随着高光谱技术的发展,高光谱影像的光谱分辨率和空间分辨率都在不断地提高,这为更好地区分和识别目标地物奠定了基础。另一方面,随着人们对目标地物识别精度要求的不断提高,高光谱影像中存在的混合像元问题亟待解决,其中端元提取技术是解决该问题的关键一步。目前,在已有的端元提取算法中,大部分算法多是基于凸面几何学理论的,这些算法机理复杂并且对噪声十分敏感,而基于统计学模型的方法起步较晚,算法也较少。因此,本文将词频-逆向文本频率(Term Frequency Inverse Document Frequency,TF-IDF)模型应用到端元提取领域当中,提出了一种以地物光谱匹配为基础,基于特征选择的端元提取方法。该算法根据目标像元与其所在类别和其它类别中像元的光谱匹配程度,来衡量目标像元对其所在类别的重要性,通过TF-IDF模型计算出各类别中每个像元的权重值,选择权重值最大的像元作为该类别的端元,该算法突破了传统端元提取算法对凸面几何学理论的依赖性,从统计特征学角度探究新的端元提取方法。并且该算法通过划分多个类别子空间,考虑了像元的空间信息,较好地利用了各类地物的局部光谱特征,使得选拔出的端元具有较好的类别代表性。本文分别采用了模拟高光谱影像以及ROSIS和AVIRIS高光谱遥感影像进行实验,将基于TF-IDF模型的端元提取算法与像元纯度指数PPI(Pixel Purity Index)、顶点成分分析 VCA(Vertex Component Analysis)、单体增长算法 SGA(Samplex Growing Algorithm)和最小体积约束的非负矩阵分解MVC-NMF(Minimum Volume Constrained Nonnegative Matrix Factorization)算法进行精度上的对比,实验结论如下:(1)综合两组模拟高光谱影像数据实验结果发现,当影像中端元数量由3类提高到5类后,端元提取结果的精度整体有所提高,且各算法的抗噪能力也有所增强。两组模拟实验各算法端元提取结果精度排序基本相同,由高到低依次为:VCA>TF-IDF>PPI>SGA>MVC-NMF。在噪声影响较小的影像中,VCA算法端元提取精度最高,TF-IDF算法其次,但由于基于凸面集合学理论的端元提取算法对噪声比较敏感,随着噪声信号的增强,TF-IDF算法的端元提取精度逐渐优于其它各算法。(2)综合ROSIS基准高光谱影像数据以及AVIRIS真实高光谱影像数据端元提取实验结果,在使用精度评价指标光谱角距离SAD和光谱信息散度SID的基础上,对AVIRIS影像数据还采用线性分解的方式得到各类地物的丰度图和RMSE误差图,综合地对各算法进行端元提取结果进行精度评价。各算法端元提取结果精度由高到低排序为TF-IDF>PPI>SGA>MVC-NMF>VCA,TF-IDF算法端元提取结果精度最优。综合4组实验结果分析认为,将TF-IDF模型应用至端元提取领域能取得较好的实验结果,特别是对于噪声影响较大的高光谱影像,该算法在端元提取精度上具有一定的优势,说明TF-IDF算法对于噪声具有较好的稳健性。再者,各算法对于反射率值分布范围广、浮动大的地物类别进行端元提取时的提取精度明显优于光谱特征信号弱的地物类别。