1) Endmember
端元
1.
Some key issues in SMA process,including image pre-processing,endmember selection,spectral mixture model selection and SMA results analysis,are discussed in depth,a.
本研究以Landsat ETM+为数据源,深入探讨了光谱混合分析过程中影像预处理、端元选取、光谱混合模型选择及光谱混合分析结果分析等关键问题,给出了恰当的解决方案,进而进行了油蒿群落覆盖度的提取,并通过野外实测数据对提取结果进行了验证。
2.
The mixed-pixels exist in the remote sensing images popularly,and decomposition of these mixed pixels into endmembers and their abundances are very meaningful for high-accuracy ground object recognition and quantitative remote sensing.
遥感图像中普遍存在着混合像元,将混合像元分解为端元和它们之间混合的丰度,对于高精度的地物识别和定量遥感具有重要意义。
3.
The endmembers are selected step by step during processing and each endmember can be identified as one class.
该算法将高光谱图像的凸面几何特征与光谱特征相结合,通过自动提取端元,并利用所提取的端元进行类别识别来实现高光谱图像的自动分类。
2) endmember
终端端元
3) endmember selection
端元选择
1.
Theoretically speaking,it is possible to transplant endmember selection algorithm to band selection.
高光谱图像处理的另一重要技术——端元选择到波段选择存在着方法上的可移植性。
2.
Aimed at over big bound and overmuch information loss of endmember selection,traditional unmixing techniques were improved from the aspects of endmember selection.
针对传统线性光谱分解中端元选择范围大、信息损失多的问题,对端元选择做了改进。
3.
It determined the optimal endmembers subset using the criteria of SID and selected endmembers through two selection steps which could improve the precision of endmember selection and obtain small abundance estimation error.
以光谱信息散度判定最优端元子集,端元选择时采用端元的初选和二次选择来提高端元选择的精度,得到较小的丰度估计误差。
4) endmember extraction
端元提取
1.
The Research of Endmember Extraction Approaches from Hyperspectral Image Based on the Linear Mixed Model;
基于线性混合模型的高光谱图像端元提取方法研究
2.
A new target detection algorithm in hyperspectral imagery based on endmember extraction method is introduced.
针对高光谱图像中小目标检测问题,提出了一种基于端元提取的目标检测算法。
3.
The number of endmembers must be determinated by user conventional endmember extraction algorithm,which may result in reasonlessness of the number.
传统端元提取算法一般需要人工指定端元数目,易导致多选或漏选端元。
5) selective endmembers
端元可变
1.
In this paper we develop a method of selective endmembers for pixel unmixing.
为此提出了一种端元可变的混合像元分解方法,在确定端元矩阵时,首先考察混合像元与端元的光谱相似性,结合地物空间分布特点,实现了可变端元的混合像元分解。
6) selective endmember
端元变化
1.
In this paper we develop a new method of selective endmembers for pixel unmixing based on the fuzzy ARTMAP neural network,which firstly compares the pixel s spectral to the conference one and then gets the number of endmember.
本文基于fuzzy ARTMAP神经网络,提出一种基于端元变化的神经网络混合像元分解模型。
补充资料：无源二端元件
无源二端元件
passive two-terminal elements
wuy日on erduony日onjlon无源二端元件(passive two一terminalelements)具有两个端子且又是无源的电路元件。通常指电阻器、电容器和电感器。 电阻器用来提供电阻的器件。电阻器的图形符号如图1所示。其元件特性用元件两端的电压与其电流的关系来表示，这种特性也称为伏安特性。电阻R>o的电阻器的消耗功率可表示为P一 了 --卜， R~一.—-戎二口一--~阅~ +召一图1电阻器图形符号ui，恒大于或等于零，因此电阻器是一耗能无源元件。 根据伏安特性是否呈线性，电阻器可区分为线性电阻器和非线性电阻器;根据伏安特性是否随时间变化，电阻器又可分为时变电阻器和非时变电阻器。 (1)线性非时变电阻器:在图1所示的电压、电流图2线性电阻器的伏安特性参考方向下，线性非时变电阻器的伏安特性是一条在u’i平面上通过坐标原点，且处于一、三象限内的直线(见图2)。线性非时变电阻满足欧姆定律，可表示为 探一只滋式中R是电阻参数，为一正常数，它正比于伏安特性的斜率，即ROCtga。线性电阻器的功率可进一步表示为，一、一R、一荟。厂~一“R“ (2)非线性非时变电阻器:在图l所示的电压，电流参考方向下，它的伏安特性是在u、i平面上通过坐标原点且处于一、三象限内的曲线(非直线)，可表示为f(u，i)一。。图3所示为一避雷器的伏安特性曲线。从电路元件的角度看避雷器是一非线性非时变电阻器‘对于非线性电阻有时引用静态电阻R和动态电阻凡的概念，它们分别定义为、defu_def du找--了，式汀一，二丁 Z一d之显然，静态电阻R和动态电阻凡一般都是电压u或电流公的函数。在图3中，A点的静态电阻正比于该点至原点直线(OA)的斜率，即Roctga。A点的动态电阻正比于伏安特性曲线在该点切线的斜率，即Rd沈tg凡 (3)线性时变电阻器:图4表示一线性时变电阻器的伏安特性。其伏安特性是在u，i平面上通过原点且处于一、三象限内，其斜率随时间变化的无数条直线。每一条直线对应于某一时刻t。线性图3非线性电阻器的伏安特性时变电阻器也满足欧姆定律，可表示为 u一R(t)i图4线性时变电阻器的伏安特性 但这时，电阻参数R(t)是某一时间的函数。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条