高光谱遥感影像端元提取方法的研究

高光谱遥感影像端元提取方法研究

摘要光谱和图像是人们在认识纷繁的大千世界是最重要的两种依据。高光谱遥感影像可以包含几十到数百个波段的连续光谱信息，具有可以达到纳米级的很高的光谱分辨率。同时，高光谱遥感影像包含了空间、辐射和光谱三重信息，既能反映地物的光谱特征，又能反映地物的几何特征。与多光谱影像相比，高光谱遥感影像能够提供更为丰富的地物信息。因此，高光谱遥感影像的研究与讨论成为当今遥感领域研究的热点。经过近年来的迅猛发展，高光谱遥感技术已经成为了对地观测的重要手段，在地图制图、植被调查、海洋、农业、大气、环境检测等领域发挥着越来越重要的作用。高光谱遥感影像是以像元为基本单位记录地表信息的。但由于现有遥感传感器空间分辨率的局限性和自然界地物覆盖的复杂多样性，高光谱影像中往往存在很多混合像元，严重地影响了分类的效果和地物的识别的精度。为了解决混合像元问题，提高分类效果和识别精度，必须充分利用高光谱影像中丰富的光谱信息，混合像元分解技术应运而生。混合像元分解技术通常可细分为数据处理、端元提取、丰度反演和精度评价等几个过程，其中端元提取的部分是后续技术的基础，更是重中之重。本文围绕高光谱遥感影像端元提取方法进行了相关研究，主要研究内容如下：（1）阐述了本课题的研究背景和意义，系统介绍高光谱遥感影像端元提取算法的研究现状。（2）系统研究了四种基于线性光谱混合模型的典型端元提取算法，阐述了其基本原理和算法流程，分析了各算法的优势和不足。（3）通过实验分析四种典型端元提取方法：PPI算法、N-FINDR算法、VCA算法和AYGP算法，提取端元光谱的效果和精度，对比不同算法的提取精度和运行效率，分析算法的优缺点。（4）总结归纳了当前高光谱遥感影像端元提取算法存在的限制，对未来的研究提出意见和展望。关键词：高光谱遥感；混合像元分解；端元提取；数据降维

AbstractSpectrumandimagearethetwomostimportantbasesforpeopletounderstandthevastworld.Hyperspectralremotesensingimagescontaintenstohundredsofbandsofcontinuousspectralinformation,whichcanachievehighspectralresolutionatnanometerlevel.Atthesametime,hyperspectralremotesensingimagescontaintripleinformationofspace,radiationandspectrum,whichcannotonlyreflectthespectralcharacteristicsofobjects,butalsoreflectthegeometriccharacteristicsofobjects.Comparedwithmultispectralimagery,hyperspectralremotesensingimagerycanprovidemoreabundantgroundfeaturesinformation.Therefore,theresearchanddiscussionofhyperspectralremotesensingimagehasbecomeahottopicinthefieldofremotesensing.Withtherapiddevelopmentinrecentyears,hyperspectralremotesensingtechnologyhasbecomeanimportantmeansofearthobservation,playinganincreasinglyimportantroleinthefieldsofcartography,vegetationsurvey,ocean,agriculture,atmosphere,environmentaldetectionandsoon.Hyperspectralimageryrecordssurfaceinformationbasedonpixels.However,duetothelimitationofspatialresolutionofexistingremotesensingsensorsandthecomplexityanddiversityofnaturalobjectcoverage,thereareoftenmanymixedpixelsinhyperspectralimages,whichseriouslyaffectstheclassificationeffectandtheaccuracyofobjectrecognition.Inordertosolvethisproblemandimprovetheclassificationeffectandrecognitionaccuracy,itisnecessarytomakefulluseofthespectralinformationinhyperspectralimages.Mixedpixeldecompositiontechnologyemergesasthetimesrequire..Mixedpixeldecompositiontechnologycanusuallybesubdividedintoseveralprocesses,suchasdataprocessing,endelementextraction,abundanceinversionandaccuracyevaluation,amongwhichendelementextractionisthebasisoffollow-uptechnology,andisthemostimportant.Thispaperfocusesontheresearchofhyperspectralremotesensingimageendmemberextractionmethods.Themainresearchcontentsareasfollows:(1)Thispaperexpoundstheresearchbackgroundandsignificanceofthistopic,andintroducestheresearchstatusofend-memberextractionalgorithmsforhyperspectralremotesensingimages.（2）Fourtypicalendmemberextractionalgorithmsbasedonlinearspectralmixingmodelaresystematicallystudiedinthispaper.Thepaperexpoundsitsbasicprincipleandalgorithmflow,andanalysestheadvantagesanddisadvantagesofeachalgorithm.(3)Throughexperiments,thepaperanalyzedtheeffectandaccuracyoffourtypicalmethodsofextractingend-elementspectrum,comparedtheextractionaccuracyandoperationefficiencyofdifferentalgorithms,includingPPI,N-FINDR,VCAandAYGP,andanalyzedtheadvantagesanddisadvantagesofthealgorithm.（4）Finally,thepapersummarizesthelimitationsofthetoday’shyperspectralremotesensingimageendmemberextractionalgorithm,andputsforwardsuggestionsandprospectsforfutureresearch.Keywords:hyperspectralremotesensing,mixedpixels,endmemberextraction,

