-
让品牌有温度、有情感
专注品牌策划15年
光谱特征提取方法（光谱特征提取方法是什么）
发布时间：2023-04-13 12:17:06
稿源：
创意岭 阅读：
80
大家好！今天让创意岭的小编来大家介绍下关于光谱特征提取方法的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。
开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等
只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端
创意岭作为行业内优秀的企业，服务客户遍布全球各地，如需了解SEO相关业务请拨打电话175-8598-2043，或添加微信：1454722008
本文目录:
一、端元光谱选取与信息提取
3.1.3.1 端元数目的确定
一个混合像元可能包含了几种地物类别，所以确定端元的数目是进行光谱线性分解的前提，也是整个光谱线性解混技术中必不可少的一个环节。对于多光谱数据常用的方法是根据主成分分析（PCA）中协方差的大小来判定端元数，但是其分析方法比较粗糙，而对于含有上百个窄波段的高光谱遥感影像来说，主成分分析方法很容易把细微的光谱信息归到噪声部分（Chang C，2007）。因此，目前常用的针对高光谱遥感影像确定端元数目的方法是基于Neyman－Pearson探测理论的特征阈值分析方法（Harsanyi et al.，1994），简称HFC（Harsanyi，Farrand，Chang）。本章也采用此方法进行端元数目的确定。
HFC原理是通过对影像进行矩阵的相关计算，分别得到其相关矩阵Rm×n和协方差矩阵Km×n及其特征值，并把特征值分别记作 。
如果影像的信号能量为正，则有
高光谱遥感影像信息提取技术
式中：n即为端元数目；m为高光谱影像的波段数。
即便是没有采用主成分分析的方法，也不可避免的有部分弱信号被认作是噪声信号被排除掉，因此，为了尽可能地减少这种现象的发生，在计算端元数目之前最好进行白化处理（Gruninger et al.，2004）。
3.1.3.2 端元的提取
高光谱影像端元提取的方法目前研究的较为深入，研究者从不同的角度提出了很多实用性的提取方法，其中较为常用的有纯像元指数（PPI）、内部最大体积法（N－FINDR）、顶点成分分析（VCA）、单形体投影方法（SPM）、顺序最大凸锥（SMACC）、迭代误差分析（IEA）、外包单形体收缩（SSWA）、最小体积单形体分析（MVSA）、凸锥分析（CCA）、光学实时自适应光谱识别系统（ORASIS）、自动形态学（AMEE）、最大距离法（MaxD）、最大体积法（MaxV）、最大零空间投影距离法（NSP）、定量化独立成分分析法（ICA）等（张兵等，2011）。本章采用的端元提取的方法是顺序最大凸锥（SMACC），它提供了更快、更自动化的方法来获取端元波谱，但是它的结果近似程度较高，精度较低。由于本章的研究目的是一种改进型的线性分解方式，不是集中在端元选择问题上的研究，因此使用SMACC虽然不是最好的算法，但是完全可以达到本章实验的目的。
SMACC算法（Gruninger et al.，2004）在提取端元的同时可以获得丰度反演的结果，它的基本原理是通过迭代的方法来获取端元，经过数次迭代，每次都不断地计算和调整各个端元在混合像元中所占的比例，并且利用投影变换消除端元之间的相互影响。其中，最关键的步骤就是判断该像元中是否有该端元，并且是否需要进行斜交投影（或正交投影）。具体算法如下：
设原始像元集表示为 ，其第j次迭代前的像元集合表示为 ，第j次迭代前的端元集合表示为 ，wj表示每次迭代时的投影方向，Xj－1为最长的光谱向量，则Xj－1在wj方向上的投影系数为
高光谱遥感影像信息提取技术
ej在xi中的比例系数为
高光谱遥感影像信息提取技术
