光谱图像与高光谱图像的区别介绍
光谱图像与高光谱图像的区别介绍
光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像（Hyperspectral Image）。遥感技术经过20世纪后半叶的发展，无论在理论上、技术上和应用上均发生了重大的变化。其中，高光谱图像技术的出现和快速发展无疑是这种变化中十分突出的一个方面。通过搭载在不同空间平台上的高光谱传感器，即成像光谱仪，在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像。在获得地表图像信息的同时，也获得其光谱信息，第一次真正做到了光谱与图像的结合。与多光谱遥感影像相比，高光谱影像不仅在信息丰富程度方面有了极大的提高，在处理技术上，对该类光谱数据进行更为合理、有效的分析处理提供了可能。因而，高光谱图像技术所具有的影响及发展潜力，是以往技术的各个发展阶段所不可比拟的，不仅引起了遥感界的关注，同时也引起了其它领域（如医学、农学等）的极大兴趣。
高光谱图像：是指一系列包含一些列可见/近红外光谱，一般有400-1000 nm，已经包含了可见光（400-780 nm）和近红外（780-1000nm）。
多光谱图像简介多光谱图像是指包含很多带的图像，有时只有3个带（彩色图像就是一个例子）但有时要多得多，甚至上百个。每个带是一幅灰度图像，它表示根据用来产生该带的传感器的敏感度得到的场景亮度。在这样一幅图像中，每个像素都与一个由像素在不同带的数值串，即一个矢量相关。这个数串就被称为像素的光谱标记。
1．用不相关或独立的其他带替换当前带；这个问题特别与遥感应用有关，但在一般的图像处理中，如果要从多光谱图像生成一幅单带灰度图像也与此有关。
2．使用一个像素的光谱标记来识别该像素所表示的目标种类。这是一个模式识别问题，它取决于下列图像处理问题的解：消除一个像素的光谱标记对图像采集所用光谱的依赖性。这是一个光谱恒常性问题。
3．处理多光谱图像的特定子集，它包括在电磁谱里仅光学部分的3个带，它需要以或者替换或者模仿人类感知颜色的形式来进行处理。
4．在特定应用中使用多光谱图像，并对它们进行常规的操作。这里的一个问题是，现在
高光谱图像分类
《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 35 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月
一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为 21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。
高光谱图像的光谱解混模型与算法研究
高光谱图像的光谱解混模型与算法研究 高光谱成像是将成像技术与光谱技术相结合的技术,是遥感应用中一个快速发展的领域。高光谱图像在军事目标辨别、远程控制、生物医学、食品安全以及环境监测等领域都有重要应用。 但由于高光谱成像光谱仪空间分辨率较低,使得每个高光谱像元可能由多种不同物质的光谱混合构成,因此混合像元广泛存在于高光谱图像中。混合像元导致科研实践中一些应用分类不准确,因此对混合像元进行分解是高光谱遥感应用亟待解决的核心问题。 本文中首先介绍了两种光谱混合模型:线性和非线性光谱混合模型。线性模型假设观察到的像元信号是所有的纯光谱信号的线性组合。 与之相反,非线性模型则考虑到多种物质反射光之间的物理相互影响。其次,本文对高光谱图像解混的几种经典模型进行介绍。 在这些模型中详细介绍了本文的对比模型全变分模型(SUnSAL-TV),该模型利用高光谱图像空间关系构建了对端元丰度的正则项,这使高光谱图像解混问题在数值结果和视觉效果上都有较大提升。但全变分模型的缺点是解混后丰度图中原平滑区域中伴有阶梯效应现象,视觉效果欠佳。 本文采用重叠组稀疏全变分作为端元丰度正则项,并采用交替方向乘子法对模型进行求解,将原问题转化为一系列较易求解的子问题,进而得到原问题的全局解。在应用交替方向乘子法进行求解过程中,关于梯度域重叠组稀疏的子问题采用采用优化最小化方法进行求解。 通过合成数据和真实数据的实验证明,采用本文提出的新方法处理后图像视觉效果和数值效果相比SUnSAL-TV方法有明显提升,并且可以有效减弱
SUnSAL-TV模型的阶梯效应,使处理后丰度图更加平滑,视觉效果更佳。
利用高光谱图像技术检测水果轻微损伤
高光谱图像技术检测苹果轻微损伤 摘要 传统的近红外光谱分析法和可见光图像技术应用于水果品质无损检测 中存在的检测区域小、检测时间长、仅能检测表面情况等局限性。提出了 利用高光谱图像技术检测水果轻微损伤的方法。试验以苹果为研究对象, 利 用 500~ 900nm范围内的高光谱图像数据, 通过主成分分析提取 547nm 波长 下的特征图像, 然后设计不均匀二次差分消除了苹果图像亮度分布不均匀 的影响, 最后通过合适的数字图像处理方法提取苹果的轻微损伤。 关键词: 无损检测苹果高光谱图像检测轻微损伤 引言 水果在采摘或运输过程中, 因外力的作用使其表皮受到机械损伤, 损伤处 表皮未破损, 伤面有轻微，色稍变暗, 肉眼难于觉察。受水果色泽的影响, 传统的计算机视觉技术不能对轻微损伤加以检测。但是轻微损伤是水果在线检测的主要指标之一, 随着时间的延长, 轻微损伤部位逐渐褐变, 最终导致整个果实腐 烂并影响其他果实。