高光谱特征参量化
高光谱光谱特征增强
高光谱光谱特征增强
高光谱光谱特征增强是一种通过对高光谱数据进行处理，增强其光谱特征的方法。
在高光谱图像中，每个像素都对应着一个包含多个波段的光谱信息，而这些波段可以提供物体的细节信息，如颜色、材质、形状等。
但是，由于高光谱数据的维度很高，其中很多波段可能与目标物体无关，因此需要进行特征提取和选择，以便更好地分析和识别目标。
高光谱光谱特征增强的方法包括：
1. 去除噪声：高光谱数据中可能存在噪声，如散射、大气干扰等，这些噪声会影响到特征的提取和识别。
因此，需要对数据进行去噪处理，使得数据更加干净、准确。
2. 特征提取：对高光谱数据进行特征提取，以便更好地描述物体的光谱特征。
常用的特征提取方法包括主成分分析(PCA)、线性判别分析(LDA)、独立成分分析(ICA)等。
3. 特征选择：在提取到光谱特征后，需要对其进行选择，以便更好地区分不同的物体。
特征选择方法包括信息增益、相关系数、卡方检验等。
4. 特征融合：将多个特征融合起来，以便更好地描述目标物体的光谱特征。
常用的特征融合方法包括主成分分析和小波变换。
通过高光谱光谱特征增强方法，可以有效地提高光谱数据的分析和识别精度，对于农业、地质、环境监测等领域具有重要的应用价值。
- 1 -。
高光谱图像特征提取方法的研究与应用
高光谱图像特征提取方法的研究与应用一、引言高光谱图像是一种具有连续光谱信息的遥感图像，其特点是波段数量多且连续。
高光谱图像的分析和处理旨在提取图像中的有效特征，以实现对地物分类、目标检测和环境监测等应用。
本文旨在综述当前高光谱图像特征提取方法的研究进展，并探讨其在实际应用中的潜力。
二、高光谱图像特征提取方法1. 光谱特征提取方法光谱特征提取是高光谱图像分析的基础，通过利用图像中不同波段的光谱信息来揭示地物的特征。
常见的光谱特征提取方法包括像元光谱特征、平均光谱特征和主成分分析等。
像元光谱特征是指通过对图像中单个像素的光谱进行分析，来获取地物光谱特征的方法。
平均光谱特征则是对图像中某一区域内的像素光谱进行求平均，以得到该区域的光谱特征。
2. 空间特征提取方法除了光谱信息外，高光谱图像还包含丰富的空间信息。
因此，空间特征提取方法在高光谱图像处理中也起着重要的作用。
常见的空间特征提取方法包括纹理特征提取和形状特征提取。
纹理特征提取通过分析地物的纹理分布来揭示其特征。
常用的纹理特征提取方法包括灰度共生矩阵（GLCM）和小波变换等。
形状特征提取则通过对地物的外形进行分析，以提取地物的形状特征。
3. 混合特征提取方法为了更准确地描述地物的特征，研究者们也提出了混合特征提取方法，将光谱特征和空间特征相结合。
例如，光谱–空间特征提取方法可以通过光谱相似性和空间相似性来同时描述地物的特征。
此外，也有研究者提出了基于深度学习的特征提取方法，通过深度神经网络模型自动学习并提取高光谱图像中的特征。
三、高光谱图像特征提取方法的应用高光谱图像特征提取方法在许多领域中都有广泛的应用，下面分别介绍其中的几个应用场景。
1. 地物分类地物分类是高光谱图像处理中的重要应用之一。
通过提取地物的光谱特征、纹理特征和形状特征，可以将高光谱图像中的地物按照类别进行分类。
这在土地利用监测、环境保护和农业管理等领域中都有重要的作用。
2. 目标检测高光谱图像中的目标检测是指通过提取图像中目标的特征，以实现对目标的自动识别和检测。
高光谱数据质量评价课件
综合评价法
综合评价法是指结合 主观评价法和客观评 价法对高光谱数据质 量进行评价的方法。
通过主观评价法对图 像的视觉效果进行评 价，同时利用客观评 价指标对数据的量化 特性进行评估。
综合评价法的优点是 可以全面地考虑数据 的视觉效果和量化特 性，提供更准确的评 价结果。
缺点是需要投入更多 的时间和精力进行数 据分析和处理。
去噪
消除高光谱数据中的 噪声，提高数据质量
。
校正
对光谱数据进行辐射 校正、大气校正等， 消除外部因素对数据