式中：βij为调整系数，当βij＝1时为正交投影，否则为斜交投影。经过多次迭代，最终可以得到的ej在xi中的比例系数 。
像元的投影结果为
高光谱遥感影像信息提取技术
其中，系数βij调整的原则为：当Oij≤0时，βij＝0，表示没有该端元；否则，根据
高光谱遥感影像信息提取技术
通过计算vk得到其中的最小值，记为vmin。当vmin＞1，则βij＝1，为正射投影；否则为斜交投影，βij＝vmin。
3.1.3.3 混合像元地物信息提取及其分类
经过对混合像元光谱曲线构建的矩阵进行分解，可以得到每一类端元光谱在混合像元中的丰度值fj（j＝1，2，…，n），但是对高光谱影像的分类或地物信息提取是按照以像元为基本单位进行划分的，也就是说在分类或地物提取中，一个像元不可能被涂上不同的颜色，因此，为了便于分类，选取fj中值最大的一个对应的端元作为该混合像元的地物种类，即Max（fj）（j＝1，2，…，n）对应的端元。
二、土壤有机质光谱信息提取
土壤有机质是土壤的重要组成物质，也是植物的营养仓库，它的损失直接影响土壤生产力。土壤有机质不仅能持续缓慢地提供植物生长所需的养分，而且能改善土壤的物理状况，促进团粒结构形成，从而改善土壤的水分及通气状况。另外，随着土壤有机质含量的增多，土壤颜色加深，有利于提高土壤温度。土壤有机质含量多少在一定限度内可以说明土壤的肥沃程度，是土壤肥力的重要指标之一。一般来说，有机质含量 ＞ 2. 5% 的土壤是比较肥沃的，1% ～2. 5%为中度肥沃的土壤， ＜ 1% 则为较贫瘠的土壤，但也不绝对。例如我国东北地区黑土有机质含量高，但是温度低，分解慢; 暖温带某些类型土壤有机质含量低，但分解快，其有效化程度高，也有一定肥力。总的来说，土壤有机质是土壤肥力和作物丰产的基础。基于光谱技术的土壤有机质含量反演方法较多，但是这些方法均具有一定局限性，针对不同的研究区域、应用于不同土壤类型时会出现较大误差，目前尚没有通用的模型。
土地退化评价指标体系是由植被、土壤、地形地貌、水文与水文地质、近地表大气等反映土地退化特征的指标组合而成，指标之间相辅相成，从不同方面共同反映退化土地的特征，包括空间上的相对退化和时间上的动态退化。反映土地退化的指标很多，包括植被覆盖度、陆地表面温度、土壤湿度和土壤母质化以及水土流失等。本节只选择能够体现高光谱遥感技术优势的土壤有机质指标作为研究对象，以陕西省横山县黄土丘陵区为例，对174 个土样的光谱反射率数据与土壤有机质含量进行分析，从而进行信息提取，评价高光谱遥感技术在可见光和近红外波段进行土壤有机质监测的应用潜力，运用多元统计分析技术，初步建立反射率反演模型，尝试进行定量化成图。
( 一) 土壤有机质预测模型建立
为了建立反射率和土壤有机质含量之间的反演模型，从中寻找对土壤有机质含量敏感的光谱指标，对光谱的反射率作了8种变换，包括反射率的倒数1/Ｒ、反射率的对数lgＲ、反射率对数的倒数1/lgＲ、反射率的平方根 、反射率的一阶微分Ｒ'、倒数的一阶微分(1/Ｒ)'、反射率对数的一阶微分(lgＲ)'、对数的倒数的一阶微分(1/lgＲ)'、平方根的一阶微分 。采用单相关分析方法，利用实验室测定的174个土样的土壤有机质含量与反射率及其变换形式逐波段地进行相关分析，相关系数r的表达式如下:
退化废弃地遥感信息提取研究
式中:ri为土壤有机质含量OM与光谱反射率或其变换形式(都用Ｒ表示)的单相关系数;i为波段序号;Ｒni为第n个土壤样本第i波段的光谱反射率值(或其变换形式的值); 为N个土壤样本在i波段光谱反射率(或其变换形式)的平均值;OMn为第n个土样的土壤有机质含量; 为实测的N个土样的土壤有机质含量的平均值;N为174，是土样的总个数。
本研究的具体思路是以野外采样点地物光谱数据为基础，首先利用高光谱Hyperion数据对野外地物光谱库进行重采样(第二次采样);运用经验线性拟合法，以野外地物光谱数据为基础对高光谱Hyperion影像进行校正，以便进一步确立两者之间的相关性;然后在前人研究的基础上，运用统计回归分析方法建立采样点地物光谱数据与土壤有机质含量的最佳反演模型，并且把该模型运用到高光谱Hyperion影像当中，得到土壤有机质含量的空间分布情况。
