地物光谱的采集与分析
地物光谱的采集与分析
实验报告
学生姓名： 陈熙 陈郭博文 宋歌
学生班级： 2012级GIS2班
地理科学学院制
2014.12 1 实验简介
本次实验是利用光谱仪，选取地理科学学院门前的地物进行光谱曲线的采集，利用所学理论知识，结合分析光谱曲线软件，完成对获得的地物曲线的比较分析。旨在认识和熟悉光谱仪，学会光谱仪采集光谱的主要流程，掌握光谱仪的使用方法，加深对常见地物光谱的理解和曲线的熟悉度，并培养分析问题和解决问题的能力。
实验数据：
光谱仪采集的四组数据，分别是:红色灌木光谱、绿色灌木光谱、乔木光谱、草坪光谱各一组（一组20条光谱曲线）
实验方法： 用光谱仪采集地物光谱曲线，比较法。
2 实验过程
2.1 实验流程
选取合适地物——>用光谱仪采集地物波谱——>处理采集光谱——>比较分析采集数据与已知对应曲线——>分析比较同种类别不同地物的光谱曲线——>不同类别的采集数据进行比较分析。
2.2 采集地物波谱
1．仪器的连接及软件启动
将光谱仪、扫描探头与电脑连接好后，第一次使用时会有一个硬件的安装向导，安装完成后运行。
软件打开如下图
首先使用File/Start New Experiment创建一个工程，根据需要对其进行命名，默认扩展名。
2．相关参数的设置
在Setup菜单中调整Smoothing参数
3．获取参考光谱，用以优化有关参数设置
将光纤探头对准标准白板，点击S按钮，进入Scope模式；点击start按钮，获得参考光谱，此处的参考光谱用于辅助优化光谱仪相关参数。
4．系统参数的优化
为避免气象条件对光谱仪造成的影响，应先针对当前的天气状况，对系统参数进行一定程度的优化。点击菜单栏上的按钮转换到光谱图模式(Scope mode)，再按按钮，系统便会自动调整积分时间和用于光谱平均的次数，也可根据具体情况，进行手动设置。
2.3 光谱简要处理
利用ViewSpec Pro软件对光谱进行显示，对光谱分组进行均值处理，最后将这几组间求均值，用来之后的光谱数据分析，分析过程如下图
2.4 光谱谱数据分析
通过对光谱的简单处理，得到如下的结果：
红色灌木 绿色灌木
乔木 草坪
可见曲线的趋势基本都吻合植被的光谱曲线，其中绿色灌木，乔木和草坪与绿色植物的已知光谱曲线基本相吻合，
1） 对绿光 （0.55左右）有一小的反射峰值，反射率大致为20%，这是绿色植物呈现绿色的原因。注意这里也正是太阳光的光能峰值。
2） 在红光处（0.68左右 ）有一吸收谷，这是光合作用吸收谷。注意此处太阳光能仍很大，若吸收谷减小，则植被发黄、红。
3） 在 0.7~1.4与 1.5 ~ 1.9有很高红外反射峰，反射率可高达70%以上，这两峰与前边红光波谷是植被光谱的特征。这第一峰波长段还处在太阳光能波谱中主要能量分布区（0.2~1.4）占有全部太阳光能量90.8%，这是遥感识别植被并判断植被状态的主要依据。
将采集的四种地物光谱均值进行比较：
1. 同种类型地物间的比较分析
绿色灌木与草对比
草与乔木对比
绿色灌木与乔木对比 由得出的数据可以看出绿色灌木的反射率最低，光谱曲线均低于草和乔木，
其中乔木最高，高于草，乔木也是三种地物中反射峰最明显的一种地物。
三种地物均符合绿色植物的光谱曲线的大体趋势。
2. 不同类别地物之间的比较分析
红色灌木与绿色灌木对比
除了峰值的大小，红色灌木与绿色灌木的最大差异在于0.55附近的反射峰。
绿色灌木有这个反射峰，符合绿色植物的光谱曲线，而红色灌木没有这个反射峰
在可见光波段内，各种色素是支配植物光谱响应的主要因素，其中叶绿素所起的作用最为重要。在中心波长分别为0.45µm（蓝色）和0.65µm（红色）的两个谱带内，叶绿素吸收大部分的摄入能量，在这两个叶绿素吸收带间，由于吸收作用较小，在0.54µm（绿色）附近行程一个反射峰，因此许多植物看起来是绿色的。这就是红色灌木与绿色灌木在0.55处反射峰的差异原因。