的影响。
裁剪
根据实际需求，对原 始高光谱数据进行裁 剪，保留感兴趣区域
。
重排列
对原始高光谱数据进 行重排列，便于后续
处理和分析。
数据增强
归一化
将高光谱数据归一化到同一量纲，便于比 较和分析。
融合
智能化评价
利用人工智能和机器学习技术，实现高光谱数据 质量的自动评价和分类。
多源数据融合
将不同来源的高光谱数据进行融合，提高数据质 量和应用效果。
遥感与GIS结合
将高光谱数据与地理信息系统（GIS）相结合，实 现空间信息和光谱信息的综合利用。
高光谱数据质量评价在各领域的应用前景
环境监测
利用高光谱数据质量评价技术， 实现对大气、水体、土壤等环境 要素的实时监测和评估。
高光谱数据具有高分辨率、高光谱分辨率和高空 间分辨率的特点，能够提供丰富的地物特征和光 谱特征。
高光谱数据的获取方式
高光谱数据的获取通常采用航空航天遥感技术，通过搭载高光谱传感器的卫星或飞机对地面进 行观测。
获取的高光谱数据需要进行预处理和后处理，包括辐射定标、大气校正、几何校正等步骤，以 保证数据的准确性和可靠性。
高光谱数据预处理流程
高光谱数据预处理流程
高光谱数据预处理流程主要包括以下步骤：
噪声去除：由于高光谱图像数据常常受到多种噪声的干扰，如设备噪声、环境噪声等，这些噪声会影响图像的质量，因此需要采取有效的方法去除。
常用的噪声去除方法包括平滑滤波、中值滤波和小波变换等。
图像校正：由于高光谱成像仪的工作原理和环境因素的影响，常常会导致图像出现几何畸变和辐射失真等问题。
因此，需要进行图像校正，以恢复图像的几何形状和辐射特性。
常用的图像校正方法包括多项式回归、仿射变换和径向畸变校正等。
图像融合：高光谱图像数据通常由多个波段组成，这些波段之间存在一定的相关性。
为了提高图像的分辨率和信息量，可以将多个波段进行融合，从而得到一个更加丰富的图像。
常用的图像融合方法包括基于像素的融合、基于区域的融合和基于小波变换的融合等。
归一化：高光谱图像数据的量级通常很大，不同波段之间的数值范围也存在较大的差异。
为了使不同波段之间的数值具有可比性，需要进行归一化处理。
常用的归一化方法包括最大最小归一化、对数归一化和标准化等。
请注意，具体流程可能因数据类型和研究需求而有所差异。
在实际操作中，建议咨询具有相关经验和专业知识的工程师或研究人员。
另外，高光谱数据处理流程除了以上预处理步骤外，还包括显示图像波谱、选择需要的光谱波段进行输出等步骤。
具体流程可能因实际情况而有所不同，建议根据实际情况调整和优化处理流程。
高光谱遥感
(一)高光谱遥感基本概念1、高光谱遥感特点波段特点：波段多、波段宽度窄、不断连续数据量特点：数据量大、数据冗余增加2、波谱空间与光谱空间光谱特征空间：以波段为维度的空间，波段增加会导致光谱空间维度增加。
波普特征空间：不同波段影像所构成的测度空间。
3、高光谱数据图谱合一的特点高光谱数据同时反映地物的空间特征（图）和光谱特征（谱）。
(二)成像光谱仪1、成像光谱仪的空间成像方式和光谱成像方式的含义空间成像方式：从影像二维空间形成角度考察成像光谱仪的工作方式。
光谱成像方式：从光谱维数据形成的角度考察成像光谱仪的工作方式。
2、成像光谱仪的瞬时视场角（IFOV）仪器视场角（FOV）瞬时视场角：以毫弧度为计量单位，所对应的地面大小被称为地面分辨单元。
仪器视场角：仪器扫描镜在空中扫过的角度，与系统平台高度决定了地面扫描幅宽。
摆扫型：单个像元凝视时间短,进一步提升光谱分辨率和信噪比较困难。
推扫型：凝视时间长,分辨率高,仪器体积小(无光机),视场角小(30°)定标量大不稳定。
3、成像光谱仪的三种定标方式共性：出于同一目的，特定情况下都是不可缺少的。
