高光谱遥感影像的光谱匹配算法研究概要
https://www.360docs.net/doc/6617571034.html,
中国科技论文在线高光谱遥感影像的光谱匹配算法研究
蔡燕1，梅玲2作者简介：蔡燕，（1984-），女，硕士研究生，主要研究方向：高光谱遥感
通信联系人：梅玲，（1984-），女，助理工程师，主要研究方向：水文地质. E-mail: meilingcumt@https://www.360docs.net/doc/6617571034.html,
（1. 中国矿业大学环境与测绘学院，江苏徐州 221008；
2. 江苏煤炭地质勘探四队，南京 210046）
摘要：在高光谱遥感影像处理中，光谱匹配技术是高光谱地物识别的关键技术之一。本文主要围绕光谱匹配算法的研究展开，分析讨论了常用的几种光谱匹配技术的特点，根据先验知识建立了多种地物标准光谱库，并将其读入程序存储，基于Visual C++平台实现了最小距离匹配，光谱角度匹配，四值编码匹配法，最后基于混淆矩阵对分类图像进行精度比较分析并对三种编码匹配法进行比较。
关键词：高光谱；光谱匹配；最小距离匹配；光谱角度匹配；四值编码
中图分类号：TP751
The Study on the Spectral Matching Technique of
hyperspectral romote sensing
Cai Yan1, Mei Ling2
(1. School Of Environment Science and Spatial Informatics China University of Mining and
Technology, JiangSu XuZhou 221008;
2. JiangSu Geological Prospecting Team Four, NanJing 210046
Abstract: In the hyperspectral image processing, the spectral match technique is one of key techniques to identify and classify materials in the image. This paper addresses some issues of spectral matching methods. Several algorithms are analyzed and compared, such as minimum distance matching, spectral angle mapping and quad-encoding. According to the prior knowledge, standard spectral library including typical land-cover types is built, which is stored and used for spectral matching. All of work is done in the programming environment of Visual C++. Finally, the experimental results are tested and compared when classification accuracies are computed based on confusion matrixes.
Keywords:hyperspectral; spectral match; minimum distance matching; spectral angle mapping; quad-encoding
0 引言
高光谱遥感技术的发展和广泛应用是20世纪最具有标志性的科学技术成就之一，与传统的多光谱遥感技术相比，高光谱分辨率遥感的核心特点是图谱合一，即能获取目标的连续窄波段的图像数据[1]。高光谱遥感信息的分析处理集中于光谱
维上进行图像信息的展开和定量分析。
高光谱影像分类与地物识别是建立在传统的遥感图像分类算法基础之上，结合高光谱数据特点，对高光谱图像数据进行目标识别，是对遥感图像基本分类方法的扩展与延伸。高光谱遥感影像有着很高的光谱分辨率，且光谱通道连续，因此对于影像中的任一像元均能获取一条平滑而完整的光谱曲线，将其与地物波谱库中的光谱曲线进行匹配运算，实现地物识别与定量反演[2-4]。光谱匹配技术是成像光谱地物识别的关键技术之一，主要通过对地物光谱与参考光谱的匹配或地物光谱与数据库的比较，求算他们之间的相似性或差异性，突出特征谱段，有小提取光谱维信息，以便对地物特征进行详细分析[5]。本文紧紧围绕光谱匹配的算法分析了最小