因此, 水果轻微损伤的快速有效检测是目前研究的难点和热点之一。虽然轻微损伤和正常区域在外部特征上呈现出极大的相似性, 但是损伤区域的内部组织发生一定的变化, 这种变化可以通过特定波长下的光谱表现出来。 当前, 一种能集成光谱检测和图像检测优点的新技术。高光谱图像技术正好能满足水果表面轻微损伤检测的需要。高光谱图像技术是光谱分析和图像处理在最低层面上的融合技术, 可以对研究对象的内外部特征进行可视化分析。在国内, 高光谱图像技术在农畜产品品质检测的应用还没有相关的文献报道; 在国外, 近几年来有部分学者将该技术应用于肉类和果蔬类的品质检测上。 本文采用高光谱图像技术对水果表面轻微损伤检测进行研究, 并通过合适 的数据处理方法寻找到最能准确辨别水果表面损伤的特征波长下的图像, 为实 现高光谱图像技术对水果轻微损伤的在线检测提供依据。 1 高光谱图像基本原理 高光谱图像是在特定波长范围内由一系列波长处的光学图像组成的三维图 像块。图 1 为苹果的高光谱图像三维数据块示意图。图中, x 和y 表示二维平面坐标轴, K表示波长信息坐标轴。可以看出,高光谱图像既具有某个特定波长 下的图像信息,并且针对 xy 平面内某个特定像素又具有不同波长下的光谱n
高光谱遥感期末考复习材料
1、地面光谱测量的作用： ①地面光谱辐射计在成像光谱仪过顶时，常用于地面野外或实验室同步观测，获取下 行太阳辐射，以用于遥感器定标。 ②在一些反射率转换模型中，需要引入地面光谱辐射计测取得地面点光谱来完成 DN 值图像到反射率图像的转换。 ③地面光谱辐射计可以为图像识别获取目标光谱和建立特征项。但是，这时地面光谱 测量要在空间尺度上与图像像元尺度相对应，且要具有代表性；另外，地面光谱测 量要与高光谱图像获取条件相一致。 ④通过地面光谱辐射计测量数据和地面模拟，可以帮助人们了解某一地物被高光谱遥 感探测的可能性，理解其辐射特性，确定需要采用的探测波长、光谱分辨率、探测 空间分辨率、信噪比、最佳遥感探测时间等重要参数。 ⑤地面光谱辐射计还可以勇于地面地质填图。它可以用于矿物的光谱吸收特征，识别 地面矿物或矿物的集合，从而直接完成野外矿物填图。 ⑥可以用来建立地物的表面方向性光谱反射特性。 ⑦建立目标地面光谱数据与目标特性间的定量关系。 2、高光谱成像特点： ①高光谱分辨率。高光谱成像光谱仪能获得整个可见光、近红外、短波红外、热红外 波段的多而窄的连续光谱，波段多至几十甚至数百个，其分辨率可以达到纳米级， 由于分辨率高，数十、数百个光谱图像可以获得影像中每个像元的精细光谱。 ②图谱合一。高光谱遥感获取的地表图像包含了地物丰富的空间、辐射和光谱三重信 息，这些信息表现了地物空间分布的影像特征，同时也可能以其中某一像元或像元 组为目标获得他们的辐射强度以及光谱特征。 ③光谱波段多，在某一光谱段范围内连续成像。成像光谱仪连续测量相邻地物的光谱 信号，可以转化城光谱反射曲线，真实地记录了入射光被物体所反射回来的能量百 分比随波长的变化规律。不同物质间这种千差万别的光谱特征和形态也正是利用高 光谱遥感技术实现地物精细探测的应用基础。 3、高光谱遥感图像数据表达： ①图像立方体——成像光谱信息集。 ②二维光谱信息表达——光谱曲线。 ③三维光谱信息表达——光谱曲线图。（书本44页） 4、成像光谱仪的空间成像方式： （1）摆扫型成像光谱仪。摆扫型成像光谱仪由光机左右摆扫和飞行平台向前运动完成二维空间成像，其线列探测器完成每个瞬时视场像元的光谱维获取。扫描镜对地左右平行扫描成像，即扫描的运动方向与遥感平台运动方向垂直。其优点：可以得到很大的总视场，像元配准好，不同波段任何时候都凝视同一像元；在每个光谱波段只有一个探测元件需要定标，增强了数据的稳定性；由于是进入物镜后再分光，一台仪器的光谱波段范围可以做的很宽，比如可见光一直到热红外波段。其不足之处是：由于采用光机扫描，每个像元的凝视时间相对就很短，要进一步提高光谱和空间分辨率以及信噪比比较困难。 （2）推扫型成像光谱仪。是采用一个垂直于运动方向的面阵探测器，在飞行平台向前运动中完成二维空间扫描，它的空间扫描方向是遥感平台运动方向。其优点是：像元的凝视
高光谱图像分类讲解学习
高光谱图像分类
《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 2111603035 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月
一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。高光谱遥感技术虽然是遥感领域的新技术，但是高光谱图像的分类一直制约着高光谱遥感的应用[3,4]，因此对其进行研究显得尤为重要。 高光谱遥感图像较高的光谱分辨率给传统的图像分类识别算法提出严峻的挑战。波段维数的增加不仅加重了数据的存储与传输的负担，同时也加剧了数据处理过程的复杂性，并且由于波段与波段间存在着大量的冗余信息，从而使得传统图像分类算法并不适用于高光谱遥感图像的分类。传统
基于极大后验概率估计的高光谱图像融合算法研究
