专题六高光谱数据介绍
对高光谱遥感数据的分析与处理
对高光谱遥感数据的分析与处理姓名：张俊飞班级：021051学号：02105058E-mail：jeffei@时间：2013年4月25日对高光谱遥感数据的分析与处理一、高光谱成像介绍高光谱成像技术是近二十年来发展起来的基于非常多窄波段的影像数据技术，其最突出的应用是遥感探测领域，并在越来越多的民用领域有着更大的应用前景。
高光谱成像技术集中了光学、光电子学、电子学、信息处理、计算机科学等领域的先进技术，是传统的二维成像技术和光谱技术有机的结合在一起的一门新兴技术。
近几年年来，自然灾害频发，所以，及时、准确的灾情评估对决策部门制定科学和有效的救灾减灾方案具有关键性的作用。
遥感具有数据获取范围广、速度快等特点，应用在灾害评估中具有非常大的优势和潜力。
在我国近年来的多次重大自然灾害评估中，遥感技术都发挥了极其重要的作用。
遥感技术的应用不止于此。
下面列举了主要的应用方面：1.气象：天气预报、全球气候演变研究；2.农业：作物估产、作物长势及病虫害预报；3.林业：调查森林资源、监测森林火灾和病虫害；4.水文与海洋：水资源调查、水资源动态研究、冰雪监控、海洋渔业；5.国土资源：国土资源调查、规划和政府决策；6.环境监测：水污染、海洋油污染、大气污染、固体垃圾等及其预报；7.测绘：航空摄影测量测绘地形图、编制各种类型的专题地图和影像地图；8.地理信息系统：基础数据、更新数据。
虽然拥有诸多优点，但其本身带有很大的数据，对硬件和软件有很高的要求，本文中，先不对硬件进行讨论，就软件方面，对数据进行一系列处理，做到既不丢失其主要数据，又能降低其时空复杂度。
二、PCA理论基础对测试数据库说明如下：AVIRIS高光谱数据92AV3C：该场景由AVIRIS传感器于1992年6月获得，该数据为145*145大小，有220个波段。
该数据及真实标记图可以由因特网下载：http://www.ehu.es/ccwintco/index.php/Hyperspectral_Remote_Sensing_Scenes。
高光谱背景知识介绍
高光谱背景知识介绍一光谱怎么作用:组成物质的分子、原子的种类及其排列方式决定了该物质区别于其它物质的本质特征。
当电磁波入射到物质表面，物质内部的电子跃迁，原子、分子的震动、转动等作用使物质在特定的波长形成特有的吸收和反射特征，根据这个吸收或者反射的光谱，就可以反映出物质的组成成分与结构的差异。
不同的物质，光谱不同，特定的物质有特定的光谱，这是研究的方向，也是得出结论的根据。
二高光谱遥感：概念：所谓高光谱遥感，即高光谱分辨率遥感，指利用很多很窄的电磁波波段（通常<10nm）从感兴趣的物体获取有关数据。
高光谱图像是由成像光谱仪获取的，成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，产生一条完整而连续的光谱曲线。
它使本来在宽波段遥感中不可探测的物质，在高光谱中能被探测。
特点：高光谱遥感具有以下特点：⑴波段多。
成像光谱仪在可见光和近红外光谱区内有数十甚至数百个波段。
⑵光谱分辨率高。
成像光谱仪采样的间隔小，一般为10nm 左右。
精细的光谱分辨率反映了地物光谱的细微特征。
⑶数据量大。
随着波段数的增加，数据量呈指数增加。
⑷信息冗余增加。
由于相邻波段的相关性高，信息冗余度增加。
⑸可提供空间域信息和光谱域信息，即“图谱合一”，并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。
高光谱数据可表示为高光谱数据立方体，是三维数据结构。
高光谱数据可视为三维图像，在普通二维图像之外又多了一维光谱信息。
