高光谱遥感分解
优化端元提取方法的高光谱混合像元分解
优化端元提取方法的高光谱混合像元分解
高光谱混合像元分解是一种常用的方法，用于从高光谱遥感图像中提取端元信息。
但是在实际应用中，由于许多因素的影响，如光照变化、材质反射率等，混合像元分解结果可能存在一定的误差。
为了优化端元提取的效果，可以采取以下方法：
1. 数据预处理：在进行混合像元分解之前，对高光谱图像进行预处理，包括大气校正、辐射定标、大气矫正等，以降低噪声和光照变化对端元提取的影响。
2. 端元选择：根据具体应用需求，选择合适的端元库。
端元库是由已知材质的光谱响应函数构成，选择适当的端元可以更准确地反映实际场景中的材质组成，提高分解的准确性。
3. 混合像元分解算法选择：目前常用的混合像元分解算法有N-FINDR、PPI等。
根据具体情况选择合适的算法进行端元提取。
可以尝试多种算法并进行对比分析，选择效果较好的算法。
4. 约束条件引入：在混合像元分解过程中，可以引入额外的约束条件，如非负性约束、稀疏性约束等，以提高分解结果的稳定性和准确性。
5. 后处理方法：对提取的端元进行后处理，如噪声去除、光谱平滑、分类判别等，进一步提高分解结果的质量。
6. 结合其他数据源：结合其他遥感数据，如高分辨率光学影像、地面采样数据等，可以在一定程度上提高混合像元分解的准确性。
可以通过数据融合的方法，将不同数据源的信息相互补充，得到更可靠的端元提取结果。
通过上述优化方法的综合应用，可以提高高光谱混合像元分解的准确性和稳定性，从而更准确地获取端元信息。
需要根据具体应用场景和数据特点进行针对性的优化。
高光谱遥感分解课件
端元提取的效果直接影响到后续的混合 像元分解和谱间关系分析的精度和可靠 性，因此是高光谱遥感分解中的关键步
骤。
混合像元分解方法
混合像元分解的方法包括基于物理模型的方法和基于 统计模型的方法等。这些方法通过建立地物光谱与像 元光谱之间的数学模型，利用优化算法对模型参数进 行求解，从而得到每个像元的纯组分和丰度信息。
高光谱遥感分解方法
端元提取方法
端元提取是高光谱遥感分解的基础，目 的是从高光谱数据中提取出纯净的地物 光谱，为后续的混合像元分解和谱间关
系分析提供基础。
端元提取的方法包括基于统计的方法、 基于空间的方法和基于变换的方法等。 这些方法通过不同的原理和算法，从高 光谱数据中提取出尽可能纯净的地物光
谱。
矿物与地质应用
总结词
高光谱遥感在矿物与地质应用中具有重要作用，可以用于矿产资源调查、地质构造分析 等。
详细描述
高光谱遥感能够通过分析地物的光谱特征差异，识别不同类型的矿物和地质构造。在矿 产资源调查中，高光谱遥感可以用于发现潜在的矿床和评估矿产资源的分布情况。同时 ，在地质构造分析中，高光谱遥感可以通过分析地物的光谱特征差异，揭示地质构造的
高光谱遥感分解课件
ቤተ መጻሕፍቲ ባይዱ
目录
CONTENTS
• 高光谱遥感概述 • 高光谱遥感技术原理 • 高光谱遥感分解方法 • 高光谱遥感应用实例 • 高光谱遥感技术展望
01
CHAPTER
高光谱遥感概述
高光谱遥感的定义
高光谱遥感是一种利用光谱信息对地球表面进行观测和监测 的技术。它通过卫星或飞机搭载的高光谱成像仪获取地物辐 射的连续光谱信息，进而分析地物的成分、结构和动态变化 。
高光谱遥感技术的挑战与问题
高光谱遥感图像处理与应用研究
高光谱遥感图像处理与应用研究遥感技术是地球科学和自然资源管理领域的核心技术之一。
高光谱遥感是一种近年来发展迅猛的高分辨率遥感技术，其具有高维度、高分辨率和高覆盖面积等优势，被广泛应用于农业、森林、城市规划和环境监测等领域。
本文将对高光谱遥感图像的处理方法和应用进行简要介绍。
一、高光谱遥感图像的处理方法（一）预处理高光谱遥感图像的预处理是为了降低图像噪声和增强图像特征，以提高后续分析处理的准确性和可信度。
