09高光谱遥感第九讲
合集下载
高光谱遥感
高光谱遥感应用
概念： 具有比较高的光谱分辨 率，通常能达到10-2λ数量级，
高光谱遥感具有波段多的特 点，光谱通道数多达数十甚 至数百个以上，而且各通道 间往往是连续的，因此高光 谱遥感通常也被称为成像光 谱遥感（Imaging Spectrometry）。
基本概念
遥感成像技术的发展一直伴随着两方面的进步：一是通
④定量化的连续光谱曲线数据为地物光谱机理模型引入图像分类提
供了条件。 劣势：
①对数据冗余处理不当，反而会影响分类精度；
②对定量化要求高，数据前处理复杂； ③波段多，波段间的相关性大，对训练样本数量要求高；
④使用统计学分类模型对光谱特征选择要求很高。
四、高光谱图像分类与目标识别
面向高光谱图像特点的分类算法:
高光谱图像目标识别:
①从数字信号到辐射值的转换，这个过程要求在辐射和光谱上有
高精度的定标；
②剔除大气效应：从辐射值到地面视反射率； ③纠正光照几何因素和地形影响：视反射率到地面反射率； ④光谱特征选择、特征提取、数据空间转换等； ⑤从光谱数据库中提取所要识别的目标标准光谱；或者从图像中 提取光谱端元、识别和确认所找出的端元光谱； ⑥光谱匹配和识别，采用全波形匹配或者特征参量光谱匹配；也 可以采用混合光谱分解的方法，分解每一像元光谱，得出每像元 中各端元组分的相对含量。
谱特征空间，但它包括了该对象的主要特征光谱，并在一个 含有多种目标对象的组合中，该子集能够最大限度地区别于 其它地物。
光谱特征选择：光谱特征位置搜索 光谱相关性分析 光谱距离统计
三、高光谱图像光谱分析技术 （光谱特征位置搜索）
包络线去除（Continuum Removal ）：光谱曲线的包络线从 直观上看，相当于光谱曲线的“外壳”。
概念： 具有比较高的光谱分辨 率，通常能达到10-2λ数量级，
高光谱遥感具有波段多的特 点，光谱通道数多达数十甚 至数百个以上，而且各通道 间往往是连续的，因此高光 谱遥感通常也被称为成像光 谱遥感（Imaging Spectrometry）。
基本概念
遥感成像技术的发展一直伴随着两方面的进步：一是通
④定量化的连续光谱曲线数据为地物光谱机理模型引入图像分类提
供了条件。 劣势：
①对数据冗余处理不当，反而会影响分类精度；
②对定量化要求高，数据前处理复杂； ③波段多，波段间的相关性大，对训练样本数量要求高；
④使用统计学分类模型对光谱特征选择要求很高。
四、高光谱图像分类与目标识别
面向高光谱图像特点的分类算法:
高光谱图像目标识别:
①从数字信号到辐射值的转换，这个过程要求在辐射和光谱上有
高精度的定标；
②剔除大气效应：从辐射值到地面视反射率； ③纠正光照几何因素和地形影响：视反射率到地面反射率； ④光谱特征选择、特征提取、数据空间转换等； ⑤从光谱数据库中提取所要识别的目标标准光谱；或者从图像中 提取光谱端元、识别和确认所找出的端元光谱； ⑥光谱匹配和识别，采用全波形匹配或者特征参量光谱匹配；也 可以采用混合光谱分解的方法，分解每一像元光谱，得出每像元 中各端元组分的相对含量。
谱特征空间，但它包括了该对象的主要特征光谱，并在一个 含有多种目标对象的组合中，该子集能够最大限度地区别于 其它地物。
光谱特征选择：光谱特征位置搜索 光谱相关性分析 光谱距离统计
三、高光谱图像光谱分析技术 （光谱特征位置搜索）
包络线去除（Continuum Removal ）：光谱曲线的包络线从 直观上看，相当于光谱曲线的“外壳”。
西北农林遥感原理与方法课件第9章 高光谱与微波遥感
9.1 高光谱遥感
遥 ② 高光谱遥感的应用
感
●在其它领域中的应用
原 理 与
大气遥感 目前用高光谱研究大气，主要目标是水
蒸气、云和气溶胶研究。
方 法
水温与冰雪 利用高光谱成像仪可以测定沿海、江河、
RS
湖泊中的叶绿素、浮游生物、有机质、悬浮
物和水生植物等以及他们的分布。
第9章 高光谱与微波遥感
9.1 高光谱遥感
提取技术，发展新算法和完善已有的算法，并 向构成标准化应用处理算法软件包方向努力，
特别是发展针对高光谱海量数据和丰富光谱信 RS 息特点的算法和软件，以提高高光谱数据处理
效率及其分析、研究和应用水平。
第9章 高光谱与微波遥感
9.2 多角度遥感
遥
理想光滑表面的反射是镜面反射，理想粗
感 糙表面的反射是漫反射（朗伯反射）。传统的
法 物地球化学过程、大气过程及固体地球过程。
RS
第9章 高光谱与微波遥感
9.1 高光谱遥感
遥 ③ 高光谱遥感的发展前景
感
现有的航空成像光谱仪技术系统的完善。
原 例如，在传感器方面：改善其获取数据的性能，
理 提高图像数据的信噪比，增强机上实时数据处
与 理能力。
方
数据分析处理方面：强调大气订正、信息
法
以上的遥感系统定义为高光谱遥感。
RS
第9章 高光谱与微波遥感
9.1 高光谱遥感
遥 ① 高光谱遥感的基本概念
感 原
传感器：高光谱遥感的传感器是成像光谱
理
仪(Imaging Spectrometer)，它为每个像元提供＜10nm）
方
的光谱信息，能产生一条完整而连续的光谱曲
高光谱遥感
遥感分类
多光谱遥感：国际遥感界的共识是光谱分辨率在λ /10数量级范围 的称为多光谱(Multispectral)，这样的遥感器在可见光和近红外 光谱区只有几个波段，如美国 LandsatMSS，TM，法国的SPOT等。 高光谱遥感：光谱分辨率在λ /100的遥感信息称之为高光谱遥感 (HyPerspectral)。它是在电磁波谱的可见光，近红外，中红外和 热红外波段范围内，获取许多非常窄的光谱连续的影像数据的技术。 其成像光谱仪可以收集到上百个非常窄的光谱波段信息。高光谱遥 感是当前遥感技术的前沿领域,它利用很多很窄的电磁波波段从感 兴趣的物体获得有关数据，它包含了丰富的空间、辐射和光谱三重 信息。高光谱遥感使本来在宽波段遥感中不可探测的物质,在高光 谱遥感中能被探测。 超高光谱遥感：而随着遥感光谱分辨率的进一步提高，在达到 λ /1000时，遥感即进入超高光谱(ultraspeetral)阶段。
