高光谱图像包含丰富的空间信息和光谱信息，针对全色或多光谱图像的信息提取方法不适合高光谱图像的处理，因此，需要根据高光谱遥感的机理和图像的特点，发展新的信息提取模型与方法。高光谱图像波段多、数据量大，而且混合像元问题较为严重，且同物异谱影响明显，这都是信息提取研究需要解决的关键问题。

当一个像元对应的瞬时视场内存在多种不同地物类型，该像元的光谱特征则由这些地物的光谱信息共同构成，由此产生了混合像元现象。由于遥感器空间分辨率的制约，高光谱图像中普遍存在混合像元问题，这是制约分类精度提高和目标探测准确率的重要因素。

高光谱遥感成像示意

1、像元的概念

纯像元 (Pure Pixel):若一个像元对应的地面区域内只包含一种纯地物类型。此像元记录的信息就是该纯地物的光谱响应特征或光谱信号。

混合像元(Mixed Pixel):若一个像元对应的地面区域内包含两个或更多纯地物类型此像元记录的信息是区域内全部纯地物光谱信息(也称为端元)的综合叠加。

纯像元与混合像元

混合像元形成的机理:在一个瞬时视场内 (IFOV)，有多种物质成分存在的空间混合;在一个瞬时视场内，由于地形和物体阴影引起的照度差异;不同像元之间的交叉辐射;大气传输过程中的混合效应;遥感仪器本身的混合效应。

2、混合像元分解方法

光谱图像的混合像元分解有两个基本目的：确定组成混合像元的基本地物和计算各个基本地物在混合像元中所占比例。前者称为端元提取(endmember extraction)，后者称为丰度反演(abundance inversion)。这两者是实现混合像元分解的核心步骤。为了实现混合像元分解，需要利用数学模型描述混合像元形成的物理过程。根据对物理过程抽象程度的不同，高光谱图像光谱混合模型可以分为线性光谱混合模型LSMM(Linear Spectral Mixing Moldel)和非线性光谱混合模型NLSMM(Nonlinear Spectral Mixing Model)。地物的混合和物理分布的空间尺度大小决定了非线性的程度，大尺度的光谱混合通常被认为是一种线性混合，而小尺度的物质混合则是非线性的。

LSMM和NLSMM模型一般都是将端元光谱作为单条曲线进行处理，忽略了端元光谱存在的变异性。光谱变异对混合像元分解影响的研究中，比较代表性的工作有两方面：一是在已有的线性混合模型基础上考虑光谱变异，用一个有限的光谱集合代表端元可能发生的各种变异情况。另一个是扩展现有的模型，对光谱变异程度进行建模，例如正态组分模型，它用概率来描述光谱的不确定性，将端元视为一个呈给定概率分布的随机变量。该方法利用特定参数来表示端元光谱变异，好处是这种方法在不存在纯像元的数据中也可以估计端元。

推荐：

无人机机载高光谱成像系统iSpecHyper-VM100

一款基于小型多旋翼无人机机载高光谱成像系统，该系统由高光谱成像相机、稳定云台、机载控制与数据采集模块、机载供电模块等部分组成。无人机机载高光谱成像系统通过独特的内置式或外部扫描和稳定控制，有效地解决了在微型无人机搭载推扫式高光谱照相机时，由于振动引起的图像质量较差的问题，并具备较高的光谱分辨率和良好的成像性能。