其空间图像为描述地表二维空间特征，其光谱维揭示了图像每一像元的光谱曲线特征，由此实现了遥感数据图像维与光谱维信息的有机融合。
(1)空间图像维：在空间图像维，高光谱数据与一般的图像相似。
(2)光谱维：从高光谱图像的每一个像元中可获得一个“连续”的光谱曲线。
采用基于光谱数据库的“光、谱匹配”技术，可以实现识别地物的目的。
同时大多数地物都具有典型的光谱波形特征，尤其是光谱吸收特征。
这些特征与地物的化学成分是密切相关的。
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 ，我认为从专业角度来说，他们说的还比较靠谱。
对于科研确实有一定的帮助。
我在这里吧相关资料拷贝过来供大家欣赏。
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。
高光谱图像简介
高光谱遥感是指利用很多很窄的电磁波波段从感兴趣的物体中获取有关数据，高光谱遥感技术作为20世纪80年代兴起的对地观测技术，始于成像光谱仪的研究计划。
目前，我国研制的224波段的推扫高光谱成像仪（PHI）与128波段的实用型模块化机载成像光谱仪（OMIS）已经进行了多次成功的航空遥感实验。
另外，中国科学院上海技术物理研究所研制的中分辨率成像光谱仪于2002年随“神州”三号飞船发射升空，这是继美国1999年发射的EOS平台之后第二次将中分辨率成像光谱仪发送上太空，从而使中国成为世界上第二个拥有航天成像光谱仪的国家。
高光谱遥感图像和常见的二维图像不同之处在于，它在二维图像信息的基础上添加光谱维，进而形成三维的坐标空间。
如果把成像光谱图像的每个波段数据都看成是一个层面，将成像光谱数据整体表达到该坐标空间，就会形成一个拥有多个层面、按波段顺序叠合构成的三维数据立方体。
高光谱遥感具有不同于传统遥感的新特点：（1）波段多——可以为每个像元提供几十、数百甚至上千个波段（2）光谱范围窄——波段范围一般小于10nm（3）波段连续——有些传感器可以再350~2500nm的太阳光谱范围内提供几乎连续的地物光谱（4）数据量大——随着波段数的增加，数据量呈指数增加（5）相邻谱带间相关——由于相邻谱带间高度相关，冗余信息也相对增加，这一特点也为其降维处理（包括波段选择、特征提取等）和谱间压缩提供可能（6）随着维数的增加，超立方体的体积集中于角端，超球体和椭球体的体积集中在外壳，该特点进一步为高光谱图像的降维和压缩处理提供了理论依据。
根据高光谱图像的特点及其相关技术处理的需要，高光谱数据与其所携带的信息一般采用如下的三种空间表达方式：图像空间、光谱空间和特征空间。
1、图像空间（有空间几何位置关系）2、光谱空间，光谱信息3、特征空间（在光谱空间进行取样，将得到的n个数据用一个n维向量来表示，它是表示光谱响应的另一种方式。
N维向量包含了对应像素的全部光谱信息。
高光谱笔记摘要
4.4.3一条光谱曲线的吸收特征可由光谱吸收谷点和两个肩部组成，肩部的连线就是非吸收基线。
光谱吸收参数SAI实际上是光谱深度的另一种度量方式,可称为相对吸收深度。
SAI=ρ/ρm,它用谱带谷底的光谱强度对吸收深度进行归一化，避免了照度等变化带来的影响，增强了对地物的识别能力。
SAI可以转化为单散射反射率的函数，对光谱识别和光谱混合分析有重要的意义，因为平均单散射反射率是依赖与成分含量不同而线性混合，可以通过线性模型反演得到。
同时了解吸收位置，吸收深度，吸收宽度（深度一半处的宽度），吸收对称性（吸收位置垂线右左区域面积之比的常用对数）等概念。
4.4.4光谱导数将增强光谱曲线在坡度变化上的细微变化。
光谱导数波形分析可以消除部分大气效应。
还具有可能消除植被光谱中土壤的影响，反映植被的本质特征等优越性。
