-
讓品牌有溫度、有情感
專注品牌策劃15年
-
當前位置：首頁 > 創(chuàng)意學院 > 技術 > 專題列表 > 正文
光譜特征提取方法（光譜特征提取方法是什么）
發(fā)布時間：2023-04-13 12:17:06
稿源：
創(chuàng)意嶺 閱讀：
80
大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于光譜特征提取方法的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。
開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等
只需要輸入關鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端
官網(wǎng)：https://ai.de1919.com。
創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務客戶遍布全球各地，如需了解SEO相關業(yè)務請撥打電話175-8598-2043，或添加微信：1454722008
本文目錄:
一、端元光譜選取與信息提取
3.1.3.1 端元數(shù)目的確定
一個混合像元可能包含了幾種地物類別，所以確定端元的數(shù)目是進行光譜線性分解的前提，也是整個光譜線性解混技術中必不可少的一個環(huán)節(jié)。對于多光譜數(shù)據(jù)常用的方法是根據(jù)主成分分析（PCA）中協(xié)方差的大小來判定端元數(shù)，但是其分析方法比較粗糙，而對于含有上百個窄波段的高光譜遙感影像來說，主成分分析方法很容易把細微的光譜信息歸到噪聲部分（Chang C，2007）。因此，目前常用的針對高光譜遙感影像確定端元數(shù)目的方法是基于Neyman－Pearson探測理論的特征閾值分析方法（Harsanyi et al.，1994），簡稱HFC（Harsanyi，F(xiàn)arrand，Chang）。本章也采用此方法進行端元數(shù)目的確定。
HFC原理是通過對影像進行矩陣的相關計算，分別得到其相關矩陣Rm×n和協(xié)方差矩陣Km×n及其特征值，并把特征值分別記作 。
如果影像的信號能量為正，則有
高光譜遙感影像信息提取技術
式中：n即為端元數(shù)目；m為高光譜影像的波段數(shù)。
即便是沒有采用主成分分析的方法，也不可避免的有部分弱信號被認作是噪聲信號被排除掉，因此，為了盡可能地減少這種現(xiàn)象的發(fā)生，在計算端元數(shù)目之前最好進行白化處理（Gruninger et al.，2004）。
3.1.3.2 端元的提取
高光譜影像端元提取的方法目前研究的較為深入，研究者從不同的角度提出了很多實用性的提取方法，其中較為常用的有純像元指數(shù)（PPI）、內(nèi)部最大體積法（N－FINDR）、頂點成分分析（VCA）、單形體投影方法（SPM）、順序最大凸錐（SMACC）、迭代誤差分析（IEA）、外包單形體收縮（SSWA）、最小體積單形體分析（MVSA）、凸錐分析（CCA）、光學實時自適應光譜識別系統(tǒng)（ORASIS）、自動形態(tài)學（AMEE）、最大距離法（MaxD）、最大體積法（MaxV）、最大零空間投影距離法（NSP）、定量化獨立成分分析法（ICA）等（張兵等，2011）。本章采用的端元提取的方法是順序最大凸錐（SMACC），它提供了更快、更自動化的方法來獲取端元波譜，但是它的結果近似程度較高，精度較低。由于本章的研究目的是一種改進型的線性分解方式，不是集中在端元選擇問題上的研究，因此使用SMACC雖然不是最好的算法，但是完全可以達到本章實驗的目的。
SMACC算法（Gruninger et al.，2004）在提取端元的同時可以獲得豐度反演的結果，它的基本原理是通過迭代的方法來獲取端元，經(jīng)過數(shù)次迭代，每次都不斷地計算和調(diào)整各個端元在混合像元中所占的比例，并且利用投影變換消除端元之間的相互影響。其中，最關鍵的步驟就是判斷該像元中是否有該端元，并且是否需要進行斜交投影（或正交投影）。具體算法如下：