距离法，光谱角度匹配法，以及四值编码法，进行精度分析与方法比较。
1 光谱匹配算法简介
1.1 最小距离匹配法基于光谱间的最小距离匹配算法与最小距离分类法几乎一致，只是最小距离匹配基于样本数据，将未知光谱和参考光谱数值之间距离进行计算，再根据最小二乘法进行分类匹配。光谱间的距离可以是欧氏距离、马氏距离和巴氏距离等。
最小距离匹配的算法流程如下：
1. 在标准光谱数据中选择一种地物一般以第一种开始；
2. 计算该标准地物与待匹配的像元的距离（图像中的第一波段第一行），首先进行波段之间的循环，将待匹配像元的50个波段值分别和标准地物进行距离计算；
3. 以欧式算法进行程序的实现，再进行样本循环，计算其它标准地物与待匹配像元之间的距离
2/112 ( (???????=∑=n j ij ij k i M x x d
其中，i 为标准光谱中地物类别数，n 为总波段数，ij M 为光谱库中第I 种地物在j 波段的反射率，重复（2）的做法；
4. 程序中我们采用逐行扫描，此时我们将第一种标准地物与下一个像元进行匹配计算，重复（2）和（3）；
5. 假设{}min ( (k i k m x d x d =（i=1，2，…c ；c 为光谱库中的地物类别数），且 (k m x d 不超过一定的阈值，则待匹配的地物k x 属于标准光谱中的第m 种地物。
1.2 光谱角度匹配法
光谱角度匹配(Spectral Angle Match, SAM 方法是把光谱看作多维矢量，通过计算一个测量光谱(像元光谱于一个参考光谱之间的“角度”来确定他们两者之间的相似性。 SAM 通过下式确定测试光谱i t 与一个参考光谱i r 的相似性：
????????????=∑∑∑===??b b b n i n i i n i i i i r t r t 12/1122/1121
( (/cos α
式中b n 等于波段数。这种两个光谱之间相似性度量并不受增益因素影像，因为两个向量之间的角度不受向量本身长度的影像[2]。这一点在光谱分类上可以减弱地形对照度的影响（它们的影响反映在同一方向直线的不同位置上）。结果，实验室光谱可以直接用来与遥感图像的反射率光谱比较而达到光谱识别的目的。
光谱角匹配的算法流程如下：
1. 在标准光谱数据中选择一种地物从第一种开始；
2. 首先是进行波段循环，将b n 个波段的灰度值作为一个多维矢量，将标准地物的光谱数据与待匹配的地物进行光谱向量的角度余弦值计算；
3. 在进行样本循环，计算其他标准样本数据与该带匹配像元的光谱向量余弦值；
4. 余弦值越大，表明向量角度越小，越匹配，并将该像元归于余弦值最大的一类；
5. 将下一地物依次与各标准地物光谱向量进行角度余弦计算，重复上述（2）（3）（4）
步骤；
6. 完成最终结果。 1.3 最小距离匹配法
为了在光谱库中对特定目标进行快速查找和匹配，Goetz 提出了光谱二值编码方法，
?
??==1n h 0n h ）（）（T n x T n x >≤ ( ( …=，，21n N 式中： (n x ——像元第n 通道的亮度值；
）
（n h ——像元第n 通道的编码； T ——选定的门限值，一般选为光谱平均亮度；
N ——总的波段数。
这样每个像元灰度值变为1bit ，像元的光谱变为一个与波段数长度相同的编码序列。然而有时这种编码不能提供合理的光谱可分性，也不能保证测量光谱和数据库里的光谱相匹配，一种改进的算法就是多值编码，文中采用了四值编码
[6,7]。四值编码的算法流程如下：
1. 对已知地物类别的光谱辐射值取平均值，得到阈值T ；
2. 根据阈值T 将光谱辐射值划分为两个区间[Xmin ,T]、[T , Xmax]；
3. 根据划分的两个区间重复（1）（2）步骤。得到四个区间[Xmin, TL、[TL,T 和[T,TR、
[TR, Xmax]；
4. 形成的四个区间分别用0，1，2，3表示；
5. 用同样的方法对待判定像元光谱曲线进行四值编码；
6. 使用异或方法，进行待判定光谱和已知光谱匹配（异或操作用于检查两个数是否有差别，有则为1，无则为0）；
7. 最后比较相等的个数，将待分类像元分到波段数目相似性最多的类别中。 2 实验与分析
2.1 实验数据
本论文采用美国内华达州的Cuprite 地区的遥感影像数据, 该地区是赤铜矿地区，数据来源于ENVI 遥感软件自带的遥感影像库。
