（地图制图学与地理信息工程专业论文）高光谱图像分割研究.pdf

摘要 本文阐述了高光谱遥感的基本概念，研究了高光谱图像的特点：高光谱的强谱间相 关性和“图谱合一”特性，并验证了高光谱图像的强谱间相关性；分析了高光谱数据处 理特点，并总结了现有的数据降维技术。最后，通过总结研究现有的高光谱图像分割技 术，提出了基于高光谱曲线特征的图像分割方法，即用若干曲线数字特征来描述曲线， 通过利用曲线数字特征相似性来达到像元识别的目的，进而实现图像分割。像元识别主 要思路是：提取一系列光谱曲线数字特征，基于这些特征直接进行高维矢量分割和间接 将高维矢量转化为标量的分割。 主要数字特征分别是：大于均值的波峰数、大于均值的波谷数、小于均值的波峰数、 小于均值的波谷数、上升趋势点数、下降趋势点数、极大波峰位置和极小波谷位置。光 谱曲线的数字特征不仅可以有效的刻画光谱曲线，反映像元之间的差异，还可以大大降 低计算量，提高后续处理效率。 直接分割法采用i s o d a t a 进行聚类分割，取得了较好的分割结果。根据分割结果 图可以看出：在分割纹理细节方面，基于高光谱曲线特征信息的i s o d a r a 聚类分割方 法优于直接利用源光谱信息进行i s o d a r a 聚类分割的方法。间接法包括基于邻域特征 角，加权合成特征法等，虽然间接法并未取得令人满意的分割效果，但对今后的研究进 行了有益的探索。 关键词：遥感，高光谱图像，图像分割，光谱曲线 a bs t r a c t hm i st h e s i s ，t h eb a s i cc o n c e p to f h y p e r s p e c t r a li m a g ei si 1 1 u s t r a t e d ，t h ec h a r a c t e r i s t i c so f h y p e r s p e c t r a li m a g e ，w “c ha u r es t r o n g e rs p e c t m md 印e n d e n c eo fh y p e r s p c e t r a la i l dh y b r i d i m a g e s p e c t r u m ，a r es t u d i e da 1 1 dv e r t i n e d ；t h e nt h ed i 伍c u l t i e so fh y p e 印e c t r a li m a g e p r o c e s s i n gi sa n a l y z e d ；a tl a s tc u r r e n tt e c h n i q u eo fd i m e n s i o n a l i t yr e d u c t i o nt e c q u ea r e s u m m 撕z e d t h r o u 曲s u m m 撕z i n g c u r r e n t t e c l l i l i q u e s o f h y p e r s p e c 仃a li m a g e s e g m e n t a t i o n，a n e wa l g o r i m mo fi m a g e s e g m e n t a t i o nb a s e do nh y p e r s p e c t r a lc u r v e c h a l a c t e r i s t i ci sp r o p o s e d ：f i r s t l y ，d e s c r i b e st h es p e c t r 啪c eb yac e r t a i n 锄o u n to f s p e c t r u mc u r y ec h a r a c t e r i s t i c s ，a 1 1 dt h e na c h i e v e st h ep u 印o s eo fp i x e li d e n t i f i c a t i o nb ym e s i m i l a r i t yo fs p e c t r u mc u r v ec h a r a c t 嘶s t i c s ，a tl a s tt 1 1 ei m a g es e g m e n t a t i o ni sa c h i e v e d t h e m a i nm e m o do f p i x e l d e t e c t i o nd e s c r i b e sa sb e l o w ： f i r s t l ye x t r a c t i n g as e r i e so f c h a r a c t e r i s t i c so fs p e c t r u m c u e ， a n dt h e n e x e c u t i n gm es e g m e n t a t i o no fu s i n g h i 曲- d i m e n s i o n a lv e c t o rd i r e c t l ya n dt r a j l s f o m i n gh i g l l 一d i m e n s i o n a lv e c t o ri n t os c a l a rb a s e d o nt h e s ec h a r a c t 耐s t i c s t h em a i nc 1 ：1 a r a c t e r i s t i c si se x t r a c t e da sf o l l o w s ：m en u m b e ro fw a v ec r e s tw h i c hi s a b o v em e a n ，t h en u m b e ro fw a v ev a l l e y 棚c hi sa b o v em e a i l ，t h en u m b e ro fw a v ec r e s t w m c hi sb e l o wm e a n ，t l l en u r n b e ro fw a v ev a l l e yw h i c hi sb e l o wm e a l l ，t h en u m b e ro f u p t r e n db a n d s ，m en 啪b e ro fd o w r l l t r e n db a n d s ，t h eb a l l dn u m b e ro fc r e s t ，a n dt h eb a i l d n u m b e ro fv a l l e y t h ec h a r a c t e r i s t i c so fs p e c t m mc u r v ec a nn o to n l yd e s c 曲em es p e c t r a l c u ee f f e c t i v e l ya n dr e f l e c tm ed i f f e r e n c e sb e 觚e e np i x e l s ，b u ta l s oc a ns i 印i f i c a n t l yr e d u c e m ec o m p u t a t i o na 1 1 di m p r 0 v et h ee 伍c i e n c yo f f 0 1 l o w - u pt od e a lw i t h t h ed i r e c ts e g m e n t a t i o na l g o r i m mb a s e do ni s o d a t aa c h i e v eg o o dr e s u l t c o m p a r i n g t ot h es e g m e n t a t i o nr e s u l to f o r i 百n a li m a g e ，t h es e g m e n t a l r e s u l tb a l s e do ne x t r a c t e dc h a r a c t e r i m a g ei d e n t m e dm es u p e r i o r i t yo ns e g m e n t i n gt e x t u r ei n f o m l a t i o n t h ei n d i r e c ts e g m e n t a t i o n a l g o r i m mw h i c ha r et h es e g m e n t a t i o nb a s e do nn e i 曲b o r h o o dc h a r a c t e r i s t i c sa n 9 1 ea 1 1 dt h e s e g m e n t a t i o nb a s e do nc h a r a c t e rw e i 曲t e dh a v eb e e ne x p e r i m e n t e d a 1 t h o u 曲t h ee x p e r i m e n t d i d n to b t a i ng o o de f r e c t ，i tp r o v e dm a tm es e g m e n t a t i o ne f r e c tb a s e do no r i 百n a lc h a r a c t e r si s b e t t e rt h a nm es e 舯e n t a t i o ne 脏c tb a s e do nt r a i l s f b m e dc h a u r a c t e r s k e y w o r d s ：r e m o t es e n s i n g ，h y p e r s p e c t r a li r l l a g e ，i n l a g es e g n l e n t a t i o n ，s p e c t m mc u i 、，e i i 论文独创性声明 本人声明：本人所呈交的学位论文是在导师的指导下，独立进行研究工 作所取得的成果。