基于极大后验概率估计的高光谱图像融合算法研究 【摘要】本文研究了基于PCA和极大后验估计的高光谱图像融合算法。该算法首先挖掘影像内在的观测模型，建立极大后验估计的目标函数。针对高光谱影像数据量大的特点，通过简化观测模型获得参数估计。融合实验结果表明，基于极大后验估计的高光谱影像融合算法不仅理论严密，而且图像融合效果较其他的增强方法的效果好。 【关键词】高光谱图像融合；极大后验概率（MAP）；随机解混模型；主成分变换（PCA） 1.引言 随着航空航天遥感技术的发展，高光谱遥感技术已经广泛应用于矿物探测、环境调查及军事侦察等诸多领域。但是高光谱较低的空间分辨率给数据处理如目标检测与识别、混合像素解译、精准匹配等技术带来了巨大的困难，所以提高高光谱图像的空间分辨率有很大的研究价值和意义。针对高光谱图像融合，人们已经研究了多种融合方法，包括主成分替换方法、小波变换方法，最小二乘估计方法，统计方法等。这些融合方法主要是将高分辨率影像信息替换高光谱影像的某部分信息，而高光谱其他部分的信息并未得到增强[1][2]。 近期Estiman等人提出运用极大后验估计（MAP）方法，在高分辨率全色影像的支持下实现高光谱影像分辨率的增强。通过全色影像和原始高光谱影像间关系的挖掘，实现了高光谱影像空间整体信息的增强，避免了在传统方法下影像只得到部分信息增强的缺点。下面主要介绍MAP估计的观测模型，随后分析了MAP目标函数，并根据高光谱影像的数据特性，分别给出了基于MAP的显示MAP估计和隐式MAP估计，最后通过实验数据进行验证[3]。 2.观测模型建立 假设有某一地区的高光谱影像和全色影像，高光谱影像的空间分辨率较全色影像的空间分辨率是较低的。全色影像可以表示为一维向量，N为全色影像的像素总数。同样低分辨率的高光谱图像也可以表示为一维向量，其中yj是一个有K个元素矢量，表示在空间位置j的K个波段的信息，M是高光谱图像的空间像素总数。我们期望的分辨率增强的高光谱图像表示为： ，其中zi是一个有K个元素矢量，N是分辨率增强的高光谱图像的像素总数[4]。 于是根据文献[5]，x、y、z之间的关系为： 其中S为光谱响应矩阵，H为空间响应矩阵，H每一行对应低分辨率全色图像的点扩散函数。其中是一个空间独立均值为0标准差为的正态分布随机过程。
光谱图像与高光谱图像的区别介绍
光谱图像与高光谱图像的区别介绍 光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像（Hyperspectral Image）。遥感技术经过20世纪后半叶的发展，无论在理论上、技术上和应用上均发生了重大的变化。其中，高光谱图像技术的出现和快速发展无疑是这种变化中十分突出的一个方面。通过搭载在不同空间平台上的高光谱传感器，即成像光谱仪，在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像。在获得地表图像信息的同时，也获得其光谱信息，第一次真正做到了光谱与图像的结合。与多光谱遥感影像相比，高光谱影像不仅在信息丰富程度方面有了极大的提高，在处理技术上，对该类光谱数据进行更为合理、有效的分析处理提供了可能。因而，高光谱图像技术所具有的影响及发展潜力，是以往技术的各个发展阶段所不可比拟的，不仅引起了遥感界的关注，同时也引起了其它领域（如医学、农学等）的极大兴趣。 高光谱图像：是指一系列包含一些列可见/近红外光谱，一般有400-1000 nm，已经包含了可见光（400-780 nm）和近红外（780-1000nm）。 多光谱图像简介多光谱图像是指包含很多带的图像，有时只有3个带（彩色图像就是一个例子）但有时要多得多，甚至上百个。每个带是一幅灰度图像，它表示根据用来产生该带的传感器的敏感度得到的场景亮度。在这样一幅图像中，每个像素都与一个由像素在不同带的数值串，即一个矢量相关。这个数串就被称为像素的光谱标记。 1．用不相关或独立的其他带替换当前带；这个问题特别与遥感应用有关，但在一般的图像处理中，如果要从多光谱图像生成一幅单带灰度图像也与此有关。 2．使用一个像素的光谱标记来识别该像素所表示的目标种类。这是一个模式识别问题，它取决于下列图像处理问题的解：消除一个像素的光谱标记对图像采集所用光谱的依赖性。这是一个光谱恒常性问题。 3．处理多光谱图像的特定子集，它包括在电磁谱里仅光学部分的3个带，它需要以或者替换或者模仿人类感知颜色的形式来进行处理。 4．在特定应用中使用多光谱图像，并对它们进行常规的操作。这里的一个问题是，现在
机器视觉之高光谱成像技术分析
高光谱成像技术 高光谱成像技术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。对空间探测、军事安全、国土资源、科学研究等领域都具有非常重要的意义。 所谓高光谱图像就是在光谱维度上进行了细致的分割，不仅仅是传统所谓的黑、白或者R、G、B的区别，而是在光谱维度上也有N个通道，例如：我们可以把400nm-1000nm分为300个通道。因此，通过高光谱设备获取到的是一个数据立方，不仅有图像的信息，并且在光谱维度上进行展开，结果不仅可以获得图像上每个点的光谱数据，还可以获得任一个谱段的影像信息。 目前高光谱成像技术发展迅速，常见的包括光栅分光、声光可调谐滤波分光、棱镜分光、芯片镀膜等。 原理： 光栅分光原理： 在经典物理学中，光波穿过狭缝、小孔或者圆盘之类的障碍物时，不同波长的光会发生不同程度的弯散传播，再通过光栅进行衍射分光，形成一条条谱带。也就是说：空间中的一维信息通过镜头和狭缝后，不同波长的光按照不同程度的弯散传播，这一维图像上的每个点，再通过光栅进行衍射分光，形成一个谱带，照射到探测器上，探测器上的每个像素位置和强度表征光谱和强度。一个点对应一个谱段，一条线就对应一个谱面，因此探测器每次成像是空间一条线上的光谱信息，为了获得空间二维图像再通过机械推扫，完成整个平面的图像和光谱数据采集。 经过狭缝的光由于不同波长照射到不同的探测器像元上，光能量很低，因此需要选择高灵敏相机，同时需要加光源。例如系统如下：