4.4.5光谱积分：即光谱曲线在某一波长范围的下覆面积。
4.4.6用数学函数来表达光谱曲线或其部分的波形形态。
是通过数学函数对各孤立光谱点的模拟，可以同时起到光滑和去噪的作用。
植被光谱的数学模拟分为两段：1.500~680n m波段为植被可见光光谱反射率模型（VSSR）2.植被倒高斯模型（IG），用于定量分析红边特性（红边是指绿色植物在680~780nm反射率增加最快的点，其描述包括位置和斜率）。
模型参数获取方式有最佳迭代拟合和线性拟合。
4.5.1地物类型序列提出地物类型序列概念的目的是将具有相似光谱曲线的地物重新归类。
达到精确识别地物的目的。
4.5.2 光谱柱状图同一地物类型序列内的不同地物的原始光谱曲线非常相近，需要放大它们之间的差异。
得到增强的光谱反射率特征增强的矩阵，作为HIS彩色空间中的饱和度S，经过彩色空间的反变换，得到光谱柱状图，其横坐标代表波长，由不同的颜色表示，而颜色饱和度反映光谱反射率的高低。
这相当于对地物识别的条形码。
5.1.1 遥感图像分类的概念遥感图像分类是以区别图像中所含的多个目标物为目的，对每个像元或者比较均质的像元组给出对应其特征的名称。
专题高光谱数据的处理与分析
的结果 • 分类后处理
5.4 向导式目标识别——沙漏分析工具
• 向导式波谱分析工具 - 影像亮度值定标为反射率 - 最小噪声分离（MNF） - 纯净像元指数（PPI） - N维散度分析 - 选择终端单元 - 地物制图（地物识别）
• 林木健康分析工具 - 创建整个森林区域健康程度的空间分布图 - 用于检测病虫害以及枯萎病的发生情况，也可以用于评估某 地区的木材收获量 - 绿度：表面绿色植被的分布； - 叶绿素：标识类胡萝卜素以及花青素的含量； - 冠层水分含量：标识水分含量； - 光使用效率：标识森林生长率；
6.2 植被分析（五、植被抑制）
6.2 植被分析（二、农作物胁迫分析）
• 农作物胁迫Agricultural Stress - 创建农作物胁迫的空间分布图 - 判断出适合农作物生长的区域，可用于精确农业分析； - 绿度：来标识闲置农田、虚弱的植被、健康的作物； - 光利用效率：标识植被生长率； - 冠层氮含量：用于估计相关的氮等级； - 叶绿素：突出植被胁迫； - 冠层水分含量：标识水胁迫的层次。
Apparent Reflectance
MNF PPI n-D ID
流程化操作进行地物识别
Map Distribution and Abundance
6、植被分析
6.1 植被指数计算器
• 提供了6类 27种植被指数的计算 - 绿度 Greenness - 光利用率 Light Use Efficiency -氮 - 干旱或炭衰减Dry or Senescent Carbon - Stress Pigments - 冠层水分含量Canopy Water Content
高光谱数据的制图方法简介
高光谱数据的制图方法简介ENVI软件在Spectral菜单中提供许多波谱制图方法，包括：二进制编码、波谱角制图、线性波段预测(LS-Fit)、线性波谱分匹配滤波、混合调制匹配滤波、包络线去除，以及波谱特征拟合等。
本文主要介绍几种高光谱数据处理的过程操作。
1.二进制编码二进制编码分类技术根据波段值落在波谱均值的下方或上方，将数据和端元分别编码为0和1。
在编码过程中，使用一个高级的（exclusive）OR函数，用于将需要编码的数据波谱与参照波谱相比较，从而生成一幅分类图像。
选择菜单栏Spectral—Mapping Methods—Binary Encoding。
在打开的窗口设置参数如下：图1-1 二进制编码分类参数设置注意：“OutputRuleImages”切换按钮被设置为“No”，规则图像将不被保存。