除论文中已经注明引用的内容外，对论文的研究做出重 要贡献的个人和集体，均已在文中以明确方式标明。本论文中不包含任何 未加明确注明的其他个人或集体已经公开发表的成果。 本声明的法律责任由本人承担。 论文作者签名：焚带加7 年s 月k 日 论文知识产权权属声明 本人在导师指导下所完成的论文及相关的职务作品，知识产权归属学 校。学校享有以任何方式发表、复制、公开阅览、借阅以及申请专利等权 利。本人离校后发表或使用学位论文或与该论文直接相关的学术论文或成 果时，署名单位仍然为长安大学。 ( 保密的论文在解密后应遵守此规定) 论文作者签名：樊韶 导师签名： 喀疋款 沁3 7 年月b 日 研年r 月又日 长安大学硕士学位论文 第一章绪论 1 1 研究背景和意义 遥感( r 锄o t es e n s i n g ) 是指通过某种装置，不直接接触被研究目标、区域或现象 来获取其相关数据，并对所研究的数据进行分析从而得到所需信息的一种学科和技术 【1 1 。由于它建立在空间、物理、电子计算机、地学和信息科学等多学科基础上，以及其 所具备的大面积同步观测、时效性、数据的综合性和数据的可比性和经济性等优点，在 过去的3 0 一4 0 年内迅速发展起来并且广泛的应用于资源勘探、土地利用、生态环境监 测、污染监测、农作物估产和军事侦察等诸多领域。遥感已经成为当今最活跃的科技领 域之一，对社会经济各方面的发展发挥着越来越重要的作用。 现在遥感技术的发展，使得地物的成像范围从可见光波长区延伸至不可见的紫外和 红外波长区，而且可以在人们需要的任何波段独立成像或连续成像。一般认为，光谱分 辨率在1 0 - 2 旯数量级范围内的遥感称为高光谱( h y p * s p e c 仃a 1 ) 遥感，其光谱数量通道 数多达数十甚至数百。高光谱遥感技术，始于成像光谱仪的研究计划，是一种获取感兴 趣地物在很窄的电磁波段的辐射数据的方法。高光谱遥感影像这种可以提供连续光谱信 息的能力，使得其将由物质成分决定的地物光谱与反映地物存在格局的空间影像有机的 结合起来，这无疑是常规多光谱遥感所不具有的一大优势，大大提高了人们对现实世界 的认知能力，为人们观测地物、认知世界提供了一种新的重要手段。 高光谱分辨率与高空间分辨率是遥感技术发展的重要趋势。2 0 世纪7 0 年代初，美 国发射了第一科陆地资源卫星( l a l l d s a t 1 ) 所携带的成像仪是多光谱扫描仪( m s s ) ， 这是第一个星载光谱扫描仪仅有4 个波段，1 个近红外波段，2 个中红外波段，其平均 光谱分辨率为1 5 0 珊。之后，8 0 年代发射的光谱仪t m ( 专题成像仪) 有7 个波段，2 个可见光波段，1 个近红外波段，2 个中红外波段和1 个热红外波段，其平均光谱分辨 率1 3 7 m 。而1 9 8 7 年研制成的a v u s ( 航空可见光、红外光成像光谱仪) 的波段数已经 增加到2 2 4 个；第三代高光谱成像光谱仪为克里斯特里尔傅立叶变换高光谱成像仪 f t h s i ，其波段数也已增加到2 5 6 个。随着技术不断发展，遥感技术的空间分辨率也不断 的提高，法国的s p o t 卫星的多光谱波段的空间分辨率由最初的2 0 m ，提高到今天的 5 m 。2 0 0 1 年，美国发射q u i c k b i r d 卫星，其全色波段的空间分辨率可达o 6 1 m 。同时遥 感的重返周期也大大缩短了，n o a a 气象卫星和f y 1 气象卫星可以每天2 次对同一地 区进行观测，而f y - 2 气象卫星可以每半小时对地观测一次，这样就可以根据我们应用 第一章绪论 的需要实时的获取地面动态变化的数据，为天气预报、火灾、水灾等灾情的监测提供便 利。 国外遥感技术飞速发展，与此同时，国内成像光谱仪的发展也取得了长足的进步。 2 0 0 2 年，由中科院上海技术物理研究所研制的中分辨率成像光谱仪随“神州”三号飞 船发射升空，从此中国成为世界上第二个拥有航天载成像光谱仪的国家。其中其所研制 的o m i s ( 操作模块化成像光谱仪) 包含了1 2 8 个成像波段；p h i ( 推帚式成像光谱仪) 系统包含了2 4 4 个成像波段。 遥感作为空间采集数据的手段，以其快速、宏观、实时的特点，已经成为地理信息 系统的主要信息源与数据更新的主要途径。