3 小组心得
通过本次实验，我们学习了对地物光谱的分析和获取，以及如何使用光谱仪。运用对比的手段，分析同种类型不同地物的反射特性。实习中要注意每个过程的顺序，并进行保存，以保证实习的有效进行。探头对准白板和目标物的距离应大致相等，以便进行对比，并且要避免其他地物的干扰。反射率曲线的分析要切合实际，识别出反射峰、吸收谷，曲线差值最大的波长进行区分，样品要注意进行拍照和筛选，选取有特征的地物。采集过程中要移动光谱仪，以便采集到更多不同个样本，增加数据的真实性与可靠性，减少偶然误差。实习中要有团队的协调性，分工进行，让每个人熟悉实验的每个过程，达到熟悉软件，会用光谱仪采集光谱的目的。在这次的实验中我们学到了光谱分析的主要流程，光谱分析是遥感的核心，通过反射率的曲线来区分各种不同的地物，达到用户的需求。
基于AS7263多通道光谱模块对草坪地物的分类与识别
基于AS7263多通道光谱模块对草坪地物的分类与识别
作者：郭鸿儒 马燕 蒲克俊
来源：《甘肃科技纵横》2021年第10期
摘要：本文利用多通道光谱模块AS7263，收集与草坪相关地物的漫反射光谱数据，经归一化处理，通过对训练数据进行主成分分析和聚类分析，将数据分为4类，利用KNN算法对测试数据的进行识别与分类。其中对植物、土壤、红地砖和混凝土类的数据识别正确率分别为95.12%、87.05%、76.92%和90.67%。结果表明，多通道漫反射光谱结合KNN算法， 对于植物和地物的识别区分是可行的。
关键词：多通道光谱，漫反射，K值近邻算法（KNN），识别
作者简介：郭鸿儒 （1981.3），男，甘肃兰州，研究生， 高级工程师， 从事理化技术等方面研究。
资助项目：兰州市人才创新创业项目“基于UWB定位系统的草坪智能割草机器人”
（2018-RC-38）、甘肃省高等学校青年博士基金项目（2021QB-082）资助。
光谱技术以无损性、实时性等特点，成为一种广泛使用的的分析技术手段。利用地面的反射光谱特征来识别地面物体，已广泛的应用于遥感环境监测等领域[1]。近年来，很多研究对农作物，杂草、药材等植物进行识别区分，其中有些包含对环境物体的区分[2-6]。通过光谱数据结合模式识别和其它机器学习方法，可以提高地物的识别和分类的精度与效率[7]。但是，这些研究大多使用的是通用光谱分析仪器，如红外分析仪器，高光谱仪等，不利于轻量化和微型化，难以进行二次开发，应用范围受到了极大地限制。光谱仪的进一步小型化和集成化已成趋势，出现了芯片级的光谱仪，其结构的简单性、便携性、可靠性和低成本，拓展了其应用的范围，使得光谱技术的广泛应用成为可能[7]。 本文利用便携式可见光-红外多通道光谱模块AS7263，设计了一款便携的光谱数据采集装置。通过收集一定波长草坪相关地物的漫反射光谱数据，并分类建立草坪植物和环境地物的光谱反射模型，利用KNN算法进行了识别和区分。
地物光谱反射率分析
地物光谱反射率分析
实习报告
实习题目：地物光谱测定
实习时间，地点：天山堂前面空地贺兰堂地信专业机房 实习目的：认识地物光谱反射率的规律，分析典型地物的光谱特征
使用仪器：地物光谱分析仪
测量目标的基本信息：草地，裸地，水泥路，红灌丛，绿灌丛
环境参数表：气温：18度
实习内容，实习步骤：1. 用ASD软件打开外业测量地物光谱数据，去除十条曲线中明显异常曲线
打开ASD软件→file→open→选中测得的十条曲线→打开→选择加载的十条数据→view→graph data→在空白处右击→customization dialog→axis→min/max(设置max为1)，根据图形删除其中一条或多条异常曲线（在目录中直接删除）
