主要内容

浅谈高光谱图像处理

高光谱成像通过在不同波长对物体进行成像来测量物体的空间和光谱特征。波长范围超出可见光谱，涵盖了从紫外线(UV)到长波红外(LWIR)的波长。最受欢迎的是可见光、近红外和中红外波段。高光谱成像传感器在指定的光谱范围内获取多个波长较窄且连续的图像。每一张图片都包含更微妙和详细的信息。

高光谱图像处理包括对高光谱图像中的信息进行表示、分析和解释。

代表高光谱数据

高光谱成像传感器测量的值通过带序列(BSQ)、带交错(BIP)或带交错(BIL)编码格式存储到二进制数据文件中。数据文件与一个头文件相关联，该头文件包含辅助信息(元数据)，如传感器参数、采集设置、空间尺寸、光谱波长和编码格式，这些信息是数据文件中值的适当表示所必需的。

对于高光谱图像处理，从数据文件读取的值被排列成一个三维(3-D)数组形式米——- - - - - -N——- - - - - -C,在那里米而且N是采集数据的空间维度，C是指定在采集过程中使用的光谱波长数量的光谱维度。因此，您可以将3-D阵列视为一组在不同波长捕获的二维(2d)单色图像。这个集合被称为高光谱数据立方体或数据立方体．

的超立方体函数通过读取数据文件和关联头文件中的元数据信息来构造数据立方体。的超立方体函数创建一个超立方体对象，并将数据立方体、光谱波长和元数据存储到其属性中。您可以使用超立方体对象中所有其他函数的输入图像处理工具箱™高光谱成像库．

高光谱数据立方体和着色

数据立方的颜色表示

为了可视化和理解被成像的对象，使用配色方案将数据立方体表示为2-D图像是很有用的。数据立方体的颜色表示使您能够直观地检查数据并支持决策。您可以使用彩色化函数来计算数据立方体的红绿蓝(RGB)、伪色和彩色红外(CIR)表示。

  • RGB配色方案使用红、绿、蓝光谱带响应生成高光谱数据立方体的二维图像。RGB配色方案带来了自然的外观，但导致了细微信息的显著丢失。

  • 假配色方案使用除了可见的红、绿、蓝光谱带以外的任意数量的光谱带的组合。用伪色表示方法可视化可见光谱以外波段的光谱响应。伪配色方案有效地捕获了高光谱数据中所有光谱波段的不同信息。

  • CIR配色方案使用近红外范围内的光谱带。高光谱数据立方体的CIR表示在显示和分析数据立方体的植被区域时特别有用。

预处理

高光谱成像传感器通常具有高光谱分辨率和低空间分辨率。高光谱数据的空间特征和光谱特征是由高光谱数据的像素来表征的。每个像素都是一个值的向量，这些值指定了某个位置的强度(x，y)z不同的乐队。这个向量叫做像素光谱，它定义了位于(的像素的光谱特征x，y)．像素光谱是高光谱数据分析的重要特征。但由于传感器噪声、大气效应和低分辨率等因素，这些像素光谱会失真。

数据立方体和像素光谱

您可以使用denoiseNGMeet函数通过使用非局部满足全局方法从高光谱数据中去除噪声。

为了提高高光谱数据的空间分辨率，可以使用图像融合方法。融合方法将来自低分辨率高光谱数据的信息与同一场景的高分辨率多光谱数据或全色图像相结合。这种方法也称为锐化或pansharpening在高光谱图像分析中。泛锐化是指高光谱数据与全色数据的融合。您可以使用sharpencnmf利用耦合非矩阵分解方法锐化高光谱数据的函数。

为了补偿大气影响，必须首先校准像素值，即数字(dn)。必须通过使用辐射和大气校正方法校准dn来预处理数据。这一过程改进了像素光谱的解释，并在分析多个数据集时提供更好的结果，如在分类问题中。有关辐射定标和大气校正方法的信息，请参见高光谱数据校正．

在所有高光谱成像应用中，另一个重要的预处理步骤是降维．高光谱数据中条带数较多，增加了数据立方体处理的计算复杂度。波段图像的连续性质导致了跨波段的冗余信息。高光谱图像的相邻波段具有较高的相关性，导致了光谱冗余。您可以通过去关联波段图像来删除多余的波段。常用的降低数据立方体谱维数的方法包括波段选择和正交变换。

  • 的波段选择方法采用正交空间投影的方法，在数据立方体中寻找频谱清晰且信息量最大的波段。使用selectBands而且removeBands函数分别用于查找信息量最大的波段和删除一个或多个波段。

