基于线性混合模型的多光谱图像解混算法

Freelancefangjian

已于 2025-07-22 10:18:35 修改

阅读量249

点赞数 1

CC 4.0 BY-SA版权

文章标签：算法

于 2025-07-22 10:11:32 首次发布

本文链接：https://blog.csdn.net/qq_26309711/article/details/149527937

一个基于线性混合模型（Linear Mixing Model, LMM）的最简光谱解混 MATLAB 代码示例，包含模拟数据生成、端元提取、丰度反演及结果评估的全流程。代码基于全约束最小二乘法（Fully Constrained Least Squares, FCLS）实现，确保丰度满足非负性（abundances ≥ 0）和归一性（Σ abundances = 1）约束。

代码：

%% 步骤1: 模拟数据生成（3个端元，100个波段）
% 定义端元光谱矩阵（行向量为端元，列向量为波段）
endmembers = [0.8, 0.7, 0.6, 0.5, 0.4;   % 植被（绿色曲线）
              0.1, 0.2, 0.3, 0.2, 0.1;   % 水体（蓝色曲线）
              0.3, 0.4, 0.5, 0.6, 0.7];  % 裸土（棕色曲线）

[numEndmembers, numBands] = size(endmembers);

% 生成混合像元（端元按比例混合）
abundances_true = [0.3; 0.5; 0.2];       % 真实丰度向量（和=1）
mixed_pixel = endmembers' * abundances_true; % 线性混合模型：Y = M*A

% 添加高斯噪声（信噪比SNR=30dB）
SNR = 30;
noise_power = norm(mixed_pixel)^2 / (length(mixed_pixel) * 10^(SNR/10));
noise = sqrt(noise_power) * randn(numBands, 1);
mixed_pixel_noisy = mixed_pixel + noise;   % 含噪混合像元

%% 步骤2: 端元提取（假设已知端元光谱，实际可用VCA/PPI提取[6](@ref)）
% 此处直接使用模拟的端元矩阵作为已知端元
M_known = endmembers';  % 端元矩阵转置为波段×端元数

%% 步骤3: 丰度反演（FCLS：全约束最小二乘）
A_est = lsqnonneg(M_known, mixed_pixel_noisy);  % 非负约束
A_est = A_est / sum(A_est);                    % 丰度归一化

%% 步骤4: 结果评估与可视化
% 计算重建误差（RMSE）
reconstruction = M_known * A_est;
RMSE = sqrt(mean((mixed_pixel_noisy - reconstruction).^2));
fprintf('重建RMSE: %.4f\n', RMSE);

% 绘制真实丰度与估计丰度对比
figure;
subplot(2,1,1);
bar([abundances_true, A_est]);
legend('真实丰度', '估计丰度');
title('丰度对比');
ylabel('比例');
set(gca, 'XTickLabel', {'植被', '水体', '裸土'});

% 绘制光谱曲线对比
subplot(2,1,2);
plot(1:numBands, mixed_pixel_noisy, 'ko-', 'LineWidth', 1.5, 'DisplayName', '混合像元(含噪)');
hold on;
plot(1:numBands, reconstruction, 'r--', 'LineWidth', 1.5, 'DisplayName', '重建光谱');
title('光谱重建结果');
xlabel('波段');
ylabel('反射率');
legend;
grid on;

公式：

$y=\mathbf{M}a+n$