土壤属性高光谱反演
土壤盐分
在土壤反射光谱中的特征光谱，从而对土壤营养状况和
土壤侵蚀状况做进一步检测与评价。有图可知，总氮在 0.55-0.60μm之间和0.80-0.85μm之间有较明显的反射峰 ，在1.4μm周围有较显著的吸收谷。
土壤水分
当土壤的含水率增加时，土壤的反射率下降，在水的吸
Hyperion/EO-1
Hyperion 传感器搭载于 EO-1 卫星平台，EO-1(Earth
Observing-1)是美国NASA 面向 21 世纪为接替 LandSat-7 而 研制的新型地球观测卫星，于 2000 年 11月发射升空，其卫 星轨道参数与 LandSat-7 卫星的轨道参数接近，之所以设计 相同轨道，目的是为了使 EO-1 和 LandSat-7 两颗星的图像 每天至少有 1~4 景重叠，以便进行比对。 传统的陆地资源卫星只提供为数不多的七个多光谱波段，远 远不能满足各种实际应用的需要，因此美国地质调查局 （USGS）与美国宇航局（NASA）合作发射了 EO-1 卫星， 并在该卫星上搭载了三种传感器分别是 ALI (the Advanced Land Imager), Hyperion, LEISA （the Linear Etalon Imaging Spectrometer Array）Atmospheric Corrector
多光谱遥感：国际遥感界的共识是光谱分辨率在λ /10数量级范围 的称为多光谱(Multispectral)，这样的遥感器在可见光和近红外 光谱区只有几个波段，如美国 LandsatMSS，TM，法国的SPOT等。 高光谱遥感：光谱分辨率在λ /100的遥感信息称之为高光谱遥感 (HyPerspectral)。它是在电磁波谱的可见光，近红外，中红外和 热红外波段范围内，获取许多非常窄的光谱连续的影像数据的技术。 其成像光谱仪可以收集到上百个非常窄的光谱波段信息。高光谱遥 感是当前遥感技术的前沿领域,它利用很多很窄的电磁波波段从感 兴趣的物体获得有关数据，它包含了丰富的空间、辐射和光谱三重 信息。高光谱遥感使本来在宽波段遥感中不可探测的物质,在高光 谱遥感中能被探测。 超高光谱遥感：而随着遥感光谱分辨率的进一步提高，在达到 λ /1000时，遥感即进入超高光谱(ultraspeetral)阶段。
土壤属性高光谱反演
土壤盐分
在土壤反射光谱中的特征光谱，从而对土壤营养状况和
土壤侵蚀状况做进一步检测与评价。有图可知，总氮在 0.55-0.60μm之间和0.80-0.85μm之间有较明显的反射峰 ，在1.4μm周围有较显著的吸收谷。
土壤水分
当土壤的含水率增加时，土壤的反射率下降，在水的吸
Hyperion/EO-1
Hyperion 传感器搭载于 EO-1 卫星平台，EO-1(Earth
Observing-1)是美国NASA 面向 21 世纪为接替 LandSat-7 而 研制的新型地球观测卫星，于 2000 年 11月发射升空，其卫 星轨道参数与 LandSat-7 卫星的轨道参数接近，之所以设计 相同轨道，目的是为了使 EO-1 和 LandSat-7 两颗星的图像 每天至少有 1~4 景重叠，以便进行比对。 传统的陆地资源卫星只提供为数不多的七个多光谱波段，远 远不能满足各种实际应用的需要，因此美国地质调查局 （USGS）与美国宇航局（NASA）合作发射了 EO-1 卫星， 并在该卫星上搭载了三种传感器分别是 ALI (the Advanced Land Imager), Hyperion, LEISA （the Linear Etalon Imaging Spectrometer Array）Atmospheric Corrector
高光谱遥感的应用(课堂PPT)
10
不同传感器红外波段与红波段的光谱响应
11
实例1：MODIS数据
原始modis影像
(b) 植被指数NDVI影像图
(a) 植被指数VIUPD影像图
12
实例2：日本高光谱GLI数据
全球反射率影像图(B1+B5+B8) (GLI数据2003年4月7日)
全球植被指数影NDVI像图 (GLI数据2003年4月7日)
14
地表岩性
岩石分为三大类：沉积岩、火成岩和变质岩， 各类岩石由于形成的环境不同，具有不同的光 谱特性。
沉积岩：以Fe离子的变化作为判别依据，三阶 铁离子（0.5和0.9微米）与二阶铁离子（1.0微 米）的光谱特性并不一样。
火成岩：SiO2的含量。 变质岩：比如白云石和方解石中的Mg和Ca离
新
疆
柯
坪
地
区
岩
石灰岩
性
填
图
白云岩
18
19
20
矿山污染
甘甫平等利用航天 Hyperion高光谱数 据研究矿山污染物 的识别，通过对矿 山野外光谱特征综 合分析，结合污染 物的特征，展开对 废矿的污染物提取 的研究。 （2004）
21
油气渗漏探测
当石油在地表的侵入点明显而且范围较大的时候，高 光谱遥感的发展为油气管线渗漏监测提供了有效的解 决方案。
油气渗漏和土壤混杂点很难被多光谱遥感监测到，原 因在于它们被其他材料所冲淡。而高光谱遥感器提供 了充足的光谱分辨率，可以在可见光，近红外，短波 红外提供大量的光谱数据。
国外政府的投入很大，大的石油公司都有一套完备的 高光谱遥感油气管道监测系统。
22
三、农业方面的应用
高光谱遥感在农业科研和应用技术上主要表现在以下几 个方面：
不同传感器红外波段与红波段的光谱响应
11
实例1：MODIS数据
原始modis影像
(b) 植被指数NDVI影像图
(a) 植被指数VIUPD影像图
12
实例2：日本高光谱GLI数据
全球反射率影像图(B1+B5+B8) (GLI数据2003年4月7日)
全球植被指数影NDVI像图 (GLI数据2003年4月7日)
14
地表岩性
岩石分为三大类：沉积岩、火成岩和变质岩， 各类岩石由于形成的环境不同，具有不同的光 谱特性。
