envi扩展工具：像元三分模型

《envi扩展工具：像元三分模型 》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、ENVI扩展工具：像元三分模型标签： 像元三分模型光合植被非光合植被端元特征值分类： ENVI扩展工具 上一篇博文（http://blog.sina.com.cn/s/blog_764b1e9d0102wk1y.html）中我们介绍了NDVI-CAI像元三分模型，通过NDVI代表光合植被（PV）、CAI代表非光合植被（NPV）来构建了基于PV、NPV及BS的线性光谱混合模型，但事实上，还有很多光谱特征指数可以表征PV/NPV，比如有研究表明干枯燃料指数(DeadFuelIndex，DFI)与NPV呈极显著的线性关系，这也进

2、一步的将该模型的应用范围从高光谱数据推广到多光谱数据。本博文就针对上篇博文中提到的原理予以实现，以助于大家更方便地将该模型应用于日常的学习和工作中。 下载地址：   http://pan.baidu.com/s/1o6IMYYu   压缩包内包含补丁文件（.sav）和IDL源代码（.pro） 安装方法：   首先将Triangular_Linear_Spectral_Unmixing.sav补丁拷贝到如下安装路径（以ENVI5.2、4.8为例）：·ENVI5.2：C:ProgramFilesExelisENVI52

3、extensions·ENVIClassic：C:ProgramFilesExelisENVI52classicsave_add·ENVI4.8：C:ProgramFilesITTIDLIDL80productsenvi48save_add·重启ENVI即可。   注：本sav文件支持ENVI最低版本为4.8，更低版本（IDL8.0之前版本）自行将pro文件编译为sav即可。 使用方法：·在Toolbox中，选择Extensions>TriangularLinearSpectralUnmixi

4、ng工具；·在弹出的TriangularLinearSpectralUnmixingParameters参数设置面板中（图1）：··InputPVIRaster：选择单波段PVI栅格数据；·InputNPVIRaster：选择单波段NPVI栅格数据；·PVIEigenvalues:输入PV、NPV及BS端元对应的PVI特征值；·NPVIEigenvalues:输入PV、NPV及BS端元对应的NPVI特征值；·OutputRaster:选择输出路径及文件名。图1：像元三分模型参数设置面板    ·计算结果如图2所示：图2：N

5、DVI-CAI像元三分模型计算结果 注：测试数据使用的是Hyperion数据，由于其在2000nm附近的数据质量较差，导致计算的CAI结果较差，但从结果结果来看，值的范围是正确的，如大家在使用的过程中发现什么问题，可以随时提出。       确定端元特征值的方法很多，这里提供上篇博文参考文献【李涛等】中的三种方法供大家参考：   （1）最小包含端元特征法（Minimum-VolumeEnclosingmethod，MVE）：基于NDVI-CAI像元三分模型的假设，不同比例组合的混合像元的NDVI-CAI特征空间图会呈现三角

6、形，其顶点则为三种组分的纯净端元。由于影像选取及噪声的影响，影像的NDVI-CAI特征空间图可能不会呈现理想的几何图形。因此需要采用PPI指数验证其几何顶点处存在纯净端元后，采用统计的方法，计算最小包含几何顶点区域像元的平均指数值作为相应端元的特征值。   （2）纯净像元指数法（PixelPurityIndexmethod，PPI）：首先采用最小化噪声的方法MNF对影像数据进行降维，生成大量穿过数据集合内部的随机测试向量。继而将光谱点向各个测试向量投影，端元将会投影到测试向量的两侧而混合像元投影到中间。根据这个原则，记录每

7、个像元被投影到端元的次数，出现频率最高的点被视为纯净端元。针对于高光谱Hyperion影像，可利用ENVI4.8进行MNF变换降维，取变换后代表绝大部分信息的前20个波段进行投影，设定迭代次数为2000，阈值系数为3，产生像元纯度指数PPI。将PPI>10且又靠近特征空间图顶点的像元视为纯净端元，取各个顶点纯净端元的平均指数值作为相应端元的特征值。而对于多光谱OLI影像，仅对其中6个主要波段进行投影，将PPI指数大于3的像元视为端元。   （3）实测法：通过实地观测PV、NPV和BS三个端元的多条光谱曲线（图3），取平均光

8、谱来确定相应端元的特征值。图3：实测端元平均光谱曲线