目录TOC\o"1-3"\h\u摘要 错误!未找到引用源。。接着，在新的光谱图像数据中，继续选取空间投影距离最大的像元作为下一个候选端元，直到找到确定数目的端元为止。ATGP的流程如下所示：（1）输入原始高光谱图像像元数据X=（X1,X2,…,（2）根据最大空间投影向量，选取一个候选端元，其判断公式为： (2.17)（3）将时原始光谱图像X分解为两部分，即X=[D，U]，其中D为已提取端元信息向量，U为剩余端元信息向量。D的正交投影空间为： (2.18)式中，I表示单位矩阵，将原始高光谱图像投影到正交投影空间，即可得到所有像元在投影空间的投影向量V，计算公式如下： (2.19)（4）选择具有最大投影的像元作为新的候选端元： (2.20)（5）重复步骤（3）（4），知道找到确定数量的端元。2.4精度评价为了评价实验的结果，本文采取Nascimento和Dias（2005）提出的光谱角距离（SAD，SpectralAngleDistance）、最小均方根误差（RMSE，RootMeanSquareError）等指标对算法性能进行评价、分析和比较。2.4.1最小均方根误差（RMSE）如果真实的高光谱遥感影像的真实端元光谱信息未知，我们可以采用最小均方根误差（RMSE）来评价。RMSE是观测值与真实值之差的平方与观测次数N的比值的平方根，其定义如下：假设X为原始数据X的估计值，则第i的像元的均方根误差计算如式（2.18）所示： （2.21）则整幅图像的均方根误差为： （2.22）RMSE值对测量数据中的最大或最小误差的敏感性很强，因此能够很好的反映出测量的精密度。将均方根误差运用到端元光谱曲线和图像的相似度对比中，可以很好的反映出解混图像和原始图像的近似度，均方根误差越小，表示精度越高。2.4.2光谱角距离（SAD）光谱角距离（SpectralAngleDistance,SAD）常常被用来评价端元提取的精度，通过计算端元光谱与真实光谱的夹角距离SAD，能够定量评价提取的端元与给定光谱之间的相似度REF_Ref10342041\r\h错误!未找到引用源。。给定一组真实端元光谱数据A=A1,A2···,Ap∈ （2.23）则所有端元的平均光谱角距离mSAD为： （2.24）用光谱夹角距离用来判断真实端元与估计端元的相似程度时，SAD或mSAD的值越小，表示提取到的端元越接近真实端元。2.4.3光谱信息散度（SID）光谱信息散度（spectralinformationdivergence，SID）也是一种常用的相似性测度指标，其计算公式如式下所示： (2.25) (2.26) (2.27)式中，a、a分别为真实光谱和估计光谱，式（**）中的P=ai=1lai表示光谱概率分布向量REF_Ref10337019\r\h错误!未找到引用源。。SID值越小，表明a2.5本章小结本章介绍了混合像元分解的先验知识，即混合像元分解基于的两种光谱混合模型。线性光谱混合模型是高光谱图像分类中经常采用的一种结构模型，本文研究的几种算法均是在这种模型的基础上进行。混合像元分解的过程可以细分为数据处理、端元提取、丰度反演和精度评估等。在本章的第二小节，描述了两种影像数据降维的方法：PCA和MNF。在本章的第三小节，介绍了一种端元数目估计的方法（HySime）和四种经典的端元提取算法：PPI算法、N-FINDR算法和VCA算法。阐述了算法的基本原理和实现过程，简要分析了四种算法的有事和可能存在的不足。最后给出了端元提取精度评价的指标及计算公式，包括均方根误差RMSE、光谱夹角距离SAD，及光谱信息散度SID等三种指标，为下一章的实验做好了理论准备。第三章实验分析与评价3.1实验数据描述在实验部分，本文分别采用了两组模拟高光谱遥感影像的数据和两组真实高光谱遥感影像来测试算法的性能。对同一组数据，分别采用PPI算法、N-FINDR算法、VCA算法和ATGP算法进行端元提取，对提取的端元进行目视解译，其次用定量化指标对结果进行比较和分析。3.1.1模拟数据模拟数据1：这一组数据是利用USGS光谱数据库（Clark等，2007）中的光谱集来合成的一组模拟数据。本组数据是从USGS光谱库A=R224×342中随机选择5个端元作为模拟数据的真实端元。对5种端元分别模拟丰度影像，影像大小为75×75，包含224个光谱波段，光谱覆盖范围为0.4-2.5μm，光谱分辨率为10nm，其具体构成及分布如图3.1(a)所示。该模拟影像共有25个小矩形块；其中，第一行的5个矩形块为5×5像素的纯净像元；第二行的5个小方块为随机两种端元按照一定的丰度组合混合而成；第三行由随机三种端元按照不同的丰度分布组合而成，以此类推；背景像元由5种端元光谱按照固定比例0.1149,0.0742,0.2003,0.2055,0.4051混合而成REF_Ref10345385\r\h错误!未找到引用源。。最后利用线性光谱混合模型，加入信噪比为30dB的高斯白噪声模拟生成。除影像中所示SNR为30dB的数据之外，还有信噪比水平分别为0dB、20dB,40dB（a）(b)(c)（d）(e)(f)图3.1模拟数据1的真实丰度影像.