沉积岩：以Fe离子的变化作为判别依据，三阶 铁离子（0.5和0.9微米）与二阶铁离子（1.0微 米）的光谱特性并不一样。
火成岩：SiO2的含量。 变质岩：比如白云石和方解石中的Mg和Ca离
新
疆
柯
坪
地
区
岩
石灰岩
性
填
图
白云岩
18
19
20
矿山污染
甘甫平等利用航天 Hyperion高光谱数 据研究矿山污染物 的识别，通过对矿 山野外光谱特征综 合分析，结合污染 物的特征，展开对 废矿的污染物提取 的研究。 （2004）
21
油气渗漏探测
当石油在地表的侵入点明显而且范围较大的时候，高 光谱遥感的发展为油气管线渗漏监测提供了有效的解 决方案。
油气渗漏和土壤混杂点很难被多光谱遥感监测到，原 因在于它们被其他材料所冲淡。而高光谱遥感器提供 了充足的光谱分辨率，可以在可见光，近红外，短波 红外提供大量的光谱数据。
国外政府的投入很大，大的石油公司都有一套完备的 高光谱遥感油气管道监测系统。
22
三、农业方面的应用
高光谱遥感在农业科研和应用技术上主要表现在以下几 个方面：
福州大学空间中心遥感课件_第9讲高光谱
高光谱目标探测
概念：
1、分类：类别出现的概率大 2、目标探测：目标低概率小 采用方法： 1、分类：类间差别大，类内差别小 2、目标探测：尽量背景消除和噪声， 同时增强目标信号。 评价方法: 1、分类：分类整体误差最小，混淆矩阵 2、目标探测：NP准则，在虚警率一定水平下， 探测率最高（LRT)；ROC曲线
光谱特征提取与选择
光谱特征提取与选择
光谱特征提取与选择
光谱特征提取与选择
光谱特征提取与选择
光谱特征提取与选择
光谱特征提取与选择
光谱特征提取与选择
光谱特征提取与选择
光谱特征提取与选择
光谱特征提取与选择
光谱特征提取与选择
光谱特征提取与选择
光谱特征提取与选择
ቤተ መጻሕፍቲ ባይዱ
混合像元分解
混合像元分解
目标光谱
实验结果
目标坐标：60*(3+6*I)+30, I=1,…,6,混合目标：rand*background+(1-rand)*target
加入目标
检测结果
目标坐标：1800+10*(I-1)+5,I=1,2,3,4,5,6
加入目标
检测结果
PHI高光谱数据
背景 目标
目标光谱：钙铁榴石 [0.4，2.5]
原始 AVIRIS影像
组分合成影像
误差影像
IEA提取的端元分布图
a
b
c
d
e
a：山体、阴影；b：黄钾铁矾；c：针铁矿；d：明矾； e：白云母；f：玉髓；g：高岭石；h：方解石
f
g
h
混合像元分解
可视化评价
混合像元分解
高光谱遥感分类
高光谱遥感对地物探测的原理
高光谱遥感对地物探测的原理高光谱遥感是一种通过获取地物的光谱信息并结合其空间分布来进行地物探测和信息提取的技术。
它广泛应用于农业、地质、环境、资源等领域，可以实现对地物的分类、监测、定量分析等功能。
高光谱遥感相比于传统遥感技术具有更高的光谱分辨率，能够提供丰富的地物信息，并且能够对细微差异的地物进行区分和识别。
高光谱遥感原理基于地物的光谱反射特征。
当太阳光照射到地球表面上时，不同的地物会对太阳光进行不同程度的吸收和反射。
这些被地物反射的光谱信息可以通过高光谱遥感技术捕捉和记录下来。
高光谱遥感仪器由多个光谱波段组成，每个波段能够接收不同的光谱范围内的辐射能量。
通过捕捉不同光谱波段的信息，可以得到丰富的地物反射光谱数据。
高光谱遥感的数据处理流程一般包括辐射定标、大气校正、几何校正、光谱特征提取和分类识别等步骤。
首先，要对获取的遥感图像进行辐射定标，将图像中的光谱信息转换为辐射照度。
然后，进行大气校正，校正因大气吸收和散射引起的光谱信息失真，以恢复地物的真实光谱反射特征。
接下来，进行几何校正，校正因拍摄过程中的姿态变化和地表形变引起的几何畸变，以提高图像的空间精度和几何准确性。
完成数据预处理后，可以进行光谱特征提取和分类识别。
光谱特征提取是指从高光谱图像中提取反映地物信息的光谱变量，如吸收峰、吸收谷和光谱带等，以便后续的分类分析。
在光谱特征提取的基础上，可以应用不同的分类算法对地物进行分类和识别。
常用的分类方法包括最大似然分类、支持向量机、人工神经网络等，通过这些方法可以将地物像元划分到不同的类别中。
高光谱遥感的原理在于地物的光谱反射特征与其物理、化学特性有关。
不同类型的地物具有不同的光谱响应特征，通过分析和比较地物的光谱反射特征，可以实现对地物的分类和识别。
比如，植被的光谱响应特征与其叶绿素含量、植被生长状态等相关；水体的光谱响应特征与其颗粒浓度、水质等相关；土壤的光谱响应特征与其质地、湿度等相关。
《高光谱遥感的发展》课件
高光谱遥感技术的发展趋势
提高数据获取能力
未来将进一步提高高光谱传感器的性 能，提高数据获取的精度和稳定性。
加强数据处理能力
未来将进一步发展人工智能、机器学 习等技术，提高数据处理的速度和精 度。
拓展应用领域
未来将进一步拓展高光谱遥感技术的 应用领域，如城市规划、资源调查、 灾害监测等。
加强技术交流与合作
从分割后的图像中提取地物的光谱特征，包括光谱曲线、谱带宽度 、谱带深度等。
地物分类与识别
利用提取的光谱特征，对地物进行分类和识别，常用的方法包括监 督分类、非监督分类和支持向量机等。
03
高光谱遥感技术发展现状
高光谱遥感传感器的发展
高光谱成像技术进步
随着技术的不断进步，高光谱成像传 感器在空间分辨率、光谱分辨率和辐 射分辨率等方面取得了显著提升，为 地物精细识别提供了有力支持。
新型传感器研发
科研人员正致力于开发新型的高光谱 传感器，如多角度高光谱传感器和热 红外高光谱传感器，以拓宽遥感的应 用领域。
高光谱数据处理技术的发展
数据处理算法优化
针对高光谱数据的处理，算法不断优 化以提高数据处理速度和准确性，例 如支持向量机、神经网络等机器学习 方法在高光谱分类和识别中的广泛应 用。
3
城市规划与管理
在城市规划与管理方面，高光谱遥感为城市发展 提供了丰富的空间和环境信息，有助于实现精细 化管理和可持续发展。