分类结束后，规则图像将出现在可用波段列表中，可以在任何显示窗口中显示（或链接/覆盖），并可以使用ENVI的像元位置/值功能进行查询。
结果显示如图1-2：图1-2 原影像图（左）与二进制编码分类结果图（右）2. 波谱角分类波谱角分类(SAM)是一种基于自身的波谱分类方法，这种方法将图像波谱与参照波谱在N-维空间进行匹配。
SAM用到的参照端元波谱可以来自于ASCII文件、波谱库、统计文件或直接从图像中抽取（如ROI均值波谱），本实验中用的是ROI均值波谱。
SAM把端元波谱（被认为是一个N维向量，N维波段数）和像元向量放在n维空间中进行角度比较。
较小的角度代表象元与参照波谱匹配紧密。
这一技术用于数据定标时，对照度和反照率的影响并不敏感。
选择菜单栏Spectral—Mapping Methods—Spectral Angle Mapper。
设置参数如图2-1，波谱角分类结果，如图2-2：图2-1 波谱角分类参数设置图2-2 波谱角分类结果影像3.LS-Fit(线性波段预测)LS-Fit使用一个最小方框（least squares）拟合技术来进行线性波段预测。
高光谱数据划分训练集、验证集、测试集
高光谱数据划分训练集、验证集、测试集高光谱数据是指在一定波段范围内对物体进行频谱连续采样的数据。
它记录了物体在不同波段下的光谱特征，可以用于识别、分类、检测等多种应用。
为了有效地利用高光谱数据，我们通常需要将其划分为训练集、验证集和测试集三个部分。
在划分高光谱数据集时，我们需要考虑以下几个因素：1.数据来源：高光谱数据可以通过航空、遥感等多种方式获取。
根据数据的来源，我们可能需要将不同区域、不同时间段的数据进行划分。
2.样本分布：在划分数据集时，我们需要确保训练集、验证集和测试集中的样本分布相对均衡。
这样可以更好地反映真实世界的数据分布，提高模型的泛化能力。
3.样本数量：划分数据集的时候，我们需要保证训练集具有足够的样本数量，以便模型可以充分学习数据的特征。
同时，验证集和测试集的样本数量也需要足够多，以验证模型的性能和泛化能力。
下面是一种常用的划分高光谱数据集的方法：1.数据预处理：在划分数据集之前，我们需要对高光谱数据进行预处理，包括去除异常值、标准化、降维等操作。
这样可以消除数据中的噪声和冗余信息，提高数据的质量和可用性。
2.划分训练集、验证集和测试集：一般情况下，我们可以将高光谱数据随机划分为训练集、验证集和测试集三个部分。
其中，训练集用于模型的训练和参数优化，验证集用于模型的调参和性能评估，测试集用于评估模型的泛化能力和预测效果。
3.划分比例：在划分数据集时，我们需要确定每个部分的样本比例。
一种常用的划分比例是将数据集划分为训练集（70%）、验证集（15%）和测试集（15%）。
可以根据实际需求进行调整，但需要确保训练集的样本比例较高，以保证模型的学习能力。
4.随机性：在划分数据集时，我们需要使用随机抽样的方法，以避免样本的顺序对结果产生影响。
通过随机抽样，可以保证每个部分中的样本具有较好的代表性，进而提高模型的泛化能力。
5.交叉验证：为了更加准确地评估模型的性能和泛化能力，我们还可以使用交叉验证的方法。
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。
专题六：高光谱数据介绍
光谱库
• ENVI中 的相关应用-标准波谱库： *.sli ,*.hdr
高光谱图像
• 对地物进行多波段成像所得到的一组二 维图像，每个波段对应的一个二维图像。 • 高光谱图像与自然图像的区别在于多了 一维光谱信息。
• 图像立方体 Spectral>Build 3D Cube
光谱空间及光谱角