参考光谱数据的选取主要依据两个网站提供的关于Cuprite 地区的分类结果图：（1）网站https://www.360docs.net/doc/6617571034.html,/documentation/cplates/59hyperspec.pdf；（2）网站https://www.360docs.net/doc/6617571034.html,/Sect13/Sect13_10.html共选了六类样本，如图1所示：绿色代表钠明矾石，蓝色代表方解石，黄色代表高岭石，紫色代表钾明矾石，红色代表未改变得，第六类青绿色代表其它矿石，并提取均值，作为标准样本数据，建立地物光谱库，地物光谱曲线如图2。
https://www.360docs.net/doc/6617571034.html,
中国
科技论文在线图1 高光谱遥感影像与训练样本的选取
Fig.1 Hyperspectral remote sensing imagery and training samples
图2 各种地物的光谱曲线图
Fig.2 spectra curves of features
2.2 实验流程
本文紧紧围绕光谱匹配的算法展开，基于Microsoft Visual C++平台读入，显示，输出了高光谱遥感影像，分析了最小距离匹配法，光谱角度匹配法，以及四值编码法并，进行精度分析与方法比较。实验流程图如图3所示：
https://www.360docs.net/doc/6617571034.html,
中国科技论文在线
图3. 光谱匹配流程图
Fig3. flow chart of Spectral Matching
2.3 实验结果与分析
经过最小距离匹配法，光谱角度匹配以及四值编码法实验后的高光谱遥感影像分别如图4中（a ），(b，(c所示，混淆矩阵如表1，表2和表3。论文中的所有精度分析基于同一个测试样本来计算混淆矩阵。并且所选的测试样本与训练样本是无重复的，第一类钠明矾石共选取137像元。第二类方解石共选取98个像元，第三类高岭石共选取60个像元，第四类钾明矾石共选取70个像元，第五类红色代表未改变得136个像元，第六类青绿色代表其它矿石共选取80个像元，通过混淆矩阵计算得出最小距离匹配后的分类图的总分类精度为83.6489%，Kappa 系数为
0.7989；光谱角度匹配的总分类精度为83.3046%，Kappa 系数为0.79414；四值编码排序的总分类精度为72.6334%，Kappa 系数为0.6730。
(a 最小距离匹配的结果图 (b 光谱角度匹配后的结果图保存匹配影像
匹配模型评价
精度分析
中国科技论文在线 https://www.360docs.net/doc/6617571034.html, (c 四值编码匹配后的结果图图 4 匹配后的结果图 Fig.4 the results of the image after e matching 表 1 最小距离匹配后的混淆矩阵 Tab.1 Confusion Matrix after minimum distance matching 地面参考数据钠明矾石方解石高岭石钾明矾石未改变得 137 31 6 0 9 0 48 0 0 28 0 1 54 0 0 0 0 0 70 0 0 18 0 0 99 0 0 0 0 0 表 2 光谱角度匹配后的混淆矩阵 Tab.2 Confusion Matrix after spectra angle matching 地面参考数据方解石高岭石钾明矾石未改变得 0 0 0 0 88 0 0 0 0 60 0 0 1 0 67 0 0 0 0 129 9 0 3 7 表 3 四值编码匹配后的混淆矩阵 Tab.3 Confusion Matrix after quad-encoding 地面参考数据方解石高岭石钾明矾石 0 6 0 98 0 2 0 54 0 0 0 67 0 0 0 0 0 1 分类结果钠明矾石方解石高岭石钾明矾石未改变得其他其他 0 0 0 3 2 78 分类结果钠明矾石方解石高岭石钾明矾石未改变得其他钠明矾石 128 0 0 9 0 0 其他 0 3 0 7 58 12 分类结果钠明矾石方解石高岭石钾明矾石未改变得其他钠明矾石 135 0 2 0 0 0 未改变得 5 6 0 4 0 121 其他 1 8 0 3 0 68 根据以上几种匹配方法得出的分类图以及精度表我们可以粗略看出四值编码匹配的精
度是最低的，因为它是一个粗略的匹配方法，但是它相对于二值编码匹配要效果好得多，此方法虽然会丢失很多细节光谱信息，但是能满足我们粗略识别地物光谱的需求。最小距离匹配对噪声比较敏感，去除噪声之后的精度会提高很多，此方法虽然还会受到光照或者其它的影像，使得波形发生平移，但是在此次试验中精度还是比较高的。光谱角度匹配法是一种比 -6-
