高光谱遥感数据的及未来挑战讲义.docx

高光谱遥感数据的分析及未来挑战 José M. Bioucas-Dias, Antonio Plaza, Gustavo Camp s-Valls, Paul Scheunders, Nasser M. Nasrabadi, and Jocelyn Chanussot 摘要：在过去的20年，高光谱遥感技术的进步可谓引人注目，现流行的机载和星载的传感器通过以前未有的空间分辨率，光谱分辨率以及时间分辨率来覆盖大面积地表。这些特征能够满足无数的对地物物质的精细识别或物理参数估计的应用需求，往往这些应用依靠的是先验知识和复杂数据分析处理方法。困难来源有，也就是说，高光谱数据的高维数和极大数据量，光谱混合（线性和非线性），以及与注诸如受到噪声和大气作用影响的测量过程相关的降解机理。这篇文章展示了一部分有关高光谱数据的分析方法和算法的教程和概述，由三个主题构成，分别是：数据融合，混合像元分解，目标检测。在所有主题中，我们描述最先进的产品（科技），提供说明性的实例，并指出未来的挑战和研究方向。 一、引言： 高光谱遥感是关于实体对象或地表上场景的信息提取，基于它们的由星载或机载传感器获取的辐射[1],[2].。高光谱遥感，及成像方式为高光谱影像，被越来越多的应用于使用小的，商业的，搞空间高光谱分辨率仪器的实验室规模（例如：食品安全，药物过程监测和质量控制，生物医学，工业，生物和法医）[3]。 图1通过比较每年在高光谱和雷达领域研究的论文，给出了部分与高光谱应用程序相关的报告。这些结果是通过检索ISI科学网的SCI扩展数据库得到，这个科学网的主题一方面是“（高光谱）和（遥感）”，另一方面是“（雷达）与（遥感）”，我们总结出2011年前后，每年在高光谱和雷达领域的项目数量大体相同，具有之前明显增加，之后稳定或者下降的趋势。在高光谱成像，也被称为成像光谱中[4]，传感器从给定场景的每个像元中获取一个具有数百或数千个元素的光谱向量。这样得出的结果就是所谓的高光谱图像（HSI）。应当指出的是高光谱图像是频谱平滑并且空间分段平滑的；在相邻的位置和波长的值是高度相关的。可以通过极非对角协方差矩阵和广泛的自相关函数观察到[1]。分段平滑性也存在于时空光谱方向。它的特征与那些自然的摄影图片及视频类似，因此，一些在这些数据上做开发的工具可以扩展应用到高光谱图像的分析中。 图1 一个高光谱图像的等价解译是由一堆代表各个波段辐射（波长间隔）的图像的采集给定的。由于这种解译，高光谱影像也被称为高光谱数据立方体。这两个观点在图2的左上方有说明，即高光谱影像有nb个光谱波段和n1*n2个像素。右上角则显示了包含土壤，植被，水体的像元的光谱曲线。由于高光谱采样，光谱信息往往是高度相关的并且因此处在一个低维数的流形中。在图2的底部有对此的说明，即土壤，植被，水体的光谱向量以Rnb维点在平面显现。 就一个遥感影像系统的几何性质而言，传感器的光谱分辨率是由它的视场（FOV）决定的，获得的光谱是视场中地物反射率的平均数。光谱分辨率是由光谱波段的宽度确定的。当空间和光谱式采集信息时（我们将假设采样表现在传感器的空间和光谱分辨率上），则获得了一个三维的“超立方体”X∈Rn1*n2*nb，包含n=n1*n2个像元和nb个波段（见图2）。不同的展现形式可以用于高光谱图像： 图2 在光谱表示中，每个像元都定义在这个光谱空间内。由于相邻的光谱对应类似的地物，光谱空间的分类就常常应用于地物的描述。这可以通过聚类相邻的光谱，或者通过监督分类（见分类）。由于光谱相关度高，数据可能留存在光谱空间的一个维数很低的子簇（子流形）中，数据在dnb维子空间的投影，采用，例如主成分分析（PCA）[3]，是很常用的。 在空间表示中，每个图像波段都是一个矩阵Xi∈Rn1*n2.因为空间的高度相关性，邻近的像元可能属于一种类似的地物，所以空间分类（例如，分割）是很常用的。 在空间-光谱呈现中，每个像元的光谱处理都将邻近像元考虑在内，而图像波段的空间处理则还需考虑其他波段。 这些表现已被积极利用，即用于降维，特征提取，分解，分类，分割，和检测[1],[5]。仍然将光谱信息的高维数联系起来，最新的趋势是稀疏和冗余建模，目前可达到的领域例如复原，分解，分类，分割，和检测[6],[7]。 由于高光谱传感器的输出提供了原像元亮度值（DN值），并且为达到量化的目的，在利用上述提到的先进的信息提取技术之前需要将其转换成表面反射率值。传感器自身的特征是由它的传递函数描述的[8]。考虑到这一点，第一个光谱辐射定标一般采用获取传感器上或者大气顶端（TOA）的辐射值。当反射的太阳光通过大气层，有一部分被吸收和散射。由于这些作用对光谱值有很大影响，所以它们需要被校正，从而获得离开地面的辐射值或反射值[