高光谱数据处理基本操作规范
高光谱数据处理工具软件使用手册
高光谱数据处理工具软件使用手册一数据读取操作1 读取南京中地仪器公司的光谱数据（单个文件）[sampleName,lambda,spectrum ]=hyperReadZD(fname)2 读取北师大波谱库的数据（单条记录）[metaInfo,lambda,spectrum]=hyperReadSPL(fname,iStart,iEnd,i Step,desPathStr)参数：如果输入参数iStart,iEnd,iStep则将读取的波谱数据按照以上三个参数进行重采样。
三参数的含义分别是：起始波段（nm），终止波段(nm)，采样间隔（nm）；如果输入desPathStr，则将采样后的结果作为zip文件保存在目录desPathStr内。
3 读取Envi波谱库数据（单个文件，多条记录）[samplename,lambda,spectral]=hyperReadEnvi(fname)4 读取ASD波谱仪数据[measured, lambda, reference] = hyperReadAsd(filename)5 读取高光谱影像数据（AVIRIS格式）[M, wavelengths_nm] = hyperReadAvirisRfl(filename, height, width, bands)二数据转换1 高光谱立方体数据转换为二维数组[M] = hyperConvert2d(M)输入：M - 高光谱立方体数据(m x n x p)输出：M –二维矩阵形式(p x N)2 将二维数组转换为数据立方体[img] = hyperConvert3d(img, h, w, numBands)输入：M –二维数据矩阵 (p x N)输出：M –三维数据立方体 (m x n x p)3 光谱重采样[ output ] = hyperResample( M, currentWaveLengths, desiredWaveLengths )输入：M –二维高光谱数据矩阵 (p x N)currentWavelengths –数据M的当前波长.(p x 1)desiredWavelengths –将要转换的目标波长输出：M_resampled –将M按照目标波长重新采样的结果。
高光谱数据处理的相关方法
高光谱数据的处理步骤
1．先将原始的光谱反射在软件Viewspec pro 中进行异常值的删除，然后将重复的测量进行平均。
具体步骤如下
双击图标打开软件，（图1）点击File open 打开文件，默认路径为ViewSpecPro文件夹。
为了使打开和存储路径是储存数据的文件夹，需要对打开路径进行修改
将导出的txt文本中的直接复制到execl中。
此时需要注意小数位数的选择。
4到5位较好。
在此软件中可以进行反射率的一阶导，二阶导等的基础变化。
2利用origin对数据进行平滑。
步骤如下
首先打开软件将波段和对应的反射率复制进去然后进行一介导和平滑。
界面如下
一介导
平滑
制图比较效果
原始的
一介导平滑前
一介导平滑后
在ENVI中统去除
首先建立光谱数据库步骤如下
文件的保存为sli格式
点击polt出现右面的图
连续统去除
统去除后的效果图
统去除数据的保存
同去除前后的效果比较数据的打开类似前面。
光谱数据的处理 -回复
光谱数据的处理-回复光谱数据（Spectral Data）的处理是指对从不同物质或样品中获取的光谱信息进行分析、处理和解释的过程。
光谱数据处理是光谱学中的关键环节，它可以帮助科学家从光谱曲线中获得有关样品的结构、成分、浓度等信息。
本文将详细讨论光谱数据处理的步骤和方法，以帮助读者更好地理解如何从光谱数据中获得有用的信息。
一、光谱数据的获取光谱数据的获取可以通过各种光谱仪器完成，如紫外可见光谱仪、红外光谱仪、质谱仪等。
这些仪器能够将样品的光谱信息转化为电信号，并记录下来。
在进行光谱数据处理之前，必须先对样品进行适当的准备，保证光谱数据的质量和可靠性。
二、光谱数据的预处理光谱数据预处理是光谱数据处理的第一步，其目的是消除光谱中的噪声和其他非样品信息，提高数据的质量。
常用的光谱数据预处理方法包括：1. 光谱平滑：通过使用平滑算法，例如Savitzky-Golay算法或移动平均法，可以减小谱线中的噪声并平滑谱峰，提高数据的信噪比。
2. 光谱去基线：在某些情况下，谱线中可能存在背景信号或基线漂移等问题，可以通过去除基线来减少这些影响因素。
常用的光谱去基线方法有多项式拟合和分段线性拟合等。
3. 光谱对齐：如果需要将多个不同样品的光谱数据进行比较，要保证它们的光谱曲线位置相对一致。
