高光谱特征参量讲义与光谱库
09高光谱特征提取讲解
设计新型特征提取方法的思路
22
武汉大学 龚龑
二、基于可分性准则的特征提取原理
《高光谱遥感》
2.4可分性准则进行特征提取要点小结 （二）实施步骤：
1. 选择样本；
2. 计算原始光谱空间的类内、类间散布矩阵；
3. 求解
S
S 1
xw
xb
的特征值和特征向量 ；
4. 利用特征向量构建降维变换矩阵。
使用已有特征提取方法的步骤
《高光谱遥感》
3.2最小噪声分离法 MNF基本流程： 对图像进行低通滤波
分离出噪声图像n
可分性准 求出Z (z1, z2,...zL )
则是什么？ 的协方差矩阵 Z
求出N (n1,n2,...nL )
的协方差矩阵 n
计算
1 N
Z的特征值i和相应特征向量ui ,并排序
武汉大学 龚龑
)
《高光谱遥感》
根据矩阵运算知识，可利用线型变换
z
BT
y将实对称阵S yb和S
分别对角化：
yw
BT SybB BT SywB I
B是一个m m的非奇异方阵
17
武汉大学 龚龑
二、基于可分性准则的特征提取原理
2.4求解映射矩阵
分析公式：
BT S yb B BT S ywB I
31
武汉大学 龚龑
三、高光谱特征提取主要方法
3.3噪声适应主成分法
zi si ni 1 i L, L表示波段
信号 噪声
Z为Z (z1, z2,...zL )的协方差矩阵 n为N (n1,n2,...nL )的协方差矩阵
首先，针对噪声求出白化矩阵
浅析遥感光谱特征参量的原理及基本方法
( 2)
对于离散的光谱数据 , 常用一阶和二阶差分的形式
( 3)
等研究认为光谱参量与玉米 L A I
及营养参量间存在显著或极显著相关 ; 薛利红 [ 19 ] 等 利用光谱参数能够有效地诊断水稻营养状况以及
L A I 。王纪华[ 20 ] 等研究了冬小麦氮素的光谱响应 ,
(4)
取得可 靠 的 结 果 ; Broge [ 21 ] 等 研 究 了 光 谱 特 征 与
) 为关于波长λ 可见 , 式 ( 11) B (λ 的线性函数 。 用直线 y = ax + b 对式 ( 11) 进行最小二乘法拟合 , 可解得 :
σ= 1 2a
- b λ 0 = a
( 12)
第 1 期
谭昌伟等 : 浅析遥感光谱特征参量的原理及基本方法
2. 3 光谱吸收特征
) = R S - ( R S - R0 ) exp R (λ )2 - (λ 0 - λ
2 σ 2
导数光谱中 ,只剩下植被的光谱信息 。 由图 1 可见 , 在反射光谱变化比较平缓的 350 ～400 nm 波段和 780 ～ 1 150 nm 的红外反射平台 范围内 ,一阶 、 二阶导数光谱表现出了强烈的噪声振 动 ,仅在 680～780 nm 可见光范围内具有较稳定的 走势 。此外 ,更易用一阶导数光谱来确定反射光谱 特征点 ( 如蓝边和红边位置) 。
157
下面 ,我们采用上述方法对 2004 年 7 月 19 日 ( 拔节期) 实测的夏玉米反射光谱 “红边” 进行了拟合 ( 图 3) 。
以 2004 年 6 月 20 日 ( 苗期) 的夏玉米实测反射 光谱为例 ,笔者定义了 4 个吸收特征 ( 图 4 ,表 1) ,并
高光谱遥感的概念
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。
（波段范围扩展从可见光、近红外、发展到中 远红外、微波）
（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。 （遥感图像自动解译的专家系统）
（7）3S一体化
（8）随着高空间分辨力新型传感器的应用，遥感图像空间分辨率从1KM、500m、250m、 80m、30m、20m、10m、5m发展到1m，军事侦察卫星传感器可达到15cm或者更高的分辨 率。空间分辨率的提高，有利于分类精度的提高，定位和目标识别，但也增加了计算机分类 的难度。