(a)模拟影像.(b)端元1的真实丰度.(c)端元2的真实丰度.(d)端元3的真实丰度.(e)端元4的真实丰度.(f)端元5的真实丰度.模拟数据2：这一组实验数据同数据1一样来自USGS光谱库。数据采用狄利克雷均匀分布在单形体内的概率分布函数进行丰度影响模拟，同时纳入丰度和为1及丰度非负的约束条件，构造大小为100×100，覆盖224个波段的丰度影像。影像可以逼真的模拟出类似遥感影像的地面状况，体现不同地物类型之间潜在的丰度空间关系。从USGS光谱库中随机选择9条光谱曲线作为端元光谱，最后加上信噪比为25的高斯噪声。具体情况如图**所示。（1）（2）（3）（4）（5）（6）（7）（8）（9）图3.2模拟数据2的9个端元的真实丰度影像.（1）到（9）分别为图像第1到9个端元的真实丰度图像4.1.2真实数据真实数据1：用于本章实验对比的第一组真实数据是在2012年4月利用Nuance近红外成像仪与高清数码相机对同一区域同时获取的低分辨率高光谱影像（如图3.3(a)）和一幅高分辨率彩色影像（如图3.3(b)）。其中，高光谱影像为50×50，46个波段，光谱区间为650μm-1100μ（a）（b）（c）图3.3Nuance数据.(a)Nuance高光谱数据.(b)高分辨率彩色影像.(c)参考分类结果真实数据2：第二组真实数据采用的是1995年在美国内达华洲中西部采集的AVIRIS赤铜矿数据。如图4.4所示，Cuprite（矿区图）因为很有代表性，已经被广泛应用与高光谱遥感影像混合像元分解的研究分析中。，影像数据包含有224个波段，光谱覆盖区间从370μm至2480μm，光谱分辨率为10nm，空间分辨率为20m。在移除有噪声的通道（1--2和221-224）和吸水通道（104-113和148-167）后，仍然有188个通道。在本实验中，选择的实验区域为250×191。250×191个像素的区域被认为存在14种矿物。由于类似矿物的变体之间存在细微差别，最终确定为12种主要矿物：Alunite,Andradite，Buddingtonite，Dumortierite，（a）（图3.4矿区数据.(a)矿区影像.（b）矿区高光谱部分数据.3.2实验评价体系（对比算法以及评价指标）实验部分的评价体系，本文采用计划如下：（1）在模拟数据部分，将从目视判读和定量评价指标两方面来评价算分的端元提取效果。在用simu_7deg_75×75这组数据实验时，分别利用四种算法提取端元后，将四种算法提取的端元的光谱与原始光谱目视比较，看看那种算法提取的更好，但是这个结果不能保证精度。然后用定量化指标比较提取的端元与原始端元的差异，主要指标是光谱角距离（SAD）、光谱距离散度（SID）和均方根误差（RSME），横向上比较相同噪声时不同算法的提取效果，纵向上比较不同噪声时不同算法受噪声的影响程度。（2）在真实数据实验部分，主要从目视判读来评判算法的效果，并通过算法运行时间评价几种算法的运行效率。3.3模拟数据实验结果与分析实验部分，本文利用PPI、N-FINDR、VCA、ATGP等算法对模拟数据进行端元提取操作。实验中，PPI算法投影迭代次数为150次，N-FINDR算法采用主成分分析法（PCA）对原始数据进行降维处理，VCA算法采用HySime算法估计影像的端元数目，以上三种算法均采用全限制最小二乘法（FCLS，FullyConstrainedLeastSquares）（Heiz,Chang,2001）对端元提取端元进行丰度的反演，实验中表格内统计的SAD值单位均为π。3.3.1模拟数据1（simu_7deg_75×75）在本节实验中，首先对不添加噪声的数据进行实验，观察几种算法的提取效果；然后对分别添加有SNR=20db、30db、40db的高斯噪声的数据进行实验，验证几种算法的抗噪性和端元光谱提取效果。对无噪声的数据利用对比算法得到的部分实验结果如图3.5所示。图3.6展示了在SNR=30db的数据实验中几种算法的部分提取结果。(a)(b)(c)(d)图3.5无噪声数据实验目视对比(a)PPI.(b)N-FINDR.(c)VCA.(d)ATGP.(a)(b)(c)(d)图3.6SNR=30dB模拟数据实验目视对比.(a)PPI.(b)N-FINDR.(c)VCA.(d)ATGP.由图3.5和3.6对比可发现，影像噪声对所有算法的提取效果均有一定影响，其中PPI算法收噪声的影响程度最高，提取出的端元光谱信息甚至发生错乱，丰度反演的效果较差。