六、高光谱数据综合分析与系统构建

从图像中直接获取空间信息（地块边缘信息）：
⑴ 梯度边缘算子 ⑵ 二阶差分拉氏算子 ⑶ Marr-Hildreth边缘检测 ⑷ 边缘追踪
基于Hough变换的灰度图像边缘提取
19
6.2 空间信息辅助下的高光谱数据分析
基于地块的光谱分类 （PBSA）
地块均值光谱提高光谱信噪比与可分离性
20
6.2 空间信息辅助下的高光谱数据分析
用于决策的符号系统和模 型
中级
高级
传感器信息模型
含有多维属性的图像或者像 可变的几何图形、方向、位置 测量值含有不确定因素的
Байду номын сангаас
素上的随机过程
以及特征的时域范围
符号
图像数据的空间对 准精度级别
高
图像数据的时域对 准精度级别
高
中等
低
中等
低
数据融合方法
图像估计或像素属性组合
几何上和时域上相互对应，特 征属性组合
(Spatial Fusion Based Spectral Reversion—SFSR)
考虑高光谱图像经过与高空间分辨率图像的融合后，其光谱特征和波形的 变化情况。 SFSR模型是基于空间域的，高光谱数据与高空间分辨率全色数据的信息融 合是分波段独立进行的。
Rijk = SHE * M ijk + K k * FM * SHE * H ij
不规则和随意性地块？
21
6.2 空间信息辅助下的高光谱数据分析
混合地块捡出的三层判据：
(1) 图像地块方差
σ
=
1 K
K
∑
k=1
1 N
N
∑ ( xk,n
n=1
−
mn )2
(2) 快速非监督分类地块类别统计
(3) 地块中类别空间分布统计
sx
=
xa − xb x p max − x p min
sy
=
ya − yb y p max − y p min
s = sx + sy
(xa, ya) and (xb, yb) are the coordinates of the mean location of the main class ‘a’ and
other class(es) ‘b’, respectively. xpmax, xpmin, ypmax and ypmin are the maximum and
14
6.1 高空间分辨率与高光谱数据融合
高光谱图像像元
n
∑ ρ ( λ ) =
ε iρ i (λ )
i=1
全色高空间分辨率图像像元
n
∑ p = εi pi i =1
在一定的空间尺度上，尽管可以从中获得各纯地物光谱权重 ε i ，但仍
无法求解出 ρi (λ) 。
（5）基于混合像元分解的数据融合 混合像元分解＋亚像元定位 数据级＋特征级
9
6.1 高空间分辨率与高光谱数据融合
对于一套光学遥感器系统而言，图像空间分辨率和光谱分辨率是一对矛 盾。
高光谱数据X 高空间数据Y
数据融合Z=ƒ （X，Y）
新数据Z
信息提取
高光谱遥感数据与高空间数据的数据级融合
高光谱数据X
数据融合δ=ƒ （X，Z）
信息提取
高空间数据Y
信息提取与数据变换 Z=ƒ（Y）
它不仅仅是数据间的简单复合，而强调信息的优化，以突出有用 的专题信息，消除或抑制无关的信息，改善目标识别的图像环境， 从而增加解译的可靠性，减少模糊性、改善分类、扩大应用范围和 效果。.
2
6.1 高空间分辨率与高光谱数据融合
遥感数据融合流程图
3
6.1 高空间分辨率与高光谱数据融合
1. 遥感数据融合的三个层次
G = {x1, x2,......., xn−1, xn}
集合S定义为光谱相似度集合，则：
S = {z1, z2 ,......., zm−1, zm}
图像1
图像2
图像n
…
图像1
图像2
图像n
…
图像1
图像2
图像n
…
图像配准 像素级融合
评价 结果
特征提取 特征级融合
评价 结果
特征提取 目标识别 决策级融合
评价 结果
4
6.1 高空间分辨率与高光谱数据融合
特点 遥感器信息类型 信息的表示级别
数据级图像融合 多幅图像 低级
特征级图像融合
决策级图像融合
从信号和图像中提取出的特征
6.1 高空间分辨率与高光谱数据融合
融合目的 将单一传感器的多波段信息或不同类别传感器所提供的信息加以
综合，消除多传感器信息之间可能存在的冗余和矛盾，加以互补， 改善遥感信息提取的及时性和可靠性，提高数据的使用效率。
融合实质 在统一地理坐标系中将对同一目标检测的多幅遥感图像数据采用
一定的规则或算法进行运算处理，获得比任何单一数据更精确、更 丰富的信息，生成一幅具有新的空间、波谱、时间特征的合成图 像。