差异：处于不同阶段，考虑因素不同，入瞳辐射值获取方式不同（实验室定标：有实验室测得，原始定标，准确度高，后续定标基础）（机上星上定标：综合性定标，对前一项进行的修正，机上星上测得考虑搬运安装操作影响）（场地定标：入轨后实际运行情况，大面积均匀地表做参照,考虑大气传输，多通道大范围）场地定标的常用方法：反射基法（气溶胶参数）、辐照度基法（过程）、辐亮度基法（人力）机上定标一般使用内定标法，星上定标受制于体积一般进行辐射定标（人造辐射源/太阳）光谱定标：确定成像光谱仪增益系数和偏置量之前，必须通过光谱定标，获得成像光谱仪每个波段的中心波长和带宽。
辐射定标：确定成像光谱仪在该波长小输入辐射能与输出响应关系（增益系数和偏置量）4、空间分辨率和光谱分辨率光谱分辨率：指探测器波长方向上的记录宽度，又称波段宽度（50%）空间分辨率：由仪器瞬时视场角决定，地面分辨单元。
机载高光谱技术的特点 高光谱数据 点云建模 三维制图
机载高光谱技术的特点高光谱技术是对地观测的高尖端技术之一，在地学领域具有广泛的应用前景。
随着我国经济的高速增长，城市化水平的不断提高，资源枯竭、环境污染与破坏等问题也日趋严重，在这种条件下，高光谱技术将发挥重要的作用，并将带来显著的经济与社会效益。
目前，该技术已开始应用到地质与矿产资源调查、环境污染与生态检测和防治、土地资源和水资源利用与管理等领域。
高光谱技术的发展已促使地学研究的范围、尺度、内容和研究方法产生革命性的变化，其与GIS、 GPS技术的结合，为地学研究源源不断地提供高精度定位、高频度、多频谱不同级次的宏观影像，极大地拓宽了人类的视野和视觉能力，使人类真正能够从总体上把地球作为一个统一的系统加以分析，在不同级次上揭示地球各个圈层的相互联系和相互作用。
归纳起来，目前高光谱技术应用发展存在五大特点。
1)高光谱分辨率与高空间分辨率美国科学家通过对AVIRIS数据所进行的一系列研究，包括低空和高空试验飞行后认为，20m/pixel 的空间分辨率能够对岩石矿物进行一定程度的识别，但是对更为精细信息(如植株信息)的探测却较为困难。
同时，高光谱仪幅宽普遍较窄(含星载数据)，以致重复飞行造成飞行成本较高。
因此随着高光谱应用技术的不断深入，以及对地物精微特征探测的需求，传感器更加趋向于朝高光谱分辨率、更高空间分辨率，以及更大幅宽方向发展。
20世纪90年代至21世纪初，高光谱技术已经由试验研究逐步走向商业化运营，其全球研究所需空间分辨率大致锁定在30m/pixel。
而军事和商业运营空间分辨率趋向几米甚至更小，数据获取幅宽也极大地提高，光谱分辨率也呈线性增长。
利用高光谱仪所获取的海量数据，可以提供更为精细的地表信息，实现采用宏观手段对地表微观特征进行识别与研究，使人们可以在不同领域分别得到相关的、丰富的地物内在信息，从而从物质的内在本质进行宏观把控、可持续管理等；这样也促使地学研究将空间尺度的信息与地学机理有机结合，实现遥感地学应用的综合与模型化。
09高光谱特征提取讲解
09高光谱特征提取讲解高光谱特征提取是指从高光谱图像数据中提取出具有辨别能力的特征，用于分类、聚类、目标检测等高光谱图像分析任务中。
高光谱图像是指在可见光波段和近红外波段（通常是400-2500nm）内连续采集物体的反射光谱信息。
相比于普通彩色图像，高光谱图像包含了更丰富的光谱信息，因此在很多领域有着广泛的应用，比如农业、环境监测、地质勘探等。
高光谱特征提取主要包括以下几个步骤：1.光谱反射率预处理：对原始高光谱图像进行预处理是第一步，目的是去除光照影响、噪声等。
通常包括大气校正、辐射校正等处理。
2.光谱特征提取：在预处理后的高光谱图像上，提取能够描述物体光谱特征的一组特征。
常用的高光谱特征包括统计特征、小波变换、主成分分析（PCA）、线性判别分析（LDA）等。
-统计特征：通过直方图、均值、方差等统计量来描述光谱分布的特性，常用的方法有均值改进提取特征。
-小波变换：使用小波变换对高光谱图像进行频域分析，提取频域特征。
-PCA：通过对样本特征向量的协方差矩阵进行特征值分解，得到一组主成分，用于描述数据的变异情况。
-LDA：通过最大化类间散度和最小化类内散度，实现对数据进行降维和分类。