1、辐射校正：即将图像灰度值归一化为反射率，以消除光照不均匀和大气影响。
2、几何校正：对图像进行几何校正可以消除成像中的扭曲和畸变，使得图像更为准确和精确。
3、噪声去除：高光谱遥感图像常常伴随着高噪声，因此需要通过噪声滤波或概率降噪等方法来降低图像噪声。
（二）特征提取特征提取是高光谱遥感图像处理的重要环节，它是提取图像中某些特定目标信息的过程。
1、主成分分析法（PCA）：PCA是最常见的特征提取算法之一，可以将高光谱数据降维并提取主成分，以保留更有效的信息，提高分类精度。
2、端元分解法（VCA）：VCA是一种基于混合像元模型的特征提取方法，可以将每个像素分解为混合的端元（pure pixels）和混杂像元，从而更好地识别目标对象。
（三）分类识别分类识别是高光谱遥感图像分析最常用的技术之一，它是将图像中像素点进行分类，把同一类别的像素标注相同标签的过程。
1、常用分类算法：传统的分类算法包括最小距离分类、支持向量机（SVM）分类、KNN分类等。
2、深度学习分类：随着深度学习的发展，深度卷积神经网络（CNN）被广泛应用于高光谱遥感图像分类中，并在各种分类任务中取得了不错的效果。
二、高光谱遥感图像的应用研究（一）农业领域高光谱遥感图像可以用于农作物的分类、生长状态的监测和病虫害的诊断，从而帮助农业生产做出更加科学和精准的决策。
（二）森林资源管理领域高光谱遥感图像可用于森林植被覆盖度、森林生物多样性、森林类型等指标的监测和评估。
高光谱遥感
25
高光谱影像分析技术：
国内外关于成像光谱仪的遥感应用研究中，所采用 的分析方法可归纳为两大类： 一、 基于纯像元的分析方法 （1）。。。
（2）。。。
二、基于混合像元的分析方法
21
PHI和OMIS成像光谱仪的技术指标
22
• 2002年3月在我国载人航天计划中发射的第三艘试验飞船“神 舟三号”中，搭载了一台我国自行研制的中分辨率成像光谱 仪。这是继美国EOS计划MODIS之后，几乎与欧洲环境卫星 （ENVISAT）上的MERIS同时进入地球轨道的同类仪器。它 在可见光到热红外波长范围（0.4-12.5μm）具有34个波段。 • 2007年10月24日我国发射的“嫦娥-1”探月卫星上，成像光谱 仪也作为一种主要载荷进入月球轨道。这是我国的第一台基 于富里叶变换的航天干涉成像光谱仪，它具有光谱分辨率高 的特点。 • 2008年发射的环境与减灾小卫星（HJ-1）星座中，也搭载一 台工作在可见光—近红外光谱区（0.45—0.95μm）、具有128 个波段、光谱分辨率优于5nm的高光谱成像仪。它将对广大 陆地及海洋环境和灾害进行不间断的业务性观测。 • “风云-3”气象卫星也将中分辨率光谱成像仪作为基本观测仪 器，纳入大气、海洋、陆地观测体系，为对地球的全面观测 和监测提供服务。
18
19
我国高光谱发展：
• 80年代，研制和发展了新型模块化航空成像光谱仪 （MAIS）。这一成像光谱系统在可见—近红外—短波红 外具有64波段，并可与6-8波段的热红外多光谱扫描仪集 成使用，从而使其总波段达到70—72个。
• 高光谱仪器的研制成功，为中国遥感科学家提供了新的技 术手段。通过在我国西部干旱环境下的地质找矿试验，证 明这一技术对各种矿物的识别以及矿化蚀变带的制图十分 有利，成为地质研究和填图的有效工具。
高光谱遥感影像混合像元分解
04
混合像元分解实验与分析
实验数据介绍
数据来源
01
实验数据来自中国的某高光谱遥感卫星，覆盖了多个地区和不
同的土地利用类型。
数据特点
02
数据具有高光谱分辨率，包含了数百个波段，能够提供丰富的
地物光谱信息。
数据预处理
03
为了提高混合像元分解的精度，需要进行数据预处理，包括辐
射定标、大气校正、几何校正等。
端元数量与分解精度