04
高光谱遥感技术面临的挑战与展 望
高光谱遥感技术面临的挑战
数据获取难度大
数据处理复杂度高
高光谱遥感技术需要获取大量的高光谱数 据，但受到传感器性能、天气条件等多种 因素的影响，数据获取难度较大。
资源调查与利用
高光谱遥感的概念课件
高光谱遥感的概念
15
整个现代遥感技术体系
各应用部门 用户
遥感信 息传输
遥感成像机 理与模型
分发
目标提取与识别 (自动化、智能化)
多源数据融合与高光集谱成遥感的概念
数据处理 (高光谱、高分辨率、雷达)
16
遥感的发展趋势
（1）随着热红外成像、机载多极化合成孔径雷达、 高分辨力表层穿透雷达和星载合成孔径雷达技术 日益成熟，遥感波谱域从最早的可见光向近红外、 短波红外、热红外、微波方向发展，波谱域的扩 展将进一步适应各种物质反射、辐射波谱的特征 峰值波长的宽域分布。
（多角度遥感）
（4）各种新型高效遥感图像处理方法和算法将被 用来解决海量遥感数据的处理、校正、融合和遥 感信息可视化。
（海量遥感数据处理、融合）
高光谱遥感的概念
23
（5）遥感分析技术从“定性”向“定量”转变， 定量遥感成为遥感应用的发展热点。
（遥感从定性到定量分析）
（6）建立适用于遥感图像自动解译的专家系统， 逐步实现遥感图像专题信息提取自动化。
高光谱遥感的概念
8
遥感的特点
• 大面积同步观测：气象卫星，资源卫星 • 时效性强：周期短，覆盖面广 • 数据的综合性和可比性好：不用去实地
采集数据 • 较高的经济和社会效益：应用广泛 • 一定的局限性：数据处理；受天气影响
高光谱遥感的概念
9
高光谱遥感的概念
10
高光谱遥感的概念
11
遥感信息处理的技术流程
• 正在使用的传感器有： MODIS（EOS）, MISR（Terra）, ASTER（Terra）, ADEOS…
• 新的传感器产生，正在研制的有：
➢EO-1 233 bands
高光谱遥感原理
高光谱遥感原理
高光谱遥感是一种使用高光谱仪器获取地物和目标物质光谱信息的遥感技术。
它通过获取不同波长范围内的光谱数据，从而分析和识别地表物质的成分、结构和特征。
高光谱遥感利用高光谱仪器（例如光谱辐射计或光谱成像仪）能够分辨不同的波长，从紫外线到红外线范围的电磁波谱。
这些仪器通常使用分光技术将不同波长范围的光分解成若干个独立的光谱带，可以获取到数百个波段的光谱数据。
在高光谱遥感中，遥感仪器通过航空或卫星平台获取地面上的光谱信息。
当光线照射到地面物体上时，不同的物质会对不同波长的光有特定的反射、散射或吸收特性，形成其独特的光谱信号。
高光谱仪器能够测量并记录这些光谱信号的强度。
通过分析和解译高光谱数据，可以确定地表物质的组成、含量和分布。
不同的物质对不同波段的光具有特定的光谱特征，这些特征可以用来区分不同的地物类型，如植被、岩石、水体等。
高光谱遥感也可以用于环境监测、农业管理、矿产勘探等领域。
总之，高光谱遥感原理是利用高光谱仪器获取地物光谱信息，通过分析和解译这些光谱数据来识别和研究地表物质的特征和属性。
高光谱遥感
(一)高光谱遥感基本概念1、高光谱遥感特点波段特点：波段多、波段宽度窄、不断连续数据量特点：数据量大、数据冗余增加2、波谱空间与光谱空间光谱特征空间：以波段为维度的空间，波段增加会导致光谱空间维度增加。
波普特征空间：不同波段影像所构成的测度空间。
3、高光谱数据图谱合一的特点高光谱数据同时反映地物的空间特征（图）和光谱特征（谱）。
(二)成像光谱仪1、成像光谱仪的空间成像方式和光谱成像方式的含义空间成像方式：从影像二维空间形成角度考察成像光谱仪的工作方式。
光谱成像方式：从光谱维数据形成的角度考察成像光谱仪的工作方式。
2、成像光谱仪的瞬时视场角（IFOV）仪器视场角（FOV）瞬时视场角：以毫弧度为计量单位，所对应的地面大小被称为地面分辨单元。
仪器视场角：仪器扫描镜在空中扫过的角度，与系统平台高度决定了地面扫描幅宽。
摆扫型：单个像元凝视时间短,进一步提升光谱分辨率和信噪比较困难。
推扫型：凝视时间长,分辨率高,仪器体积小(无光机),视场角小(30°)定标量大不稳定。
3、成像光谱仪的三种定标方式共性：出于同一目的，特定情况下都是不可缺少的。
差异：处于不同阶段，考虑因素不同，入瞳辐射值获取方式不同（实验室定标：有实验室测得，原始定标，准确度高，后续定标基础）（机上星上定标：综合性定标，对前一项进行的修正，机上星上测得考虑搬运安装操作影响）（场地定标：入轨后实际运行情况，大面积均匀地表做参照,考虑大气传输，多通道大范围）场地定标的常用方法：反射基法（气溶胶参数）、辐照度基法（过程）、辐亮度基法（人力）机上定标一般使用内定标法，星上定标受制于体积一般进行辐射定标（人造辐射源/太阳）光谱定标：确定成像光谱仪增益系数和偏置量之前，必须通过光谱定标，获得成像光谱仪每个波段的中心波长和带宽。
辐射定标：确定成像光谱仪在该波长小输入辐射能与输出响应关系（增益系数和偏置量）4、空间分辨率和光谱分辨率光谱分辨率：指探测器波长方向上的记录宽度，又称波段宽度（50%）空间分辨率：由仪器瞬时视场角决定，地面分辨单元。
高光谱与高空间分辨率遥感课件.ppt
光谱微分公式（以二阶为例）为：
''(i) ['(i 1 )'(i 1 )]/2
式中， i 为 波长， ' ( i ) 为波长 i 处的一阶微分光谱，
为相邻 两波段间的高光波谱与长高空间间分隔辨率。遥感课件
2、光谱积分 光谱积分就是求光谱曲线在某一波长范围内
的下覆面积。
2
f ( )d 1
高光谱与高空间分辨率遥感课件
由FLAASH模块取得相关参数后,影像反射率就可利 用辐射传输方程对逐个像元进行计算.步骤如下: ①通过计算Column water vapor 的量来计算 A,B,S和La.Column water vapor 在不同场景下 各不相同,运行几次不同水蒸气数量的MODTRAN 模型,构成一个查找表,每个像素可从该表中获得水 蒸气量,进一步计算A,B,S 和La.