中国科技论文在线较理想的方法能克服很多缺陷，只跟光谱在形状上的相似程度有关。 https://www.360docs.net/doc/6617571034.html, 3 结论与展望本文针对高光谱数据的特点通过VC 程序实现了三种光谱匹配算法，并对它们的匹配精度进行了比较，分析了他们各自的优缺点。对于一幅高光谱图像，应该如何针对不同的应用选择不同的光谱匹配技术，以及能否发展更为完善的光谱匹配算法并且能加强光谱数据库的分析功能，使得光谱数据库中集成已经成熟的模型和算法技术仍然值得探讨。 [参考文献] (References [1] 中国科学院:白继伟.基于高光谱数据库的光谱匹配技术研究
[D], 2002. [2] 武汉大学:李新双.光谱数据库的设计及光谱匹配技术研究[D].，2005.
[3] 中国科学院研究生院教材:童庆禧，张兵，郑兰芬.高光谱遥感——原理、技术与应用[M].高等教育出版社，2006. [4] 中科院遥感所遥感信息科学开放研究实验室年报:童庆禧，张岳，郑兰芬.高光谱遥感发展现状[J]， 1999， 246～258. [5] 红外与毫米波学报:许卫东，尹球，匡定波.地物光谱匹配模型比较研究[J]，2005，20（4）：296～300 [6] 中国矿业大学学报:杜培军，方涛，陈雍业.高光谱遥感数据光谱特征的提取与应用[J]， 2003， 32(5： 500～ 502. [7] 杜培军，苏红军.高光谱数据特征选择与提取研究[J].遥感技术与应用 2006，21（4）：287～293. -7-
高光谱遥感图像研究意义及现状
高光谱遥感图像研究意义及现状 1研究高光谱遥感图像的意义 (1) 2高光谱遥感图像分类以及其基本现状 (2) 2.1图像预处理 (3) 2.2定义感兴趣地物类别并标记训练样本 (3) 2.3特征提取与特征选择 (4) 2.4分类判决 (4) 1研究高光谱遥感图像的意义 遥感图像是按一定比例尺,客观真实地记录和反映地表物体的电磁辐射的强弱信息,是遥感探测所获得的遥感信息资料的一种表现形式，因此遥感技术应用的核心问题是根据地物辐射电磁辐射强弱在遥感图像上表现的特征,判读识别地面物体的类属及其分布特征。遥感图像特征取决于遥感探测通道、地物光谱特征、大气传播特征及传感器的响应特征等因素。只要了解这些因素对遥感图像特征的影响，则可按图像特征判读地面物体的属性及其分布范围，实现遥感图像的分类识别。 高光谱遥感图像是一种高维图像，可反映地物的空间信息和光谱信息，其数据量庞大。随着传感器的不断更新，人们已经可以在不同的航空、航天遥感平台上获取不同时空间分辨率和光谱分辨率的遥感影像。高光谱遥感与以往遥感技术相比，具有图谱合一的特征和从可见光到红外甚至热红外的一系列波段，是一种综合性的遥感技术手段。特别是在地面的信息比较微弱的情况下，高光谱遥感具有识别微弱信息和定量探测的优势。 发展高光谱遥感技术，满足军事和民用对该技术的需求，开展该领域的研究是非常必要而有实际意义的。发展以地物精确分类、地物识别、地物特征信息提取为目标的超光谱遥感信息处理模型，提高超光谱数据处理的自动化和智能化水平。 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，而许多物质的特征往往表现在一些狭窄的光谱范围内，高光谱遥感实现了获取地物的光谱特征同时又不失其整体形态及其与周围地物的关系。 高光谱技术产生的一组图像所提供的丰富信息可以显著地提高数据分析的质量、细节性、可靠性以及可信度，可有效地用于地物类型的像素级甚至亚像素级识别，己广泛应用于地质勘探与地球资源调查、城市遥感与规划管理、环境与
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。
高光谱成像国内外研究与应用
前言 随着科学技术的发展，人们的感官得到了延伸，认识事物的能力也不断的提高，其中光谱成像和雷达成像成为其中的佼佼者，高谱和图像使人们能够在大千世界更好的认识到事物。高光谱成像技术作为一项优点显著，实用的成像技术，从20世纪80年代开始得到了世界各国的重视，经过深入的研究和发展如今已经被广泛地应用于各个领域。 高光谱遥感是当前遥感技术的前沿领域,它利用很多很窄的电磁波波段从感兴趣的物体获得有关数据，它包含了丰富的空间、辐射和光谱三重信息。高光谱遥感的出现是遥感界的一场革命,它使本来在宽波段遥感中不可探测的物质,在高光谱遥感中能被探测。 高光谱成像技术是基于非常多窄波段的影像数据技术，其中最突出的应用是在遥感探测领域，并在民用领域有着更大的应用前景。 本文通过分析介绍高光谱图像的成像原理，探讨了高光谱图像在国内外发展现状及其应用。