本研究采用容量分析法测定了174个土样的土壤有机质含量，最小值为0.124%，最大值为4.865%，平均值为1.179%，均方差为1.122。Krishnan等(1980)用逐步多元线性回归和迭代的方法对四种不同土壤类型的研究发现，在近红外区域 ( 800 ～2400nm) 没有由有机质引起的吸收峰，用可见光区域预测土壤有机质含量要优于近红外区域，所得相关系数分别为 0. 8732 和 0. 9828，并给出用 623. 6nm 和 564. 4nm 两个最佳波段的反射光谱值预测土壤有机质含量的回归模型:
退化废弃地遥感信息提取研究
式中: K 为回归常数; ρ 为反射率值; λ 为波长。
Krishnan 等的预测模型中的回归常数 K 从某种程度上反映了其他因素对土壤有机质光谱特性的影响，然而文中并未对其进行具体的讨论说明，但是可以肯定的是 623. 6nm 处反射率倒数之对数的一阶微分与 564. 4nm 处反射率倒数之对数的一阶微分的比值和土壤有机质含量存在某种相关性，把它记为 W，通过把计算的 30 个地物光谱数据的 W 值与土壤有机质含量进行相关性分析，发现 W 与土壤有机质含量之间的相关系数达到 0. 8948，存在着强烈的相关关系。所以确定以 W 为变量，进行回归分析，其中
退化废弃地遥感信息提取研究
。运用 SPSS 软件进行统计回归分析，结果见表 3 －2。
表 3 －2 土壤有机质含量模型与 W 的拟合模型表
图3－4 有机质含量实测值与预测值比较
从表3－2中可以发现，二次函数Y=16.466－4.385W+2.668W2的判定系数Ｒ2最高，达到了0.8684，其中 ，ρ为反射率值，说明它的反演效果最好，精度最高。通过30个土样的土壤有机质含量实测值与预测值的散点图(图3－4)也可以直观地看出，二次函数结果与实测值较为接近，有很好的预测效果。
由此得到土壤有机质含量的最佳反演模型是Y=16.466－4.385W+2.668W2，判定系数Ｒ2=0.8684。
(二)定量参数成图
将建立的土壤有机质含量最佳反演模型应用到反射率影像当中，进行土壤有机质含量指标的定量参数成图。所谓参数成图，首先是给每个像元赋具体参数值，这可以借助一些波段值或其变换形式与土壤生物理化参数的半经验关系建立预测模型，采用统计回归的方法建立的土壤有机质含量与反射率的关系就是这种预测模型;然后通过这种关系计算出高光谱遥感影像上每个像元的土壤有机质含量的预测值;最后采用聚类或密度分割的方法将单参数预测图分成若干级(类)，即为单参数分布图。
图3－5 土壤有机质含量参数成图
由土壤有机质的最佳反演模型是Y=16.466－4.385W+2.668W2，其中 。在ENVI软件中，运用线性光谱分离方法提取出影像中的土壤信息，利用NDVI指数，取数值在0.1～0.3之间的为土壤(NDVI＞0.3的为植被，NDVI＜0.1的为水体)，掩膜处理掉影像中的植被和水体信息;然后在EＲDAS软件下运用空间建模方法，将模型应用于高光谱Hyperion数据，进行定量化参数成图，得到土壤有机质含量的空间分布情况(图3－5)。
( 三) 小结
1) 土壤有机质含量和有机质的组成对土壤的反射率有较强的影响。土壤有机质对土壤反射率的影响在视觉上表现为暗黑色的土壤比亮色的土壤有机质含量高，这表明了土壤有机质与可见光反射率之间的关系: 土壤有机质含量越高，可见光的反射率越低; 反之，可见光的反射率越高。国外学者研究发现，土壤有机质中含有一种叫做胡敏酸的物质，胡敏酸反射率很低，并且会掩盖土壤反射率和土壤颜色等信息 ( 周清，2004) 。Baumgardner等 ( 1985) 在研究印度土壤时发现，当土壤有机质含量超过 2% 时，其有可能掩盖其他因素对土壤光谱的影响; 当小于 2%时，随着土壤有机质含量的降低，其掩盖其他成分的能力越来越弱，对土壤光谱的影响就很小了。