高光谱与高空间分辨率遥感课件
2、回归分析 回归分析（regression analysis)是确定两种
或两种以上变数间相互依赖的定量关系的一种统 计分析方法。研究一个随机变量Y对另一个(X)或 一组(X1，X2，…，Xk)变量的相依关系的统计分 析方法。
高光谱与高空间分辨率遥感课件
三、实习仪器与数据 SPSS软件、EXCELL软件及玉米叶片反射光
实习一 光谱的微分和积分
一、实习目的
熟悉和掌握光谱的微分和积分的概念，利用相 关软件对植被高光谱数据进行微分和积分处理； 利用高光谱数据分析植被的“红边”等典型植被 高光谱特征。
高光谱与高空间分辨率遥感课件
二、原理与方法 1、光谱微分
光谱微分技术就是通过对反射光谱进行数学模 拟，计算不同阶数的微分值，以提取不同的光谱 参数。应用光谱微分技术能够部分消除大气效应、 植被环境背景（阴影、土壤等）的影响，以反映 植物的本质特征。
''(i) ['(i 1 )'(i 1 )]/2
式中， i 为 波长， ' ( i ) 为波长 i 处的一阶微分光谱，
为相邻 两波段间的高光波谱与长高空间间分隔辨率。遥感课件
2、光谱积分 光谱积分就是求光谱曲线在某一波长范围内
的下覆面积。
2
f ( )d 1
高光谱与高空间分辨率遥感课件
由FLAASH模块取得相关参数后,影像反射率就可利 用辐射传输方程对逐个像元进行计算.步骤如下: ①通过计算Column water vapor 的量来计算 A,B,S和La.Column water vapor 在不同场景下 各不相同,运行几次不同水蒸气数量的MODTRAN 模型,构成一个查找表,每个像素可从该表中获得水 蒸气量,进一步计算A,B,S 和La.
高光谱与高空间分辨率遥感课件
2、回归分析 回归分析（regression analysis)是确定两种
或两种以上变数间相互依赖的定量关系的一种统 计分析方法。研究一个随机变量Y对另一个(X)或 一组(X1，X2，…，Xk)变量的相依关系的统计分 析方法。
高光谱与高空间分辨率遥感课件
三、实习仪器与数据 SPSS软件、EXCELL软件及玉米叶片反射光
实习一 光谱的微分和积分
一、实习目的
熟悉和掌握光谱的微分和积分的概念，利用相 关软件对植被高光谱数据进行微分和积分处理； 利用高光谱数据分析植被的“红边”等典型植被 高光谱特征。
高光谱与高空间分辨率遥感课件
二、原理与方法 1、光谱微分
光谱微分技术就是通过对反射光谱进行数学模 拟，计算不同阶数的微分值，以提取不同的光谱 参数。应用光谱微分技术能够部分消除大气效应、 植被环境背景（阴影、土壤等）的影响，以反映 植物的本质特征。
高光谱遥感理论基础课件
CHAPTER
02
高光谱遥感的基本原理
电磁波与光谱辐射基础
电磁波的波长和频率
电磁波的波长范围从极长波到极短波，包括无线电波、微波、红外线、可见光 、紫外线、X射线和伽马射线等。不同波长的电磁波具有不同的特性和应用。
光谱辐射与光谱响应
物体对不同波长的电磁波具有不同的吸收、反射和透射特性，这种特性决定了 物体在光谱上的表现。光谱响应是指传感器在不同波长上的测量能力。
详细描述
高光谱遥感能够通过分析地物光谱特征，监 测植被的生长状况、种类分布以及生态系统 的健康状况。同时，高光谱遥感还能用于水 质监测，如水体污染物的分布和扩散情况。 此外，土壤状况的监测也是高光谱遥感的重 要应用之一，如土壤肥力、盐碱化程度等。
城市规划与建设管理
总结词
高光谱遥感在城市规划与建设管理中发挥着重要作用，能够提供丰富的地表信息，为城 市规划和建设提供科学依据。
详细描述
在环境监测方面，高光谱遥感可以用于检测大气污染 、水体污染和土壤污染等环境问题；在城市规划方面 ，高光谱遥感可以用于城市绿化、城市交通和城市空 间布局等方面的监测和规划；在资源调查方面，高光 谱遥感可以用于土地利用、矿产资源和水资源的调查 和评估；在农业管理方面，高光谱遥感可以用于农作 物生长监测、病虫害预警和产量预测等方面。
详细描述
高光谱遥感技术通过获取地物在不同光谱波段的反射或发射信息，能够识别和区分不同类型的地物，并揭示其内 在的光谱特征。由于其高光谱分辨率的特点，高光谱遥感能够提供更丰富的地表信息，为地物识别、环境监测、 资源调查等领域提供了强有力的支持。
高光谱遥感技术的发展历程
总结词
高光谱遥感技术自20世纪80年代诞生以来，经历了初期探索、技术发展和成熟应用三个阶段，目前 已经成为遥感领域的重要分支。
高光谱遥感分解课件
案例一：高光谱遥感在农业监测中的应用
总结词
种植结构优化
详细描述
高光谱遥感技术能够识别不同种类的 农作物，通过监测农作物的分布和生 长状况，可以优化种植结构，提高土 地利用效率和农业生产效益。
案例二：高光谱遥感在环境监测中的应用
总结词
污染物监测
详细描述
高光谱遥感技术能够监测大气、水体和土壤中的污染物，如二氧化硫、氮氧化物、重金 属等。通过对污染物的光谱特征进行分析，可以实时监测污染物的排放和扩散情况，为
05 实际应用案例分析
案例一：高光谱遥感在农业监测中的应用
总结词：精准监测
详细描述：高光谱遥感技术能够获取地表覆盖物的光谱信息，通过分析这些光谱 信息，可以精确地监测农作物的生长状况、病虫害情况以及土壤质量等，为农业 生产提供科学依据。
案例一：高光谱遥感在农业监测中的应用
总结词：产量预测
详细描述：利用高光谱遥感技术，可以预测农作物的产量。通过对农作物生长过程中的光谱信息进行监测和分析，可以建立 产量预测模型，提高预测的准确性和可靠性。
进行分类。
非监督分类
02
对未知类别的样本进行聚类分析，将相似的像素归为同一类。
目标识别
03
利用提取的特征和分类结果，对目标进行识别和定位。
04 高光谱遥感技术发展与展望
高光谱遥感技术的发展趋势
技术创新
随着传感器技术的不断进步，高光谱遥感器的空间分辨率 和光谱分辨率将得到进一步提升，能够获取更丰富、更精 准的地物信息。
详细描述
高光谱遥感技术能够识别不同类型的矿产资源，通过对地 表的光谱信息进行监测和分析，可以确定矿产资源的分布 和储量，为矿产资源勘探提供有力支持。
总结词
高光谱遥感发展综述课件
高光谱遥感的发展历程
01
02
03
1990年代初
高光谱遥感技术开始发展 ，主要应用于美国和欧洲 等发达国家。
1990年代末
技术逐渐成熟，广泛应用 于地球科学研究、环境监 测、资源调查等领域。
21世纪初
技术不断创新和完善，高 光谱遥感的应用领域不断 拓展，成为遥感领域的重 要分支。
CHAPTER 02
消除大气对地物反射的影响，还原地物真实 反射率。
去噪处理
去除图像中的噪声，提高图像质量。
高光谱数据的融合与分析
像素级融合
将不同来源的高光谱数据融合在一起 ，提高数据的空间分辨率和光谱分辨 率。
特征提取
从高光谱数据中提取地物的光谱特征 ，用于分类和识别。