实验结果表明，随着端元数量的增加，混合像元分解的精度逐渐提高。但端元数量过多会导致解的不稳定，因此需要 选择合适的端元数量。
不同土地利用类型的识别
通过混合像元分解，可以有效地识别不同类型的土地利用，如植被、水体、城市等。这为土地利用变化监测、生态保 护等方面提供了有力支持。
比较不同方法的结果
混合像元分解的必要性
为了更准确地提取地物信息，提高遥感应用的效果，对高光谱遥感影像进行混合像元分解是必要的。通过混合像 元分解，可以将一个混合像元分解成若干个纯像元的线性组合，从而更准确地表达地物的光谱特征。
混合像元分解研究现状
早期研究方法
早期的研究主要采用端元提取和丰度反 演的方法进行混合像元分解。端元提取 的方法主要基于空间和光谱的统计分析 ，从高光谱数据中提取出纯像元；丰度 反演的方法则是基于线性混合模型，通 过优化算法反演出各纯像元的丰度。
VS
近期研究方法
近年来，随着深度学习技术的发展，越来 越多的研究开始采用深度学习的方法进行 混合像元分解。深度学习方法能够自动地 学习和提取高光谱数据中的复杂结构和特 征，从而更准确地分解混合像元。目前， 常见的深度学习方法包括卷积神经网络 （CNN）、生成对抗网络（GAN）等。
高光谱遥感第二章ppt课件
第二章 高光谱遥感成像机理与 成像光谱仪
第二章 高光谱遥感成像机理与 成像光谱仪
第二章 高光谱遥感成像机理与 成像光谱仪
第二章 高光谱遥感成像机理与 成像光谱仪
第二章 高光谱遥感成像机理与 成像光谱仪
第二章 高光谱遥感成像机理与 成像光谱仪
我校现有设备 Headwall
- 成像光谱仪的光谱与辐射定标技术
第二章 高光谱遥感成像机理与 成像光谱仪
- 成像光谱信息处理技术
海量数据非失真压缩技术 高速化处理技术 辐射量的定量化和归一性 图像特征提取及三维谱像数据的可视化
第二章 高光谱遥感成像机理与 成像光谱仪
5 成像光谱仪的空间成像方式 高光谱遥感成像包括空间维成像和光谱维成
第二章 高光谱遥感成像机理与 成像光谱仪
1 基本概念
光谱学 成像技术
成像 光谱学
第二章 高光谱遥感成像机理与 成像光谱仪
(1) 光谱分辨率 —指探测器在波长方向上的记录宽度，又称为
波段宽度。
第二章 高光谱遥感成像机理与 成像光谱仪
(2) 空间分辨率—对于成像光谱仪，其空间分辨率 是由仪器的角分辨力，即仪器的瞬时视场角 （IFOV）决定的。
第二章 高光谱遥感成像机理与 成像光谱仪
- 二元光学元件成像光谱技术
二元光学元件沿轴向色散，利用面阵CCD 探测器沿光轴方向对所需波段的成像范围进行 扫描，每一位置对应相应波长的成像区。
- 三维成像光谱技术
三维成像光谱仪是在光栅色散型成像光谱 仪的基础上改进而来的，其核心是一个像分割 器，将二维图像分割转换为长带状图像。
(3）仪器的视场角（FOV）—指仪器的扫描镜在空中 扫过的角度。
第二章 高光谱遥感成像机理与 成像光谱仪
高光谱遥感图像的特征提取和分类算法探究
高光谱遥感图像的特征提取和分类算法探究遥感技术已经成为了现代地球科学中不可或缺的一部分，这种技术通过对地球表面的各种信息进行多波段、多角度、多时相的采集和处理，可以形成一系列高分辨率遥感图像。
其中，高光谱遥感图像是一种获取地表物质高光谱信息的遥感技术，这种技术可以获取大量的物质光谱信息，为我们研究地球科学和环境变化提供了重要的数据来源。
在高光谱遥感图像中，物质对不同波长的电磁辐射的反射和吸收的不同程度是其与众不同的特性。
由于不同的物质对不同波段的辐射产生的反应不同，固有光谱和在远距离上的高光谱遥感图像可以很好地区分不同物质。
在高光谱遥感图像研究中，特征提取和分类算法是研究的两个重要方面。
因此，本篇文章将探讨高光谱遥感图像的特征提取和分类算法的研究进展和应用现状。
一、特征提取在高光谱遥感图像中，特征提取是一项至关重要的技术。