表3.1和表3.2分别表示在不同信噪比下几种算法提取端元光谱的定量评价指标结果的平均值和运行时间。本文所采用的定量评价指标分别是均方根误差（RMSE）、光谱角距离（SAD）和光谱信息散度（SID）。从表3.1可以看出，在信噪比减小的情况下，几种算法的提取结果都逐渐变差，精度降低，几种算法对噪声的鲁棒性由高到低为：VCA、N-FINDR、ATGP、PPI。从运行时间上看，在不同香皂比下，几种端元提取算法的效率又高到低为：PPI、VCA、ATGP、N-FINDR。表3.1算法抗噪性实验对比信噪比/dbPPIN-FINDRRMSESADSIDRMSESADSID200.1370.1470.0280.1120.1450.032300.1350.1160.0320.0230.0340.0014400.1950.2480.1090.0230.0110.00014表3.1算法抗噪性实验对比（续）信噪比/dbVCAATGPRMSESADSIDRMSESADSID200.1100.1390.0310.1190.2350.097300.0220.0320.00130.1190.1690.050400.0070.0110.000130.1360.1620.047表3.2算法运行时间对比信噪比/dbPPIN-FINDRVCAATGP200.1417.5470.1721.578300.1417.4380.3131.563400.1257.4060.3591.4693.3.2模拟数据2（simu_100_snr_25）本节实验基于模拟数据2对4种不同端元提取算法进行实验，观察几种算法的提取效果。提取的部分结果如下图3.7所示：（a）(b)(c)(d)图3.7模拟数据2端元提取丰度分布图像(a)PPI算法.(b)N-FINDR算法.(c)VCA算法.(d)ATGP算法.对比实验结果，由图3.2、3.7可发现，不同端元提取算法得到的丰度分布图像略有不同。其中，PPI算法提取的效果最差，部分图像出现了端元丢失和光谱信息混乱的现象，VCA和ATGP算法提取效果较好，丰度分布均匀，受噪声影像较小。为了更准确的评价不同方法的提取效果，本章节采用了均方根误差（RMSE）、光谱角距离（SAD）和光谱信息散度（SID）来进行定量评价与分析。具体如表3.3所示表3.3算法精度实验对比数据PPIN-FINDRRMSESADSIDRMSESADSIDsimu_100_snr_250.0910.1800.1400.1510.1920.006表3.3算法精度实验对比（续）数据VCAATGPRMSESADSIDRMSESADSIDsimu_100_snr_250.0350.0760.0070.0280.0650.004表3.3算法精度实验对比（续）算法RMSESADSIDRMSESADSIDsimu_100_snr_250.0350.0760.0070.0280.0650.004由表3.3可以看出，VCA和ATGP两种算法的RMSE、SAD、SID值较小，说明这两种算法的端元提取精度较高。PPI算法的RMSE值和SAD值比N-FINDR算法的RMSE值和SAD值小，但SID值比N-FINDR算法的大，说明PPI算法受噪声影像较大，有光谱信息丢失的现象。几种算法的端元提取精度由高到低为：ATGP、VCA、N-FINDR、PPI。另外，对于模拟数据2的端元提取，4种不同端元提取算法的运行效率如表3.4所示。表3.4算法运行效率实验对比算法PPIN-FINDRVCAATGP时间（s）0.64175.6722.4684.891从运行时间上看，四种端元提取算法的效率由高到低为：PPI、VCA、ATGP、N-FINDR。3.4真实影像实验结果与分析本小节的真是实验，采用的数据为3.1.2小节介绍的两组真实数据：Nuance草地数据和Cuprite矿区数据。3.4.1真实数据1（Nuance）已知在Nuance高光谱数据，参考地物分类有三种：枯草、新鲜的草和黑色阴影。几种端元提取算法对Nuance高光谱数据三种端元的提取效果如图3.8所示，定量评价指标结果和运算时间如表3.5和表3.6所示。算法枯草新鲜的草黑色阴影PPIN-FINDRVCAATGP图3.8真实数据1端元提取部分丰度图像从图3.8中可看出PPI算法的提取效果较差，丰度分布几乎完全失真；N-FINDR算法提取端元丰度图像跟原始图像类似，但分布不够平滑；VCA算法和ATGP算法提取的端元的丰度分布图像比之前两种算法更加清晰。