分类与识别
利用提取的特征，对地物进行分类和 识别。
高光谱遥感在农业领域的应用前景
总结词
高光谱遥感技术为现代农业提供了精准的管理手段，有助于提高作物产量和质量，降低 生产成本。
详细描述
高光谱遥感能够获取农作物生长过程中的各种信息，如叶绿素含量、水分状况、病虫害 等。通过分析这些信息，可以精确判断作物的生长状况，为施肥、灌溉、病虫害防治等
管理措施提供科学依据。
高光谱遥感在军事领域的应用前景
总结词
高光谱遥感技术在军事领域具有广泛的应用 前景，能够为军事侦察、目标识别、战场环 境监测等提供重要支持。
详细描述
高光谱遥感技术能够获取高分辨率的地面信 息，通过分析这些信息，可以精确识别不同 类型的目标，如车辆、人员、建筑物等。此 外，高光谱遥感还可以用于战场环境监测， 如探测化学武器和生物武器等威胁物质。
为精准、高效的服务。
高光谱遥感技术面临的挑战与问题
高光谱遥感分解课件
谱间关系分析在高光谱遥感数据的应用中具有重要的作用，如地物分类、变化检测、场景模拟等，因此 是高光谱遥感分解中不可或缺的一环。
土地利用分类与变化监测
总结词
利用高光谱遥感技术可以准确识别和区分不同类型的土地利用，如城市、农田、森林等，并监测其变化情况。
详细描述
高光谱遥感通过获取地物在不同光谱波段的反射率数据，能够区分具有细微光谱特征差异的地物，从而实现对土 地利用类型的精细分类。同时，通过不同时间点的遥感数据对比，可以监测土地利用的变化情况，为土地资源管 理和规划提供依据。
城市规划与管理领域
高光谱遥感技术可以用于城市规划、 城市环境监测、交通管理等方面，提 高城市管理和服务水平。
• 高光谱遥感技术原理 • 高光谱遥感分解方法 • 高光谱遥感应用实例 • 高光谱遥感技术展望
高光谱遥感的定义
高光谱遥感的特点
高光谱分辨率
。
多维度信息
连续光谱覆盖 定量分析
高光谱遥感的应用领域
环境监测
资源调查
农业管理
城市规划与建设
遥感平台与传感器
遥感平台 传感器类型
图像采集与处理
图像采集
高光谱遥感技术的挑战与问题
数据处理难度大 传感器技术瓶颈 应用领域有限
高光谱遥感技术的应用前景
环境保护领域
高光谱遥感技术可以用于环境监测和 污染治理，为环境保护提供强有力的 技术支持。
资源调查领域
高光谱遥感技术可以用于土地资源、 水资源、森林资源等领域的调查和评 估，提高资源利用效率。
农业领域
高光谱遥感技术可以用于农作物生长 监测、病虫害预警等方面，提高农业 生产效益。
高光谱遥感技术的发展趋势
技术创新
随着科学技术的不断进步，高光谱遥 感技术将不断实现技术创新，提高数 据获取和处理能力。
土地利用分类与变化监测
总结词
利用高光谱遥感技术可以准确识别和区分不同类型的土地利用，如城市、农田、森林等，并监测其变化情况。
详细描述
高光谱遥感通过获取地物在不同光谱波段的反射率数据，能够区分具有细微光谱特征差异的地物，从而实现对土 地利用类型的精细分类。同时，通过不同时间点的遥感数据对比，可以监测土地利用的变化情况，为土地资源管 理和规划提供依据。
城市规划与管理领域
高光谱遥感技术可以用于城市规划、 城市环境监测、交通管理等方面，提 高城市管理和服务水平。
• 高光谱遥感技术原理 • 高光谱遥感分解方法 • 高光谱遥感应用实例 • 高光谱遥感技术展望
高光谱遥感的定义
高光谱遥感的特点
高光谱分辨率
。
多维度信息
连续光谱覆盖 定量分析
高光谱遥感的应用领域
环境监测
资源调查
农业管理
城市规划与建设
遥感平台与传感器
遥感平台 传感器类型
图像采集与处理
图像采集
高光谱遥感技术的挑战与问题
数据处理难度大 传感器技术瓶颈 应用领域有限
高光谱遥感技术的应用前景
环境保护领域
高光谱遥感技术可以用于环境监测和 污染治理，为环境保护提供强有力的 技术支持。
资源调查领域
高光谱遥感技术可以用于土地资源、 水资源、森林资源等领域的调查和评 估，提高资源利用效率。
农业领域
高光谱遥感技术可以用于农作物生长 监测、病虫害预警等方面，提高农业 生产效益。
高光谱遥感技术的发展趋势
技术创新
随着科学技术的不断进步，高光谱遥 感技术将不断实现技术创新，提高数 据获取和处理能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ASTER ETM
USGS Scene ID
SC: AST_L1B.003:2012
094035 SC:
AST_L1B.003:2017 729299
L7_038037_200001 05
Date of Acquisition
2003-10-3
2003-3-9 2000-1-5
Center Lat/Lon
问题分析
算法设计与实 实验结果与
现
评价
结论与讨论
问题分析
目前多波段遥感数据处理中面临着一个问题就是数 据维数很高，存在大量信息冗余，针对多波段遥感数据 提出的分类器很难适应如此巨大的计算量，对于遥感数 据的进一步处理带来多波段遥感数据波段选择方法。
针对高维数据处理中的阻碍。本研究试利用遗传算 法(Genetic Algorithm ,GA)来建立一种快速、高效 的遥感数据在数据处理上存在的问题，主要是波段之间 信息重复，同时由于多个波段，计算上耗费了很多时 间，而且效果往往不理想。本研究设计一种基于遗传算 法的最优波段组合选择方法，来帮助多波段遥感数据处 理的过程，提出设计并实现该算法，使得对于特定问题 的研究能够降低数据维数，减少研究所需要的庞大计算 量，在这方面提供一条行之有效的方法。
现
评价
结论与讨论
(3) 遗传操作算子的设计
选择
采取排序选择，对种群中的所有个体根据其适应度函数的 值的大小按顺序排列，最大的个体赋予值2，最小的赋予值0，然 后选取父代种群中选择最优即适应度最大的若干个参加交叉遗传
和变异遗传，产生新的子代个体。
交叉
采用单点交叉或者双点交叉，不用多点交叉的方法 ，可以避免随着交叉点的增多，可能破坏一些好的模式， 因为随着交叉点数的增加，个体结构被破坏的可能性也逐 渐增大，这样就很难有效地保存较好的模式。影响整个算
(M c
− Md ) +
1 ln 2
det(Vc +Vd ) 2
det(Vc ) det(Vd )
其中， Mc, Md 分别是类c和d的均值；Vc,Vd 分别代表类c和d 的协方差矩阵。
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与
现
评价
结论与讨论
开发环境：MATLAB7.0，代码如下
Procedure Data pretreatment begin
read brightness of train area; 度值
1 2 3 4 5 6 7 8 9 10 11 0 1 1 1 1 0 0 100 1 12 13 14 15 16 17 18 19 20 21 22 0 1 0 0 0 0 0 000 0