3.特征选择：对提取的高光谱特征进行选择，选择能够最好地区分不同类别的特征。
常用的特征选择方法有相关系数法、信息增益法、最大相关性法等。
4.特征降维：当特征维度过高时，会导致计算复杂度增加、分类效果下降等问题。
因此需要对高维特征进行降维，常用的降维方法有主成分分析（PCA）、线性判别分析（LDA）等。
5.分类器构建与训练：根据具体的应用需求，选择适当的分类器，并使用训练样本对其进行训练。
6.特征分类与评估：使用训练好的分类器对测试样本进行分类，计算分类结果的准确性、召回率、精确率等指标来评估分类效果。
除了上述方法外，还有一些其他的高光谱特征提取方法，如光谱相似性匹配、光谱角匹配、地物指数等。
这些方法都是为了从高光谱图像中提取出能够描述物体光谱特征的特征向量，用于后续的分类、聚类、目标检测等任务。
高光谱遥感考试必备
1.高光谱分辨率遥感:用很窄（10-2λ）而连续的光谱通道对地物持续遥感成像的技术。
在可见光、近红外、短波红外和热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。
2.高光谱遥感特点①波段多,数据量大②光谱范围窄(高光谱分辨率)③在成像范围内连续成像④信息冗余增加3. 高光谱遥感的发展趋势（1）遥感信息定量化（2）“定性”、“定位”一体化快速遥感技术4.光谱特征的产生机理：在绝对温度为0K以上时，所有物体都会发射电磁辐射，也会吸收、反射其他物体发射的辐射。
高光谱遥感准确记录电磁波与物质间的这种作用随波长大小的变化，通过反映出的作用差异，提供丰富的地物信息，这种信息是由地物的宏观特性和微观特性共同决定的。
宏观特性:分布、粗糙度、混杂微观特性:物质结构5.反射分为三种：镜面反射，漫反射，实际物体反射6.典型地物反射：水体的反射主要在蓝绿光波段，其他波段吸收都很强，特别到了近红外波段，吸收就更强，所以水体在遥感影像上常呈黑色。
植被的反射波谱特征：①可见光波段有一个小的反射峰，位置在0.55um处，两侧0.45um(蓝)和0.67um(红)则有两个吸收带。
这一特征是叶绿素的影响。
②在近红外波段(0.7-0.8um)有一反射的“陡坡”（被称为“红边”)，至1.1um附近有一“峰值”，形成植被的独有特征。
这一特征由于植被结构引起。
③在中红外波段(1.3-2.5um) ，反射率大大下降，特别以1.45um和1.95um为中心是水的吸收带，形成低谷。
土壤:由于土壤反射波谱曲线呈比较平滑的特征，所以在不同光谱段的遥感影像上，土壤的亮度区别不明显.自然状态下土壤表面的反射率没有明显的峰值和谷值，一般来讲土质越细反射率越高，有机质含量越高和含水量越高反射率越低，此外土类和肥力也会对反射率产生影响。
6.野外光谱测量的影响因素（1）大气透射率（2）水蒸气3）风（4）观测几何7.地面光谱的测量方法：实验室测量，野外测量8.垂直与野外测量的区别:垂直测量：为使所有数据能与航空、航天传感器所获得的数据进行比较，一般情况下测量仪器均用垂直向下测量的方法，以便与多数传感器采集数据的方向一致。
- 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)。
10
武汉大学 龚龑
《高光谱遥感》
二、光谱曲线的简化表达
2.1光谱谱曲线可以被描述为 [S1,S2,…Si,…,Sk], Si {-1,0,1},从而实现对光谱曲线 的简化表达。
反 射 率
数据量比较 SSI： 2 K 比特 光谱曲线：32 n 比特
针对每种地物和不同波长
24
武汉大学 龚龑
《高光谱遥感》
二、光谱曲线的简化表达
2.3地物类型序列光谱柱状图 2.光谱柱状图及应用
根据光谱柱状图给像元着 色，并形成色彩分割图。
吐鲁番岩层断面光谱柱状图
25
武汉大学 龚龑
《高光谱遥感》
二、光谱曲线的简化表达
波谱特征简化表达适用于较粗略的波谱 特征查找和匹配，目的在于提高处理效率， 或者服务于目视判读分析，并不适用于光谱 特征的精细分析。