总结起来，高光谱分辨率遥感信息的分析与处理，侧重于从光 谱维角度对遥感图像信息进行展开和定量分析，其图像处理模式的 关键技术，例如：
(1) 光谱重建，即：成像光谱数据的定标、定量化和大气纠正模 型与算法，恢复地物光谱的真实面目；
一些针对传统遥感数据的图像处理算法和技术，如：特征选择与提取、图像分类等技术 面临挑战。如：用于特征提取的主分量分析方法，用于分类的最大似然法、用于求植被 指数的NDVI算法等等，不能简单地直接应用于高光谱数据。
3、如何处理高光谱遥感数据？
高光谱遥感技术的发展来自于成像技术的不断完善，成像光谱仪有其独特的优越性，但同时 海量数据也给应用和分析带来了不便。
➢ 常规遥感的局限：波段太少；光谱分辨率太低；波段宽一般>100nm；波段在光谱上不连续， 不能覆盖整个可见光至红外光(0.4~2.4nm)光谱范围。
➢ 如一个TM波段内只记录一个数据点，而航空可见光/红外光成像光谱仪(AVIRIS)记录这一波 段范围内的光谱信息用10个以上数据点。
高光谱特征参量化PPT课件
20
二、光谱曲线的简化表达
2.3地物类型序列光谱柱状图 2.光谱柱状图及应用
(1) 反射率增强
M 个 波 段
n个目标
增强后的反射率矩阵
21
二、光谱曲线的简化表达
2.3地物类型序列光谱柱状图 2.光谱柱状图及应用
3
一、高光谱特征参量化概述
问题2：依据下图中的光谱曲线将相应地物划分为两类
反
A1
射 率
A2
观察光谱曲线，
A3 可以依据光谱曲线的
形状得到聚类结果。
B1 B2 B3
波长
4
一、高光谱特征参量化概述
1.1光谱特征参量化基本概念 如何将光谱曲线特征转化为适合于电脑
进行分析计算的形式？
光谱特征参量化
5
一、高光谱特征参量化概述
SAI的计算
SAI
/
m
d 1
(1
m
d )2
d为比例参数
d (m 2 ) /(1 2 )
39
三、光谱吸收特征参数提取方法
3.4部分典型地物光谱吸收参数实例 • 实验数据介绍
植被
水体
40
三、光谱吸收特征参数提取方法
3.4部分典型地物光谱吸收参数实例 • 植被的光谱吸收参数
参照试验区的土地覆盖专题图，选取两类植 被：麦田、草地。每种植被选择多个样点，进行 包络线去除后提取吸收特征参数。
光谱吸收特征参数提取方法
26
第四章 第4节 高光谱特征参量化
一、高光谱特征参量化概述 二、光谱曲线的简化表达 三、光谱吸收特征参数提取 四、光谱曲线的函数分析 五、光谱特征参量化应用
高光谱整理——精选推荐
1.遥感图像的最基本单元是像元，每个像元具有空间特征和属性特征。
空间特征：是用X值和Y值来表示；（纹理，形状，大小，方位）属性特征：常用亮度值表示。
（灰度值，亮度值）2.遥感图像特征（②，③遥感成像技术发展的方向）①时间分辨率：对同一地点进行遥感采样的时间间隔，集采样的时间频率。
也称重访周期。
②空间分辨率：像素所代表的地面范围的大小，或地面物体能分辨的最小单元；③光谱分辨率：传感器在接收目标辐射的光谱时能分辨的最小波长间隔；④辐射分辨率：指传感器接收波谱信号时，能分辨的最小辐射度差；3.高光谱遥感基本概念：①多光谱遥感（Multirspectral Remote Sensing）,光谱分辨率在波长的1/10数量级范围内(几十个至几百个nm)的遥感；②高光谱遥感（Hyperspectral Remote Sensing）,光谱分辨率在波长的1/100数量级范围内（几个nm）的遥感；③超光谱遥感（Ultraspectral Remote Sensing）,光谱分辨率在波长的1/1000数量级范围内（0.2-1nm）的遥感。
4.高光谱遥感与常规多光谱遥感的比较：①高光谱遥感：即高光谱分辨率成像光谱遥感，幅宽小，成像范围小，其细微的波段可进行地物成分的识别，风度估计（精细识别）。
②常规多光谱遥感：幅宽大，成像范围宽，可进行宏观地物影像分析，不可被高光谱遥感完全取代（宏观变化趋势）。
研究宏观的变化情况则必须用多光谱成像仪。