設原始像元集表示為 ，其第j次迭代前的像元集合表示為 ，第j次迭代前的端元集合表示為 ，wj表示每次迭代時的投影方向，Xj－1為最長的光譜向量，則Xj－1在wj方向上的投影系數(shù)為
高光譜遙感影像信息提取技術
ej在xi中的比例系數(shù)為
高光譜遙感影像信息提取技術
式中：βij為調(diào)整系數(shù)，當βij＝1時為正交投影，否則為斜交投影。經(jīng)過多次迭代，最終可以得到的ej在xi中的比例系數(shù) 。
像元的投影結果為
高光譜遙感影像信息提取技術
其中，系數(shù)βij調(diào)整的原則為：當Oij≤0時，βij＝0，表示沒有該端元；否則，根據(jù)
高光譜遙感影像信息提取技術
通過計算vk得到其中的最小值，記為vmin。當vmin＞1，則βij＝1，為正射投影；否則為斜交投影，βij＝vmin。
3.1.3.3 混合像元地物信息提取及其分類
經(jīng)過對混合像元光譜曲線構建的矩陣進行分解，可以得到每一類端元光譜在混合像元中的豐度值fj（j＝1，2，…，n），但是對高光譜影像的分類或地物信息提取是按照以像元為基本單位進行劃分的，也就是說在分類或地物提取中，一個像元不可能被涂上不同的顏色，因此，為了便于分類，選取fj中值最大的一個對應的端元作為該混合像元的地物種類，即Max（fj）（j＝1，2，…，n）對應的端元。
二、土壤有機質(zhì)光譜信息提取
土壤有機質(zhì)是土壤的重要組成物質(zhì)，也是植物的營養(yǎng)倉庫，它的損失直接影響土壤生產(chǎn)力。土壤有機質(zhì)不僅能持續(xù)緩慢地提供植物生長所需的養(yǎng)分，而且能改善土壤的物理狀況，促進團粒結構形成，從而改善土壤的水分及通氣狀況。另外，隨著土壤有機質(zhì)含量的增多，土壤顏色加深，有利于提高土壤溫度。土壤有機質(zhì)含量多少在一定限度內(nèi)可以說明土壤的肥沃程度，是土壤肥力的重要指標之一。一般來說，有機質(zhì)含量 ＞ 2. 5% 的土壤是比較肥沃的，1% ～2. 5%為中度肥沃的土壤， ＜ 1% 則為較貧瘠的土壤，但也不絕對。例如我國東北地區(qū)黑土有機質(zhì)含量高，但是溫度低，分解慢; 暖溫帶某些類型土壤有機質(zhì)含量低，但分解快，其有效化程度高，也有一定肥力?？偟膩碚f，土壤有機質(zhì)是土壤肥力和作物豐產(chǎn)的基礎。基于光譜技術的土壤有機質(zhì)含量反演方法較多，但是這些方法均具有一定局限性，針對不同的研究區(qū)域、應用于不同土壤類型時會出現(xiàn)較大誤差，目前尚沒有通用的模型。
土地退化評價指標體系是由植被、土壤、地形地貌、水文與水文地質(zhì)、近地表大氣等反映土地退化特征的指標組合而成，指標之間相輔相成，從不同方面共同反映退化土地的特征，包括空間上的相對退化和時間上的動態(tài)退化。反映土地退化的指標很多，包括植被覆蓋度、陸地表面溫度、土壤濕度和土壤母質(zhì)化以及水土流失等。本節(jié)只選擇能夠體現(xiàn)高光譜遙感技術優(yōu)勢的土壤有機質(zhì)指標作為研究對象，以陜西省橫山縣黃土丘陵區(qū)為例，對174 個土樣的光譜反射率數(shù)據(jù)與土壤有機質(zhì)含量進行分析，從而進行信息提取，評價高光譜遙感技術在可見光和近紅外波段進行土壤有機質(zhì)監(jiān)測的應用潛力，運用多元統(tǒng)計分析技術，初步建立反射率反演模型，嘗試進行定量化成圖。
( 一) 土壤有機質(zhì)預測模型建立
為了建立反射率和土壤有機質(zhì)含量之間的反演模型，從中尋找對土壤有機質(zhì)含量敏感的光譜指標，對光譜的反射率作了8種變換，包括反射率的倒數(shù)1/Ｒ、反射率的對數(shù)lgＲ、反射率對數(shù)的倒數(shù)1/lgＲ、反射率的平方根 、反射率的一階微分Ｒ'、倒數(shù)的一階微分(1/Ｒ)'、反射率對數(shù)的一階微分(lgＲ)'、對數(shù)的倒數(shù)的一階微分(1/lgＲ)'、平方根的一階微分 。采用單相關分析方法，利用實驗室測定的174個土樣的土壤有機質(zhì)含量與反射率及其變換形式逐波段地進行相關分析，相關系數(shù)r的表達式如下:
退化廢棄地遙感信息提取研究
式中:ri為土壤有機質(zhì)含量OM與光譜反射率或其變換形式(都用Ｒ表示)的單相關系數(shù);i為波段序號;Ｒni為第n個土壤樣本第i波段的光譜反射率值(或其變換形式的值); 為N個土壤樣本在i波段光譜反射率(或其變換形式)的平均值;OMn為第n個土樣的土壤有機質(zhì)含量; 為實測的N個土樣的土壤有機質(zhì)含量的平均值;N為174，是土樣的總個數(shù)。
本研究的具體思路是以野外采樣點地物光譜數(shù)據(jù)為基礎，首先利用高光譜Hyperion數(shù)據(jù)對野外地物光譜庫進行重采樣(第二次采樣);運用經(jīng)驗線性擬合法，以野外地物光譜數(shù)據(jù)為基礎對高光譜Hyperion影像進行校正，以便進一步確立兩者之間的相關性;然后在前人研究的基礎上，運用統(tǒng)計回歸分析方法建立采樣點地物光譜數(shù)據(jù)與土壤有機質(zhì)含量的最佳反演模型，并且把該模型運用到高光譜Hyperion影像當中，得到土壤有機質(zhì)含量的空間分布情況。
本研究采用容量分析法測定了174個土樣的土壤有機質(zhì)含量，最小值為0.124%，最大值為4.865%，平均值為1.179%，均方差為1.122。Krishnan等(1980)用逐步多元線性回歸和迭代的方法對四種不同土壤類型的研究發(fā)現(xiàn)，在近紅外區(qū)域 ( 800 ～2400nm) 沒有由有機質(zhì)引起的吸收峰，用可見光區(qū)域預測土壤有機質(zhì)含量要優(yōu)于近紅外區(qū)域，所得相關系數(shù)分別為 0. 8732 和 0. 9828，并給出用 623. 6nm 和 564. 4nm 兩個最佳波段的反射光譜值預測土壤有機質(zhì)含量的回歸模型:
退化廢棄地遙感信息提取研究
式中: K 為回歸常數(shù); ρ 為反射率值; λ 為波長。
Krishnan 等的預測模型中的回歸常數(shù) K 從某種程度上反映了其他因素對土壤有機質(zhì)光譜特性的影響，然而文中并未對其進行具體的討論說明，但是可以肯定的是 623. 6nm 處反射率倒數(shù)之對數(shù)的一階微分與 564. 4nm 處反射率倒數(shù)之對數(shù)的一階微分的比值和土壤有機質(zhì)含量存在某種相關性，把它記為 W，通過把計算的 30 個地物光譜數(shù)據(jù)的 W 值與土壤有機質(zhì)含量進行相關性分析，發(fā)現(xiàn) W 與土壤有機質(zhì)含量之間的相關系數(shù)達到 0. 8948，存在著強烈的相關關系。所以確定以 W 為變量，進行回歸分析，其中
退化廢棄地遙感信息提取研究
。運用 SPSS 軟件進行統(tǒng)計回歸分析，結果見表 3 －2。
表 3 －2 土壤有機質(zhì)含量模型與 W 的擬合模型表
圖3－4 有機質(zhì)含量實測值與預測值比較
從表3－2中可以發(fā)現(xiàn)，二次函數(shù)Y=16.466－4.385W+2.668W2的判定系數(shù)Ｒ2最高，達到了0.8684，其中 ，ρ為反射率值，說明它的反演效果最好，精度最高。通過30個土樣的土壤有機質(zhì)含量實測值與預測值的散點圖(圖3－4)也可以直觀地看出，二次函數(shù)結果與實測值較為接近，有很好的預測效果。
由此得到土壤有機質(zhì)含量的最佳反演模型是Y=16.466－4.385W+2.668W2，判定系數(shù)Ｒ2=0.8684。
(二)定量參數(shù)成圖