声光可调谐滤波分光(AOTF)原理： AOTF由声光介质、换能器和声终端三部分组成。射频驱动信号通过换能器在声光介质内激励出超声波。改变射频驱动信号的频率，可以改变AOTF衍射光的波长，从而实现电调谐波长的扫描。 最常用的AOTF晶体材料为TeO2即非共线晶体，也就是说光波通过晶体之后以不同的出射角传播。如上图所示：在晶体前端有一个换能器，作用于不同的驱动频率，产生不同频率的振动即声波。不同的驱动频率对应于不同振动的声波，声波通过晶体TeO2之后，使晶体中晶格产生了布拉格衍射，晶格更像一种滤波器，使晶体只能通过一种波长的光。光进入晶体之后发生衍射，产生衍射光和零级光。 l AOTF系统组成： AOTF系统组成：成像物镜+准直镜+偏振片+晶体+偏振片+物镜+detector，入射光经过物镜会聚之后进入准平行镜(把所有的入射光变成平行光)，准平行光进入偏振片通过同一方向的传播的光，平行光进入晶体之后，平行于光轴的光按照原来方向前行，非平行光进行衍射，分成两束相互垂直o光和e光(入射光的波长不同经过晶体之后的o光与e光的角度也不同，因此在改变波长的过程中，图像会出现漂移);o 光和e光及0级光分别会聚在不同的面上。
基于高光谱的遥感图像的光谱角度分类方法的研究解读
基于高光谱的遥感图像的光谱角度分类方法的研究 中地数码集团有限公司刘天乐高伟陈启浩 摘要高光谱遥感技术是指在特定光谱域以高光谱分辨率同时获得连续的地物光谱图像，使得遥感应用可以在光谱维上进行空间展开，定量分析地球表层生物物理化学过程与参数。在特定的光谱特征下产生了特定的光谱库和特定的高光谱分类方法——光谱角度匹配方法。其具体过程是将光谱数据视为多维空间的矢量,利用解析方法计算像元光谱与参照光谱之间矢量的夹角,根据夹角的大小来确定光谱间的相似程度,以达到识别地物的目的。 关键字高光谱遥感光谱角度分类 一、引言 高光谱遥感技术的高速发展使得高光谱遥感在资源、环境、城市发展和生态平衡等各个方面有了广大的应用和快速的发展。在这其中，一个很大的应用就是利用高光谱遥感图像信息对地物进行精准的分类，如光谱角度匹配，交叉相关光谱匹配，光谱吸收特征匹配，二值编码匹配等。在这些分类中，光谱角度匹配分类是应用最广泛且最精确的分类方法之一。这种匹配可以不受增益因素影响，因为在计算两个向量之间的角度时，角度不受向量本身长度的影响。所以这种分类方法可以减弱地形对照度的影响，在地质矿物成图中的应用很有潜力。 二、高光谱遥感 高光谱遥感技术是指在特定光谱域以高光谱分辨率同时获得连续的地物光谱图像，使得遥感应用可以在光谱维上进行空间展开，定量分析地球表层生物物理化学过程与参数。由此看出高光谱传感器不同于只有几个波段数据的一般传感器，它在很窄的一段波长范围内可以探测到同一个地物点的多个反射值，既它的 光谱分辨率很大。因此，在相同的波长范围 中高光谱数据比一般传感器数据要多而精确，
这样使得地物的分类变得更加准确和有效。 高光谱遥感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 的太阳光内提供几乎连续的地物光谱； 4．数据量大：随着波段数年的增加，数据量成指数增加； 当然，由于相邻波段高度相关，冗余信息 也相对增加。 （图１不同传感器测量的高岭石的信号光谱）
高光谱图像分类实验报告
实验报告 姓名专业：学号日期：2015 年12 月22 日 课程名称：高光谱遥感指导教师（学生填写）： 成绩：教师签名： 一、实验项目：高光谱遥感图像的分类 二、实验类型（√选）：0演示实验；1验证实验；2综合实验；3设计性实验；4创新实验 三、实验目的：利用ENVI软件实现高光谱遥感图像的分类 四、实验准备：电脑一台，ENVI Classic软件，HSI数据 五、实验简要操作步骤及结果： 1、EFFORT Folishing处理。 本次实验所用HIS数据是进行了大气校正等处理后的数据，由于数据光谱曲线呈明显的锯齿状。所以先利用EFFORT Folishing工具进行处理。 1）选择Spectral->EFFORT Folishing 2）出现“Select EFFORT Input File”对话框，选择数据，点击OK。 3）出现“EFFORT Input Parameters”窗口，进行目标的选择以及参数的设置。
处理完成后生成数据Memory1 4）将处理前后同一像元的光谱曲线进行比较
处理前光谱曲线处理后光谱曲线 可以明显看出，经过EFFORT Folishing处理后的数据，其波谱曲线比较平缓，明显的锯齿状消失。 2、Spectral Angle Mapper 光谱角填图 光谱角填图是一种监督分类技术。该算法是将图像波谱直接同参考波谱匹配的一种交互式分类方法，是一种比较图像波谱与地物波谱或波谱库中地物波谱的自动分类方法。 定义示意图
计算公式 1)选择Spectral->Mapping Methods->Spectral Angle Mapper. 2)选择Memory1数据进行处理。出现Endmember Collection:Sam窗口。 3）在#3窗口选择Overlay->Region of Interest.用Zoom视野在图像上选择感兴趣区域（明显的地物类型区域）