1.高光谱图像成像原理及特点 1.1高光谱遥感基本概念 高光谱遥感是通过高光谱传感器探测物体反射的电磁波而获得地物目标的空间和频谱数据，成立于20世纪初期的测谱学就是它的基础。高光谱遥感的出现使得许多使用宽波段无法探查到的物体，更加容易被探测到，所以高光谱遥感的出现时成功的是革命性的。 1.2高光谱图像成像原理 光源相机（成像光谱仪+ccd）装备有图像采集卡的计算机是高光谱成像技术的硬件组成，其光谱的覆盖范围为200-400nm，400-1000nm，900-1700nm，1000-2500nm。其中光谱相机的主要组成部分为准直镜，光栅光谱仪，聚焦透镜以及面阵ccd。 其扫描过程是当ccd探测器在光学焦面的垂直方向上做横向扫描（x），当横向的平行光垂直入射到投身光栅是就形成了光栅光谱，这是象元经过高光谱仪在ccd上得出的数据，它的横向式x方向上的像素点也就是扫描的象元，它的总想是各象元对应的信息。在检测系统输送前进是排列的他测器完成纵向扫面（y）。综合扫描信息即可得到物体的三围高光谱数据。 1.3高光谱遥感的特点 （1）波段多且宽度窄能够使得高光谱遥感探测到别的宽波段无法探测到的物体。 （2）光谱响应范围更广和光谱分辨率高使得它能够更加精细的发硬出被探测物的微小特征。 （3）它可以提供空间域和光谱域信息也就是“谱像合一”。 （4）数据量大和信息冗余多，由于高光谱数据的波段多，其数据量大，而且和相邻波段的相关性比较高就使得信息冗余度增加很多。 （5）高光谱遥感的数据描述模型多能够分析的更灵活。经常使用的3种模型有：图像，光谱和特征模型。 1.4高光谱的优势 随着高光谱成像的光谱分辨率的提高，其探测能力也有所增强。因此，与全色和多光谱成像相比较，高光谱成像有以下显著优著: (1)有着近似连续的地物光谱信息。高光谱影像在经过光谱反射率重建后，能获取与被探测物近似的连续的光谱反射率曲线，与它的实测值相匹配，将实验室中被探测物光谱分析模型应用到成像过程中。 (2)对于地表覆盖的探测和识别能力极大提高。高光谱数据能够探测具有诊断性光谱
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）
高光谱遥感影像的光谱匹配算法研究概要
https://www.360docs.net/doc/6617571034.html, 中国科技论文在线高光谱遥感影像的光谱匹配算法研究 蔡燕1，梅玲2作者简介：蔡燕，（1984-），女，硕士研究生，主要研究方向：高光谱遥感 通信联系人：梅玲，（1984-），女，助理工程师，主要研究方向：水文地质. E-mail: meilingcumt@https://www.360docs.net/doc/6617571034.html, （1. 中国矿业大学环境与测绘学院，江苏徐州 221008； 2. 江苏煤炭地质勘探四队，南京 210046） 摘要：在高光谱遥感影像处理中，光谱匹配技术是高光谱地物识别的关键技术之一。本文主要围绕光谱匹配算法的研究展开，分析讨论了常用的几种光谱匹配技术的特点，根据先验知识建立了多种地物标准光谱库，并将其读入程序存储，基于Visual C++平台实现了最小距离匹配，光谱角度匹配，四值编码匹配法，最后基于混淆矩阵对分类图像进行精度比较分析并对三种编码匹配法进行比较。 关键词：高光谱；光谱匹配；最小距离匹配；光谱角度匹配；四值编码 中图分类号：TP751 The Study on the Spectral Matching Technique of hyperspectral romote sensing Cai Yan1, Mei Ling2 (1. School Of Environment Science and Spatial Informatics China University of Mining and Technology, JiangSu XuZhou 221008;
2. JiangSu Geological Prospecting Team Four, NanJing 210046 Abstract: In the hyperspectral image processing, the spectral match technique is one of key techniques to identify and classify materials in the image. This paper addresses some issues of spectral matching methods. Several algorithms are analyzed and compared, such as minimum distance matching, spectral angle mapping and quad-encoding. According to the prior knowledge, standard