包络线消除
28
武汉大学 龚龑
《高光谱遥感》
三、光谱吸收特征参数提取方法
3.1包络线消除 包络线：每条光谱曲线的外凸包曲线。
curve
光谱曲线的包络线与 光谱曲线相切或相离，从 直观上来看，包络线相当 于光谱曲线的“外壳”。
光谱曲线的包络线
curve
包络线消除：将光谱曲线相应波段的反射率值与包络线 曲线的反射率值进行比值运算，得到新的光谱曲线。29
15
武汉大学 龚龑
《高光谱遥感》
二、光谱曲线的简化表达
2.2光谱二值编码 (4).波段组合二值编码 考察当前波段与后续相邻波段的数值关系， 依据数值关系确定编码。 主要有： • 大小比较编码 • 差值编码 • 比值编码
16
武汉大学 龚龑
《高光谱遥感》
二、光谱曲线的简化表达
2.2光谱二值编码
• 大小比较编码 h(n) 0 x(n) x(n 1) n 1, 2,..., N h(n) 1 x(n) x(n 1) • 差值编码
B1 B2 B3 波长
4
武汉大学 龚龑
一、高光谱特征参量化概述
《高光谱遥感》
1.1光谱特征参量化基本概念
如何将光谱曲线特征转化为适合于电脑 进行分析计算的形式？
光谱特征参量化
5
武汉大学 龚龑
一、高光谱特征参量化概述
《高光谱遥感》
• 光谱特征参量化的目的：
对高光谱曲线特征进行定量表 达，用数值化的形式来描述反射率 随波长的变化特征。
31
武汉大学 龚龑
《高光谱遥感》
三、光谱吸收特征参数提取方法
3.2包络线消除算法 包络线消除后，那些“峰”值点上的相对值均为1， 非“峰”值点均小于1。形成若干个吸收谷，能够突出 反映光谱吸收特点。
包络线消除后 光谱
包络线
原始光谱
包络线去除前后的光谱曲线图
32
武汉大学 龚龑
《高光谱遥感》
三、光谱吸收特征参数提取方法
3.2包络线消除算法
由图中可以看出，包 络线有效强化了吸收特征， 没有改变敏感波段位置等 信息。可以更加有效地进 行光谱特征数值的比较， 对后续的特征参数提取十 分有利。 在每一大类地物光谱 曲线十分接近时，包络线 消除法使曲线的形态特征 强化，增强了可识别性。
33
武汉大学 龚龑
《高光谱遥感》
三、光谱吸收特征参数提取方法
三、光谱吸收特征参数提取方法
3.3光谱吸收特征参数提取 •光谱吸收指数(Spectral Absorption index, SAI) SAI的计算
SAI / m d 1 (1 d ) 2
m
d为比例参数 d (m 2 ) /(1 2 )
波长
与多光谱遥感的区别是：光谱子区间可以有针对性选择。
11
武汉大学 龚龑
《高光谱遥感》
二、光谱曲线的简化表达
2.2光谱二值编码
为了实现在光谱库中对特定目标进行快速 查找，可采用对光谱进行二值编码的方案。
最简单的形式
h(n) 0 x(n) T n 1, 2,..., N h(n) 1 x(n) T
7
武汉大学 龚龑
第四章 第4节 高光谱特征参量化
《高光谱遥感》
一、高光谱特征参量化概述 二、光谱曲线的简化表达 三、光谱吸收特征参数提取 四、光谱曲线的函数分析 五、光谱特征参量化应用
8
武汉大学 龚龑
《高光谱遥感》
二、光谱曲线的简化表达
• 波谱特征简化表达的目的 反射率为浮点型数据，波段数量多，为提 高分析效率，可以对光谱曲线进行简化表达。
17
《高光谱遥感》
二、光谱曲线的简化表达
2.3地物类型序列光谱柱状图 1.地物类型序列
在前面所学的课程中，典型地物类型常 被分为植被、水体、岩矿、土壤和城市人工 目标五大类。
这五大类之间的光谱特征差异很大，比较 容易区分，这五大类内部不同的亚类之间光谱 特征较接近，我们称其为地物类型序列。
18
武汉大学 龚龑
9
武汉大学 龚龑
《高光谱遥感》
二、光谱曲线的简化表达
2.1光谱斜率和坡向 在光谱区间(B1,B2)内，将光谱曲线近似视 为直线，该直线的斜率即为光谱斜率。 如果光谱斜率为正，光谱曲线被定义为正坡 向，光谱斜率为零则为平坡向，光谱斜率为负则 为负坡向。 光谱坡向指数 Spectral Slope Index, SSI