• 光谱曲线图是区分不同地物的 主要方法 • 区分大量光谱时，需要用光谱 空间来表述。 • 以n=2为例，光谱向量（右图） • 多维光谱空间在可视化绘图是 困难的，数学构建上是可能的。 • 光谱间的相似性可以通过光谱 向量间的角度来判断——光谱 角。
光谱端元
将相关性很小的图像波段，如PCA、MNF 的前两个波段，作为X,Y构成二维散点图。 在理想状态下，根据线性混合模型数学描 述，三角形顶端为纯净像元。
在实际选择中，往往选择凸出部分，再获 取这个区域相应的平均波谱。
主要流程
• • • • 查看高光谱图像 打开常见图谱库 端元波谱提取（MNF） 高光谱分类—波谱角（SAM）
专题六：高光谱遥感 hyperspectral remote sensing
遥感的发展趋势
• 平台、传感器——数据
– 高（空间）分辨率 – 高光谱 – 高时间、高辐射 – 遥感反演 – 面向对象 – 光谱端元
• 信息处理方法
“天地一体化”
• 应用方面
– 实用化、商业化、国际化、一体化
背景
• 随着对地观测技术的迅速发展，图像的光谱 分辨率、空间分辨率和时间分辨率有了较显 著的提高，高光谱和高空间分辨率图像得到 了越来越多的应用。 • 精细的观测地物——地物的识别，地物的成 分信息
• 高光谱图像由成像光谱仪产生 • 测谱学和遥感成像技术的融合。
高光谱
envi高级多光谱/高光谱影像分析由于高光谱数据不多，运行过程较长，不适合做教学，而且ENVI中的很多高光谱数据处理功能适用于多光谱数据，故以多光谱数据为例。
1)MNF：最小噪声分离²MNF结束后的显示结果为：1、2、3波段组合后影像，可以看到影像很细腻，几乎看不到噪声；²动态显示6个波段，进行对比，可以看出从1到6波段，噪声越来越多，有用信息越来越少。
此处可以调节速度、显示顺序等。
²波段能量变化直方图：可以看出，1波段到2波段能量变化是最快的，2到3、3到4次之，4到5到6，能量变化最缓，而后面几个波段的能量值也很小，所名有用信息较少，噪声较多。
2)PPI：像元纯净指数²Number of PPI Iterations：迭代次数；²PPI Threshold Value：PPI阈值；²PPI Maximum Memory use：PPI内存使用设置；²可以看到迭代次数和迭代变化，曲线越来越光滑，值越大表示像元越纯净。
²将结果引入N维散度可视分析界面，可以看出，系统自动进行样本提纯的结果，此处系统提出了4类样本，可以看到还有其他一小团集结的很好，可以将其提出作为新的样本，这样将所有样本作为感兴趣区进行导出，共5类感兴趣区。
3)SAM：波谱角分类²对原始影像进行波谱角分类，显示分类结果，可以看到分类结果很好。
4)进行最小噪声分离变换最小噪声分离（Minimum Noise Fraction，MNF）变换是同主分量变换相似的一种方法，它被用来分离数据中的噪声，确定数据内在的维数，减少随后处理的计算量（Green 等人，1988；Boardman和Kruse，1994）。
对于高光谱影像数据（至少为多光谱影像数据），MNF变换将把数据空间分为两部分：一部分为大的特征值和相干特征影像；另一部分为近似为1的特征值和噪声占主导地位的影像。
高光谱,多光谱及超光谱
1、光谱分辨率光谱分辨率spectral resolution定义1：遥感器能分辨的最小波长间隔，是遥感器的性能指标。
遥感器的波段划分得越细，光谱的分辨率就越高，遥感影像区分不同地物的能力越强。
定义2：多光谱遥感器接收目标辐射信号时所能分辨的最小波长间隔。
光谱分辨率指成像的波段范围，分得愈细，波段愈多，光谱分辨率就愈高，现在的技术可以达到5~6nm（纳米）量级，400多个波段。