2)建立了土壤有机质反演模型Y=16.466－4.385W+2.668W2。判定系数Ｒ2最高达到了0.8684，其中 ，并且用该模型对高光谱影像进行参数成图，取得了较满意的结果。
3)对以反射率作对数的一阶微分方程变换后进行统计回归分析有两个目的:一是一阶微分变换能去除部分线性或接近线性的背景和噪声光谱对目标光谱的影响;二是将反射率和土壤有机质含量之间的关系线性化，便于研究。
三、高光谱岩性信息提取
8.5.1 方法与流程
8.5.1.1 岩性信息产品生成业务化流程
采用的高光谱岩性信息分类填图方法：先将成像高光谱数据进行辐射定标、大气校正、光谱重建等过程得到光谱反射率数据，然后根据矿物特征吸收峰分布情况对高光谱反射率数据进行波谱降维，对照已有地质图选取其中的典型岩性并结合像元纯净度指数图在高光谱数据区域中建立感兴趣区，确定岩性分类的先验样区，最后用合适的方法进行岩性信息分类填图，并对结果进行优化操作。岩性信息分类填图流程图如图8.20。
图8.20 高光谱岩性信息分类填图流程
8.5.1.2 岩性分类信息提取的高光谱数据预处理
无论是高光谱成像仪还是传统的多光谱传感器，它们所记录的数据都是地面观测目标的反射或辐射能量的光谱辐射绝对值，与地物目标的光谱反射率或光谱辐亮度值是不一致的。因此，辐射定标和光谱重建是地物识别和定量分析不可缺少的环节。只有经过辐射标定、辐射校正和大气校正，剔除由于大气散射、吸收、地形起伏及传感器本身不稳定带来的各种失真，将记录的图像值转换为地面的反照率值，重建像元地面光谱，才能根据光谱特征，有效地识别地物，反演地物成分。
8.5.1.3 端元选择
对于一个地区的未知岩性分类信息提取，一般要进行岩性端元信息的提取。所谓端元，指的是成分单一的岩性像元。只有提取出端元才能进一步对研究区域进行岩性信息的分类分析。目前端元选择的方式概括起来主要有两种：①根据野外波谱测量或从已有的地物波谱信息库中选择端元。通过这种途径选择的端元称为“参考端元”。②直接从待分类岩性的图像上选择端元，然后不断对其修改、调整，确定端元，这种图像上选择的端元区域称为先验样区。
野外获取岩性端元信息一般要经过实地勘察，先选择好样区，然后选择合适的时间进行量测。一般情况下，要求在获取影像的同时进行地物波谱量测，但这种难度很大，实际应用中很少能做到。通过野外测量方式获取的参考端元理论上比较精确，但遥感图像上地物的波谱曲线受到大气、地形和传感器等的影响，这些与野外实地测量的地物波谱曲线存在很大差别，即使对影像进行各种纠正进一步消除这些因素的影响，也不会与野外测量的地物波谱曲线很好地吻合。对于大部分研究区域而言，有与研究区对应的实际地物波谱库的区域很少，也很少投入大量人力、物力进行野外波谱测量。因此在缺乏野外波谱测量数据情况下，从影像本身获取端元是目前获取端元的主要方式。目前，在端元从影像本身的像元获取方式中，除了对遥感影像像元的色调、波谱特征进行目视解译直接分析外，还可借助以下分析方法进行。
基于图像的端元选择是假定图像中存在有基本上仅反映一种岩性或矿物光谱的“纯像元”或“非混合像元”，用数学方法自动或交互地从图像中提取这些“纯像元”作为端元，用同一类“纯像元”的典型光谱或平均像元光谱作为端元光谱。PPI方法由于推出较早，计算简便直观，并且处理高光谱数据中使用最广泛的遥感图像处理系统ENVI中有该功能，因而得到较广泛的应用。但是在进行PPI之前，需先对高光谱数据进行降维处理。我们常用的降维处理手段主要是最大噪声分离（MNF）变换。
（1）最大噪声分离（MNF）变换
成像光谱的光谱分辨率很高，波段多，数据海量，且波段之间的相关性很强，数据冗余度高，需要在端元选取和矿物识别之前对数据作减维，并弱化噪声。最常用的方法是“最大噪声组分变换”。