而遥感技术的飞速发展，遥感技术已由多光 谱发展为高光谱，这就为地理信息系统提供了更为全面、准确、丰富的空间数据：遥感 技术时间分辨率发展的多样化，为地理信息系统提供了满足不同应用需求的、快速和实 时的空间信息；高空间分辨率遥感的发展，使得获取实时、全天候、大面积、地球表面 的高分辨率、高精度、多时相和多光谱的数字影像成为可能。遥感技术的飞速发展不仅 给人类提供了更多、更为丰富的数据信息，同时也带来了大量的数据冗余现象。传统的 遥感图像处理方法，尤其是提取信息的常用方法是目视判读提取。虽然目视提取精度高， 但却需要大量的人力投入和时间投入。面对海量的数据信息，传统的遥感图像处理方法 已不能满足需求。当今信息社会，信息的时效性尤为重要，这就促进发展遥感数据处理 方法向半自动化、自动化方向发展。高光谱遥感图像分割方法，作为高光谱遥感图像处 理、分析和理解的基础，对高光谱遥感图像分割方法的研究有助于高效、快速、准确的 提取高光谱遥感图像信息的提取、分类及分析，使地理信息系统充分的利用高光谱遥感 数据成为可能。 图像分割( i m a g es e g r n e n t a t i o n ) 是指把图像分成各具特性的区域并提取出感兴趣目 标的技术和过程。这里特性可以是像素的灰度、颜色、纹理等，预先定义的目标可以对 应单个区域，也可以对应多个区域。图像分割是一种重要的图像分割技术，在实际中得 到广泛的应用。图像分割在不同领域中有时也有其他名称，如目标轮廓( o b j e c t d e l i n e a t i o n ) 技术，阈值化( t h r e s h o l d i n g ) 技术，图像区分或求差( i m a g ed i s c d m i n a t i o n ) 技术，目标检测( t a 唱e td e t e c t i o n ) 技术，目标识别( t a 唱e tr e c o 口i t i o n ) 技术，目标跟 踪( t 鹕e tt r a c k i n g ) 技术等。图像分割是由图像处理进到图像分析的关键步骤。一方面， 它是目标表达的基础，对特征测量有重要的影响。另一方面，因为图像分割及其基于分 割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式，使得更 2 长安大学硕士学位论文 高层的图像分析和理解成为可能【2 】。那么，遥感图像分割，尤其是高光谱遥感图像分割 对信息的提取、形象紧凑表达和进行更高层的图像分析理解有巨大的帮助作用。依据 t o b l e r 地学第一定律“地理学空间自相关定律”，地理空间实体是相互关联的，空间相 近的地理实体有着更高的相关性。该定律反映在遥感和高光谱遥感图像上，则表现为相 同的地物有着相同或相似的特征( 如灰度值、纹理等) 。因此，可将高光谱遥感图像中 各波段的边缘信息作为高光谱遥感图像分割的依据。 坚实的理论基础是高光谱图像分割得以实现保证，高光谱图像分割的现实意义推动 高光谱图像分割技术飞速发展。研究高光谱图像分割算法的必要性有： ( 1 ) 高光谱图像海量的数据，使得对图像处理的时间复杂度和空间复杂度随着高 光谱图像尺寸和维数的增加呈指数增长的趋势。传统的图像分析( 处理) 方 法，尤其是监督分割方法对于实验( 先验样本的数量有极大的要求，通常需 要有1 0 倍1 0 0 倍于高光谱图像维数的样本数) 。这就要求高光潜图像分割 算法在提高处理效率的同时，更加有效的从海量的数据中提出更加合适、准 确和客观的信息。 ( 2 ) 传统的某些分割方法的假定前提在一般的数字图像或遥感图像中可以成立 而在高光谱遥感图像中未必成立。例如，一些传统的分割方法是基于图像符 合高斯分布的这个假设前提下提出的，但是在高光谱图像中无法保证其一定 符合高斯分布，在假设前提无法保证的前提下，就无法确定分割结果的有效 性和准确性。因此，需要研究符合高光谱图像特点的图像分割方法，为高光 谱图像的理解和分析提供方便。 ( 3 ) 虽然近年来图像分割研究成果越来越多，由于图像分割算法的研究本身所具 有的难度，使得研究没有很大的突破性进展。主要是由于：一方面，没有一 种普遍适用的图像分割算法；另一方面，没有一个好的通用的分割评价标准； 最后，专门根据高光谱图像的特点而设计的高光谱图像分割算法由于其数据 量大、数据结构更为复杂，高光谱图像分割研究更是难上加难。高光谱遥感 图像不仅数据信息量大，相对于一般的数字图像通常表现为对比度低、区域 特征因不同的拍摄条件而差异较大、不同区域之间的边界模糊、形状结构和 细微结构缝补复杂多样以及地物类型较为丰富，由于高光谱遥感本身的特点 使得图像分割算法设计更加困难，当前还没有算法能够对不同条件下获取的 同一地区的遥感图像都产生满意的分割结果，更没有通用的算法能够对所有 第一章绪论 的高光谱遥感图像产生满意的分割结果。