高光谱遥感数据与高空间数据的特征级融合 10
6.1 高空间分辨率与高光谱数据融合
（1）光谱域数据融合： 常见的光谱域融合方法有IHS 变换法、 PCA主轴分析法等；
（2）空间域数据融合 R（i，j，k）=M（i，j，k）+ FHPH（i，j）
重点： 像元光谱的不变性
11
6.1 高空间分辨率与高光谱数据融合
空间域数据融合
(1)加权平均法
n
∑ L j =
A ji G ji
i =1
(2)高通滤波法
n
∑ A ji = 1
i =1
以一高通滤波器(High-Pass Filter，FHP)滑过高清晰度图像H，再逐像元地
与低清晰度图像M的每一波段相加，结果即为一融合图像R，K k是一个随空间位置 变化的乘系数。
Rijk = M ijk + K k * FHPH ij
特征级融合首先对经过预处理的高光谱图像进行特征提取-分类和亚像 元分解，估计亚像元的组成和每一个组成成分在每个像元中所占的比例，然 后结合高空间图像的灰度、纹理等信息，进一步确认亚像元的组成及其在空 间的位置，得到高空间分辨率的分类图。
特征级融合将高光谱图像分类技术和图像锐化相结合，充分利用了高光 谱图像的精细的光谱信息，提高了地物分类的有效性和准确性，在以地物分 类为目的的图像融合中更有意义，因此得到广泛关注和尝试。
优点：简单、快速 缺点：光谱失真
优点：快速，去冗余 缺点：光谱失真
优点：快速，谱信息失真小 缺点：对空间分辨率改善不明显
缺点：信噪比差，易振荡，效率低
优点：快速、光谱失真小； 缺点：小波基选择难度大；
优点：克服单组算法的缺点；
7
6.1 高空间分辨率与高光谱数据融合
3.特征级融合
特征级融合是指融合前先对遥感图像数据进行特征提取，产生特征矢 量，如边缘、形状、轮廓、方向、区域或距离等，融合后做出基于融合特征 矢量的属性说明。
15
6.1 高空间分辨率与高光谱数据融合
融合效果评价
在多源遥感数据融合研究中 ,对融合结果的评价因涉及到不同的 数据源而相对复杂 ,一直没有统一的标准 ,评价常依据目视判定 ,结合 数理统计法进行。常用于衡量信息量的统计参数有均值、 方差、 熵、 联合熵、 平均梯度、 偏差指数、 相关系数等。
16
式中，Rijk 为融合后 k 波段图像 (i, j)点亮度值， SHE为直方图均衡化拉伸处 理，M ijk 为低空间分辨率图像 k 波段数据， Kk为图像调整系数，FM为图像中
值滤波处理，Hij为高空间分辨率图像数据。FM 的参与主要是降低高光谱和 高空间数据几何配准误差的影响。
13
6.1 高空间分辨率与高光谱数据融合 基于图像光谱复原的空间域遥感数据融合
(3)基于强度模型的平滑滤波方法(Smoothing Filter Based Intensity Modulation, SFIM)
IMAGESFIM
=
IMAGEhigh IMAGEmean
IMAGElow
IMAGEmean 是一平滑滤波图像。
12
6.1 高空间分辨率与高光谱数据融合
(4)基于图像光谱复原的空间域遥感数据融合
(h6 − h4 )2 + (h2 − h8 )2
α = arctg (grad (z)) *180 / 3.14
（3）格点坡向
满足 h j − hs 最大 的方向
23
6.2 空间信息辅助下的高光谱数据分析
数字地貌模型建立
（4）格点面元坡度变化率
S5
=
⎧ ⎪⎪ ⎨ ⎪ ⎪⎩
a − a5 max , b
a j − a5 max , 2b
j=2,4,6,8 j=1,3,5,7,9
（5）格点面元粗糙度
CZ = AreaS / AreaH
=1 2b
4b2 + (h6 − h4 )2 + (h2 − h8 )2
24
6.2 空间信息辅助下的高光谱数据分析 DGM支持下的像元光谱分解与亚像元定位
25
6.2 空间信息辅助下的高光谱数据分析
minimum coordinates of the patch.
22
6.2 空间信息辅助下的高光谱数据分析
数字地貌模型(Digital Geomorphology Model，DGM) 是以数字点阵形式存储 的地貌单元分类。
数字地貌模型建立
（1）格点高程
（2）格点面元坡度
grad (z) = 1 2b
六、高光谱数据综合分析与系统构建
6.1 高空间分辨率与高光谱数据融合 6.2 空间信息辅助下的高光谱数据分析 6.3 时间信息辅助下的高光谱数据分析 6.4 高光谱数据处理与分析系统