特征提取的主要任务是将高光谱遥感图像中每个像元的光谱信息转化成低维空间的特征，以减少信息冗余和处理量，同时保留物体空间分布和分类信息。
常用的特征提取方法包括如下几种。
1. 主成分分析（PCA）PCA是一种线性变换的方法，可以将高维空间中的数据降维到低维度的特征空间。
在高光谱遥感图像中，PCA方法可以对数据矩阵进行特征值分解，得到协方差矩阵的主特征向量。
这些主成分可以描述遥感图像的大部分空间信息，对于多波段数据的降维处理非常有效。
2. 独立成分分析（ICA）ICA是一种非线性变换的方法，可以将遥感图像中的光谱信息进行分离和隔离，从而得到更加明确的光谱信息。
在高光谱遥感图像中，ICA可以对数据矩阵进行特征值分解，找到可以独立分离的成分。
这些成分可以帮助我们更好地理解高光谱遥感图像中的光谱结构，并提高物体检测和分类的准确率。
3. 小波变换（WT）WT是一种非平稳信号的频域分析方法，可以用于多尺度分析和特征提取。
在高光谱遥感图像中，WT可以将数据矩阵分解为一组小波系数，这些系数可以反映不同尺度下的物体信息。
高光谱遥感图像语义分割算法及应用研究
高光谱遥感图像语义分割算法及应用研究在现代遥感技术中，高光谱遥感图像是一种常见的数据类型。
因为高光谱图像覆盖了更广泛的光谱范围，它可以提供更多的光谱信息，为地物分类和识别带来了更大的挑战。
因此，高光谱遥感图像的语义分割技术自然成为了许多遥感研究者的关注点。
花费大量时间为每个像素分配标签是非常困难的，因此需要使用计算机视觉的技术来更快地完成任务。
语义分割是一种将像素分类为特定目标类别的计算机视觉任务。
在高光谱图像上进行语义分割，就是要根据光谱特征将每个像素分配到具有语义意义的类别中。
近年来，深度学习技术在计算机视觉领域迅速发展，并在高光谱语义分割中得到广泛应用。
目前最常用的方法是使用卷积神经网络（CNN）。
CNN可以自动从图像中提取特征，并根据这些特征对像素进行分类。
许多基于CNN的算法，例如SegNet、FCN和U-Net，已经在高光谱遥感图像中得到了应用。
SegNet是一种基于编码器-解码器体系结构的语义分割算法。
编码器将原始输入图像压缩成一系列高度抽象的特征，解码器将特征重新映射到原始图像空间，并使用插值技术对像素进行分类。
FCN是一种vanilla的全卷积网络，从卷积神经网络发展而来。
它可以根据图像分割需要生成任意大小的输出，并且使用反卷积层来对图像进行上采样。
U-Net则结合了编码器-解码器类型的网络结构和跳跃连接技术，利用这种技术将低层特征与高层特征相连接，使网络可以在保留分辨率的同时捕获更细微的特征。
语义分割算法的评估是一个非常重要的问题。
目前的评估方法主要是使用IoU （Intersection over Union），这是一个衡量预测标签与真实标签之间重叠面积的统计量。
超过50%的IoU表示语义分割算法的性能较好。
而这种评估方法也遭受着一些争议：它无法衡量每个类别的重要性，因此可以使用更细粒度的评估指标。
在应用方面，高光谱遥感图像语义分割技术已经被广泛应用于土地利用、农作物识别、城市规划、生态环境监测等领域。
- 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)。
式，可以进行像元灰度的反射率反演。
第三章 高光谱遥感图像 辐射与几何校正
? 使用经验线性法，对定标点有如下要求
– 定标点要选择尽可能各向同性的均一地物；
– 定标点地物在光谱上要跨越尽可能宽的地球反 射光谱段；
– 定标点要尽可能与研究区域保持同一海拔高度。
第三章 高光谱遥感图像 辐射与几何校正
成像光谱仪的定标 有三个阶段的定标
仪器实验室定标
机上或星上定标
场地定标
第三章 高光谱遥感图像 辐射与几何校正
（1）实验室定标
光谱定标 - 确定成像光谱仪每个波段的 中心波长和宽度