四种算法的定量评价指标结果和运行时间分别如表3.5和表3.6所示：表3.5算法精度实验对比数据PPIN-FINDRRMSESADSIDRMSESADSIDGrass84.4590.3880,21429.4410.1130.020表3.5算法精度实验对比（续）数据VCAATGPRMSESADSIDRMSESADSIDGrass10.5750.2650.08752.0430.2750.085表3.6算法运行效率实验对比时间PPIN-FINDRVCAATGPGrass0.0471.8430.0470.438从表3.5中可得，定量评价统计结果与目视判读结论略有不同。可以看出，VCA算法的RMSE值最小，而N-FINDR算法的SID值和SAD值最小，ATGP算法的SAD值的SID值都偏小。综合考虑，四种端元提取算法应用与真实高光谱数据时的精度由高到低为：N-FINDR、VCA、ATGP、PPI。从表3.6可以看出，几种端元提取算法的效率由高到低为：VCA、PPI、ATGP、N-FINDR。3.4.2真实数据2（Cuprite）已知，在Cuprite矿区影像中，存在12中主要矿物。本次实验中，主要研究提取5种端元，对比几种端元提取算法的提取结果。端元提取部分实验结果如图3.9所示。此外，矿区数据的算法效率统计如表3.7所示。算法端元光谱矿物2矿物5PPIN-FINDRVCAATGP图3.9真实数据2端元提取部分丰度图像表3.7算法运行效率实验对比端元数目PPIN-FINDRVCAATGP51.45354.6250.9381.688图3.9反映出，采用不同的端元提取算法，得到的丰度图像目视效果差异较大，VCA算法得到的丰度图像更接近真实图像。端元提取目视效果由高到低为：VCA、ATGP、N-FINDR、PPI。而算法效率由高到低为：VCA、PPI、ATGP、N-FINDR。3.5本章小结本章主要对第三章介绍的四种端元提取算法进行了实验和分析。本章选用了两组模拟数据和两组真实高光谱影像数据。在模拟实验中，通过给模拟数据添加不同的高斯噪声，实验对比在不同信噪比情况下4中端元提取算法对噪声的鲁棒性。根据目视解译判读和三种定量评价指标，分析和比较了四种算法的端元光谱信息提取效果，并简单分析了造成差异的原因。在真实数据实验部分，对Nuance草地影像和Cuprite矿区影像分别进行了端元光谱信息提取，并对提取的结果进行丰度反演。得到的端元丰度分布图像与真实的丰度分度图像进行比较，由此分析不同端元提取算法对于真实数据的提取效果。第四章总结与展望4.1本文总结高光谱遥感技术自问世以来，一直受到广大研究学者们的重视。随着高光谱遥感技术的快速发展，高光谱影像在遥感领域承担着越来越重要的作用，在地物识别、矿物勘察、环境监测、地图制图和灾害监测等领域都发挥了越来越重要的作用。由于现有遥感器的空间分辨率限制和自然界地物覆盖的复杂多样性，混合像元的存在是高光谱图像普遍存在的问题，因此研究混合像元分解技术对于高光谱遥感影像的应用的发展具有重大意义。混合像元分解通常分为端元提取和丰度反演两个过程。想要精确分析影像中的地物组成并对其光谱特征和空间分布信息进行研究，从遥感影像中精确地提取端元光谱信息显然十分重要。众多国内外学者早已致力于端元光普提取的研究，目前已经有了很多成熟的端元提取算法。本文主要对当前国际上经典的4中端元提取算法进行了比较研究，包括PPI、N-FINDR、VCA和ATGP。主要工作和研究成果如下：（1）简要阐述了高光谱遥感影像端元提取算法的研究现状，介绍了混合像元分解的两种光谱混合模型，并对线性光谱混合模型做了详细的介绍，之后对基于线性光谱混合模型的几种典型端元提取算法进行了归纳和总结。（2）实验分析了这几种典型端元提取算法提取端元光谱的效果和精度，对比不同算法的提取精度和运行效率，分析算法的优缺点。根据模拟数据和真实数据实验得出，PPI算法容易收到多种因素的限制，如在有噪声或端元数目较大的情况下提取的效果不尽人意；N-FINDR提取精度较高，但计算量较大，运行效率不高，且对噪声的鲁棒性不如另外两种算法；VCA算法和ATGP算法的稳定性较好，端元提取精度和运行效率都比较好。（3）提出现今高光谱遥感影像端元提取算法存在的限制，对未来的研究提出意见和展望。