ENVI下的图像融合方法 高保真融合 高光谱融合
ENVI下的图像融合方法高保真融合高光谱融合 (2011-07-27 08:33:41) 转载▼ 图像融合是将低空间分辨率的多光谱影像或高光谱数据与高空间分辨率的单波段影像重采样生成成一副高分辨率多光谱影像遥感的图像处理技术，使得处理后的影像既有较高的空间分辨率，又具有多光谱特征。图像融合的关键是融合前两幅图像的精确配准以及处理过程中融合方法的选择。只有将两幅融合图像进行精确配准，才可能得到满意的结果。对于融合方法的选择，取决于被融合图像的特征以及融合目的。 ENVI中提供融合方法有： ? HSV变换 ? ? Brovey变换 ? 这两种方法要求数据具有地理参考或者具有相同的尺寸大小。RGB输入波段必须为无符号8bit数据或者从打开的彩色Display中选择。 这两种操作方法基本类似，下面介绍Brovey变换操作过程。 （1）打开融合的两个文件，将低分辨率多光谱图像显示在Display中。 （2）选择主菜单-> Transform -> Image Sharpening->Color Normalized (Brovey)，在Select Input RGB对话框中，有两种选择方式：从可用波段列表中 和从Display窗口中，前者要求波段必须为无符号8bit。 （3）选择Display窗口中选择RGB，单击OK。 （4） Color Normalized (Brovey)输出面板中，选择重采样方式和输入文件路径及文件名，点击OK输出结果。 对于多光谱影像，ENVI利用以下融合技术： ? Gram-Schmidt ? ? 主成分（PC）变换 ? ? color normalized (CN)变换 ? ? Pan sharpening ? 这四种方法中，Gram-Schmidt法能保持融合前后影像波谱信息的一致性，是一种高保真的遥感影像融合方法；color normalized (CN)变换要求数据具有中心波长和FWHM，； Pansharpening融合方法需要在ENVI Zoom中启动，比较适合高分辨率影像，如QuickBird、IKONOS等。
高光谱复习资料
1 分析图像噪音的类型，针对不同类型的噪音采用不同的清除方法: 1)对条带噪音采用闽值法判别出，然后利用相邻行亮度的平均值来代替; 2)利用最近像元值代替该像元或中值滤波方法来消除图像的随机点状噪音; 3)利用MNF变换可以确定图像数据的固有维数，分离图像数据中的噪音，并可减少后续处理的计算量。 2 最小噪声分离变换（MNF变换） 1)定义：最小噪声分离变换（Minimum Noise Fraction Rotation，MNF Rotation）工具用于判定图像数据内在的维数（即波段数），分离数据中的噪声，减少随后处理中的计算需求量。 2)本质：MNF本质上是两次层叠的主成分变换。 第一次变换（基于估计的噪声协方差矩阵）用于分离和重新调节数据中的噪声，这步操作使变换后的噪声数据只有最小的方差且没有波段间的相关。 第二次是对噪声白化数据（Noise-whitened）的标准主成分变换。为了进一步进行波谱处理，通过检查最终特征值和相关图像来判定数据的内在维数。 3)性质：一是对图像的任何波段做比例扩展，变换结果不变； 二是变换使图像矢量、信息分离和加性噪声分量互相垂直。乘性噪声可以通过对数变换转换为加性噪声。变换后可针对各分量图像进行去噪、或者舍弃噪声占优势的分量。 3 SAM 1)概念：光谱角填图分类（SAM）是一种基于相关/匹配滤波器的分类方法，充分利用了光谱维的信息，强调了光谱的形状特征，大大减少了特征信息，是目前高光谱图像分类中较常用的方法。 2)SAM分类过程 1）参考光谱库的建立:一般的应用中，以图像中已知类型的区域为参考光谱，将区域中光谱的几何平均向量作为类中心。在实际的参考光谱库建立时，选择已知类型的区域作为参考光谱，然后获取该区域的平均光谱曲线，建立参考光谱库。 2）SAM分类:参考光谱库建立之后，就可根据公式计算未知像元与各类中心的夹角，然后将给未知像元分类到夹角最小的类别中去SAM分类。 3）为有效降低原始图像波段间的相关性，将原始图像进行主成分变换和MNF变换后，然后转换到原来的空间，再利用SAM方法采用与上面实验同样的阐值进行分类。 4 PPI：像元纯净指数:是用于从影像中提取出纯净的像元，用于进行分类或是波谱匹配。 5 Speetral Analyst 分析方法成功应用的关键: 1）选择合适的分析波长范围。许多地物在某些波段的光谱特征可能相同，但其它的波段特征就会有所不同，因此合理的选择光谱匹配的波段是得到精确结果的基础。 2）选择合适的分析方法，分析时要尽量选用能使分析的分值最高，而且其分值与第二分值差值较大的方法。 3）所要识别的像元最好是较纯像元，该方法对那些混合像元的分析可能会产生几个分值比较相近的结果，这样就无法将该像元正确地分到对应的类别中。 6 高光谱遥感的定义，特点，突出特点，与遥感的主要区别，成像技术的关键 1）定义:高光谱遥感是高光谱分辨率遥感是指利用遥感仪器在特定光谱域以高光谱分辨率(光谱分辨率在10nm以下)获取连续的地物光谱图像的遥感技术。 2)特点: ①光谱分辨率高(λ×10-2)；②波段多?数十到数百；③谱?像合一的特点④信息量大，一次数据获取达千兆(GB)级数据速率高，数十?数百兆比特/秒 3)突出特点：（1）高光谱分辨率（2）图谱合一（3）光谱通道多，在某一光谱段范围内连续成像 4)成像技术的关键：