细分光谱可以提高自动区分和识别目标性质和组成成分的能力。
传感器的波谱范围，一般来说识别某种波谱的范围窄，则相应光谱分辨率高。
举个例子：可以分辨红外、红橙黄绿青蓝紫紫外的传感器的光谱分辨率就比只能分辨红绿蓝的传感器的光谱分辨率高。
一般来说，传感器的波段数越多波段宽度越窄，地面物体的信息越容易区分和识别，针对性越强。
2、什么是高光谱，多光谱及超光谱高光谱成像是新一代光电检测技术，兴起于2O世纪8O年代，目前仍在迅猛发展巾。
高光谱成像是相对多光谱成像而言，通过高光谱成像方法获得的高光谱图像与通过多光谱成像获取的多光谱图像相比具有更丰富的图像和光谱信息。
如果根据传感器的光谱分辨率对光谱成像技术进行分类，光谱成像技术一般可分成3类。
(1)多光谱成像——光谱分辨率在delta_lambda/lambda=0．1mm数量级，这样的传感器在可见光和近红外区域一般只有几个波段。
(2)高光谱成像——光谱分辨率在delta_lambda/lambda=0．01mm数量级，这样的传感器在可见光和近红外区域有几十到数百个波段，光谱分辨率可达nm 级。
(3)超光谱成像——光谱分辨率在delta_lambda/lambda =O．001mm=1nm数量级，这样的传感器在可见光和近红外区域可达数千个波段。
众所周知，光谱分析是自然科学中一种重要的研究手段，光谱技术能检测到被测物体的物理结构、化学成分等指标。
光谱评价是基于点测量，而图像测量是基于空间特性变化，两者各有其优缺点。
6 高光谱特征参量与光谱库
2021/10/10
20
6）光谱积分
2021/10/10
21
7）光谱曲线模拟
典型的地物具有典型的波形形态，为了准 确的描述、确定光谱曲线的特点，我们可 以将整条光谱曲线或者是曲线中的某一段 用一个数学函数来表达出来，这就称为是 光谱曲线模拟。
以植被的曲线模拟为例：分为两个阶段的 模拟，500~680可见光以及670~780红边
2021/10/10
39
从概念上出发，光谱匹配主要有以下三种运作模式：
查找：从图像的反射光谱出发，将像元光谱数据与光 谱数据库中的标准光谱响应曲线进行比较搜索，并将 像元归于与其最相似的标准光谱响应所对应的类别， 这是一个查找过程。
匹配：利用光谱数据库，将具有某种特征的地物标准 光谱响应曲线当作模版与遥感图像像元进行比较，找 出最相似的像元并赋予该类标记，这是一个匹配过程。
2021/10/10
22
2021/10/10
23
6.2 光谱数据库
光谱数据库是：由高光谱成像光谱仪或野外光 谱仪在一定条件下测得的各类地物反射光谱数 据的集合。
特点：它对准确地解译遥感图像信息、快速地 实现未知地物的匹配、提高遥感分类识别水平 起着至关重要的作用。
2021/10/10
24
6.2.1 数据特点
d2 A2S2
y
x
d1 S1A1 y A1xS2
即光谱最大吸收位置W可以有两个肩部和两个吸收点
即为：
x+ S2
2021/10/10
14
第二个特征参量：光谱吸收深度D（0到1之间）。
D[W A2SS22]D2
第三个特征参量：对称性S，这里不用面积作为衡量单 位。
高光谱遥感数据获取与分析
一、原理：电磁波及电磁辐射 二、光谱测量仪器 三、地物光谱特征
1
2.1 电磁波及电磁辐射
遥感是根据收集到的电磁波来判断目标地物和自然 现象（物体种类、特征和环境不同，具完全不同的电磁 波反射或发射特征），遥感技术主要是建立在物体反射 或发射电磁波原理上的。 电磁波 :根据麦克斯韦电磁场理论,变化的电场能够在 它的周围引起变化的磁场,这个变化的磁场又在较远的 区域内引起新的变化电场,并在更远的区域内引起新的 变化磁场.这种变化的电场和磁场交替产生,以有限的速 度由近及远在空间内传播的过程称为电磁波.
