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(Dead Fuel Index，DFI)与NPV呈极显著的线性关系，这也进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与日常学习和工作中。

安装方法

方法1：使用 ENVI App Store 进行 ENVI 扩展工具的安装与管理。

App Store 下载地址：envi.geoscene.cn/appstore

方法2：手动下载 https://envi.geoscene.cn/appstore/trilnpaing

下载 zip 压缩包并解压，将得到的 extensions 文件夹拷贝到如下 ENVI 安装路径，覆盖同名文件夹即可：

• ENVI 5.3 - C:\Program Files\Exelis\ENVI53\

• ENVI 5.4 及以上 - C:\Program Files\Harris\ENVI5x\

重启 ENVI 即可使用。  

使用方法

• 在Toolbox中，选择Extensions > Triangular Linear Spectral Unmixing；

• 在弹出的Triangular Linear Spectral Unmixing Parameters参数设置面板中（图1）：

  • Input PVI Raster：选择单波段PVI栅格数据；

  • Input NPVI Raster：选择单波段NPVI栅格数据；

  • PVI Eigenvalues: 输入PV、NPV及BS端元对应的PVI特征值；

  • NPVI Eigenvalues: 输入PV、NPV及BS端元对应的NPVI特征值；

  • Output Raster: 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：NDVI-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-Volume Enclosing method，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（Pixel Purity Index method，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），取平均光谱来确定相应端元的特征值。

图3：实测端元平均光谱曲线

标签：PV,光谱,模型,端元,CAI,ENVI,NPV,三分
来源： https://www.cnblogs.com/enviidl/p/16333281.html