高光谱图像融合算法研究与进展
总第271期 舰船电子工程Vol. 37 No. 1 2017年第 1 期 Ship Electronic Engineering 27 高光谱图像融合算法研究与进展$ 张筱晗杨桄杨永波黄俊华 (空军航空大学长春130022) 摘要高光谱图像融合是改善其图像质量的重要途径。将高光谱图像融合分为高光谱自身波段间的融合及其与高 空间分辨率的其他遥感图像如全色图像等融合两大类。从分析高光谱图像融合特点人手，回顾了近年来出现的融合算法, 阐述了其基本原理，进行了归纳、分类，指出各自的优缺点，并总结了现行高光谱图像融合算法的评价方法。最后，探讨了高 光谱图像融合下一步的研究方向。 关键词高光谱；图像融合；融合算法评价 中图分类号TP751 DOI：10. 3969/j. issa 1672-9730. 2017. 01. 007 Research Progress of Hyperspectral Image Fusion Algorithms ZHANG Xiaohan YANG Guang YANG Yongbo HUANG Junhua (Aviation University of Air Force, Changchun 130022) Abstract Hyperspectral images share rich spectral information while it also has the problem of data redundancy and low spatial resolution Image fusion is an effective way to improve its quality. According to the resource images of fusion, hyperspectral fusion can be classified into fusion among bands of hyperspectral data and fusion with images having higher spa-tial resolution such as panchromatic image. In this paper, main fusion methods of hyperspectral image are reviewed. The basic theory of those algorithms is analyzed and their advantages and disadvantages are also discussed. Besides, current fu-sion algorithm evaluation including indexes and methods is also summarized. At last, the direction of future research of this field is given. Key Words hyperspectral imagery, image fusion, fusion algorithm evaluation Class Number TP751 i引言 高光谱遥感能够获取地物丰富的光谱信息，在 目标检测、精细分类、人工解译等领域有着广阔的 应用前景[1]。然而，高光谱又存在严重的数据冗余 问题，其信息量与波段数目并不成正比;此外，由于 传感器能量有限，高光谱分辨率的获取往往以牺牲 空间分辨率为代价，图像通常存在空间分辨率较低 的问题。图像融合是提升高光谱图像质量的重要 方法。高光谱图像融合与通常意义下的多源遥感 图像融合有着细微的区别，除了参与融合的图像数 *量通常多于两幅，融合可能与数据降维联系在一起 外，融合的结果也随需求不同而呈现出多种形式，既可能是汇集了多幅图像细节特征的灰度或合成 彩色图像，又可能是空间分辨率得到提升的高光谱图像。 根据融合源图像类型不同，高光谱图像融合可 以分为高光谱图像波段间融合与高光谱图像与他 源图像融合两大类。高光谱图像波段间融合，是指 对高光谱图像去除冗余、合并互补信息到单一图 像[2]的过程。而高光谱与他源图像融合，包括高空 间分辨率的全色图像、多光谱图像以及SAR图像 *收稿日期=2016年7月11日，修回日期=2016年8月28日 基金项目：吉林省科技发展计划资助项目（编号：20140101213JC);吉林省教育厅“十二五”科研项目（编号：2015448) 资助。 作者简介:张筱晗，女，硕士，研究方向:高光谱遥感、图像解译。杨桄，男，博士后，教授，研究方向：遥感图像解译、地 理信息系统。
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。在三种表示方法中，特征空间表示法适合于模式识别中的应用。） 高光谱遥感技术将确定物质或地物性质的光谱与揭示其空间和几何关系的图像结合在一起。 支持向量机是1992~1995年由Vapnik等人在统计学习理论的基础上提出来的一种新的模式识别方法。SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。目前SVM已经被广泛应用于解决高维数据的监督分类中。支持向量机的核心思想是以构造风险最小化思想为归纳原则，通过非线性映射把样本投影到高维特征空间，在高维空间中构造VC维尽可能低的最优分类面，使分类风险上界最小化，从而使分类器对未知样本具有最优的推广能力。 我国尚未解决的SVM问题：目前支持向量机应用中，判别阈值都是以理论值0作为阈值，这在线性支持向量机情况下不会产生偏差，但是在非线性情况下，由于核函数的引进，SVM 的分类判别阈值会发生偏移而不再保持为0.这样仍然采用0作为阈值，势必会影响分类效