將建立的土壤有機質(zhì)含量最佳反演模型應用到反射率影像當中，進行土壤有機質(zhì)含量指標的定量參數(shù)成圖。所謂參數(shù)成圖，首先是給每個像元賦具體參數(shù)值，這可以借助一些波段值或其變換形式與土壤生物理化參數(shù)的半經(jīng)驗關系建立預測模型，采用統(tǒng)計回歸的方法建立的土壤有機質(zhì)含量與反射率的關系就是這種預測模型;然后通過這種關系計算出高光譜遙感影像上每個像元的土壤有機質(zhì)含量的預測值;最后采用聚類或密度分割的方法將單參數(shù)預測圖分成若干級(類)，即為單參數(shù)分布圖。
圖3－5 土壤有機質(zhì)含量參數(shù)成圖
由土壤有機質(zhì)的最佳反演模型是Y=16.466－4.385W+2.668W2，其中 。在ENVI軟件中，運用線性光譜分離方法提取出影像中的土壤信息，利用NDVI指數(shù)，取數(shù)值在0.1～0.3之間的為土壤(NDVI＞0.3的為植被，NDVI＜0.1的為水體)，掩膜處理掉影像中的植被和水體信息;然后在EＲDAS軟件下運用空間建模方法，將模型應用于高光譜Hyperion數(shù)據(jù)，進行定量化參數(shù)成圖，得到土壤有機質(zhì)含量的空間分布情況(圖3－5)。
( 三) 小結
1) 土壤有機質(zhì)含量和有機質(zhì)的組成對土壤的反射率有較強的影響。土壤有機質(zhì)對土壤反射率的影響在視覺上表現(xiàn)為暗黑色的土壤比亮色的土壤有機質(zhì)含量高，這表明了土壤有機質(zhì)與可見光反射率之間的關系: 土壤有機質(zhì)含量越高，可見光的反射率越低; 反之，可見光的反射率越高。國外學者研究發(fā)現(xiàn)，土壤有機質(zhì)中含有一種叫做胡敏酸的物質(zhì)，胡敏酸反射率很低，并且會掩蓋土壤反射率和土壤顏色等信息 ( 周清，2004) 。Baumgardner等 ( 1985) 在研究印度土壤時發(fā)現(xiàn)，當土壤有機質(zhì)含量超過 2% 時，其有可能掩蓋其他因素對土壤光譜的影響; 當小于 2%時，隨著土壤有機質(zhì)含量的降低，其掩蓋其他成分的能力越來越弱，對土壤光譜的影響就很小了。
2)建立了土壤有機質(zhì)反演模型Y=16.466－4.385W+2.668W2。判定系數(shù)Ｒ2最高達到了0.8684，其中 ，并且用該模型對高光譜影像進行參數(shù)成圖，取得了較滿意的結果。
3)對以反射率作對數(shù)的一階微分方程變換后進行統(tǒng)計回歸分析有兩個目的:一是一階微分變換能去除部分線性或接近線性的背景和噪聲光譜對目標光譜的影響;二是將反射率和土壤有機質(zhì)含量之間的關系線性化，便于研究。
三、高光譜巖性信息提取
8.5.1 方法與流程
8.5.1.1 巖性信息產(chǎn)品生成業(yè)務化流程
采用的高光譜巖性信息分類填圖方法：先將成像高光譜數(shù)據(jù)進行輻射定標、大氣校正、光譜重建等過程得到光譜反射率數(shù)據(jù)，然后根據(jù)礦物特征吸收峰分布情況對高光譜反射率數(shù)據(jù)進行波譜降維，對照已有地質(zhì)圖選取其中的典型巖性并結合像元純凈度指數(shù)圖在高光譜數(shù)據(jù)區(qū)域中建立感興趣區(qū)，確定巖性分類的先驗樣區(qū)，最后用合適的方法進行巖性信息分類填圖，并對結果進行優(yōu)化操作。巖性信息分類填圖流程圖如圖8.20。
圖8.20 高光譜巖性信息分類填圖流程
8.5.1.2 巖性分類信息提取的高光譜數(shù)據(jù)預處理
無論是高光譜成像儀還是傳統(tǒng)的多光譜傳感器，它們所記錄的數(shù)據(jù)都是地面觀測目標的反射或輻射能量的光譜輻射絕對值，與地物目標的光譜反射率或光譜輻亮度值是不一致的。因此，輻射定標和光譜重建是地物識別和定量分析不可缺少的環(huán)節(jié)。只有經(jīng)過輻射標定、輻射校正和大氣校正，剔除由于大氣散射、吸收、地形起伏及傳感器本身不穩(wěn)定帶來的各種失真，將記錄的圖像值轉(zhuǎn)換為地面的反照率值，重建像元地面光譜，才能根據(jù)光譜特征，有效地識別地物，反演地物成分。
8.5.1.3 端元選擇