辐射定标 相对定标 绝对定标
第三章 高光谱遥感图像 辐射与几何校正
相对定标
确定场景中各像元之间、各探测器之间、各 波谱段之间以及不同时间测得的辐射量的相对值。 绝对定标
通过各种标准辐射源，在不同波谱段建立成 像光谱仪入瞳处的光谱辐射亮度值（ L）与成像光 谱仪输出的数字量化值（ DN）之间的定量关系。
第三章 高光谱遥感图像 辐射与几何校正
OMIS 成像光谱仪的 辐射定标：采用千 瓦级的石英卤灯 供 应固定电流和电压， 采用标准反射板 对 瞬时视场角进行测 量，用已知的由标 准板反射到视场的 辐射强度与仪器测 量得到的数值比值 来计算辐射定标系 数。
义了七种缺省的标准气溶胶模式和一些自定义模式。
纬 度地区对精度由较大影响
第三章 高光谱遥感图像 辐射与几何校正
2 大气辐射传输理论
-大气对遥感辐射传输的影响
大气散射与吸收对下行辐射与遥感器接受的 上行辐射的光谱特性造成深刻的影响；
大气的散射与辐射光波长有密切关系，对短 波长的散射与长波长的散射要强的多，分子散射 的强度与波长的四次方成反比；
气溶胶的散射强度随波长的变化与粒子尺度 分布有关；
第三章 高光谱遥感图像 辐射与几何校正
第三章 高光谱遥感图像 辐射与几何校正
各光谱带的辐射亮度值的计算公式：
Lt ? ( E?T1 cos ? ? ? LpT1)?L2 ? p2
E? ? 大气外界太阳光谱辐照度 ? -飞机飞过地面场地时刻的太阳天顶角
T1- 整层大气透过率 T2 - 飞机- 地面间的大气透过率 Lp1 ? 大气外-地面的程辐射
第三章 高光谱遥感图像 辐射与几何校正
（3）场地定标
原理：机载或星载成像光谱仪飞越辐射定标场 地上空时，在定标场地选择若干像元区，测量成 像光谱仪对应的地物的各波段成像反射率和大气 光谱等参量，并利用大气辐射传输模型等手段给 出成像光谱仪入瞳处各光谱带的辐射亮度，最后 确定它与成像光谱仪对应输出的输出的数字量化 值的数量关系，求解定标系数，并估算定标不确 定性。
辐射传输方程为
dI dz
?
??
?
I
?
?
sI
?
?
?
B?
?
sJ
? ? 是介质所有气体及粒子的吸收系数之和 ? s是介质所有气体及粒子的散射系数之和
B是介质热发射能量 J是其它方向入射波的散射能量
第三章 高光谱遥感图像 辐射与几何校正
应用大气辐射传输模型解决遥感影像的大气校正需 要解决两个关键问题
① 有关大气介质特征参数的获取 ② 具体实用的大气辐射传输模型的研究
辐照度法 —利用地面测量的向下漫射与总辐射度值 来确定卫星遥感器高度的表观反射率，进而确定 出遥感器入瞳处辐射亮度。
第三章 高光谱遥感图像 辐射与几何校正
三种场地定标法的优缺点比较
反射率法
辐亮度法
投入的测试设备和获取 飞机飞行高度越高 的测量数据相对较少。 大气校正就越简单
优 省工、省物且满足精 精度也就越高 点 度要求
? 高光谱遥感图像大气辐射校正的模型
– 统计学模型法
? 经验线性法、内部平均法、平场域法、对数残差法
– 大气辐射传输模型法
? 5S、6S、LOWTRAN、MODTRAN、ATREM、 ACORN、FLAASH
第三章 高光谱遥感图像 辐射与几何校正
经验线性法
– 实测两个定标点的地面反射光谱值，计算图像 上对应像元点的平均辐射光谱，再利用线性回 归建立反射光谱和辐射光谱间的相关关系，求
? 6S模型（Second Simulation of the Satellite Signal in the Solar Spectrum ）
– 适用于太阳反射波段（0.25-4μm ）的大气辐射传输模 式。
– 假定大气无云的情况下考虑水汽、CO2、O3和O2的吸收、
分子和气溶胶的散射以及非均一地面和双向反射率的 问题
大气上层测量的目标反射率可以表示为
? ToA
?
Tg
( ? R?
A
?