2.对符合条件的地物光谱曲线进行处理(导出每种地物的JPG、tab和平均值.mn数据)
①加载符合条件的曲线（方法与步骤1相同）→export→分别
选择jpg，设置输出路径和文件名，点击export即可
②求每种地物的平均值曲线
Process→statistics→选择mean→设置输出路径和文件名即可
对于上述导出的平均值曲线，点击export→分别选择text格式，设置输出路径和文件名，点击export即可导出.dat文件
3.处理数据
①对每种地物的jpg文件，只需要分析其曲线特征（联系地物实际特性来分析其在可见光（380-760nm）和近红外（760-1500nm）之间的光谱特征）
②将上述的dat文件（五个）分别用excel打开，并且计算红、绿、蓝波段的平均值，蓝光101-171，绿光171-251，红光281-341，将计算好的五组数据放入新的excel表中，并绘制折线图 ③将步骤2中的各种地物平均值数据在ASD中打开，方法如步骤1所示，并将其按照jpg格式导出，并对其进行分析。
反射率曲线及分析：
0.65um之间，植被的反射率曲线出现了一个小波峰，由于这
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。
高光谱图像处理与分析技术研究与应用
高光谱图像处理与分析技术研究与应用
高光谱图像处理与分析技术是一种利用高光谱图像获取和处理数据的技术。它结合了光学、遥感、计算机科学和统计学等多学科的知识，旨在提取地物光谱信息、监测和分析环境变化、实现目标识别等应用。
高光谱图像处理与分析的流程包括数据获取、数据预处理、特征提取和目标识别等步骤。首先，高光谱图像是通过高光谱遥感设备获得的，可以获取到地物的多个光谱波段信息。数据预处理是为了去除噪声、校正图像等，使得图像更加清晰和准确。特征提取是对图像进行分割和分类，从中提取出地物的特征信息。目标识别是根据这些特征信息来判断地物的类别，并进行进一步的分析。
高光谱图像处理与分析技术在许多领域都有重要的应用价值。首先，在农业中，利用高光谱图像可以对作物的生长状况、病虫害等进行监测和分析，帮助农民调整农作物的管理策略，提高农作物的产量和质量。其次，在环境监测中，高光谱图像能够对大气污染、土壤质量、水质等进行监测，实现环境变化的动态监测和模拟预测。此外，在城市规划和交通管理中，高光谱图像处理与分析技术可以帮助相关部门有效地进行资源利用和交通流量管理。更为重要的是，在医学领域，高光谱图像处理与分析技术可以为医生提供更准确的影像诊断，促进疾病的早期发现和治疗。
然而，高光谱图像处理与分析技术也存在一些挑战和问题。首先，高光谱图像的数据量大，处理起来时间和空间复杂度较高。其次，不同遥感平台的高光谱图像具有不同的特点，如空间分辨率、光谱分辨率等，需要根据具体应用场景进行选择和优化。此外，在目标识别过程中，需要考虑到不同地物的光谱特征和相互之间的干扰，以提高目标识别的准确性和实用性。
为了进一步提升高光谱图像处理与分析技术的研究与应用水平，我们可以从以下几个方面进行努力。首先，需要加强对高光谱图像处理算法的研究与优化，提高图像的质量和准确性。其次，可以利用机器学习和人工智能等技术，构建高效的目标识别模型，提高目标识别的效率和准确度。此外，还可以借助云计算和大数据技术，处理和分析大规模的高光谱图像数据，加速数据处理和决策过程。 综上所述，高光谱图像处理与分析技术在农业、环境监测、城市规划、医学等领域具有广泛的应用前景。通过不断深化研究和创新，我们可以充分发挥高光谱图像处理与分析技术的作用，为各个领域的发展和改进做出积极贡献。
envi光谱指数
envi光谱指数
ENVI光谱指数是一种用于遥感影像处理和分析的技术，它利用了遥感影像的光谱信息来提取地物的特征和信息。ENVI光谱指数可以用于监测和评估地物的光谱特征，如植被覆盖、土壤类型、水体分布等。