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与评 结论与讨论
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与评 结论与讨论
现
价
实验结果：
计算后的结果即从22个波段选出的7个波段的最优组合为： Band2，Band3，Band4，Band5，Band8，Band11，
Band13 其对应的染色体结构为：
Services
波段序号 是否选中 波段序号 是否选中
32.98°, 114.85°
32.92°, 114.47° 33.16°, 114.08°
Signal Quantization VNIR&SWIR:8
TIR: 12 8
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与评 结论与讨论
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与
现
评价
结论与讨论
现有遥感数据 波段选择方法
基于信息量的 最佳波段选择
1. 熵与联合熵 2. 组合波段的协方差矩
阵行列式 3. 最佳指数（OIF）
基于类间可分性的 最佳波段选择
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与评 结论与讨论
现
价
遥感图像数据获取
对于所选实验区域获得Aster（14波段）数据和 Landsat ETM（8个波段）图像，将两者融合后形成实验区 域的遥感影像数据（22波段）。数据的具体参数如下表所示：
ServicSeenssors
代数器增加
end
end
结束
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与
现
评价
结论与讨论
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与评 结论与讨论
岩性分类与矿物制图
1. 波段选择实例 2. 高光谱与多光谱数据在岩性分类中的比较研究 3. 高光谱矿物填图：实例
研究生选修课：《高光谱遥感》2009-2010学年第二学期
1. 多波段遥感数据最优 波段组合 选择方法研究
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
以进化过程中所得到的具有最大适应度的个体作为最优 解输出，终止运算。
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与
现
评价
结论与讨论
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
1
2 3 4 5 8 11 13
2
2 3 5 6 8 11 13
Se3rvices 2 3 4 5 8 10 13
4
2 3 4 5 6 8 14
5
2 3 5 8 11 13 14
6
2 3 5 8 11 12 13
7
2 3 5 8 11 13 18
8
2 3 5 8 11 13 17
9
2 3 4 5 8 13 14
现
价
Services
图7 最优波段组合随代数的变化趋势
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与评 结论与讨论
现
价
通过MultiSpec计算的所有波段组合的参数并按照顺序 列出了排在前10位的优化波段组合。
No. Channels
49
…
39
37
54
48
52
51
50
…
434058455148
49
…
45
39
56
41
46
47
45
…
…
…
…
…
…
…
…
…
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与
现
评价
结论与讨论
整 体 算 法 流 程 示 意 图 所 示
1. 均值间的标准距离 2. 离散度 3. 距离 4. 类间平均可分性
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与
现
评价
结论与讨论
遗传算法的主要运算过程如下：
1. 编码：从表现型到基因型的映射称为编码。 2. 初始群体的生成：随机产生个初始串结构数据，每个串
问题分析
算法设计与实 实验结果与评 结论与讨论
现
价
首先选取五类岩性作为波段选择的评判标准，这五
类分别为Tv、Tc、Tvb、mc和mso，参考地质图利 用ERDAS IMAGINE 9.0选出上述五类岩石的样本。 如下图所示：
Services
图6 选择岩石训练样本示意图
研究生选修课：《高光谱遥感》2009-2010学年第二学期
问题分析
算法设计与实 实验结果与
现
评价
结论与讨论
数据预处理设计：二维数组
Band1 Band2 Band3 Band4 Band5 Band6 Band7
…
39
36
52
45
48
49
47
…
37
32
48
44
48
47
47
…
38
34
49
42
45
46
44
…
32
27
40
46
48
48
48
…
50
47
61
48
51
51
遗传算法 开始 代数计数器为0 生成初始种群 声明适应度函数 计算适应度函数
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
USGS Scene ID
SC: AST_L1B.003:2012
094035 SC:
AST_L1B.003:2017 729299
L7_038037_200001 05
Date of Acquisition
2003-10-3
2003-3-9 2000-1-5
Center Lat/Lon
问题分析
算法设计与实 实验结果与
现
评价
结论与讨论
问题分析
目前多波段遥感数据处理中面临着一个问题就是数 据维数很高，存在大量信息冗余，针对多波段遥感数据 提出的分类器很难适应如此巨大的计算量，对于遥感数 据的进一步处理带来多波段遥感数据波段选择方法。
针对高维数据处理中的阻碍。本研究试利用遗传算 法(Genetic Algorithm ,GA)来建立一种快速、高效 的遥感数据在数据处理上存在的问题，主要是波段之间 信息重复，同时由于多个波段，计算上耗费了很多时 间，而且效果往往不理想。本研究设计一种基于遗传算 法的最优波段组合选择方法，来帮助多波段遥感数据处 理的过程，提出设计并实现该算法，使得对于特定问题 的研究能够降低数据维数，减少研究所需要的庞大计算 量，在这方面提供一条行之有效的方法。
现
评价
结论与讨论
(3) 遗传操作算子的设计
选择