光谱对齐方法旨在消除光谱之间的位移和漂移，确保谱线的准确对应关系。
三、光谱数据的分析与解释光谱数据的分析与解释是光谱数据处理的核心内容，其目标是从光谱中提取有关样品的结构、成分、浓度等信息。
常用的光谱数据分析方法包括：1. 傅里叶变换：将时域信号转换为频域信号，通过对光谱进行傅里叶变换可以分析光谱中的频率和振幅信息，帮助确定有关样品的特征频率和振动模式。
2. 主成分分析（PCA）：PCA是一种多变量数据分析技术，它可以通过线性变换将高维的光谱数据转换为低维的主成分，实现数据的降维和特征提取。
通过PCA，可以识别出光谱中的主要成分和相关特征，有助于确定样品的组成和性质。
高光谱图像处理技术的使用教程研究
高光谱图像处理技术的使用教程研究高光谱图像处理技术是一种在应用领域广泛的图像处理技术，可以通过获取物体在不同波段的反射光谱信息，提供更加详细和全面的图像数据。
本文将针对高光谱图像处理技术的使用进行研究，并提供相应的教程。
一、高光谱图像处理技术简介高光谱图像处理技术是一种通过获取物体在可见光和红外波段的多个窄波段反射光谱信息，将其转化为多波段图像的技术。
与传统的彩色图像相比，高光谱图像能够提供更加详细和准确的物体信息，有利于物体分类、目标探测和环境监测等领域的研究。
二、高光谱图像处理的主要方法1. 高光谱图像获取：高光谱图像主要通过高光谱成像设备获取，该设备能够同时获取多个波段的光谱信息。
获取的图像需要进行前期的预处理，包括校准、去噪等，以减少后续处理的误差。
2. 高光谱图像的特征提取：获取到高光谱图像后，下一步是提取图像的特征。
常见的特征提取方法包括：主成分分析(Principal Component Analysis, PCA)、线性判别分析(Linear Discriminant Analysis, LDA)、离散小波变换等。
这些方法能够从高光谱图像中提取到代表图像信息的特征。
3. 高光谱图像分类：通过对提取的特征进行分类，可以实现对高光谱图像中的目标物体进行识别。
常见的分类方法包括：支持向量机(Support Vector Machines, SVM)、人工神经网络(Artificial Neural Networks, ANN)、决策树等。
4. 高光谱图像的目标检测：目标检测是高光谱图像处理的一个重要应用，可以通过识别图像中的目标物体来实现。
常见的目标检测方法包括：基于像素的方法、基于形状的方法和基于光谱的方法等。
三、高光谱图像处理技术的应用案例高光谱图像处理技术在许多领域有着广泛的应用。
以下是几个示例：1. 农业领域：高光谱图像处理技术可以用于农作物的生长监测和病虫害的检测。
通过获取植物在不同波段的光谱信息，可以分析植物的健康状况和生长情况。
专题高光谱数据的处理与分析
2.1 标准波谱库（二）
• 浏览标准波谱库数据： - HOME\ITT\IDL\IDL80\products\envi48\spec_lib
2.2 自定义波谱库
• ENVI提供自定义波谱库功能，允许您基于不同的波谱来源创建波 谱库，波谱来源包括：ASCII文件，由ASD波谱仪获取的波谱文件 ，其他波谱库，感兴趣区均值，波谱剖面和曲线等等。
1、图像预处理
图像预处理
• 高光谱图像的预处理主要是辐射校正，辐射校正包括传感器定标 和大气纠正。
1.1 传感器定标（一、定义）
• 传感器定标就是将图像的数字量化值（DN）转化为辐射亮度值或 者反射率或者表面温度等物理量的处理过程
• 传感器定标可分为绝对定标和相对定标 - 绝对定标是获取图像上目标物的绝对辐射值等物理量 - 相对定标是将图像目标物辐射量归一化某个值范围内，比如 以其他数据作为基准。
• 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）
• 数据 - “18-高光谱数据的处理与分析\2-物质识别”
端元波谱收集
物质识别
5、高光谱图像分类
5 高光谱图像分类流程
影像文件
最小噪声分离 MNF
数据维数判断
是否从图像获得端
否
元波谱
计算纯净像元指数
N维可视化和端元选择
是否输入用户选定端 元波谱
是 用户选定端元波谱
波谱识别 结果
高光谱图像处理技术的使用方法与技巧
高光谱图像处理技术的使用方法与技巧高光谱图像处理技术是一种在特定波长范围内连续获取大量光谱信息的技术。
它不仅可以提供丰富的光谱数据，还能提供高分辨率的空间信息，因此在许多领域都有广泛的应用。
本文将介绍高光谱图像处理技术的使用方法与一些常用的技巧。
首先，高光谱图像的处理流程主要包括预处理、特征提取和分类三个步骤。