MNF变换是利用图像的噪声组分矩阵（∑N∑-1）的特征向量对图像进行变换，使按特征值由大到小排序的变换分量所包含的噪声成分逐渐减小，图像质量顺次提高。∑为图像的总协方差矩阵；∑N为图像噪声的协方差矩阵。MNF有两个重要的性质，一是对图像的任何波段作比例扩展，变换结果不变；二是使图像矢量、信息分量和加性噪声分量互相垂直，达到信息分离的目的。乘性噪声可通过对数变换转换为加性噪声，变换后可针对性地对各分量图像进行去噪，或舍弃噪声占优势的分量，以达到成像光谱数据减维和去噪的目的。
（2）像元纯度指数（PPI）分析
基于上述MNF变换，排序低的MNF波段被暂时忽略，仅选择高序次波段进一步处理。PPI设计指定光谱极值像元，对应为混合光谱端元。通过反复投影n维散点图到随机单元矢量来计算PPI。记录每次投影的极值像元，注记每个像元被标定为极值的总次数。PPI图像产生，其中，每个像元的DN值对应像元被记录为极值的次数。这些图像的直方图显示被PPI“击中”（hit）的分布。从直方图中选择阈值，用于选择最纯的像元以保证被分析的像元数最小。这些像元被输入到分离特定光谱端元的交互式可视化算法中。
（3）N维可视化（n-Dimensional Visualization）
由于PPI算法本身确定的并不是最终的端元，而是从图像众多像元中选出包含所有端元像元的较小像元子集。所以，一般要将PPI的处理结果输入到N维可视化（n-Dimensional Visualization）工具中，选择出最终的端元像元。
在N维可视化中，光谱可视为n维散点图中的一个点，n是波段数。对给定的像元，n维空间中组成n值的点的坐标是每个波段的光谱反射率。这些点在n维空间的分布可用于估计光谱端元数和它们的纯光谱特征。在两维空间，如果只有两个端元混合，混合光谱将落入直方图的线中。纯端元将落入混合线的两端；如果三个端元混合，混合像元将落入四面体中；余类推。混合的端元落在纯端元之间，处在纯端元勾画的多面体中。这种混合光谱的凸面几何特征，可用于确定端元光谱数并估算它们的光谱特征，经过PPI选择出的潜在端元光谱输入n维散点图中进行反复旋转以识别出纯端元。根据前面的分析，较好的端元通常会出现在n维散点图的顶点和拐角处，当一系列的端元点被确定后，就可以将其输入到图像中的感兴趣区（ROI），从图像中提取每个感兴趣区平均反射率光谱曲线作为成像光谱矿物填图的候选端元。
鉴于PPI算法得出的结果是从图像众多像元中选出包含所有端元的较小像元子集（图8.21），在已有的地质图中结合PPI结果图可选取尽量纯净的端元区域作为后期监督分类的感兴趣区（ROI，Region of Interest）。
图8.21 选择出的纯净像元的波谱曲线
8.5.2 结果与分析
目前，从是否需要先验样区可将岩性分类技术分为两大类：非监督分类和监督分类。非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据遥感影像地物的光谱特征的分布规律，即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性；其类别的属性是通过分类结束后目视判读或实地调查确定的。非监督分类也称聚类分析。一般的聚类算法是先选择若干个模式点作为聚类的中心。每一中心代表一个类别，按照某种相似性度量方法（如最小距离方法）将各模式归于各聚类中心所代表的类别，形成初始分类。然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止。监督分类又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止（图8.22）。
图8.22 地质图
对原始数据的211个波段进行目视解译，去掉其中明显的噪声波段得到剩下的178个波段，对这178个波段的数据信息用上述方法进行分类得到所需的结果，然后结合各种岩性地质特征，得知大多数矿物特征吸收峰均位于1300 nm以后的波段中，故在这178个波段中继续裁剪得93个波段，并对裁剪结果用相同的方法及参数重新分类，将得到的结果与第一次分类结果进行对比。