TdownTup
?s 1? S?s
),
? s 是海平面处朗伯体的反射率
Tg 是大气透过率
? R? A是分子、气溶胶层的内在反射率
Tdown ,Tup是由太阳到地面以及地表到遥感器的大气透过率
S是大气反射率
第三章 高光谱遥感图像
辐射与几何校正
– 对5S模型的改进：考虑了目标高程、表面的非朗伯体 特性、新的吸收分子种类的影响，采用了好的近似算 法来计算大气和气溶胶的散射与吸收的影响，其中气 体的吸收以10cm-1光谱间隔来计算，且光谱积分的步长 达到了2.5nm。
第三章 高光谱遥感图像 辐射与几何校正
? LOWTRAN辐射传输模型
– 是一个光谱分辨率为20cm-1的大气辐射传输实用软件。 提供了6种参考大气模式的温度、气压、密度的垂直廓 线、水汽、臭氧、甲烷、一氧化碳和一氧化二氮的混 合比垂直廓线，其他13种微量气体的垂直廓线等
L0 (? ) ? Lsun (? )T(? )R(? ) cos? ? Lpath (? ), L0 (? )是入孔辐射能量 L sun是大气上层太阳辐射 T（?）是整层大气透过率 R（?）不考虑地形影响的表观反射率 ? 是太阳高度角 L pat（h ?）是程辐射
第三章 高光谱遥感图像 辐射与几何校正
第三章 高光谱遥感图像 辐射与几何校正
1. 成像光谱仪定标 2. 大气辐射传输理论 3. 高光谱遥感图像大气辐射校正 4. 高光谱遥感图像几何校正
第三章 高光谱遥感图像 辐射与几何校正
1 成像光谱仪定标
成像光谱仪定标的目的： 建立成像光谱仪每个探测元件输出的数字量
化值（ DN ）与它所对应视场中输出辐射亮度值之 间的定量关系。
辐照度法
由于利用地面测量的大气 漫射和总辐射之比来描述 大气气溶胶的散射特性， 故减少了反射率法中由于 气溶胶光学特性参量的假设 而带来的误差
要对大气气溶胶的一
缺 些光学特性参量做假设 点
为精确进入大气校正 还需要反射率法的全 部数据，该方法投入 的设备、资金和人力 相对较多
测量数据相对较多，漫射 和总辐射之比的测量在高
第三章 高光谱遥感图像 辐射与几何校正
大气辐射传输方程
到达遥感器处总的上行辐射为：
Ls? ? Ls?u ? Ls?d ? Ls?p Ls? ? 遥感器处总的上行辐射 Ls?u - 地表对太阳光的反射辐 射 Ls?d - 地表对天空光的反射 Ls?p -向上散射的程辐射
第三章 高光谱遥感图像 辐射与几何校正
第三章 高光谱遥感图像 辐射与几何校正
（3）场地定标 辐射校正场包括 敦煌陆面试验场和青海湖水面试验场；
辐射标准和设备定标实验室； 光学特性和环境参数观测实验室； 辐射校正资料处理、存档和信息服务实验室
第三章 高光谱遥感图像 辐射与几何校正
（3）场地定标
辐射校正场包括 敦煌陆面试验场和青海湖水面试验场； 辐射标准和设备定标实验室； 光学特性和环境参数观测实验室； 辐射校正资料处理、存档和信息服务实验室
第三章 高光谱遥感图像 辐射与几何校正
- 大气辐射校正常用算法
- 采用大气参数的方法 - 5S模型 - 6S模型
– 直接采用大气物理参数，增加多次散射计算 ? LOWTRAN辐射传输模型 ? MODTRAN辐射传输模型
第三章 高光谱遥感图像
辐射与几何校正
? 5S模型（the Simulation of the Satellite Signal in the Solar Spectrum ）
的太阳光谱 该方法的三个 主要缺陷 ：
– 得到的是相对反射率 – 不适合大量多条带高光谱数据的处理 – 这种人工查找的方法有一定的随意性
第三章 高光谱遥感图像 辐射与几何校正
? 对数残差法
?ij ? DNij DNi*
DN* j DN**
? ij是第i像元j波段的反射率 DNij是第i像元j波段的图像值 DNi*是像元各波段均值 DN* j是j波段所有像元均值 DN **是图像各像元各波段均 值
第三章 高光谱遥感图像
辐射与几何校正
? 内部平均法
– 假定一幅图像内部的地物充分混杂，整幅图像的 平均光谱基本代表大气影响下的太阳光谱信息。 把图像 DN值与整幅图像的平均辐射光谱的比值确 定为相对反射率光谱，即
??
?
R? F?
,
?? 是相对反射率
R ? 是像元辐射值
F-地面间的程辐射
第三章 高光谱遥感图像 辐射与几何校正
机载成像光谱仪入瞳处各光谱带的辐射亮度值 Lt
与机载成像光谱仪扫描地面地面定标场地时输出数 字量化值 DN 之间的数值关系
Lt
?
DN - b a
a (增益系数)，b (暗电流)
第三章 高光谱遥感图像 辐射与几何校正
元的DN值与该平均光谱辐射值的比值作为地表
反射率，以此来消除大气的影响，即
??
?
R? F?
,