  • 正交变换如主成分分析(PCA)和最大噪声分数(MNF)等方法，对波段信息进行解关联，找到主成分波段。

    PCA将数据转换到较低维空间，并沿输入频带的最大方差方向寻找主成分向量。主成分按总方差的降序排列。

    MNF计算信噪比最大化的主成分，而不是方差。多源函数变换在从带噪声图像中提取主成分时尤为有效。主成分波段是光谱清晰且带间相关性低的波段。

    的hyperpca而且hypermnf函数分别通过PCA和MNF变换降低数据立方体的谱维数。您可以使用从简化的数据立方体派生的像素光谱进行高光谱数据分析。

光谱分离

在高光谱图像中，在每个像素处记录的强度值指定了像素所属区域的光谱特征。该区域可以是均匀表面或非均匀表面。属于均匀曲面的像素称为纯像素．这些纯像素构成endmembers高光谱数据。

异质表面是两个或两个以上不同的均匀表面的组合。属于非均质表面的像素称为混合像素．混合像素的光谱特征是两个或多个端元特征的组合。这种空间异质性主要是由于高光谱传感器的空间分辨率较低所致。

光谱分离

光谱分离是将混合像素的光谱特征分解为其组成端元的过程。光谱解混过程包括两个步骤:

  1. Endmember提取-端元光谱是高光谱数据的显著特征，可用于高光谱图像的高效光谱解混、分割和分类。基于凸几何的方法，如像素纯度指数(PPI)、快速迭代像素纯度指数(FIPPI)和N-finder (N-FINDR)是一些有效的端元提取方法。

    • 使用ppi函数，用PPI方法估计端元。PPI方法将像素光谱投影到一个正交空间，并将投影空间中的极值像素识别为端元。这是一种非迭代的方法，结果取决于为正交投影生成的随机单位向量。为了改进结果，您必须增加投影的随机单位向量，这在计算上是非常昂贵的。

    • 使用fippi函数，利用FIPPI方法估计端元。FIPPI方法是一种迭代方法，它使用自动目标生成过程来估计正交投影的初始单位向量集。该算法比PPI方法收敛得更快，并能识别出彼此不同的端元。

    • 使用nfindr函数，用N-FINDR方法估计端元。N-FINDR是一种利用像素谱构造单纯形的迭代方法。该方法假定由端元组成的单纯形的体积大于由任何其他像素组合定义的体积。单形体体积大的像素特征集称为端元。

  2. 丰富的地图估计-给定端元特征，估计每个像素中存在的每个端元的分数是有用的。你可以为每个端元生成丰度图，它代表图像中端元光谱的分布。通过比较为该像素获得的所有丰度图值，可以将该像素标记为属于端元光谱。

    使用estimateAbundanceLS函数估计每个端元谱的丰度图。

光谱匹配

通过执行来解释像素光谱光谱匹配光谱匹配通过将其光谱与一个或多个参考光谱进行比较来确定端元材料的类别。参考数据由材料的纯光谱特征组成，可作为光谱库提供。

使用readEcostressSig函数从ECOSTRESS谱库中读取参考光谱文件。然后，您可以计算ECOSTRESS库谱和端元谱中文件之间的相似性spectralMatch函数。

像素光谱的几何特征和概率分布值是光谱匹配的重要特征。结合几何特征和概率特征可以提高匹配效率。这种组合方法比单一方法具有更高的识别能力，更适合识别光谱相似的目标(种内)。该表列出了计算光谱匹配分数的可用函数。

方法 描述
山姆 光谱角映射器(SAM)是根据两个光谱的几何特征进行匹配的。SAM测量计算两个光谱信号之间的角度。较小的角度代表两个光谱之间的最佳匹配。这个测量方法对照明变化不敏感。
sid 光谱信息发散(SID)是根据两个光谱的概率分布进行匹配的。该方法能有效地识别混合像素光谱。SID值越低，说明两个光谱之间的相似性越高。
sidsam SID和SAM的组合。与单独的SID和SAM相比，SID-SAM方法具有更好的识别能力。最小值表示两个光谱之间的相似性较高。
jmsam Jeffries-Matusita (JM)距离与SAM的组合。距离值越低意味着两个光谱之间的相似性越高。该方法在分辨光谱近目标时特别有效。
ns3 归一化光谱相似度评分(NS3)，它结合了欧氏距离和SAM。距离值越低意味着两个光谱之间的相似性越高。该方法具有较高的识别能力，但需要大量的参考数据才能获得较高的精度。

应用程序

高光谱图像处理的应用包括分类、目标检测、异常检测和材料分析。

另请参阅

应用程序

功能

相关的话题

Baidu
map