5.高光谱遥感发展概况：高光谱遥感的基础是光谱学(spectroscopy).①光谱学：实验室分析地物光谱特征(获得谱信息)②成像技术：把遥感传感器放置航空或航天平台(获得地物的图像信息)③成像光谱学：把实验室仪器放置航空或航天平台(获得地物的图和谱信息)注：光学遥感的发展——空间、光谱分辨率的不断提高：①全色Panchromatic：主要通过形状（空间信息）识别地物。
②彩色color photography：增加了颜色的感知，加强型的颜色感知。
高光谱20071017
•
第三代成像光谱仪为傅立叶变换高光谱成像仪（美国2000年7 月MiSat-II卫星携带升空）
• FTHSI( Fourier Transform Hyperspectral Imager) ，256个波 段，光谱范围400nm-1050nm，光谱分辨率2-10nm。
典型的高光谱遥感器
• 美国：AIS，AVIRIS、 WIS（812波段）、PROBE、 TEEMS、 MODIS 、 Hyperion、 FTHSI AHI（256个热波段）、SEBASS（ 242个热波段） • 澳大利亚：Hymap、ARIES、TIPS（100个热波段）
• 中国：MAIS、PHI、OMIS-1（10个热波段）、 CMODIS（神舟III号） 、Env-DD（环境灾害小卫星）
中国128波段航空成像光谱仪（OMIS1）
美国220波段卫星成像光谱仪（Hyperio n）
Three EOS Morning Satellites Current Alignment
411nm-1019nm, 17米, 18波段, 水质遥感 442nm-1019nm, 17米, 18波段, 陆地遥感 489nm-792nm, 17米, 18波段, 植被遥感
442nm-1019nm, 17米, 37波段, 陆地遥感
光谱范围:0.4－1.05 m ； 光谱分辨率：6－33nm； 扫描带宽：13km； 平台高度：695km； 空间分辨率17米/34米
• 加拿大： CASI
• 德国：ROSIS • 法国：IMS • 芬兰：AISA • 日本：GLI
波段数 244
波段数 128
HYMAP主要性能指标
光谱范围（um）
0.45 ~0.89 0.89 ~1.35 1.40 ~1.80 1.95 ~2.48
高光谱遥感第四章
第四章 光谱特征分析模型与方法
1、光谱可分性准则 - 各类样本间的平均距离
Jd
c 1 c 1 P ( P ( i j 2 i 1 Ni N j j 1 xi wi x j w j
D( x , x
i
j
)))
C 类别数 N i - wi 类中样本数 N j w j 类中样本数 P i , Pj 相应类别的先验概率 D ( xi , x j ) 样本xi 与x j 之间的距离
第四章 光谱特征分析模型与方法
4、光谱特征参量化
光谱形态学分析－－－光谱特征参量化
（1）光谱斜率和坡向 （2）光谱二值编码 （3）光谱导数 （4）光谱积分 （5）光谱吸收指数（吸收位置、吸收深度、吸收宽度、对 称性） （6）光谱曲线函数模拟
第四章 光谱特征分析模型与方法
4、光谱特征参量化
（1）光谱斜率和坡向
第四章 光谱特征分析模型与方法
1. 2. 3. 4. 5. 光谱可分性准则 光谱特征选择 光谱特征提取 光谱特征参量化 地物类型序列光谱柱状图
第四章 光谱特征分析模型与方法
1、光谱可分性准则
– – – 各类样本间的平均距离 类别间的相对距离 离散度
–
Jeffries-Matusita(J-M)距离
- 光谱空间距离统计
第四章 光谱特征分析模型与方法
2、光谱特征选择
光谱特征选择策略
①单独选择法 根据各个独立特征的可分性大小排序。 ② 扩充最优特征子集 计算每个特征对所有类别的可分性，每增加一个 新 特征，其组合均构成最优特征子集。 ③根据分类贡献度进行由大到小的特征添加 计算对最难分的类对的可分性大小，每增加一个新特 征，其组合均构成最优特征子集。
高光谱特征参量和光谱库
