补高光谱遥感材料.ppt

3、光谱微分 4、光谱积分 三、高光谱图像光谱分析技术 （光谱特征参量化） 5、光谱吸收指数 三、高光谱图像光谱分析技术 （光谱特征参量化） 光谱吸收指数（ Spectral Absorption Index, SAI ） 三、高光谱图像光谱分析技术 （光谱特征参量化） 高光谱图像分类的特点 优势： ①光谱分辨率高，能够获取地物精细的光谱特征曲线，模型可选择性强； ②在同一空间分辨率条件下，遥感器覆盖波长范围更宽； ③波段多，为波段之间的相互校正提供了方便； ④定量化的连续光谱曲线数据为地物光谱机理模型引入图像分类提供了条件。 劣势： ①对数据冗余处理不当，反而会影响分类精度； ②对定量化要求高，数据前处理复杂； ③波段多，波段间的相关性大，对训练样本数量要求高； ④使用统计学分类模型对光谱特征选择要求很高。 四、高光谱图像分类与目标识别 面向高光谱图像特点的分类算法: 一是基于图像数据统计特性的分类方法； 二是基于地物物性的分类方法，主要是利用反映地物物理光学性质的光谱特征来识别。 常用分类策略： 1.光谱特征匹配（特征选择、特征提取） 2.光谱波形匹配（距离、角度） 3.基于目标分解的神经网络分类 4.像元空间关联光谱图像分类 四、高光谱图像分类与目标识别 四、高光谱图像分类与目标识别 四、高光谱图像分类与目标识别 四、高光谱图像分类与目标识别 目标识别或光谱识别是个复杂的问题，其中三个最大的难点在于： （1）地物在复杂环境中的光谱不确定性（Spectral Variability）； （2）光谱识别需要很高信噪比（Signal-to-Noise）的高光谱图像； （3）混合像元问题（Spectral Mixture）。 高光谱图像目标识别的实质就是光谱识别，光谱识别可以概括为确某一未知光谱属于某一种已知光谱的确认概率（Certainty Probability）。 确认概率就是要量测两条光谱之间若干特征（Features）或规则（Rules）的满足数量。光谱识别要求地物具有排它性的光谱特征。 四、高光谱图像分类与目标识别 高光谱图像目标识别: ①从数字信号到辐射值的转换，这个过程要求在辐射和光谱上有高精度的定标； ②剔除大气效应：从辐射值到地面视反射率； ③纠正光照几何因素和地形影响：视反射率到地面反射率； ④光谱特征选择、特征提取、数据空间转换等； ⑤从光谱数据库中提取所要识别的目标标准光谱；或者从图像中提取光谱端元、识别和确认所找出的端元光谱； ⑥光谱匹配和识别，采用全波形匹配或者特征参量光谱匹配；也可以采用混合光谱分解的方法，分解每一像元光谱，得出每像元中各端元组分的相对含量。 四、高光谱图像分类与目标识别 目标空间维探测和图像光谱维探测比较 四、高光谱图像分类与目标识别 五、混合像元光谱分解 混合光谱形成机理： 在一个瞬时视场内（IFOV），有多种物质成分存在的空间混合； 在一个瞬时视场内，由于地形和物体阴影引起的照度差异; 不同像元之间的交叉辐射; 大气传输过程中的混合效应; 遥感仪器本身的混合效应。 线性模型是假设物体间没有相互作用(interaction)，每个光子(photon)仅能“看到”一种物质，并将其信号叠加到像元光谱中。 大尺度的光谱混合完全可以被认为是一种线性混合，而小尺度的内部物质混合是非线性的，而物体在上下垂直方向结构越复杂，其非线性特征就表现的越明显。 五、混合像元光谱分解 五、混合像元光谱分解 （光谱混合模型） 线性光谱混合模型包括：物理学模型（physical model）、数学模型（mathematical model）、几何学模型（geometric model） 物理学模型： 是指像元的混合光谱是像元内部各物质成分的“纯”光谱“特征”的面积加权平均（Weighted Average），是多种信号的无干扰叠加： 五、混合像元光谱分解 （光谱混合模型） 五、混合像元光谱分解 （光谱混合模型） 五、混合像元光谱分解 （光谱混合模型） 张兵 五、混合像元光谱分解 （光谱混合模型） 五、混合像元光谱分解 （端元提取） （1）纯像元指数（Pixel Purity Index ，PPI） －MNF变换进行降维处理 －在n个随机的单位向量上做正交投影变换 －计算每个像元被投影到单位向量端点的次数 五、混合像元光谱分解 （端元提取） （2）N-FINDR 单形体的体积： ei为表征第i个端元的列向量，V是由e1，e2，……，eN这N个端元所构成的单形体的体积，|.|为行列式运算符。向量ei的维数为N-1。 波段数为N-1时，计算出的端元数为N。 通过求解最大体积的单形体体积，来自动获取图