预处理是为了去除图像中的噪声和杂质，使得后续的特征提取和分类工作更加准确。
常见的预处理方法包括影像校正、光谱校正和噪声去除等。
影像校正是为了解决图像中的光照不均匀问题，常用的方法有常规平滑和直方图匹配等。
常规平滑方法可以通过滤波算法去除图像中的噪声和高频分量，提高图像的可视性。
而直方图匹配则可以通过调整图像的亮度和对比度，使得不同图像之间的光照条件保持一致。
光谱校正是为了解决不同设备采集的高光谱数据存在光谱偏移的问题。
通常可以通过使用已知光谱的参考物质进行校正，如大气校正和地物光谱响应校正等。
大气校正可以去除大气对光谱数据的影响，使得数据更加准确。
地物光谱响应校正则是为了减少不同地物对光谱数据的影响。
噪声去除是为了去除因设备等原因造成的图像噪声，提高图像的质量。
常见的噪声去除方法包括中值滤波、高斯滤波和小波分析等。
中值滤波是一种基于排序统计的方法，通过对图像中的像素排序并取中值来去除噪声。
高斯滤波则是一种常用的线性滤波方法，通过将像素的值与周围像素的值按照一定的权重进行加权平均，得到滤波后的像素值。
小波分析是一种基于频域的方法，通过对图像进行频域分解和重构来去除噪声。
接下来是特征提取。
高光谱图像的特征提取是为了从原始数据中提取出与目标信息相关的特征。
常用的特征提取方法包括光谱特征提取、纹理特征提取和形状特征提取等。
光谱特征提取是通过对高光谱数据进行光谱统计分析来获得与目标信息相关的参数。
常用的统计参数包括均值、方差、偏度和峰度等。
这些参数可以反映出光谱数据在不同波段上的分布情况。
纹理特征提取是为了从高光谱图像中提取出纹理信息。
python处理高光谱数据并输出的方法
Python 是一种强大的编程语言，也是处理高光谱数据的流行工具之一。
以下是一些处理高光谱数据并输出的方法:
1. 导入数据:使用 Python 的内置函数或第三方库(如 HDF5 库)导入高光谱数据。
可以使用 Pandas 库来处理和清理数据。
2. 数据预处理:对数据进行预处理，例如去除异常值、填补缺失值、归一化等。
3. 特征提取:从高光谱数据中提取有用的特征，例如纹理、纹理参数、色彩平衡等。
4. 可视化:使用 Python 的可视化库(如 Matplotlib、Seaborn、Plotly 等)将数据可视化，以便更好地理解数据。
5. 分析:使用 Python 的统计库(如 NumPy、SciPy 等)对数据进行分析和建模。
6. 输出结果:将处理后的数据保存到文件或数据库中，或将其输出到屏幕或显示器上。
Python 提供了许多强大的工具来处理高光谱数据，并且可以轻松地与其他科学计算和绘图库集成。
专题二十四使用ENVI的高光谱工具处理多光谱数据(节选)-Read
专题二十四 使用ENVI的高光谱工具处理多光谱数据(节选)1.1.专题概述本专题的目的是向用户展示如何使用ENVI先进的高光谱工具对多光谱数据进行分析。
要更好地理解高光谱处理的概念及其工具，请参见ENVI高光谱辅导指南。
要获取额外的详细信息，请参见《ENVI遥感影像处理实用手册》（ENVI User’s Guide）或者ENVI的在线帮助。
♦本专题中使用的文件光盘：《ENVI遥感影像处理专题与实践》附带光盘 #1♦背景知识ENVI并非仅设计成高光谱影像处理系统。
在1992年，ENVI的开发者就决定开发出一个通用的影像处理软件，它包含一整套的基本处理工具，弥补了商业软件缺乏强大灵活处理功能的不足，使得它能够处理各种科学格式的影像数据。
它对全色、多光谱、高光谱以及基本和改进雷达影像数据都提供了支持。
当前，ENVI包含了与其它主要影像处理系统（例如：ERDAS，ERMapper和PCI）相同的基本处理功能。
其中，ENVI在前沿遥感研究中采用了许多不同的先进算法。
虽然这些算法都是在处理成像光谱仪数据或者多达上百个波谱波段的高光谱数据基础之上发展而来，但是它们也可以应用到多光谱数据和其它标准数据类型的处理上。
本专题将对某些分析Landsat Thematic Mapper（TM）数据的方法进行介绍。
本专题分为两个独立的部分：1）使用标准或者经典多光谱分析技术，对TM影像数据进行典型的多光谱分析，2）使用ENVI高光谱工具对相同的数据集进行分析。
1.2.使用ENVI的高光谱工具分析多光谱数据♦读取TM影像数据z要从磁带中读取数据，可以在ENVI主菜单中选择File → Tape Utilities → Read Known Tape Formats → Landsat TM（或者对于新的EDC-格式的磁带选择NLAPS）。