40
基于光谱库旳光谱匹配技术：
（1）二值编码匹配
高岭土与明矾石旳成像光谱图像数据编码匹配时，只 需要将二值编码光谱数据库内感爱好旳二值编码向量 （已知）同未知旳高光谱二值编码图（像元）匹配并 计算匹配系数。人们根据匹配系数旳大小来拟定和提 取位置图像上感爱好旳地物信息。
光谱吸收特征分析输入参数界面
干草清除包络线前后旳光谱曲线
38
6.3 基于光谱库旳光谱匹配
在成像光谱图像处理中，光谱匹配技术是成像 光谱地物辨认旳关键技术之一。
所谓光谱匹配是经过研究两个光谱曲线旳相同 度来判断地物旳归属类别。它是由已知地物类 型旳反射光谱，经过波形或特征匹配比较来到 达辨认地物类型旳目旳。
在建库模块中，顾客能够重命名地物光谱曲线名 称，能够添加、删除、显示任意条光谱曲线，并 实现数据库文件和ASCII码文件两种格式旳保存。
36
光谱库建库模块界面以及几种功能菜单
在光谱重采样模块，提供了顾客自定义 滤波重采样、数据滤波重采样、传感器 滤据旳特点，系统提供了光谱 特征分析旳功能：如光谱吸收特征分析、 包络线清除等。而且在高光谱影像上点击 显示图像像素旳光谱曲线图。
20
6）光谱积分
21
7）光谱曲线模拟
经典旳地物具有经典旳波形形态，为了精 确旳描述、拟定光谱曲线旳特点，我们能 够将整条光谱曲线或者是曲线中旳某一段 用一种数学函数来体现出来，这就称为是 光谱曲线模拟。
以植被旳曲线模拟为例：分为两个阶段旳 模拟，500~680可见光以及670~780红边
22
h(n)=0, if x(n)<=T;
h(n)=1,if x(n)>=T; 其中x(n)是像元第n通道旳亮度值，h(n)是其编码，T是 选定旳门限制，一般选为光谱旳平均亮度，这么每个 像元灰度值变为1bit，像元光谱变为一种与波段数长度 相同旳编码序列。
高光谱 大数据特征 -回复
高光谱大数据特征-回复高光谱大数据特征：探索未知领域的宝藏引言：在信息时代的浪潮中，数据被视为现代社会的石油，而大数据则是这一宝藏的代表。
而在大数据中，高光谱数据特征则是其中的一颗璀璨明珠。
本文将为您详细介绍高光谱大数据特征，从什么是高光谱、高光谱大数据的特征以及如何利用高光谱大数据探索未知领域等方面展开论述。
第一部分：什么是高光谱高光谱，简而言之，是一种用于获取物体各个频带反射光谱信息的技术。
光谱可视为物体对不同波长光的不同反射率的测量，在高光谱成像中，多个连续的波长带被用来记录物体的反射率。
这些反射率值组成了高光谱图像，通常被表示为一个数值矩阵。
第二部分：高光谱大数据特征1. 高维性：高光谱数据特征相对于其他传统的数据特征来说，具有更高的维度。
传统的数据特征通常包括形状、颜色、纹理等有限的特征，而高光谱数据特征则可以提取出数百个甚至上千个频段的反射率数据，使得数据的维度大大增加。
2. 多样性：高光谱大数据特征不仅可以在空间上进行采集，还可以同时捕捉不同频谱范围内的信息。
这使得高光谱数据在地质勘探、农业、环境监测等领域具有广泛的应用。
3. 时空关联性：高光谱大数据特征可以捕捉到物体的时空关联变化。
通过对不同时间和空间的高光谱数据进行分析，可以揭示出物体在不同状态下的信息变化，帮助进行预测和决策。
第三部分：利用高光谱大数据探索未知领域1. 地质勘探领域：高光谱大数据特征在地质勘探领域具有重要意义。
通过分析高光谱数据，可以发现地下的矿产资源、石油、天然气等。
高光谱数据的多样性和高维性使得地质勘探人员可以更加精准地确定勘探点，显著提高勘探效率。
2. 农业领域：高光谱大数据特征在农业领域的应用也是非常广泛的。
通过提取植物叶片的高光谱数据，可以获取有关植物的生长状况、叶片养分含量等重要信息。
这些信息可以帮助农业人员进行农作物的施肥和灌溉，提高农作物的产量和质量。
3. 环境监测领域：高光谱大数据特征在环境监测领域也具有重要意义。
什么是高光谱