對于一個地區(qū)的未知巖性分類信息提取，一般要進行巖性端元信息的提取。所謂端元，指的是成分單一的巖性像元。只有提取出端元才能進一步對研究區(qū)域進行巖性信息的分類分析。目前端元選擇的方式概括起來主要有兩種：①根據(jù)野外波譜測量或從已有的地物波譜信息庫中選擇端元。通過這種途徑選擇的端元稱為“參考端元”。②直接從待分類巖性的圖像上選擇端元，然后不斷對其修改、調(diào)整，確定端元，這種圖像上選擇的端元區(qū)域稱為先驗樣區(qū)。
野外獲取巖性端元信息一般要經(jīng)過實地勘察，先選擇好樣區(qū)，然后選擇合適的時間進行量測。一般情況下，要求在獲取影像的同時進行地物波譜量測，但這種難度很大，實際應用中很少能做到。通過野外測量方式獲取的參考端元理論上比較精確，但遙感圖像上地物的波譜曲線受到大氣、地形和傳感器等的影響，這些與野外實地測量的地物波譜曲線存在很大差別，即使對影像進行各種糾正進一步消除這些因素的影響，也不會與野外測量的地物波譜曲線很好地吻合。對于大部分研究區(qū)域而言，有與研究區(qū)對應的實際地物波譜庫的區(qū)域很少，也很少投入大量人力、物力進行野外波譜測量。因此在缺乏野外波譜測量數(shù)據(jù)情況下，從影像本身獲取端元是目前獲取端元的主要方式。目前，在端元從影像本身的像元獲取方式中，除了對遙感影像像元的色調(diào)、波譜特征進行目視解譯直接分析外，還可借助以下分析方法進行。
基于圖像的端元選擇是假定圖像中存在有基本上僅反映一種巖性或礦物光譜的“純像元”或“非混合像元”，用數(shù)學方法自動或交互地從圖像中提取這些“純像元”作為端元，用同一類“純像元”的典型光譜或平均像元光譜作為端元光譜。PPI方法由于推出較早，計算簡便直觀，并且處理高光譜數(shù)據(jù)中使用最廣泛的遙感圖像處理系統(tǒng)ENVI中有該功能，因而得到較廣泛的應用。但是在進行PPI之前，需先對高光譜數(shù)據(jù)進行降維處理。我們常用的降維處理手段主要是最大噪聲分離（MNF）變換。
（1）最大噪聲分離（MNF）變換
成像光譜的光譜分辨率很高，波段多，數(shù)據(jù)海量，且波段之間的相關性很強，數(shù)據(jù)冗余度高，需要在端元選取和礦物識別之前對數(shù)據(jù)作減維，并弱化噪聲。最常用的方法是“最大噪聲組分變換”。
MNF變換是利用圖像的噪聲組分矩陣（∑N∑-1）的特征向量對圖像進行變換，使按特征值由大到小排序的變換分量所包含的噪聲成分逐漸減小，圖像質(zhì)量順次提高?！茷閳D像的總協(xié)方差矩陣；∑N為圖像噪聲的協(xié)方差矩陣。MNF有兩個重要的性質(zhì)，一是對圖像的任何波段作比例擴展，變換結果不變；二是使圖像矢量、信息分量和加性噪聲分量互相垂直，達到信息分離的目的。乘性噪聲可通過對數(shù)變換轉(zhuǎn)換為加性噪聲，變換后可針對性地對各分量圖像進行去噪，或舍棄噪聲占優(yōu)勢的分量，以達到成像光譜數(shù)據(jù)減維和去噪的目的。
（2）像元純度指數(shù)（PPI）分析
基于上述MNF變換，排序低的MNF波段被暫時忽略，僅選擇高序次波段進一步處理。PPI設計指定光譜極值像元，對應為混合光譜端元。通過反復投影n維散點圖到隨機單元矢量來計算PPI。記錄每次投影的極值像元，注記每個像元被標定為極值的總次數(shù)。PPI圖像產(chǎn)生，其中，每個像元的DN值對應像元被記錄為極值的次數(shù)。這些圖像的直方圖顯示被PPI“擊中”（hit）的分布。從直方圖中選擇閾值，用于選擇最純的像元以保證被分析的像元數(shù)最小。這些像元被輸入到分離特定光譜端元的交互式可視化算法中。
（3）N維可視化（n-Dimensional Visualization）
由于PPI算法本身確定的并不是最終的端元，而是從圖像眾多像元中選出包含所有端元像元的較小像元子集。所以，一般要將PPI的處理結果輸入到N維可視化（n-Dimensional Visualization）工具中，選擇出最終的端元像元。