武汉大学 龚龑
《高光谱遥感》
三、光谱吸收特征参数提取方法
3.2包络线消除算法
• 包络线消除的算法 设计的思想： 1）离散化 直方图 包络线由折线段构成 2）折线起点与折线终点的确定 3）同一波长对应的光谱曲线值与包络线值 进行比值计算
30
武汉大学 龚龑
《高光谱遥感》
三、光谱吸收特征参数提取方法
编码值 反射率值 波段
12
武汉大学 龚龑
《高光谱遥感》
二、光谱曲线的简化表达
2.2光谱二值编码 (1).分段编码 将光谱波长分成几段分别进行二值编码，各 段具有不同的编码阈值T。
13
武汉大学 龚龑
《高光谱遥感》
二、光谱曲线的简化表达
2.2光谱二值编码 (2).多门限编码
采用多个门限进行编码可以加强编码的 描述性能。例如可采用两个门限将光谱值划分 为三个域：
《高光谱遥感》
《高光谱遥感》第四章 高光谱数据处理
第4节 高光谱特征参量化
武汉大学遥感信息工程学院 龚 龑
1
武汉大学 龚龑
第四章 第4节 高光谱特征参量化
《高光谱遥感》
一、高光谱特征参量化概述 二、光谱曲线的简化表达 三、光谱吸收特征参数提取 四、光谱曲线的函数分析 五、光谱特征参量化应用
2
武汉大学 龚龑
一条光谱曲线的光谱吸收特征可由光谱吸收谷点m和 两个肩部S1和S2组成，S1和S2的连线称为非吸收基线。
如何从相对吸收强度的角 度衡量光谱吸收能力？SAI 在吸收谷点波长 m 处，从 光谱曲线和非吸收基线 S1S2 和上分别获取反射率m和 SAI 38 m
武汉大学 龚龑
《高光谱遥感》
光谱吸收特征参数提取方法
26
武汉大学 龚龑
第四章 第4节 高光谱特征参量化
《高光谱遥感》
一、高光谱特征参量化概述 二、光谱曲线的简化表达 三、光谱吸收特征参数提取 四、光谱曲线的函数分析 五、光谱特征参量化应用
27
武汉大学 龚龑
《高光谱遥感》
三、光谱吸收特征参数提取方法
3.1包络线消除
如何突出反映光谱曲线之间吸收峰的差异
《高光谱遥感》
二、光谱曲线的简化表达
2.3地物类型序列光谱柱状图 1.地物类型序列
地物类型序列一般都具有以下四个特点：
1.同属于同一个典型地物大类;
2.包含的物理化学成分和特性相近，仅各成分比例 不同；
3.地物内部组织结构相似，外部形态略有差异；
4.在波谱空间中，光谱曲线的形态类似。
19
武汉大学 龚龑
一、高光谱特征参量化概述
《高光谱遥感》
问题1：下图中的光谱曲线属于哪种地物大类
观察光谱吸收谷特 征 ，可以依据光谱曲 线的形状推断地物类 别。
3
武汉大学 龚龑
一、高光谱特征参量化概述
《高光谱遥感》
问题2：依据下图中的光谱曲线将相应地物划分为两类
反 射 率
A1 A2 A3
观察光谱曲线， 可以依据光谱曲线的 形状得到聚类结果。
二、光谱曲线的简化表达
2.3地物类型序列光谱柱状图 2.光谱柱状图及应用
(3) 对RGB色标块进行ISH变换。
波长 •明度 I •色度H •饱和度 S
23
武汉大学 龚龑
《高光谱遥感》
二、光谱曲线的简化表达
2.3地物类型序列光谱柱状图 2.光谱柱状图及应用
(4) 用增强后的反射率矩阵中 的反射率替换ISH彩色空间中的 饱和度S，再将ISH变换回RGB色 块，即得到光谱柱状图。
AW
0为反射率最低值
•
武汉大学 龚龑
吸收宽度(Absorption Width, AW)
最大吸收深度一半处的光谱带宽。
36
《高光谱遥感》
三、光谱吸收特征参数提取方法
3.3光谱吸收特征参数提取 • 吸收面积(Absorption Area, AA)
•
吸收对称性
(Absorption Symmetry, AS)
光 谱 空 间 光 谱 曲 线
• 光谱特征参量化的地位：
针对待分析对象，通过高光谱特征 参量提取，构建分析特征集，为后续 匹配、分类、识别及反演奠定基础。
6
武汉大学 龚龑
一、高光谱特征参量化概述
《高光谱遥感》