高光谱图像处理和分析

下载练习数据：http://vdisk.weibo.com/s/zrSeGYf9h2k_i

下载详细操作文档：http://vdisk.weibo.com/s/zrSeGYf9h2kXH

光学遥感技术的发展经历了：全色（黑白）—>彩色摄影—>多光谱扫描成像—>高光谱遥感四个历程。高光谱分辨率遥感（HyperspectralRemote Sensing）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。在可见光到短波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，因此高光谱遥感又通常被称为成像光谱（Imaging Spectrometry）遥感。

高光谱图像分类很多地方也叫高光谱物质制图（Mapping），主要原理利用反映地物物理光学性质的光谱曲线来识别地物，即利用一种匹配方法，分析已知的波谱曲线（端元波谱）和高光谱图像每个像素波谱曲线（光谱剖面）匹配程度对图像进行分类。高光谱图像分类过程同时也是光谱识别的过程；用已知的波谱曲线去识别图像中的地物，这也是高光谱遥感最大的优点，可用于特定目标的识别和探测，其结果是“有”或者“没有”。

本课堂以航空高光谱数据为例介绍从高光谱的波谱识别过程，包括高光谱数据的预处理（大气校正）、高光谱数据维数判断和降维、端元波谱选择、波谱识别等。将会使用FLAASH工具、ENVI的波谱分析工具等。由于数据的原因，本课堂使用了两种数据AVIRIS和HyMap航空高光谱数据。以下所有操作在ENVI5 classic下完成，感兴趣的可以在ENVI5下操作。

ENVI下推荐使用的波谱识别流程（如图1所示）。大致可以分为五个部分：大气校正、数据维数判断、端元波谱选择、波谱识别和结果分析。

 

图 1波谱识别流程

(1)       大气校正：使用FLAASH大气校正工具；

(2)       数据维数判断：对图像做MNF变换，根据特征值判断数据的维数；

(3)       端元波谱选择

端元波谱作为高光谱分类、地物识别和混合像元分解等过程中的参考波谱，与监督分类中的分类样本具有类似的作用，直接影响波谱识别与混合像元分解结果的精度。

最简单的端元波谱获取途径是选择已知的波谱，这些已知的波谱可以来自标准波谱库中的波谱，或者波谱仪器量测等；也可以从图像自身的像元波谱中获得，这些像元一般选择只包含一种地物的纯净像元；还常常采用前面两种方法相结合，即使用已知波谱校正和调整图像上获取的端元波谱。

可选择很多种方法，流程图上标识了两种方法——基于PPI的端元提取和从外部源（如波谱库）获取，也可以选择基于几何顶点的端元提取、基于SMACC的端元提取等方法；

(4)       波谱识别可选的方法就很多，如波谱角填图（SAM）、二进制编码(Binary Encoding )和光谱信息散度(Spectral Information Divergence)、线性波段预测(Linear Band Prediction)、线性波谱分离(Linear Spectral Unmixing )、匹配滤波(Matched Filtering )、混合调谐匹配滤波(Mixture Tuned Matched Filtering）、最小能量约束(Constrained Energy Minimization）、自适应一致估计（Adaptive Coherence Estimator）、正交子空间投影(Orthogonal Subspace Projection)、包络线去除(Continuum Removal)、光谱特征拟合（Spectral Feature Fitting）和多范围光谱特征拟合(Multi Range Spectral Feature Fitting)等。

(5)       分析结果。