在N維可視化中，光譜可視為n維散點圖中的一個點，n是波段數(shù)。對給定的像元，n維空間中組成n值的點的坐標是每個波段的光譜反射率。這些點在n維空間的分布可用于估計光譜端元數(shù)和它們的純光譜特征。在兩維空間，如果只有兩個端元混合，混合光譜將落入直方圖的線中。純端元將落入混合線的兩端；如果三個端元混合，混合像元將落入四面體中；余類推。混合的端元落在純端元之間，處在純端元勾畫的多面體中。這種混合光譜的凸面幾何特征，可用于確定端元光譜數(shù)并估算它們的光譜特征，經(jīng)過PPI選擇出的潛在端元光譜輸入n維散點圖中進行反復旋轉(zhuǎn)以識別出純端元。根據(jù)前面的分析，較好的端元通常會出現(xiàn)在n維散點圖的頂點和拐角處，當一系列的端元點被確定后，就可以將其輸入到圖像中的感興趣區(qū)（ROI），從圖像中提取每個感興趣區(qū)平均反射率光譜曲線作為成像光譜礦物填圖的候選端元。
鑒于PPI算法得出的結果是從圖像眾多像元中選出包含所有端元的較小像元子集（圖8.21），在已有的地質(zhì)圖中結合PPI結果圖可選取盡量純凈的端元區(qū)域作為后期監(jiān)督分類的感興趣區(qū)（ROI，Region of Interest）。
圖8.21 選擇出的純凈像元的波譜曲線
8.5.2 結果與分析
目前，從是否需要先驗樣區(qū)可將巖性分類技術分為兩大類：非監(jiān)督分類和監(jiān)督分類。非監(jiān)督分類是指人們事先對分類過程不施加任何的先驗知識，而僅憑數(shù)據(jù)遙感影像地物的光譜特征的分布規(guī)律，即自然聚類的特性，進行“盲目”的分類；其分類的結果只是對不同類別達到了區(qū)分，但并不能確定類別的屬性；其類別的屬性是通過分類結束后目視判讀或?qū)嵉卣{(diào)查確定的。非監(jiān)督分類也稱聚類分析。一般的聚類算法是先選擇若干個模式點作為聚類的中心。每一中心代表一個類別，按照某種相似性度量方法（如最小距離方法）將各模式歸于各聚類中心所代表的類別，形成初始分類。然后由聚類準則判斷初始分類是否合理，如果不合理就修改分類，如此反復迭代運算，直到合理為止。監(jiān)督分類又稱訓練場地法，是以建立統(tǒng)計識別函數(shù)為理論基礎，依據(jù)典型樣本訓練方法進行分類的技術。即根據(jù)已知訓練區(qū)提供的樣本，通過選擇特征參數(shù)，求出特征參數(shù)作為決策規(guī)則，建立判別函數(shù)以對各待分類影像進行的圖像分類，是模式識別的一種方法。要求訓練區(qū)域具有典型性和代表性。判別準則若滿足分類精度要求，則此準則成立；反之，需重新建立分類的決策規(guī)則，直至滿足分類精度要求為止（圖8.22）。
圖8.22 地質(zhì)圖
對原始數(shù)據(jù)的211個波段進行目視解譯，去掉其中明顯的噪聲波段得到剩下的178個波段，對這178個波段的數(shù)據(jù)信息用上述方法進行分類得到所需的結果，然后結合各種巖性地質(zhì)特征，得知大多數(shù)礦物特征吸收峰均位于1300 nm以后的波段中，故在這178個波段中繼續(xù)裁剪得93個波段，并對裁剪結果用相同的方法及參數(shù)重新分類，將得到的結果與第一次分類結果進行對比。
8.5.2.1 非監(jiān)督分類填圖結果
（1）K-Means
預選待分類數(shù)據(jù)可分為八類，最大迭代次數(shù)為2，且設變化閾值為5%，即當每一類像元數(shù)變化小于閾值時結束迭代過程，最大允許標準差和最大允許距離誤差不輸入，即所有像元都參與分類。從而，當達到閾值5% 或迭代達到兩次時則分類結束（圖8.23 ，圖8.24）。
圖8.23 所用數(shù)據(jù)：dts_178，K-Means填圖結果
圖8.24 所用數(shù)據(jù)：resize_dts_93，K-Means填圖結果
（2）ISODATA
預選待分類數(shù)據(jù)可分為5～10類，最大迭代次數(shù)為2 ，變化閾值為5%，每一類最少含有像元數(shù)為500 ，最大允許標準差為10 ，即如果一類的標準差大于10 ，則該類被拆分為兩類。類均值間允許最小距離為5，能夠被合并成對的最大對數(shù)為5，即當類均值間距離小于5 時，這一類就會被合并，而合并后的成對類的最大值為5（圖8.25 ，圖8.26）。