ENVI光谱指数的计算方法是将多个波段的遥感影像进行组合，通过一定的数学运算得到一个新的指数值。这个指数值可以反映地物的光谱特征，从而帮助我们更好地理解和分析地物的分布和变化。
在ENVI中，有很多内置的光谱指数可供选择，如归一化水体指数（NDWI）、归一化泥指数（NDMI）、改进的归一化水体指数（MNDWI）等。这些指数都可以帮助我们提取和分析地物的光谱特征。
例如，归一化水体指数（NDWI）可以用于提取水体信息，其值越大，说明地物的含水量越大。改进的归一化水体指数（MNDWI）可以进一步提高水域特征的提取效果，抑制来自建筑物用地、植被和土壤的干扰。
地物光谱曲线
地物光谱曲线
地物光谱曲线
植被是自然界的重要组成部分，对于地球生态系统的平衡起着至关重要的作用。而植被光谱也是遥感领域中一个重要的研究方向。本文将从以下几个方面对地物光谱曲线进行详细介绍。
一、什么是地物光谱曲线？
地物光谱曲线指的是地球上某种地物吸收、反射以及透射的光谱强度的变化关系图。不同类型的地物在不同波段的光线下，其吸收和反射的程度不同，即各自拥有特定的光谱曲线。
二、地物光谱曲线的研究意义
地物光谱曲线的研究对于遥感遥测、地理信息系统、生态环境等方面都有至关重要的意义，具体体现在以下几方面：
1. 遥感影像的分类和识别
在遥感影像的分类和识别方面，光谱曲线是不同地物类型之间的重要区分标志。因此，通过研究地物光谱曲线可以准确地区分不同地物类型，从而实现遥感影像的自动分类和识别。
2. 生态环境的分析和监测
植被的生长状态和植被覆盖度是生态环境研究中的两个重要指标。通过对地物光谱曲线的研究，可以得出植被指数等相关指标，进而反映植被的生长状态和植被覆盖度，从而实现生态环境的分析和监测。
3. 土地资源的调查和评价
在土地资源的调查和评价中，通过对地物光谱曲线的研究，可以分析土地利用类型和土地覆盖度，为科学合理地开发利用土地资源提供科学依据。
三、地物光谱曲线的特征
不同类型的地物在不同波段的光谱中会有不同的反射、吸收和透射特征。一般来说，下面几点是地物光谱曲线的基本特征：
1. 植被类型光谱曲线的特征：
植被类型的光谱曲线在可见光区域（400~700nm）有较大的反射峰值，暗区比较狭窄；在近红外（700~1200nm）区域有较大的透射峰值，反射谷比较宽阔。
2. 水体类型光谱曲线的特征：
水体类型的光谱曲线在可见光区域有较低的反射率，在绿光区（500~600nm）有一定的穿透率，在蓝光区（450~500nm）和红光区（600~700nm）则具有较强的吸收作用。在近红外区域（750~1400nm）较为透明。
高光谱遥感;光谱特征;特征提取
高光谱遥感;光谱特征;特征提取
高光谱遥感是一种利用大量连续的窄波段光谱数据来获取地物信息的技术。通过高光谱遥感，我们可以获取地表材料的光谱特征，这些光谱特征可以用来识别不同的地物类型，比如植被、水体、土地利用类型等。光谱特征是指不同地物在光谱上的反射、吸收和辐射特性，这些特性在不同波长范围内呈现出独特的表现，因此可以被用来区分和识别地物。
特征提取是指从原始的高光谱数据中提取出对地物分类和识别有用的特征信息的过程。在高光谱遥感中，特征提取通常包括两个方面，空间特征提取和光谱特征提取。空间特征提取是指利用地物在图像上的空间分布和形态特征来进行分类和识别，比如纹理、形状等特征；而光谱特征提取则是指利用地物在不同波段上的光谱响应特征来进行分类和识别，比如光谱曲线的形状、波峰和波谷位置等特征。
在特征提取过程中，常用的方法包括主成分分析（PCA）、线性判别分析（LDA）、小波变换、光谱角匹配等。这些方法可以帮助我们从原始的高光谱数据中提取出最具代表性和区分性的特征，为后续的地物分类和识别提供支持。