写需要存储数据的路径、名称和其他内容。
18
（2）测量过程。 镜头对准白板，点击OPT进行优化。为了光谱测量的准
确性，在测量过程中，特别是刚开始测量的前半个小时 内，需要每隔一定时间进行一次优化； 反射率测量： 镜头对准白板，点击WR采集参比（白板应充满镜头， 并且没有阴影）； 镜头对准目标（目标与镜头之间的距离应大致等同于采 集参比时白板与镜头的距离）； 点击空格键存储目标光谱（或选择自动存储）； 为了提高光谱数据的质量，在测量开始后的一个小时内 应当经常采集参比以提高光谱数据质量；
7
太阳辐照度分布曲线
8
从图中可以得出结论： 太阳辐射的光谱是连续的，它的辐射特性与黑体的辐射
特性基本一致。 太阳辐射从近紫外到中红外这一波段区间能量最集中而
且相对稳定。在x射线、远紫外及微波波段，能量小但 变化大。 海平面处的太阳辐射照度曲线与大气层外的曲线有很大 的不同。主要是地球大气对太阳辐射的吸收和散射造成 的。 就遥感而言，被动遥感主要是利用可见光、红外等稳定 辐射，因而太阳的活动对遥感没有太大的影响，可以忽 略。
21
ENVI高光谱分析
从光谱影像上获得光谱曲线
高光谱图像
空间成像的同时，记录 下成百个连续光谱通道 数据
从每个像元均可提取 一条连续的光谱曲线
对高光谱图像的处理实质是对像元光谱曲线的定量 化处理与分析
高光谱成像技术
• 成像光谱仪：
– 与地面光谱辐射计相比，成 像光谱仪不是在“点”上的 光谱测量，而是在连续空间 上进行光谱测量，因此它是 光谱成像的；
• 基于统计学模型
– 平场域定标 – 对数残差 – 内部平均反射率法 – 经验线性
• 基于简化辐射传输模型的黑暗像元法 • 基于统计的不变目标法 • 基于植被指数的大气阻抗植被指数法 • ……
ENVI大气校正模块
• ENVI的大气校正模块的模型为MODTRAN 4+模型，它是 由Spectral Sciences, Inc. (SSI)和Air Force Research Labs (AFRL)合作开发，ITT VIS进行整合和图形化。
• ENVI的大气校正模块能够对高光谱、多光谱影像进行校 正。
– 高光谱包括：HyMAP、 AVIRIS、 HYDICE、HYPERION、 Probe-1, CASI、AISA等；
– 多光谱包括：ASTER、AVHRR、IKONOS、IRS、Landsat、 MODIS、SeaWiFS、SPOT、QuickBird等，以及航空（860nm1135nm）数据。
• 两种气溶胶去除方法
– 2-Band（K-T）方法(类似模糊减少法)，如果没有找到适应的黑 值（一般是阴影区或者水体），系统将采用能见度值来计算；所 以即使选择了该选项也要给能见度。
– 选择None，采用能见度值参与气溶胶去除，能见度值大约参考值 参见表
天气条件 晴朗 中等雾、阴霾 厚雾、阴霾
高光谱dataset
高光谱dataset高光谱数据集高光谱技术是一种应用于遥感领域的数据获取和分析方法，可提供大量细分波段的数据。
高光谱数据集是由高光谱遥感仪器采集的数据样本集合，其中每个样本都包含了数百个或数千个波段的光谱信息。
这些数据集在各个领域具有广泛的应用，如农业、地质、环境科学和医学等。
高光谱数据集具有较高的空间分辨率和光谱分辨率，能够捕捉物体的微小变化和细微细节。
通过对高光谱数据的分析，我们能够获取大量的光谱信息，从而更好地理解被观测物体的特性和组成。
通过采集多个波段的数据，高光谱技术可以提供更为详细和全面的信息，相较于传统的遥感数据，具有更高的信息量。
在农业领域，高光谱数据集可以被用于土壤分析、农作物生长监测和病虫害预测等方面。
通过分析土壤样本的光谱特性，我们可以了解土壤的化学成分和质量状况，以优化农作物的种植方案和肥料利用。
同时，通过监测农作物的生长情况和光谱响应，可以及时发现并防止病虫害的发生，提高农作物的产量和质量。
在地质勘探中，高光谱数据集可以用于矿物资源的探测和勘探。