高光谱在遥感技术的应用
高光谱在遥感技术的应用 高光谱遥感技术（Hyperspectral Remote Sensing）的兴起是20世纪80年代遥感技术发展的主要成就之一.作为当前遥感的前沿技术，高光谱遥感在光谱分辨率上具有巨大的优势。，随着高光谱遥感技术的日趋成熟，其应用领域也日益广泛。本文主要阐述高光谱遥感的特点和主要应用。 1 高光谱遥感 孙钊在《高光谱遥感的应用》中提到，高光谱遥感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，利用成像光谱仪获取许多非常窄的光谱连续的影像数据的技术。 [1]高光谱遥感具有较高的光谱分辨率，通常达到10～2λ数量级。[2] 1.1 高光谱遥感特点 综合多篇关于高光谱的期刊文章，总结高光谱具有如下特点： （1）波段多，波段宽度窄。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。[3]与传统的遥感相比，高光谱分辨率的成像光谱仪为每一个成像象元提供很窄的(一般<10nm) 成像波段，波段数与多光谱遥感相比大大增多，在可见光和近红外波段可达几十到几百个，且在某个光谱区间是连续分布的，这不只是简单的数量的增加，而是有关地物光谱空间信息量的增加。[4] （2）光谱响应范围广，光谱分辨率高。成像光谱仪响应的电磁波长从可见光延伸到近红外，甚至到中红外。[5]成像光谱仪采样的间隔小，光谱分辨率达到纳米级，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。 （3）可提供空间域信息和光谱域信息，即“谱像合一”，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。在成像高光谱遥感中，以波长为横轴，灰度值为纵轴建立坐标系，可以使高光谱图像中的每一个像元在各通道的灰度值都能产生1 条完整、连续的光谱曲线，即所谓的“谱像合一”。 （4）数据量大，信息冗余多。高光谱数据的波段众多，其数据量巨大，而且由于相邻波段的相关性高，信息冗余度增加。 （5）数据描述模型多，分析更加灵活。高光谱影像通常有三种描述模型：图像模型、光谱模型与特征模型。 1.2 高光谱遥感的优势 高光谱遥感的光谱分辨率的提高，使地物目标的属性信息探测能力有所增强。因此，较之全色和多光谱遥感，高光谱遥感有以下显著优势:
高光谱遥感影像分类算法 - SVM
高光谱遥感影像分类算法——SVM 1高光谱遥感简介 20 世纪 80 年代以来，遥感技术的最大成就之一就是高光谱遥感技术的兴起[1]。高光谱遥感技术又称成像光谱遥感技术，始于成像光谱仪的研究[2]。所谓高光谱遥感(Hyperspectral Remote Sensing)通俗地说就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的方法。高光谱遥感的最大特点是，在获得目标地物二维空间影像信息的同时，还可以获得高分辨率的可表征其地物物理属性的光谱信息，即人们常说的具有“图谱合一”的特性。可见，与全色、彩色和多光谱等图像数据相比，高光谱影像革命性地把地物的光谱反射信息、空间信息和地物间的几何关系结合在了一起[3]。因此，可以很客观地说，高光谱遥感是代表遥感最新成就的新型技术之一，同时也是目前国内外学者，特别是遥感领域的学者的研究热点之一[4-5]。 2高光谱遥感研究背景 在以美国为代表的成像光谱仪研制成功，并获得高光谱影像数据后，高光谱遥感影像由于其蕴含了丰富的信息（包括地物的空间位置、结构以及光谱特性等信息）使得人们对地物的识别有了显著的提高，并且在许多方面和领域（比如，农业、林业、地质勘探与调查和军事等）都体现出了潜在的巨大应用价值[6]。虽然高光谱影像数据的确为我们的提供了丰富的对地观测信息，但也正是因为高光谱庞大的数据量和高维数的问题使得我们目前对高光谱数据的处理能力显得较为低效，而这也在一定程度上制约了高光谱数据在现实生产和生活的广泛应用与推广[7-8]。因此，为了响应人们对高光谱影像数据处理方法所提出的新的迫切要求，也为了充分利用高光谱数据所包含的丰富信息以最大程度地发挥高光谱的应用价值，我们必须针对高光谱数据的独有特点，在以往遥感图像数据处理技术的基础上，进一步改善和发展高光谱遥感影像处理分析的方法与技术。 3高光谱遥感分类研究 3.1分类的意义 分类是人类了解和认识世界的不可或缺的基本手段。人类的日常生活和生产实践都离不开，也不可能离开分类活动。面对海量数据，人类需要借助计算机来对自身感兴趣的数据进行自动、高效和准确地分类。这一迫切需求已体现在各个
图像融合算法