总的来说，高光谱遥感通过获取地物的光谱特征，并利用特征提取方法从中提取有用的信息，为地物分类和识别提供了重要的数据基础和技术手段。通过充分挖掘高光谱数据中的光谱特征和空间特征，我们可以更准确地理解和描述地球表面的地物信息，为资源环境监测、城市规划、农业生产等提供重要的支持和应用。
使用多光谱遥感图像进行土地分类和变化检测
使用多光谱遥感图像进行土地分类和变化检测
多光谱遥感图像在土地分类和变化检测中起着重要的作用。通过对土地利用类型和变化情况进行准确的识别和监测，可以为土地规划、农业生产等提供科学依据。本文将从多光谱遥感图像的基本原理入手，阐述其在土地分类和变化检测中的应用，并介绍相关的方法和技术。
多光谱遥感图像是指通过不同波段的光谱信息来反映地物特征的遥感图像。地物在不同波段上的光谱反射特性明显不同，这种差异性为土地分类和变化检测提供了可能。利用多光谱遥感图像，可以获取大量的光谱信息，并通过对不同波段的数据进行处理和分析，得到土地利用类型和变化情况的准确描述。
在土地分类中，多光谱遥感图像可以帮助我们准确识别不同的土地类型。通过对图像进行预处理，包括辐射校正、大气校正等，可以消除图像中的噪声和干扰，提高分类的准确性。然后，可以利用不同波段的数据进行像元分类，即将图像中的像元划分为不同的类别。常用的分类方法包括最大似然法、支持向量机等。最后，可以对分类结果进行后处理，包括空间滤波和形态学处理等，以进一步提高分类的准确性。
在土地变化检测中，多光谱遥感图像可以帮助我们监测土地利用类型的变化情况。通过对多期图像的比较和分析，可以获取土地利用类型的变化信息。常用的变化检测方法包括基于像元的变化检测和基于对象的变化检测。基于像元的变化检测通过比较不同期图像中对应像元的差异来判断土地利用类型的变化情况。而基于对象的变化检测则通过对不同期图像进行分割，将图像中的对象进行匹配，然后通过比较对象的属性差异来判断土地利用类型的变化情况。
除了土地分类和变化检测，多光谱遥感图像还可以用于土地覆盖变化的监测与评估。通过对多期图像中土地覆盖类型的变化进行检测和评估，可以及时发现土地资源的合理利用问题，为土地规划和土地管理提供科学依据。土地覆盖变化的监测和评估可以通过一系列的指标和方法来完成，常用的指标包括土地覆盖类型的面积变化、转化矩阵和转化率等。而方法则包括变化矢量分析、变化检测算法等。
典型地物实测光谱的相似性测度与实验分析
第３９卷第２期 ２０１１年２月 同济大学学报（自然科学版） ＪＯＵＲＮＡＬ ＯＦ ＴＯＮＧＪＩ ＵＮＩＶＥＲＳＩＴＹ（ＮＡＴＵＲＡＬ ＳＣＩＥＮＣＥ） ＶｏＩ．３９Ｎｏ．２ Ｆｅｂ．２０１１
文章编号：０２５３—３７４Ｘ（２０１１）０２—０２９２—０７ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０２５３－３７４ｘ．２０１１．０２．０２６
典型地物实测光谱的相似性测度与实验分析
施蓓琦 ，刘 春 ，陈 能。，林文鹏
（１．同济大学测量与国土信息工程系，上海２０００９２；２．上海师范大学城市信息研究中 ｆｉ，，上海２００２３４）
摘要：对于高光谱向量非线性空间，提出了基于Ｈａｕｓｄｏｒｆｆ距 离的地物光谱相似性测度模型，并对模型的适用性进行讨 论．此外通过对试验区域由高分辨率光谱仪实地测得的地物 光谱数据进行实验分析，得到各种相似性测度模型的匹配聚 类结果，并对其有效性和精度进行评估．
关键词：实测地物光谱；相似性度量；Ｈａｕｓｄｏｒｆｆ距离 中图分类号：Ｐ ２３７．３ 文献标识码：Ａ
Ｓｐｅｃｔｒａｌ Ｓｉｍｉｌａｒｉｔｙ Ｍｅａｓｕｒｅ ａｎｄ Ｅｘｐｅｒｉｍｅｎｔａｌ
Ａｎａｌｙｓｅｓ ｆｏｒ Ｆｉｅｌｄ Ｓｐｅｃｔｒｏｓｃｏｐｙ