8.5.2.1 非监督分类填图结果
（1）K-Means
预选待分类数据可分为八类，最大迭代次数为2，且设变化阈值为5%，即当每一类像元数变化小于阈值时结束迭代过程，最大允许标准差和最大允许距离误差不输入，即所有像元都参与分类。从而，当达到阈值5% 或迭代达到两次时则分类结束（图8.23 ，图8.24）。
图8.23 所用数据：dts_178，K-Means填图结果
图8.24 所用数据：resize_dts_93，K-Means填图结果
（2）ISODATA
预选待分类数据可分为5～10类，最大迭代次数为2 ，变化阈值为5%，每一类最少含有像元数为500 ，最大允许标准差为10 ，即如果一类的标准差大于10 ，则该类被拆分为两类。类均值间允许最小距离为5，能够被合并成对的最大对数为5，即当类均值间距离小于5 时，这一类就会被合并，而合并后的成对类的最大值为5（图8.25 ，图8.26）。
图8.25 所用数据：dts_178，ISODATA 填图结果
图8.26 所用数据：resize_dts_93，ISODATA填图结果
8.5.2.2 监督分类填图结果
首先，对照地质图和PPI图像选取两种岩性（Cgammabeta：石炭纪黑云母花岗岩，Cdelta：石炭纪闪长岩）的感兴趣区。
（1）平行六面体
设置最大允许标准差（Max stdev from Mean）为1.4（图8.27，图8.28）。
图8.27 所用数据：dts_178，平行六面体填图结果
图8.28 所用数据：resize_dts_93，平行六面体填图结果
（2）最小距离
设置最大标准差为10 ，最大允许距离误差为2500 ，则分类过程中由两者中较小的一个判定像元是否参与分类，若一旦大于任何一个值则该像元不参与分类，归属为无类别（图8.29 ，图8.30）。
图8.29 所用数据dts_178，最小距离填图结果
图8.30 所用数据resize_dts_93，最小距离填图结果
（3）光谱角制图
设置最大允许角度为0.05°，即当像元波谱与终端端元波谱间夹角大于0.05°时，则不参与分类（图8.31 ，图8.32）。
图8.31 所用数据：dts_178，光谱角制图填图结果
图8.32 所用数据：resize_dts_93，光谱角制图填图结果
（4）光谱信息散度
设置最大散度阈值为0.002（图8.33）。
图8.33 所用数据：dts_178，光谱信息散度填图结果
（5）二值编码
设置最小二进制阈值为0.95 ，决定了哪些像元参与分类（图8.34 ，图8.35）。
图8.34 所用数据：dts_178，二进制编码填图结果
图8.35 所用数据：resize_dts_93，二进制编码填图结果
（6）最小距离（Hymap数据）
该方法需要设置两个阈值：Max stdev from Mean；Max Distance Error。通过不同的尝试，针对两种阈值的设定如图8.36所示。
图8.36 局部填图效果
（7）光谱信息散度（Hymap数据）
该方法需要设置阈值：Maximun Divergence Threshod。通过不同的尝试，参数设置和填图效果如图8.37所示。
图8.37 Threshod＝0.005 时的谱信息散度填图结果
8.5.2.3 岩性信息填图结果分析
为了分析高光谱星载模拟数据的岩性填图效果（图8.38），可对比研究区的岩性信息分布图与地质图逐像素进行对比，如果研究区总的点数为N，地质图中与岩性信息分布图的结论相同就认为该点取值1，最后统计结果中1的个数n，这样岩性信息识别精度可定义为
高光谱遥感技术原理及矿产与能源勘查应用
图8.38 岩性提取结果图
笔者发现岩性分类结果与地质图吻合度达到了89%，对出现误差的主要原因分析如下（图8.39）：