4.2研究展望从端元提取算法的研究现状以及本文的实验结果来看，上述四种算法虽然能都提取到影像的端元，但都先存在一些限制：一是必须先精确确定端元的个数，主要指必须先判定影像中有几种端元；二是当前大多数算法基于影像中存在纯净像元的假设，那当影像中不存在纯净像元时，算法的提取效果都会受到影响;三是仅仅考虑了光谱信息，而忽略了空间信息。因此在后续的研究中，希望能在一下几方面进行改进。（1）N-FINDR算法虽然精度较高，但计算量大，运行时间过长，在进一步研究中，可以尝试结合其他计算快速的端元提取方法，改进N-FINDR算法的计算过程，提高运行效率。（2）本文的几种算法在实验时都是基于一组数据来实验的，计算量较小且迭代次数不足，在后续研究中，应该通过多组影像数据实验，加大算法计算量，进一步比较各种算法的性能和使用条件。（3）后续研究中应该结合空间信息改进提取算法，提高算法提取端元光谱信息的精度和丰度反演的相似度。参考文献童庆喜,张兵,郑芬兰.高光谱遥感原理、技术与应用[M].北京，高等教育出版社，2007.蓝金辉，邹金霖，郝彦爽，等.高光谱遥感影像混合像元分解研究进展[D].北京科技大学仪器科学与技术系,2018.马静.

干涉高光谱图像高效压缩技术研究[D].西安电子科技大学,2009.李二森，朱述龙，周晓明，等.高光谱图像端元提取算法研究进展与比较[D].遥感学报,2011苏远超,孙旭,高连如,陈晓宇.高光谱影像端元提取算法的进展分析与比较[J].遥感技术与应用，2015，30（6）：1195-1206.徐皓.基于多目标优化的高光谱遥感影像端元提取技术研究[D].西安电子科技大学,2017.BoardmanJW.AutomatedspectralunmixingofAVIRISdatausingconvexgeometryconcepts[A].ProceedingSummariesofthe4thJPLAirborneGeoscienceWorkshop[C],JPLPublication.1993(1):11-14BoardJW,KruseFA,GreenRO.MappingtargetsignaturesviapartialunmixingofAVIRISdata[C].FifthJPLAirborneEarthScienceWorkshop,Pasadena,USA,1995:23-26WinterME.“N-FNDR:Analgorithmforfastautonomousspectralendmemberdetermina-tioninhyperspectraldata[C]”.InternationalSocietyforOpticalEngineering,InternationalSymposiumonOpticalScience,Engineering,andInstrumentation.Denver,USA,1999,3753:266-275NascimentoJMP,DiasJMB.Vertexcomponentanalysis:Afastalgorithmtounmixhyperspectraldata[J].IEEETransactionsonGeoscienceandRemoteSensing,2005,43(4):898-910ChangCI,WuCC,LiuWM,etal.Annewgrowingmethodforsimplex-basedendmemberextractionalgorithm[J].IEEETransactionsonGeoscienceandRemoteSensing,2006,44(10):2804-2819吴波，张良培，李平湘.非监督正交子空间投影的高光谱混合像元自动分解[J].中国图象图形学报,2004,9(11):1392-1396JohnG,AnthonyJR,MichaelLH.TheSequentialMaximumAngleConvexCone(SMACC)EndmemberModel[A].AlgorithmsforMultispectral,HyperspectralandUltraspectralImageryX[C],SPIEProceedings,2004,5425:1-14耿修瑞，童庆禧，郑兰芬.一种基于端元投影向量的高光谱图像地物提取算法[J].自然科学进展，2005，15(4):509-512耿修瑞，赵永超，周冠华.一种利用单形体体积自动提取高光谱图像端元的算法[J].自然科学进展，2006，16(9):1196-1200