补-高光谱遥感讲解学习.ppt

光谱曲线包络线算法： 设有反射率曲线样点数组r（i），波长数组w（i），i=0，1，……，k-1； （1）i=0，将r（i），w（i）加入到包络线节点表中； （2）求新的包络节点。若i=k-1则结束，否则j=i+1； （3）若j=k-1，则结束，将r（j），w（j）加入到包络线节点表中，否则连接i、j，检查（i，j）直线与反射率曲线的交点。 三、高光谱图像光谱分析技术 （光谱特征位置搜索） ①设m=j+1 ② 若m=k-1则完成检查，j是包络线上的点，将w（j），r（j）加入到包络线节点表中，i=j，转到（2）； ③否则，求i，j与w（m）的交点r’（m）； ④如果了r（m）>r‘（m），则j不是包络线上的点，j=j+1，转到（3）；如果r（m）≤r‘（m），则i，j与光谱曲线最多有一个交点，m=m+1，转到② 。 （4）得到包络线节点表后，将相邻的节点用直线段依次相连，求出w（i）所对应的折线段上的点的函数值h（i），从而得到该光谱曲线的包络线。 （5）求出包络线后对光谱曲线进行包络线消除： 三、高光谱图像光谱分析技术 （光谱特征位置搜索） 基于光谱特征选择的图像彩色合成-目标在图像中的快速检索 三、高光谱图像光谱分析技术 （光谱特征选择） 三、高光谱图像光谱分析技术 （光谱距离统计） 三、高光谱图像光谱分析技术 （光谱距离统计） 三、高光谱图像光谱分析技术 （光谱特征提取） 三、高光谱图像光谱分析技术 （光谱特征提取） 移位差方法 (shift difference) 传感器背景噪声 光谱特征提取－－波长信息 （1）波形特征的绝对位置信息（波长） 波长？波长区间？ （2）波形特征的相对位置信息（波段排序） 降序？升序？波长间隔？ 光谱形态学分析－－－光谱特征参量化 （1）光谱斜率和坡向 （2）光谱二值编码 （3）光谱微分 （4）光谱积分 （5）光谱吸收指数（吸收位置、吸收深度、吸收宽度、对称性） （6）光谱曲线函数模拟 三、高光谱图像光谱分析技术 （光谱特征提取） 三、高光谱图像光谱分析技术 （光谱特征参量化） 1、光谱斜率和坡向 在某个波长区间内，如果光谱曲线可以非常近似地模拟出一条直线段，这条直线的斜率被定义为光谱斜率。如果光谱斜率为正，则该段光谱曲线被定义为正向坡；如果光谱斜率为负，则该段光谱曲线被定义为负向坡；如果光谱斜率为零，则该段光谱曲线被定义为平向坡。光谱坡向指数为SSI。 在光谱区间[λ1，λ2]，模拟出的直线段如下： 三、高光谱图像光谱分析技术 （光谱特征参量化） 2、光谱二值编码 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 概念： 具有比较高的光谱分辨率，通常能达到10-2λ数量级，高光谱遥感具有波段多的特点，光谱通道数多达数十甚至数百个以上，而且各通道间往往是连续的，因此高光谱遥感通常也被称为成像光谱遥感（Imaging Spectrometry）。 基本概念 遥感成像技术的发展一直伴随着两方面的进步：一是通过减小遥感器的瞬时视场角（Instantaneous Field of View，IFOV）而提高遥感图像的空间分辨率（Spatial Resolution）；二是通过增加波段数量和减小每个波段的带宽，来提高遥感图像的光谱分辨率（Spectral Resolution）。 术语：光谱分辨率；空间分辨率；仪器的视场角；调制传递函数；信噪比；探测器凝视时间；