混合像元算法主要有哪些

(1）最小二乘法

最小二乘法是迄今为止应用最为广泛的算法，它给出了在无约束情况下均方误差意义的最佳解。但是由于其解的表达式多次用到矩阵的乘积及求逆,所以时间复杂度比较大。另外,由于没有用到任何约束条件,混合像元分解效果也不理想,会出现端元成分小于0或大于1的情况

(2）凸面几何学分析

凸面几何学模型给出了一种混合像元分解的好思路,但是其算法需要高光谱数据的维数比端元的个数少一,于是在混合像元分解之前必须对进行有效通道的选择或者对数据进行降维处理

(3)滤波向量法

滤波向量法是一种快速的混合像元分解算法。它针对所有端元生成了一组匹配滤波器,其中的每个滤波器只与一个端元相匹配而不让其他的所有端元通过(即与其他的所有端元均正交)。但此算法的主要侧重点是目标探测,而混合像元分解结果的精度不高。

(4）投影寻踪

投影寻踪方法(projection pursuit,PP)是一种专门处理高维数据的降维方法,已被成功地推广到多元回归、多元密度估计、时间序列分析和神经网络学习等领域,其思想在高光谱特征提取与分类方面也有着广泛的应用。

(5）独立成分分析

独立成分分析(independent component analysis, ICA)是一种新颖的解混法,也是近几年才发展起来的一种新的统计方法。该方法的目的是将观察到的数据进行某种线性分解,使其分解成统计独立的成分。

(6)正交子空间投影

正交子空间投影（OSP)的思想是高光谱图像分析与处理算法的另外一个重要分支与其他线性混合模型不同的是,它认为所有像元均由感兴趣目标像元和背景组成,其初衷是为了在消除背景地物的同时,得到目标地物的最佳匹配效果。

(7)端元投影向量法

在高维特征空间中,每一个端元都游离于其他所有的端元构成的超平面之外,且是距离超平面最远的点。这样,对于任何一个端元,都可以得到一个最佳的投影方向(即此端元到其他端元所构成的超平面的垂线方向)。在这个方向上投影,将得到此端元和别的端元的最佳分离效果。相应地,可以得到各种地物的成分图。

(8）单形体体积法

高光谱图像中的每个像元都是其L维特征空间中的一个点(L为图像的波段数),其中有一些称之为端元的点构成了高光谱图像的基本元素,图像中的所有像元都可以由这些端元线性组合而成。