什么是高光谱第一篇：什么是高光谱什么是高光谱,多光谱,超光谱作者：felles 提交日期：2010-4-26 8:16:00 | 分类:高光谱 | 访问量：196到底什么是高光谱，多光谱和超光谱技术2009-11-18 13:53多光谱，高光谱和高光谱技术都被称为成像光谱技术，在遥感和其他科研领域具有举足轻重的作用。
多年来，我一直对这种技术理解不深，很多人说什么多光谱，甚至是超光谱，多光谱技术实际上是高光谱技术的原始阶段，几乎被淘汰了。
而有些人说的超光谱实际上还在美国研发，根本没有进入到市面上，也就说诸多同仁对成像光谱技术也是糊里糊涂。
今日，我在一个网站上发现了对这种技术的解释成像光谱技术（高光谱成像技术）基础Imaging Spectrometer Fundamentals说明：1.下文所属的成像光谱仪又叫高光谱成像系统，而且同一个概念。
2.该资料为天津菲林斯光电仪器公司编写，仅作成像光谱技术的内部交流之用，禁止一切形式的侵权传播或引用行为。
一．技术历史背景在现代科研过程中, 多数情况下必须对空间不均匀样品的分布特性加以分析和确认，使用传统的光谱仪仅仅能够以聚焦的镜头扫描样品或者获得整个样品的平均特性，这种光谱和空间信息不可兼得的局限性促使高光谱成像技术（Hyperspectral Imaging）应用而生。
早在20世纪60年代（1960s）人造地球卫星围绕地球获取地球的图片资料时，成像就成为研究地球的有利工具。
在传统的成像技术中，人们就知道黑白图像的灰度级别代表了光学特性的差异因而可用于辨别不同的材料，在此基础上，成像技术有了更高的发展，对地球成像时，选择一些颜色的滤波片成像对于提高对特殊农作物、研究大气、海洋、土壤等的辨别能力大有裨益。
这就是人类最早的多光谱技术（Multispectral imaging）它最早出现在LandSat卫星上。
这些最早的星载图像传感器（例如，LandSat卫星上的Thematic Mapper和法国SPOT卫星上的相机）以离散的几种颜色（或者几个波段）对地球成像，就是人们常说的多光谱成像。
高光谱参数
高光谱参数是遥感领域中一个重要的概念，它涉及到对地物光谱特性的测量和分析。
高光谱参数通常用于描述地物在特定波段范围内的光谱响应，这些参数可以提供关于地物类型、表面特征、内部结构等方面的信息。
高光谱参数通常包括反射率、发射率、辐射传输系数等。
其中，反射率是地物表面反射太阳辐射的能力，可以反映地物的颜色和纹理；发射率是地物表面发射红外辐射的能力，可以反映地物的温度和热辐射特性；辐射传输系数则是地物表面反射和吸收辐射的能力的综合体现，可以反映地物的透光性和反光性。
高光谱参数的应用非常广泛，例如在农业、林业、环境监测、城市规划、地质调查等领域都有广泛的应用。
例如，在农业领域中，可以利用高光谱参数来监测作物的生长状况、病虫害情况等；在林业领域中，可以利用高光谱参数来监测森林的健康状况、树种分布等；在环境监测领域中，可以利用高光谱参数来监测空气质量、水质污染等。
总之，高光谱参数是遥感领域中一个重要的概念，它涉及到对地物光谱特性的测量和分析。
通过获取和分析高光谱参数，我们可以更加深入地了解地物的性质和特征，为相关领域的研究和应用提供有力的支持。
高光谱遥感复习资料汇总
一、高光谱概述1. 高光谱遥感定义、特点和存储方式定义：用很窄而连续的光谱通道对地物持续遥感成像的技术。
特点：在可见光到短波红外波段，其光谱分辨率高达纳米数量级。
波段多波段多、光谱范围窄、波段连续、数据量大、信息冗余增加等。
存储方式：有影像立方体和光谱反射曲线。
2. 高光谱应用（1）海洋遥感（2）植被分析：植被类型识别、森林树种识别、荒漠化研究、生物物理生物化学参数分析（3）精细农业：水分含量、有机质含量、土壤粗糙度、农作物生长状态分析、病虫害预警（4）地质调查（5）大气和环境监测（6）军事-去除伪装3.高光谱数据处理的关键技术：①光谱图像的显示及数据格式②光谱重建：实现从影像像元光谱特征的定量化表达。
③光谱编码：对光谱特征进行描述和表达；提取光谱吸收位置、深度、对称性等光谱特征的算法。