1）实验中所用数据是高光谱星载模拟数据，其空间分辨率为30m，随着分辨率的降低，单个像元所对应的地面面积将增大，导致每个像元中包含更多的岩性类型，岩性间的影响性也会增加。一方面，由于混合像元的平均效应，目标岩性在像元中的等效丰度会下降，光谱信息减弱。当像元中目标岩性的等效丰度下降到检出限以下时，岩性将不能被识别，而造成岩性分布区的外围含量较低的地段和含量较低分布区填绘面积的减少，点状集群分布区的漏识别，线状分布区的断续分布。这种效应相当于检出限的下降。另一方面，当像元中目标岩性的等效丰度在检出限以上时，会使面状岩性分布区的范围扩大、空洞的充填、相邻小区的连接，点状集群分布区的成片，线状区域的斑点效应。这两种效应的综合作用结果，空间分辨率的减小则会使强异常区（包括高丰度区和光谱反衬度较高的矿物分布区）范围的扩大、小区的相连、点群的结合，而使异常更加醒目，但其细节特征会因此消失；弱异常区（包括低丰度区和光谱反衬度较低的那些岩性分布区）和小异常区面积会缩小或漏检；线状异常可能会形成断续分布的小斑块而使线状特征和其走向变得不清晰。因此，在填图的细致程度上，分辨率越高的数据填图效果越好，这是造成填图效果差异的最主要原因之一。
2）辐射校正的精确程度。无论是高光谱成像仪还是传统的多光谱传感器，它们所记录的数据都是地面观测目标的反射或辐射能量的光谱辐射绝对值，与地物目标的光谱反射率或光谱辐亮度值是不一致的。因此，辐射校正和光谱重建是地物识别不可缺少的环节。但校正后数据必然丢失一定的信息，故再进行后续处理也会有一定的误差。
3）感兴趣区的选取是进行监督分类的一个重要环节，但由于一般情况下并不能得到纯度足够高的感兴趣区，造成选取的样区含有多种岩性，从而对后期处理造成不可避免的误差。
4）在数据一定的情况下，各种分类方法中参数的选取决定了分类效果，但由于无法遍取各种参数进行尝试，实验过程中仅是进行有限尝试后选择了具有较好的结果的参数，但并不能保证所用参数是最适合的参数。
总之，用高光谱星载模拟数据进行矿物填图是可行的，它可以在一定程度上对岩性的种类及分布进行识别。
图8.39 对比地质图（上图是下图黑框中部分）
四、小波变换在高光谱影像处理中的应用
小波分析在遥感图像处理中的应用起步比较晚，主要是对图像进行二维小波变换和重构，常用于一般遥感图像压缩、图像去噪、图像融合、图像纹理特征和边缘特征分析、图像插值处理、多卫星数据融合、图像数据分类等方面。
由于小波变换具有多分辨率分析的特点，在时、频两域都具有表征信号局部特征的能力，对高光谱波谱维进行小波分解能够同时保留信号高频与低频信息，精细地描述光谱的波峰和波谷等曲线特性，自动消除数据中的异常值，大大减少了特征光谱维数（Kaewpi－jit，2003），因而有利于高光谱后续处理。如基于小波变换，可提取信号在不同分级上的小波分量特征值，可利用特征值匹配方法实现了高光谱影像的分类（李新双等，2006）。结合小波变换的特点和非监督正交子空间迭代分解的方法，也可利用基于光谱维的小波低频系数特征或高频特征系数，进行混合像元投影迭代分解或亚像素目标识别（吴波等，2005；路威等，2005a）。孙桂玲等（2006）对典型地物的高光谱数据采用小波变换的分析方法，根据小波分解后的高频信息中包含重要信息的特点，提出了一种能够比较精确的提取出地物光谱各个吸收带的中心波长的光谱特征提取方法。
相对来说，小波变换在高光谱影像处理中主要用于高光谱影像数据的压缩（王晋等，2006）、融合、去噪（路威等，2005b；吴传庆等，2005）、影像分类、小波神经网络分类、影像亚像素目标识别、特征提取等。小波变换在高光谱影像数据的光谱分析和光谱特征提取中的应用还比较少，这方面应用以对各个像元或参考目标的高光谱数据进行小波变换为基础，主要用于光谱特征提取、目标识别与分类和高光谱遥感影像亚像素目标识别。
以上就是关于光谱特征提取方法相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。
推荐阅读：
赣公网安备 50019002502384号