采取排序选择，对种群中的所有个体根据其适应度函数的 值的大小按顺序排列，最大的个体赋予值2，最小的赋予值0，然 后选取父代种群中选择最优即适应度最大的若干个参加交叉遗传
和变异遗传，产生新的子代个体。
交叉
采用单点交叉或者双点交叉，不用多点交叉的方法 ，可以避免随着交叉点的增多，可能破坏一些好的模式， 因为随着交叉点数的增加，个体结构被破坏的可能性也逐 渐增大，这样就很难有效地保存较好的模式。影响整个算
(M c
− Md ) +
1 ln 2
det(Vc +Vd ) 2
det(Vc ) det(Vd )
其中， Mc, Md 分别是类c和d的均值；Vc,Vd 分别代表类c和d 的协方差矩阵。
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与
现
评价
结论与讨论
开发环境：MATLAB7.0，代码如下
Procedure Data pretreatment begin
read brightness of train area; 度值
1 2 3 4 5 6 7 8 9 10 11 0 1 1 1 1 0 0 100 1 12 13 14 15 16 17 18 19 20 21 22 0 1 0 0 0 0 0 000 0
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与评 结论与讨论
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与评 结论与讨论
现
价
实验结果：
计算后的结果即从22个波段选出的7个波段的最优组合为： Band2，Band3，Band4，Band5，Band8，Band11，
Band13 其对应的染色体结构为：
Services
波段序号 是否选中 波段序号 是否选中
32.98°, 114.85°
32.92°, 114.47° 33.16°, 114.08°
Signal Quantization VNIR&SWIR:8
TIR: 12 8
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与评 结论与讨论
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与
现
评价
结论与讨论
现有遥感数据 波段选择方法
基于信息量的 最佳波段选择
1. 熵与联合熵 2. 组合波段的协方差矩
阵行列式 3. 最佳指数（OIF）
基于类间可分性的 最佳波段选择
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与评 结论与讨论
现
价
遥感图像数据获取
对于所选实验区域获得Aster（14波段）数据和 Landsat ETM（8个波段）图像，将两者融合后形成实验区 域的遥感影像数据（22波段）。数据的具体参数如下表所示：
ServicSeenssors
代数器增加
end
end
结束
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与
现
评价
结论与讨论
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与评 结论与讨论
岩性分类与矿物制图
1. 波段选择实例 2. 高光谱与多光谱数据在岩性分类中的比较研究 3. 高光谱矿物填图：实例
研究生选修课：《高光谱遥感》2009-2010学年第二学期
1. 多波段遥感数据最优 波段组合 选择方法研究
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
以进化过程中所得到的具有最大适应度的个体作为最优 解输出，终止运算。
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与
现
评价
结论与讨论
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
1
2 3 4 5 8 11 13
2
2 3 5 6 8 11 13
Se3rvices 2 3 4 5 8 10 13
4
2 3 4 5 6 8 14
5
2 3 5 8 11 13 14
6
2 3 5 8 11 12 13
7
2 3 5 8 11 13 18
8
2 3 5 8 11 13 17
9
2 3 4 5 8 13 14
现
价
Services
图7 最优波段组合随代数的变化趋势
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与评 结论与讨论
现
价
通过MultiSpec计算的所有波段组合的参数并按照顺序 列出了排在前10位的优化波段组合。
No. Channels
49
…
39
37
54
48
52
51
50
…
434058455148
49
…
45
39
56
41
46
47
45
…
…
…
…
…
…
…
…
…
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与
现
评价
结论与讨论
整 体 算 法 流 程 示 意 图 所 示
1. 均值间的标准距离 2. 离散度 3. 距离 4. 类间平均可分性
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究
问题分析
算法设计与实 实验结果与
现
评价
结论与讨论
遗传算法的主要运算过程如下：
1. 编码：从表现型到基因型的映射称为编码。 2. 初始群体的生成：随机产生个初始串结构数据，每个串
问题分析
算法设计与实 实验结果与评 结论与讨论
现
价
首先选取五类岩性作为波段选择的评判标准，这五
类分别为Tv、Tc、Tvb、mc和mso，参考地质图利 用ERDAS IMAGINE 9.0选出上述五类岩石的样本。 如下图所示：
Services
图6 选择岩石训练样本示意图
研究生选修课：《高光谱遥感》2009-2010学年第二学期
问题分析
算法设计与实 实验结果与
现
评价
结论与讨论
数据预处理设计：二维数组
Band1 Band2 Band3 Band4 Band5 Band6 Band7
…
39
36
52
45
48
49
47
…
37
32
48
44
48
47
47
…
38
34
49
42
45
46
44
…
32
27
40
46
48
48
48
…
50
47
61
48
51
51
遗传算法 开始 代数计数器为0 生成初始种群 声明适应度函数 计算适应度函数
研究生选修课：《高光谱遥感》2009-2010学年第二学期
多波段遥感数据最优波段组合 选择方法研究