圖8.25 所用數(shù)據(jù)：dts_178，ISODATA 填圖結果
圖8.26 所用數(shù)據(jù)：resize_dts_93，ISODATA填圖結果
8.5.2.2 監(jiān)督分類填圖結果
首先，對照地質(zhì)圖和PPI圖像選取兩種巖性（Cgammabeta：石炭紀黑云母花崗巖，Cdelta：石炭紀閃長巖）的感興趣區(qū)。
（1）平行六面體
設置最大允許標準差（Max stdev from Mean）為1.4（圖8.27，圖8.28）。
圖8.27 所用數(shù)據(jù)：dts_178，平行六面體填圖結果
圖8.28 所用數(shù)據(jù)：resize_dts_93，平行六面體填圖結果
（2）最小距離
設置最大標準差為10 ，最大允許距離誤差為2500 ，則分類過程中由兩者中較小的一個判定像元是否參與分類，若一旦大于任何一個值則該像元不參與分類，歸屬為無類別（圖8.29 ，圖8.30）。
圖8.29 所用數(shù)據(jù)dts_178，最小距離填圖結果
圖8.30 所用數(shù)據(jù)resize_dts_93，最小距離填圖結果
（3）光譜角制圖
設置最大允許角度為0.05°，即當像元波譜與終端端元波譜間夾角大于0.05°時，則不參與分類（圖8.31 ，圖8.32）。
圖8.31 所用數(shù)據(jù)：dts_178，光譜角制圖填圖結果
圖8.32 所用數(shù)據(jù)：resize_dts_93，光譜角制圖填圖結果
（4）光譜信息散度
設置最大散度閾值為0.002（圖8.33）。
圖8.33 所用數(shù)據(jù)：dts_178，光譜信息散度填圖結果
（5）二值編碼
設置最小二進制閾值為0.95 ，決定了哪些像元參與分類（圖8.34 ，圖8.35）。
圖8.34 所用數(shù)據(jù)：dts_178，二進制編碼填圖結果
圖8.35 所用數(shù)據(jù)：resize_dts_93，二進制編碼填圖結果
（6）最小距離（Hymap數(shù)據(jù)）
該方法需要設置兩個閾值：Max stdev from Mean；Max Distance Error。通過不同的嘗試，針對兩種閾值的設定如圖8.36所示。
圖8.36 局部填圖效果
（7）光譜信息散度（Hymap數(shù)據(jù)）
該方法需要設置閾值：Maximun Divergence Threshod。通過不同的嘗試，參數(shù)設置和填圖效果如圖8.37所示。
圖8.37 Threshod＝0.005 時的譜信息散度填圖結果
8.5.2.3 巖性信息填圖結果分析
為了分析高光譜星載模擬數(shù)據(jù)的巖性填圖效果（圖8.38），可對比研究區(qū)的巖性信息分布圖與地質(zhì)圖逐像素進行對比，如果研究區(qū)總的點數(shù)為N，地質(zhì)圖中與巖性信息分布圖的結論相同就認為該點取值1，最后統(tǒng)計結果中1的個數(shù)n，這樣巖性信息識別精度可定義為
高光譜遙感技術原理及礦產(chǎn)與能源勘查應用
圖8.38 巖性提取結果圖
筆者發(fā)現(xiàn)巖性分類結果與地質(zhì)圖吻合度達到了89%，對出現(xiàn)誤差的主要原因分析如下（圖8.39）：
1）實驗中所用數(shù)據(jù)是高光譜星載模擬數(shù)據(jù)，其空間分辨率為30m，隨著分辨率的降低，單個像元所對應的地面面積將增大，導致每個像元中包含更多的巖性類型，巖性間的影響性也會增加。一方面，由于混合像元的平均效應，目標巖性在像元中的等效豐度會下降，光譜信息減弱。當像元中目標巖性的等效豐度下降到檢出限以下時，巖性將不能被識別，而造成巖性分布區(qū)的外圍含量較低的地段和含量較低分布區(qū)填繪面積的減少，點狀集群分布區(qū)的漏識別，線狀分布區(qū)的斷續(xù)分布。這種效應相當于檢出限的下降。另一方面，當像元中目標巖性的等效豐度在檢出限以上時，會使面狀巖性分布區(qū)的范圍擴大、空洞的充填、相鄰小區(qū)的連接，點狀集群分布區(qū)的成片，線狀區(qū)域的斑點效應。