④光谱匹配：建立实测光谱数据库的基础上，对影像中各像元的灰度变化曲线与光谱库中的实测光谱曲线进行匹配，实现类属的确定。
⑤混合光谱分析⑥生物物理化学反演：从高光谱数据中提取出用于植被和生态研究的生物物理和生物化学参数信息的技术。
二、地物光谱特征1. 水的光谱特征(1)基本特征：水体在可见光波段反射率不超过10%，反射主要在蓝绿光波段，在红外波段水体反射率几乎为零，在遥感影像上常呈黑色。
(2)波谱特征：①水体类型及所含成份有密切关系悬浮泥沙：悬浮泥沙所引起的混浊度是影响水体光谱特征的主要因素之一。
浊水反射率比清水高很多，峰值出现在黄红区。
叶绿素浓度：叶绿素浓度增加时，蓝光反射率显著下降，绿光反射率显著上升。
②不同形态的水具由不同的光谱特征雪的反射率明显高于水体，且受到雪粒大小、雪花絮状形态、积雪松紧程度影响。
2. 植被光谱特征(1)基本特征可见光波段有一个小的反射峰，两侧有两个吸收带，近红外波段有一反射“陡坡”，至1.1μm附近有一峰值，形成植被的独有特征。
在中红外波段受到绿色植物含水量的影响，吸收率大增，反射率下降，特别是在水的吸收带形成低谷。
高光谱检测技术PPT课件
定性分析常用的方法
• 聚类分析是典型的无监督模式识别方法, 利用同类样本 彼此相似, 即物以类聚 , 聚类分析就是使相似的样本聚 在一起, 从而达到分类的目的
• 另一种常用方法是Mahananobis距离, 其核心是通过多波 长下的光谱数据, 定量描述出测量样本离校正集样本的 位置, 因而在光谱匹配、异常点检测和模型外推方面都 很有用。
第12页/共56页
对称伸缩振动---非对称伸缩振动---摇摆振动---摇摆振动 ---弯曲振动---剪切振动
第13页/共56页
三、 近红外光谱的常见分析方法
透射光光谱法
反射光谱法
第14页/共56页
可用于 定性和
定量 分析
透射光谱法就是把待测样品置于作用光与检测器之间，检 测器所检测到的分析光是作用光通过样品体与样品分子相互 作用后的光，若样品是透明的真溶液，则分析光在样品中经 过的路程一定，透射光的强度与样品组分浓度由比耳定律决 定。
第25页/共56页
（2）植物油品质分析中的应用
• 1994 年Sato采用近红 外光谱技术鉴别大豆 、玉米、棉籽、橄榄 、花生及油菜等植物 油种类。
• 陈永明等结合遗传算 法建立了不同产地的 橄榄油近红外分析模 型, 可以快速、无损地 鉴别出未知产地的橄 榄油, 将为其他植物油 产地鉴别提供了一种 便捷手段。
第3页/共56页
2. 光散射的定义及物理解释
光的散射定义: 指由于媒质中存在的气体，液体或固体的微小粒子对光
束的影响，使光波偏离原来的传播方向而向四周散射的现 象
物理解释：
A: 强调粒子概念－－分子场吸收一个光子的 同时，发射一 个光子（拉曼散射）
B: 强调波动概念－－由于物质密度的起伏光被散 射瑞利散射）
《ENVI高光谱分析》课件
光谱分辨率高：能够获取 更精细的光谱信息
信息量大：能够获取更多 的地物信息
应用广泛：适用于多种地 物类型的识别和分类
技术难度大：需要专业的 数据处理和分析技术
农业：监测作物生长状况，评估土壤肥力 环境监测：监测大气污染、水质污染、土地利用变化 地质勘探：寻找矿产资源，评估地质灾害风险 城市规划：评估城市环境质量，规划城市发展 军事侦察：监测军事设施，评估军事活动影响 医疗健康：监测人体生理状况，评估疾病风险
目的：提高图像质量，去除噪 声和干扰
方法：使用图像融合算法，如 PCA、ICA等
步骤：选择合适的融合算法， 进行图像融合和裁剪
注意事项：保持图像的完整性 和清晰度，避免过度裁剪和融 合
噪声去除方法：滤波、平滑、降噪算法等 图像增强方法：对比度增强、亮度增强、色彩增强等 预处理步骤：数据读取、数据清洗、数据转换等 预处理工具：ENVI、Matlab、Python等
网络等
训练样本选取： 选择具有代表 性的样本作为 训练集，确保 样本多样性和
代表性