ＳｉｌｌＢｅｉｑｉ ，删Ｃｈｕｎ ，￣Ｎｅｎｇ ，Ｌ／Ｎ Ｗｅｎｐｅｎｇ。
（１．Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｓｕｒｖｅｙｉｎｇ ａｎｄ Ｇｅｏ—ｉｎｆｏｒｍａｔｉｃｓ，Ｔｏｎ￣ｉ Ｕｎｉｖｅｒｓｉｔｙ， Ｓｈａｎｇｈａｉ ２０００９２，Ｃｈｉｎａ；２．Ｕｒｂａｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ， Ｓｈａｎｇｈａｉ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２００２３４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａ ｎｅｗ ｓｐｅｃｔｒａｌ ｓｉｍｉｌａｒｉｔｙ ｍｅａｓｕｒｅ ｂａｓｅｄ Ｏｎ Ｈａｕｓｄｏｒｆｆ ｄｉｓｔａｎｃｅ。ａ ｎｏｎ—ｌｉｎｅａｒ ｏｐｅｒａｔｏｒ，ｗｈｉｃｈ ｍｅａｓｕｒｅｓ ｔｈｅ ｍｉｓｍａｔｃｈ ｏｆ ｔｈｅ ｔｗｏ ｓｅｔｓ，ｗａｓ ｐｒｏｐｏｓｅｄ ａｎｄ ｅｘｐｅｒｉｍｅｎｔｅｄ． Ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｄｉｆｆｅｒｅｎｔ ｓｐｅｃｔｒａｌ ｓｉｍｉｌａｒｉｔｙ ｍｅａｓｕｒｅｓ ｗａｓ ｃｏｍｐａｒｅｄ ｂｙ ｕｓｉｎｇ ｒｅａｌ ｆｉｅｌｄ ｓｐｅｃｔｒｏｍｅｔｒｉｃ ｄａｔａ．Ｓｔａｔｉｓｔｉｃａｌ ｍｅｔｈｏｄｓ ｗｅｒｅ ａｌｓｏ ｕｓｅｄ ｔｏ ａｓｓｅｓｓ ｔｈｅ ｍｅａｓｕｒｅｍｅｎｔ ａｃｃｕｒａｃｙ ａｎｄ ｖａｌｉｄｉｔｙ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔ ｒｅｓｕｌｔ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｓｉｍｉｌａｒｉｔｙ ｍｅａｓｕｒｅ ｂａｓｅｄ ｏｎ Ｈａｕｓｄｏｒｆｆ ｄｉｓｔａｎｃｅ ｉＳ ｍｏｒｅ ｅｆｆｅｃｔｉｖｅ ｔｈａｎ ｏｔｈｅｒｓ ｉｎ ｓｐｅｃｔｒａｌ ｍａｔｃｈｉｎｇ ａｓｐｅｃｔ．
ENVI采集地类波谱对比
ENVI采集多点光谱方法
使用ENVI中spectral profile，只能逐个显示单个像元，光谱曲线，如果用collect spectra的话，每次移动都会添加一个进去，很不方便。用roi工具可以起到多个象元采集，自动计算均值，方差等功能，还能进行多个类别之间的比较。具体信息也能保存下来，非常方便。
1、打开要一个包含多波段的文件。（如果是单波段的，先用envi –>file->save
file ->envi standard 把多个波段按顺序添加，然后保存。再打开）
2、打开ROI工具，选用点类型（也可使用其他类型）选择要收集的特征地物。
在窗口中收集相同类的地物。（如果地物不在视窗中，需要移动视窗，可以先点“ROI Tool”对话框中的‘off’暂停采集，要采集地物的时候再选择采集的窗口继续采集。
3、当采集该类完成后，在显示图像中中的Tools->profiles->Z profile(spectrum)…
单击“ROI Tool”对话框中”stats”
即可显示出该地类采集的特征点中各波段最大值，最小值，均值，方差等信息。
4、如果采集的是多个地类，选中多个地类的ROI，再点stats,也可以显示其地类间的波谱特征以及详细信息：
可以在“ROI statistics result ”对话框中，选择要具体显示的地类的详细信息。
来源：
/zhihuazh_geo/blog/item/f16183547701f451564e00fe.html