相关研究表明，采用伪逆法建立的光谱估计矩阵F，在很多情况下不能获得满意的光谱构建精度；这也可以理解为采用伪逆法建立的F 不能反映大多数重构目标的变化规律，即抗干扰能力不强。为此人们将维纳估计法(Wiener estimation)用于光谱估计矩阵F 的建立。
光谱重构的维纳估计法来源于维纳滤波理论，即维纳滤波器(Wiener filtering)。这种滤波器的输出与期望输出之间的均方误差为最小，因此它是一种抗干扰能力最佳的滤波系统。可以认为，用维纳估计法求出的光谱估计矩阵F 就是一种最佳的滤波系统。
根据本章前面的介绍，在多光谱成像系统的特征矩阵G 已知的条件下，可以写出
式中，G 是一个k(通道数)×i(波长数)维的矩阵，或k×i 个元素；R 是目标反射率的一维列向量，具有i 个元素；D 是多光谱成像系统各个通道的响应值的一维列向量，具有k个元素。
此时需要根据式(9－18)建立光谱估计矩阵F，使得
其中，F 是一个具有i(波长数)×k(通道数)维的矩阵，或i×k 个元素，它们是需要确定的未知量。
可以看出，如果将i×k 个已知的训练样本(D，R)的数据分别代入式(9－19)，就可以得到i×k 个线性方程，此时方程组有唯一解。但是该方法得到的F 的抗干扰能力不强，为此引入了维纳估计法。
维纳估计法实质上是建立在大量已知目标光谱即训练样本的基础上的一种算法或实验方法。其基本原理就是基于目标的原始光谱反射率与用训练样本计算或实验得到的重建光谱反射率的均方差值最小化的方法，因此维纳估计法也可以归类为一种最小二乘法，即(www.xing528.com)
式中，符号E 表示数学期望；R是训练样本的光谱反射率向量；
是由式(9－19)估计出的光谱反射率向量。
基于上述考虑，令函数
则可以导出光谱估计矩阵F 的表达式:
式中，符号E 表示数学期望，由此可知:E(RDT)表示向量R 与D 的互相关矩阵，其行数等于R 的维数、列数等于D 的维数；E(DDT)表示向量D 的自相关矩阵，是一个方阵，其维度等于k×k。
在实际操作中，需要将式(9－22)中的R 和D 都当作随机变量考虑，因此首先需要建立训练样本集(D，R)，例如训练样本集的数量为n，则对应有n 个D 向量和n 个R 向量；然后分别求出随机向量R 与D 的互相关矩阵、随机向量D 的自相关矩阵；最后由式(9－22)求出光谱估计矩阵F。
需要注意:在训练样本集(D，R)的建立中，D 向量可以基于式(9－18)由G 和R计算，但是在很多情况下G 是未知的，或者是不可靠的，此时可以由实际多光谱成像系统对n 个已知的训练样本R 直接采样，从而得到对应的n 个D 向量。
在式(9－22)的中，需要涉及两个随机向量的相关矩阵的计算问题；所谓相关矩阵，就是由两个向量的相关系数建立的矩阵。设训练样本数为n，则两个随机向量X，Y 的相关系数计算公式可参照式(9－23):
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
