通道6相关系数为0.35。 (3)MODIS影像中雪-土混合像元光谱与端元光谱关系为混合像元与雪端元光谱间正线性相关, 与裸土端元光谱负线性相关。