spectral library including typical land-cover types is built, which is stored and used for spectral matching. All of work is done in the programming environment of Visual C++. Finally, the experimental results are tested and compared when classification accuracies are computed based on confusion matrixes. Keywords:hyperspectral; spectral match; minimum distance matching; spectral angle mapping; quad-encoding 0 引言 高光谱遥感技术的发展和广泛应用是20世纪最具有标志性的科学技术成就之一，与传统的多光谱遥感技术相比，高光谱分辨率遥感的核心特点是图谱合一，即能获取目标的连续窄波段的图像数据[1]。高光谱遥感信息的分析处理集中于光谱 维上进行图像信息的展开和定量分析。 高光谱影像分类与地物识别是建立在传统的遥感图像分类算法基础之上，结合高光谱数据特点，对高光谱图像数据进行目标识别，是对遥感图像基本分类方法的扩展与延伸。高光谱遥感影像有着很高的光谱分辨率，且光谱通道连续，因此对于影像中的任一像元均能获取一条平滑而完整的光谱曲线，将其与地物波谱库中的光谱曲线进行匹配运算，实现地物识别与定量反演[2-4]。光谱匹配技术是成像光谱地物识别的关键技术之一，主要通过对地物光谱与参考光谱的匹配或地物光谱与数据库的比较，求算他们之间的相似性或差异性，突出特征谱段，有小提取光谱维信息，以便对地物特征进行详细分析[5]。本文紧紧围绕光谱匹配的算法分析了最小 距离法，光谱角度匹配法，以及四值编码法，进行精度分析与方法比较。
一种无监督高光谱图像分类算法
中国图象图形学报第１３卷 本文选取的实验图像是一幅具有２２４个波段的高光谱图像（图３（ａ）），其不仅波段较多，同时地物类型复杂，主要有植被、田地、建筑物、道路、水域、沼泽地、裸土等地物类别。由图３实验结果可以看出，在由ＥＮＶＩ软件提供的无监督聚类算法——Ｋ—Ｍｅａｎｓ的分类结果中有明显的误分现象；ＳＡＭ方法是一种经典的分类方法，但是该方法的缺点是需要事先建立光谱数据库，本实验中的代表光谱是直接用手工取自待分类的数据源，由于只选择了７种 （ａ）美幽加利倡尼哑州典菲特场（Ｍｏｆｌｅｔｔｆｉｅｌｄ）的幅 ＡＶＩＲＩＳ高）匕谱数槲的５０．３７，１７波段伪彩合成图不同地物，所以只分了７类（图３（Ｃ））。由于将所有像元按最相似的方式归到所指定的７类中，所以分类结果和实际地物有一定的差别，但是总体分类效果尚可；从图３（ｄ）可以看出，本文所给的无监督分类算法可获得较好的分类效果。另外，本实验选取的高光谱图像地物种类本身已经比较复杂，对于地物分布规则，种类较少的高光谱数据，本算法能得到更好的分类结果，限于篇幅，这里没有再给出其他的实验结果图。 （ｂ）基于ＥＮＶＩ软件的Ｋ．Ｍｅａｎｓ算法的分类结果 （迭代次数为２０次．分为２５类） （ｃ）ＳＡＭ方法的分类±＾粜（，，为７类，所采川的代表光（ｄ）本算法的ｊ，类结果（分２３类）谱由源高光谱数据中手工提取） 图３高光谱数据的伪彩合成图及不同分类方法的分类结果 Ｆｉｇ．３Ａｒｔｉｆｉｃｉａｌｃｏｌｏｒｉｍａｇｅｏｆｔｈｅｏｒｉｇｉｎａｌｈｙｐｅｒｓｐｅｃｔｒａｌ ｄａｔａａｎｄｔｈｅｒｅｓｕｌｔｓｏｆｄｉｆｉｅｒｅｎｔｍｅｔｈｏｄｓ 本实验在ＣＰＵ为Ｐ４－２．５９，５１２Ｍ内存的计算机上得到的３种方法的运行时间如表ｌ所示。需要说明的是，算法的运行时间不仅取决于算法和计算机配置，而且还和待分类的数据源、选择的波段数有关。由于本实验中选取了全部２２４个波段的数据，而且地物类型复杂，所以算法耗时较多，在实际应用中可以采取降维的方式来选取部分波段数据，以便减少运行时间。 表１不同方法运行时间（Ｓ） Ｔａｂ．１Ｒｕｎｎｉｎｇｔｉｍｅ（ｓ） 高光谱图像的分类精度，主要由以下３个因素决定：（１）源数据的质量；（２）所采取的分类算法； （３）用于地物识别的特征光谱或样本光谱。对于
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
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）
高光谱研究综述