這兩種效應的綜合作用結果，空間分辨率的減小則會使強異常區(qū)（包括高豐度區(qū)和光譜反襯度較高的礦物分布區(qū)）范圍的擴大、小區(qū)的相連、點群的結合，而使異常更加醒目，但其細節(jié)特征會因此消失；弱異常區(qū)（包括低豐度區(qū)和光譜反襯度較低的那些巖性分布區(qū)）和小異常區(qū)面積會縮小或漏檢；線狀異?？赡軙纬蓴嗬m(xù)分布的小斑塊而使線狀特征和其走向變得不清晰。因此，在填圖的細致程度上，分辨率越高的數(shù)據(jù)填圖效果越好，這是造成填圖效果差異的最主要原因之一。
2）輻射校正的精確程度。無論是高光譜成像儀還是傳統(tǒng)的多光譜傳感器，它們所記錄的數(shù)據(jù)都是地面觀測目標的反射或輻射能量的光譜輻射絕對值，與地物目標的光譜反射率或光譜輻亮度值是不一致的。因此，輻射校正和光譜重建是地物識別不可缺少的環(huán)節(jié)。但校正后數(shù)據(jù)必然丟失一定的信息，故再進行后續(xù)處理也會有一定的誤差。
3）感興趣區(qū)的選取是進行監(jiān)督分類的一個重要環(huán)節(jié)，但由于一般情況下并不能得到純度足夠高的感興趣區(qū)，造成選取的樣區(qū)含有多種巖性，從而對后期處理造成不可避免的誤差。
4）在數(shù)據(jù)一定的情況下，各種分類方法中參數(shù)的選取決定了分類效果，但由于無法遍取各種參數(shù)進行嘗試，實驗過程中僅是進行有限嘗試后選擇了具有較好的結果的參數(shù)，但并不能保證所用參數(shù)是最適合的參數(shù)。
總之，用高光譜星載模擬數(shù)據(jù)進行礦物填圖是可行的，它可以在一定程度上對巖性的種類及分布進行識別。
圖8.39 對比地質(zhì)圖（上圖是下圖黑框中部分）
四、小波變換在高光譜影像處理中的應用
小波分析在遙感圖像處理中的應用起步比較晚，主要是對圖像進行二維小波變換和重構，常用于一般遙感圖像壓縮、圖像去噪、圖像融合、圖像紋理特征和邊緣特征分析、圖像插值處理、多衛(wèi)星數(shù)據(jù)融合、圖像數(shù)據(jù)分類等方面。
由于小波變換具有多分辨率分析的特點，在時、頻兩域都具有表征信號局部特征的能力，對高光譜波譜維進行小波分解能夠同時保留信號高頻與低頻信息，精細地描述光譜的波峰和波谷等曲線特性，自動消除數(shù)據(jù)中的異常值，大大減少了特征光譜維數(shù)（Kaewpi－jit，2003），因而有利于高光譜后續(xù)處理。如基于小波變換，可提取信號在不同分級上的小波分量特征值，可利用特征值匹配方法實現(xiàn)了高光譜影像的分類（李新雙等，2006）。結合小波變換的特點和非監(jiān)督正交子空間迭代分解的方法，也可利用基于光譜維的小波低頻系數(shù)特征或高頻特征系數(shù)，進行混合像元投影迭代分解或亞像素目標識別（吳波等，2005；路威等，2005a）。孫桂玲等（2006）對典型地物的高光譜數(shù)據(jù)采用小波變換的分析方法，根據(jù)小波分解后的高頻信息中包含重要信息的特點，提出了一種能夠比較精確的提取出地物光譜各個吸收帶的中心波長的光譜特征提取方法。
相對來說，小波變換在高光譜影像處理中主要用于高光譜影像數(shù)據(jù)的壓縮（王晉等，2006）、融合、去噪（路威等，2005b；吳傳慶等，2005）、影像分類、小波神經(jīng)網(wǎng)絡分類、影像亞像素目標識別、特征提取等。小波變換在高光譜影像數(shù)據(jù)的光譜分析和光譜特征提取中的應用還比較少，這方面應用以對各個像元或參考目標的高光譜數(shù)據(jù)進行小波變換為基礎，主要用于光譜特征提取、目標識別與分類和高光譜遙感影像亞像素目標識別。
以上就是關于光譜特征提取方法相關問題的回答。希望能幫到你，如有更多相關問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。
推薦閱讀：
贛公網(wǎng)安備 50019002502384號