z要从光盘中读取数据，可以选择File →Open External File → Landsat → Fast，或者选择File → Open External File → Landsat → NLAPS（对于NLAPS数据）。
- 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)。
页眉内容
页脚内容
高光谱分辨率遥感
用很窄（10-2l）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
短波红外波段其光谱分辨率高达纳米(nm)数量级，通常具有波段多的特点，光谱
通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的，每个像元均
可提取一条连续的光谱曲线，因此高光谱遥感又通常被称为成像光谱（Imaging
Spectrometry）遥感。
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——有些传感器可以在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，数据量成指数增加；
（5）信息冗余增加——由于相邻波段高度相关，冗余信息也相对增加。
优点：
（1）有利于利用光谱特征分析来研究地物；
（2）有利于采用各种光谱匹配模型；
（3）有利于地物的精细分类与识别。
ENVI高光谱数据处理流程：
一、图像预处理
高光谱图像的预处理主要是辐射校正，辐射校正包括传感器定标和大气纠正。
辐射校正一般由数据提供商完成。
二、显示图像波谱
打开高光谱数据，显示真彩色图像，绘制波谱曲线，选择需要的光谱波段进
行输出。
三、波谱库
1、标准波谱库
软件自带多种标准波谱库，单击波谱名称可以显示波谱信息。
2、自定义波谱库
ENVI提供自定义波谱库功能，允许基于不同的波谱来源创建波谱库，波谱
页眉内容
页脚内容
来源包括收集任意点波谱、ASCII文件、由ASD波谱仪获取的波谱文件、感兴趣
区均值、波谱破面和曲线等等。
3、波谱库交互浏览
波谱库浏览器提供很多的交互功能，包括设置波谱曲线的显示样式、添加注
记、优化显示曲线等
四、端元波谱提取
端元的物理意义是指图像中具有相对固定光谱的特征地物类型，它实际上代
表图像中没有发生混合的“纯点”。
端元波谱的确定有两种方式：
（1）使用光谱仪在地面或实验室测量到的“参考端元”，一般从标准波谱库
选择；
（2）在遥感图像上得到的“图像端元”。
端元波谱获取的基本流程：
（1）MNF变换
重要作用为：用于判定图像内在的维数；分离数据中的噪声；减少计算量；弥补
了主成分分析在高光谱数据处理中的不足。
（2）计算纯净像元指数PPI
PPI生成的结果是一副灰度的影像，DN值越大表明像元越纯。
作用及原理：
纯净像元指数法对图像中的像素点进行反复迭代，可以在多光谱或者高光谱
影像中寻找最“纯”的像元。（通常基于MNF变换结果来进行）
页眉内容
页脚内容
纯净像元指数可以将N维散点图映射为一个随机单位向量来计算，每次映射
的极值像元被记录下来，并且被标为极值的总数也被记录下来。
按照多次映射每个像元被记录为极值像元的次数来决定该像元是否为纯净
像元。
（3）端元波谱收集
n维可视化工具-选取样本像元-生成地物平均波谱
五、波谱识别和图像分类
ENVI提供许多波谱分析方法，包括：二进制编码、波谱角分类、线性波段预
测、线性波谱分离、光谱信息散度、匹配滤波、混合调谐匹配滤波（MTMF）、包
络线去除、光谱特征拟合、多范围光谱特征拟合等。
六、分类结果浏览及后处理
（1）以RGB方式在ENVI中显示高光谱数据，进行查看分类结果。
（2）利用波谱沙漏工具进行分类后处理
基本流程：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）
高光谱遥感与多光谱遥感的异同点：
1、光谱分辨率在λ/10数量级范围的称为多光谱，这样的遥感器在可见光和近
红外光谱区只有几个波段；
2、光谱分辨率在λ/100的遥感信息称之为高光谱遥感；
3、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；
4、高光谱和多光谱实质上的差别就是，高光谱的波段较多，谱带较窄（比如
hyperion有242个波段，带宽10nm）；
5、多光谱相对波段较少；
6、高光谱遥感就是比多光谱遥感的光谱分辨率更高，但是光谱分辨率高的同时
空间分辨率会降低。
页眉内容
页脚内容