端元提取的一般方法

(1）纯像元指数

利用凸面几何学分析的方法提取图像端元的雏形,高光谱图像的所有数据在其特征空间中均由图像中所有地物所对应的纯粹像元(端元)为顶点的单形体所包围。

(2） N-FINDR

N-FINDR利用高光谱数据在特征空间中的凸面单形体的特殊结构,通过寻找具有最大体积的单形体从而自动获取图像中的所有端元。

(3）迭代误差分析

迭代误差分析(iterative error analysis ,IEA)是一种不需要原始数据进行降维或去冗余而直接对数据进行外理的端元提取算法。在该算法中需要多次利用约束线性解混,要求得到的端元使得线性解混后误差最小。它首先给定一个初始向量(一般为图像中所有光谱的均值向量),对图像进行约束线性解混,这样就得到误差图像。其中误差最大的像元作为第一个端元,利用该端元对图像进行约束线性解混,得到误差图像中误差最大的像元为新的端元,再将新的端元再加入到下一步的约束线性解混操作中,直至在某种准则条件下求出图像中的所有端元(如限制求取端元数或最大误差值)。

(4)顶点成分分析

顶点成分分析(vertex component analysis,VCA)是一种从高光谱影像提取端元的快速算法。它是在先验知识很少的情况下,仅仅使用观测到的混合像元的数据来提取端元。准确地说,VCA是从高光谱数据中非监督提取端元的算法。它应用了一个简单的几何事实:端元一定是单形体的端点。

(5）最大距离法

在采用N-FINDR算法进行端元提取时,需要先对原始数据进行降维处理,这也正是N-FINDR算法可能引起偏差（比如“忽视”小目标)的原因所在,同时也是此算法的不足之处。这里采用一种基于最大距离的自动提取端元的快速算法,克服了受数据维数限制的缺陷。

(6）单形体体积法

该算法基于一种高维空间中的单形体体积公式,该公式与数据的维数无关,因此克服了N-FINDR算法受数据维数限制的固有缺陷。