浙江师范大学 研究生课程论文封面 课程名称：遥感理论与技术 开课时间： 2014-2015年第一学期 学院地理与环境科学学院学科专业自然地理学 学号2014210580 姓名张勇 学位类别全日制硕士 任课教师陈梅花 交稿日期2015年1月21日 成绩 评阅日期 评阅教师 签名 浙江师范大学研究生学院制
高光谱遥感应用研究综述 张勇 （浙江师范大学地理环境与科学学院，浙江金华321004） 摘要：高光谱遥感是近二十年发展起来的谱像和一的遥感前沿技术。虽然发展时间不长，但由于其本身的特点，使其获得了广泛的重视和应用。本文阐述了高光谱遥感的特点、优势，以及在航空及航天领域的发展情况，列举了几种典型高光谱成像仪的光学系统原理和主要技术指标。在此基础上，概述了高光谱遥感在植被生态、大气环境、地质矿产、海洋、军事等领域的应用情况。最后对高光谱遥感发展趋势提出了几点建议，包括低反射率目标遥感、高信噪比、高空间分辨率及宽覆盖范围等方面。 关键字：高光谱遥感；应用；成像光谱以；研究综述 Conclusion application of hyperspectral remote sensing Zhang Yong (Geography and environmental sciences, Zhejiang Normal University, Jinhua 321004) Abstract:Hyperspectral remote sensing, developed in the late twenty years, is the advanced technology of remote sensing. Because of its characters, Hyperspectral Remote Sensing has been attached importance to and used widly. The characteristics and advantages of hyperspectral remote sensing, and development situation are presented in the fields of aviation and aerospace. Several typical hyperspectral imager optical system principle and the main technical indicators are particularized. At the same time, the applications with hyperspectral remote sensing in vegetation ecology, atmospheric science ,geology and mineral resources, marine and military fields are summarized. The suggestions for the future development trend of hyperspectral remote sensing are given in the end，including the remote sensing of low reflectivity target, high signal-to-noise ratio, high spatial resolution and wide coverages. Keywords: hyperspectral remote sensing；application；imaging spectrometer 1 引言 遥感是20世纪60年代发展起来的对地观测综合性技术，是指应用探测仪器，不与探测目标相接触，从远处把目标的电磁波特性记录下来，通过分析，揭示出物体的特征性质及其变化的综合性探测技术[1]。经过几十年的发展，无论在遥感平台、遥感传感器、还是遥感信息处理、遥感应用等方面，都获得了飞速的发展，目前遥感正进入一个以高光谱遥感技术、微波遥感技术为主的时代。本文系统地阐述了高光谱遥感技术在分析技术及应用方面的发展概况，并简要介绍了高光谱遥感技术主要航空/卫星数据的参数及特点。 1.1高光谱遥感简介 高光谱遥感技术又称为成像光谱技术，是指利用很多很窄的电磁波波段从感兴趣的物体获取有关数据[2]。它是源于多光谱遥感技术，以测谱学为基础在二十世纪八十年代初发展起
基于深度学习的高光谱图像分类方法
Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2017, 6(1), 31-39 Published Online February 2017 in Hans. https://www.360docs.net/doc/6617571034.html,/journal/airr https://https://www.360docs.net/doc/6617571034.html,/10.12677/airr.2017.61005 文章引用: 袁林, 胡少兴, 张爱武, 柴沙陀, 王兴. 基于深度学习的高光谱图像分类方法[J]. 人工智能与机器人研究, A Classification Method for Hyperspectral Imagery Based on Deep Learning Lin Yuan 1, Shaoxing Hu 1, Aiwu Zhang 2, Shatuo Chai 3, Xing Wang 3 1School of Mechanical Engineering and Automation, Beihang University, Beijing 2 Colledge of Resource Environment and Tourism, Capital Normal University, Beijing 3 Animal husbandry and Veterinary Hospital of Qinghai University, Xining Qinghai Received: Feb. 3rd , 2017; accepted: Feb. 18th , 2017; published: Feb. 24th , 2017 Abstract Remote sensing hyperspectral imaging can obtain abundant spectral information, which provides the possibility for the analysis of high precision terrain. The hyperspectral image has the charac-teristics of “map in one”, and the full use of spectral information and spatial information in hy- perspectral image is the premise of obtaining accurate classification results. Deep learning stack machine model in automatic encoding (Stack Auto-Encoder SAE) can effectively extract data in nonlinear information, and convolutional neural network (Convolutional Neural Network, CNN) can automatically extract features from the image. Based on this, this paper presents a classifica-tion method of hyperspectral images based on deep learning. Firstly, the spectral dimension of the hyperspectral data is reduced using automatic encoding machine, then convolutional neural net-work is used as the classifier, and the pixel and its neighborhood pixels are classified together as the input of the classifier, so as to realize the hyperspectral image classification with spectral space. Keywords Hyperspectral, Image Classification, Depth Learning, Automatic Coding Machine, Convolutional Neural Network 基于深度学习的高光谱图像分类方法 袁 林1，胡少兴1，张爱武2，柴沙陀3，王 兴3 1北京航空航天大学机械工程及自动化学院，北京 2 首都师范大学资源环境与旅游学院，北京 3 青海大学畜牧兽医院，青海 西宁 收稿日期：2017年2月3日；录用日期：2017年2月18日；发布日期：2017年2月24日