样本预处理： 对训练样本进 行归一化、标 准化等预处理， 以提高分类效
果
模型训练：使 用训练样本训 练分类器，调 整参数以优化
分类效果
模型评估：使 用测试样本评 估分类器的性 能，如准确率、 召回率、F1值
等
模型优化：根 据评估结果对 分类器进行优 化，以提高分
数据检查：检查数据是否完整、正 确，如有问题进行修复
添加标题
添加标题
添加标题
添加标题
格式转换：将数据转换为ENVI支 持的格式，如.hdr、.img等
数据预处理：对数据进行平滑、滤 波、去噪等操作，提高数据质量
辐射定标：将传感器接收到的辐射信号转换为物理量 大气校正：消除大气对辐射信号的影响 辐射定标方法：绝对定标、相对定标、光谱定标等 大气校正方法：暗像元法、辐射传输模型法等 辐射定标与大气校正的重要性：提高高光谱数据的准确性和可靠性
第五讲高光谱遥感讲义(张兵)
ZB/HRS/IRSA/CAS 2005
5.3 遥感图像分类概述
遥感图像监督分类处理的一般流程：
确定分类 类别 选择特征 提取训练 数据 测算总体 的统计量 分类 检验结果
遥感图像非监督分类处理的一般流程：
选择特征
确定类别数 与先验值
测算总体 统计量
分类
确定分类 类别
检验结果
ZB/HRS/IRSA/CAS 2005
B
A D
C
ZB/HRS/IRSA/CAS 2005
5.2 线性光谱解混
其它方面应用：
（1）混合光谱法图像反射率转换
b + kL
j
=
∑
C
i=1
f i, j ρ
i
+ E
j
（2）混合光谱分解地物分类 端元面积比 （3）端元投影变换用于目标探测
A 波 段 j
像元相似度比
求投影向量u,使
F E
τ=
B
D
abs (u T ( x − m)) u T Eu
5.3 遥感图像分类概述
从光谱图像的角度来说，遥感图像分类的效果取决于四个因素： （1）类别的可分性：非人为影响下的原始地物波段具有可分性是 遥感图像分类的前提条件； （2）图像像元波段空间的维数：一般来讲，在图像波段信噪比达 到一定要求的情况下，光谱波段越多，越有利于分类； （3）训练样本的数量：训练样本的数量越大，地物的训练特征越 全面和具有代表性，因此有利于分类； （4）分类器类型和分类方案。
ZB/HRS/IRSA/CAS 2005
5.1 混合光谱模型
(2) 基于辐射通量密度理论的植被、土壤光谱混合模型
叶面的平均叶面辐通量 B1 、叶背面的辐通量 B2 和地面辐通量 B3 ,
第八讲高光谱遥感讲义(张兵)
ZB/HRS/IRSA/CAS 2005
7
散射系数（m-1） 吸收系数（m-1）
9.3 水体固有光学量 纯水的吸收和散射光谱
0.007
3
0.006
2.5
0.005
b
a
2
0.004
1.5 0.003
1 0.002
0.001
0.5
0
0
400 450 500 550 600 650 700 750 800
a = a(w) + a( ph) + a(cdom) + a(t)
b = b(w) + b( ph) + b(t) = b(w) + b(s)
bb
=
bb w
+
~ bbs
bs
单位固其有中光，学bbw量为（水S体IO后P)向来散表射示系水数体，总b~的bs 为吸悬收浮系物数后和向后散向射散比射例系系数数。；四分量的
ZB/HRS/IRSA/CAS 2005
9.1 内陆水质遥感概述
内陆水质遥感监测的常用方法
• 经验方法：建立遥感数据与地面监测的水质参数值之间的统计关系来外 推水质参数值，水质参数与遥感数据之间关系缺乏依据，水质遥感初期 的宽波段数据多采用这种方法。
• 半经验方法：在已知的水质参数光谱特征的条件下，利用最佳的波段或 波段组合数据与实测水质参数值之间的统计关系进行水质参数估算。得 到的模型只适用于当时的条件，对于不同季节和地域的水质参数估算需 要进行参数矫正，该方法目前最为常用。
航空/航天 遥感器
太阳光在 大气中散射
天空光 水面反射
来自水面以下 的离水辐射
太阳直射光 水面反射