图像融合技术方法多样，大致归纳为：彩色相关技术、数学运算、图像变换 彩色技术：1）RGB彩色合成；2）HIS融合； 算术技术：比值（Brovey）变换法，此算法是将多光谱图像的相应空间分解为彩色和亮度成分并进行计算，Brovey 图像融合后RGB 的表达式如下: 红色通道层= Pan *R/ ( R + G+ B ) ; 绿色通道层= Pan *G / ( R + G+ B ) ; 蓝色通道层= Pan *B/( R + G+ B) ； 图像变换：1) 主成分分析变化法，在数据融合中, PC 常采用2 种方法, 一是用一幅高分辨率图像来替代多波段图像的第一主成分PC1; 二是对多波段图像的所有波段进行PC；第二种方法是对多遥感器图像数据或单遥感器多波段数据的所有波段经PC 后, 生成一幅图像文件, 以减少数据的冗余度； 2) Gram schmidt 变换法基于Gram Schm idt变换是线性代数和多元统计中常用的方法, 类似于P C 换法, 它可以对矩阵或多维影像进行正交变换,消除相关的多光谱波段之间的相关性。Gram _Schm idt波谱锐化方法通过对矩阵或多维影像进行正交化, 可以消除冗余信息。它与K L变换的区别在于: K_L变换的主分量包含的信息多,其他分量包含的信息少; Gram_Schm idt变换产生的是正交的分量, 各分量所含信息差不多。使用该变换可以对具有高分辨率的高光谱数据进行锐化。首先从低分辨率的波谱波段中复制出一个全色波段;接着对该全色波段和波谱波段进行Gram_Schm idt变换, 其中全色波段作为第一个波段; 然后用Gram _Schm idt变换后的第一个波段替换高空间分辨率的全色波段; 最后, 应用Gram_Schm idt反变换构成Pan锐化后的波谱波段。 3) 小波变换； 一般来说, 遥感图像信息融合过程分为三个层次,即预处理、信息融合与应用层, 如图 1 所示。 像素级融合的优点是能尽可能多地保持原始数据, 提供其他融合层次所不能或难于提供的细微信息。主要局限性有: 处理的数据量大、实时性差; 数据通信量较大, 抗干扰能力较弱; 配准精度要求高, 只能融合同类( 质) 传感器的图像;要克服低层次融合传感器原始信息的不确定性、不稳定性和不完全性, 必须在融合时有较高的纠错能力。 小波变换增强结果中容易出现分块效应,同时在一定程度上损失了全色图像的细节信息。 IHS变换 IHS变换扭曲了原始的光谱特性，产生了光谱的退化，容易造成光谱特征的畸变。
多光谱高光谱及成像光谱仪的区别
光谱技术知识讲堂1.2 多光谱、高光谱与高光谱成像仪的区别 高光谱成像是新一代光电检测技术，兴起于20世纪80年代，目前仍在迅猛发展中。高光谱成像是相对多光谱成像而言，高光谱成像方法获得的高光谱图像与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) 多光谱仪——光谱分辨率在10-1λ数量级范围内称为多光谱(Multi-spectral)，传感器在可见光和近红外区域一般只有几个波段，不能成像。 (2) 高光谱仪——光谱分辨率在10-2λ数量级范围内称为高光谱(Hyper-spectral)，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，但不能成像。 (3) 高光谱成像仪——光谱分辨率小于10nm，传感器在可见光和近红外区域可达数百个波段，而且测量结果以图像方式表达出来，每一个像元均由光谱曲线组成，可以更为准确地获取目的物的反射光谱。比起高光谱仪，高光谱成像仪对样品的测量定位更为精准。 众所周知，光谱技术能检测到被测物体的物理结构、化学成分等指标。多光谱仪及高光谱仪是基于点的测量，而高光谱成像仪的测量所得到是目的物面上的光谱图。因此，高光谱成像技术是光谱分析技术和图像分析技术发展的必然结果，是二者完美结合的产物。高光谱成像技术不仅具有光谱分辨能力，还具有图像分辨能力，利用高光谱成像技术不仅可以对待检测物体进行定性和定量分析，而且还能进对其进行定位分析。 高光谱成像系统的主要工作部件是成像光谱仪，它是一种新型传感器，研制这类仪器的目的是为获取大量窄波段连续光谱图像数据，使每个像元具有几乎连续的光谱数据。它是一系列光波在不同波长处的光学图像，通常包含数十到数百个波段，光谱分辨率一般为小于l0nm（如美国SOC公司的SOC730，具有300个波段，光谱分辨率达2nm）。由于高光谱成像所获得的高光谱图像对图像中的每个像素都能提供一条几乎连续的光谱曲线，其在待测物上获得空间信息的同时又能获得比多光谱更为丰富光谱数据信息，这些数据信息可用来生成复杂模型，来进行判别、分类、识别图像中的材料。 通过高光谱成像获取待测物的高光谱图像包含 了待测物的丰富的空间、光谱和辐射三重信息。这些 信息不仅表现了地物空间分布的影像特征，同时也可 能以其中某一像元或像元组为目标获取它们的辐射强 度以及光谱特征。影像、辐射与光谱是高光谱图像中 的3个重要特征，这3个特征的有机结合就是高光谱 图像。 高光谱图像数据为数据立方体(cube)。通常图像 像素的横坐标和纵坐标分别用z和Y来表示，光谱的 波长信息以(Z即轴)表示。该数据立方体由沿着光谱 轴的以一定光谱分辨率间隔的连续二维图像组成。 地面使用的成像光谱仪多为推扫式，配备旋转位移台或线形位移台，以产生两种效果：成像光谱仪运动而待测物目标静止，或者成像光谱仪静止而待测目标运动的效果。目前，已经有新型的地面成像光谱仪，如美国SOC710，利用仪器内部的扫描装置实现推扫成像，即光谱仪和被测物均不运动即可完成高光谱成像，而不需要配备位移云台，重量仅3kg，仪器更为轻巧便携，便于野外使用。 （本节完） 18