不同的矿物在光谱上有着不同的特征峰值，通过分析高光谱数据，可以准确识别和定位地下的矿产资源，为矿产勘探和开发提供指导。
高光谱技术在地质勘探中的应用可以提高矿产资源开发的效率和准确性，减少盲目勘探和资源浪费。
在环境科学领域，高光谱数据集可用于监测和评估环境质量。
通过对大气、水体和土壤等环境的光谱监测，我们可以了解不同环境的物质组成和污染程度。
高光谱数据集还可以用于植被覆盖的监测和分类，通过对植被光谱的分析，可以了解植被的生长状态和植物的种类分布情况，为生态环境保护和可持续发展提供支持。
在医学领域，高光谱数据集被广泛应用于医学影像的分析和诊断。
通过采集不同波段的光谱数据，可以获取组织和器官的特征光谱，辅助医生进行病变诊断和治疗规划。
高光谱技术在肿瘤检测、皮肤病诊断和血液成分分析等方面具有潜在的应用价值，可以提高医学影像诊断的准确性和可靠性。
- 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)。
光谱端元
将相关性很小的图像波段，如PCA、MNF 的前两个波段，作为X,Y构成二维散点图。 在理想状态下，根据线性混合模型数学描 述，三角形顶端为纯净像元。
在实际选择中，往往选择凸出部分，再获 取这个区域相应的平均波谱。
主要流程
• • • • 查看高光谱图像 打开常见图谱库 端元波谱提取（MNF） 高光谱分类—波谱角（SAM）
• 光学遥感技术的发展经历了 全色（黑白）摄影-彩色摄影-多光谱高光谱等四个历程。
高光谱分辨率遥感
• 是用很窄而连续的光谱通道对地物持续 遥感成像的技术。在可见光到短红外波 段内，其光谱分辨率高达纳米数量级， 与多波段遥感相比，其光谱分辨率较高 ， 波段多达数十甚至数百个，又称“成像 光谱”。
高光谱图像的特征
高光谱遥感有6个波 段，其波谱分辨率大于100nm。 • 高光谱遥感的波谱分辨率通常小于10nm， 以AVIRIS。
• 宽波段传感器只能区分物质，高光谱遥 感可以鉴别物质。（宝石鉴定）
常用的成像光谱仪
• 高光谱分辨率成像光谱遥感起源于地质 矿物识别填图研究，逐渐扩展为植被生 态、海洋海岸水色、冰雪、土壤以及大 气的研究中。 • AVIRIS 224个波段 • HIRIS 192个波段
遥感的发展趋势
• 平台、传感器——数据
– 高（空间）分辨率 – 高光谱 – 高时间、高辐射 – 遥感反演 – 面向对象 – 光谱端元
• 信息处理方法
“天地一体化”
• 应用方面
– 实用化、商业化、国际化、一体化
背景
• 随着对地观测技术的迅速发展，图像的光谱 分辨率、空间分辨率和时间分辨率有了较显 著的提高，高光谱和高空间分辨率图像得到 了越来越多的应用。 • 精细的观测地物——地物的识别，地物的成 分信息
• 高光谱图像由成像光谱仪产生 • 测谱学和遥感成像技术的融合。
• 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; 而光谱分辨率在λ/100的遥感信息称之为高光 谱遥感(HyPerspectral);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(ultraspectral)阶段(陈述彭等， 1998)。
光谱库
• ENVI中 的相关应用-标准波谱库： *.sli ,*.hdr
高光谱图像
• 对地物进行多波段成像所得到的一组二 维图像，每个波段对应的一个二维图像。 • 高光谱图像与自然图像的区别在于多了 一维光谱信息。
• 图像立方体 Spectral>Build 3D Cube
光谱空间及光谱角
• 光谱曲线图是区分不同地物的 主要方法 • 区分大量光谱时，需要用光谱 空间来表述。 • 以n=2为例，光谱向量（右图） • 多维光谱空间在可视化绘图是 困难的，数学构建上是可能的。 • 光谱间的相似性可以通过光谱 向量间的角度来判断——光谱 角。