但是高光谱遥感图像所包含的海 量、准确、完备、实时和客观信息是未来遥感发展的趋势并会推动地理信息 系统数据获取飞速发展，这使得高光谱遥感图像处理的研究尤其是高光谱图 像分割的研究更为必要、更为迫切。 1 2 国内外研究现状及发展趋势 近来，高光谱成像技术的飞速发展使其应用于农业、考古、生物、医药、遥感和目 标探测( 识别) 等多个领域。高光谱成像系统一般覆盖从可见光至红外波段的光谱信息， 并且光谱波段之间的间隙窄，图像中的每一个像素都能提供连续的反射光谱曲线。高光 谱获取系统能提供光谱信息，可以根据光谱反射特点，区分和识别高光谱影像中的区域 或物质。 在高光谱系统中，每个像素可以获取一条反射光谱曲线，组成三维数据结构即高光 谱数据立方体。通常，高光谱数据可以提供海量的空间数据信息，但传统的方法很难高 效、充分的利用海量数据。因此，高光谱图像分割技术可以有效的获取有用的信息，使 高光谱遥感信息得到充分的利用，充分发挥高光谱遥感的优势。 图像分割的目的是通过将图像分割为不相接的像素集来获得性质相同或相似的区 域。高光谱图像分割使高光谱数据分析更加容易、便利。高光谱图像分割通常可以探测 异常目标( 图像中不同于背景信息的部分) 和改进高光谱数据压缩效果。例如，凸锥分 析应用于高光谱图像分割【4 1 、多门限分割、聚类分割和基于直方图的分割方法也应用于 高光谱图像分割的研究中【5 1 。基于特征区域的分割算法在数据压缩中也取得了较好的效 果【6 】。基于主成分分析的直方图的图像分割算法应用于高光谱图像分割中也取得了较满 意的效果【7 1 。文献 8 也提出了基于神经网络的模糊神经系统的增量权重的非监督高光谱 分割算法。k i m e a n s 算法作为一种传统的无监督分割方法，在高光谱分割中也取得了较 好的分割效果【9 1 。文献 1 0 提出了基于多成分隐式马尔可夫链模型的高光谱图像分割算 法。一种基于高斯混合模型的统计型高光谱图像分割算法也取得了较好的分割效果【1 1 1 。 在文献 1 2 中，通过对滤波器组附加纹理信息提高了高光谱图像分割的精确性。文献 1 3 】 中提出了基于隐式马尔可夫模型的高光谱图像的贝叶斯分割算法，并取得了较好的分割 效果。 国外在高光谱遥感取得了一定的进展，而国内在高光谱图像分割方面的研究成果比 较少，但在高光谱数据降维、特征提取、数据压缩和图像分类方面的研究较多。国内的 4 长安大学顾士学位论文 高光谱图像分割主要有两个方向，主要是从数据量的角度出发的：一方面认为，要充分 利用高光谱遥感所具有的海量数据，直接设计算法对高光谱图像进行分割，上述国外的 算法都是直接对高光谱图像进行分割，直接对高光谱遥感图像进行分割就要求所设计的 算法能充分的利用图像信息并且能提高算法运行速率大大节省图像分割所需的时间。另 一方面认为，要提高算法的效率就要对高光谱遥感图像迸行预处理，即对高光谱数据进 行降维，数据降维思想的提出是基于高光谱图像之间具有很强的相似性并且有大量的冗 余数据，对高光谱数据进行数据降维可以减少冗余数据，提高高光谱图像分割的效率， 大大缩短分割时间，使得分割算法更为可行、方便和快捷。对高光谱图像直接进行分割 的方法虽然充分的利用了高光谱图像所包含的数据，但是处理海量数据的高效率图像分 割算法设计非常的困难。而基于数据降维的高光谱遥感图像分割算法虽然能大大减少算 法的时间复杂度、提高处理效率，但是其分割结果不一定总令人满意，由于数据降维其 不能包含所有的高光谱信息，也许所需要的分割数据在数据降维时被舍弃，这样就会影 响图像分割效果，这就需要在数据降维时根据图像的特点和需要选用合适的高光谱数据 降维方法来提高高光谱图像分割效果。 一旦根据高光谱遥感图像本身特点设计算法，依据上述两种高光谱图像分割思想所 设计的算法都能取得令人满意的高光谱图像分割效果。 随着遥感技术，尤其是高光谱遥感技术的飞速发展，高光谱图像分割技术也需要不 断地发展。研究高光谱遥感图像分割可以发现一些明显的发展趋势：一是对原有算法不 断改进，在原有算法的基础上改进算法以适应高光谱遥感图像本身特点。二是新方法、 新概念的引入和多种方法的有效综合运用。人们越来越意识到单纯的使用一种算法很难 对高光谱图像分割取得满意的效果，因此人们在引入新方法和新概念的同时将原有的传 统算法综合起来运用，并且取得了令人满意的效果。三是交互式高光谱图像分割技术的 发展，由于当前社会的发展，越来越需要实时、快速的获取大量的遥感数据信息，交互 式图像分割技术能够使分割结果准确、便捷，而不是仅仅机器式的对图像进行分割，交 互式的图像分割技术可以部分融入一些人的知识、经验和决策对不同的高光谱图像分割 效果有很大的改进作用。 一般情况下，一个图像区域具有相同的物质类型，在光谱方面显示出很强的相似性， 而不同的物质在光谱方面显示出不同的光谱反射率，尤其是在某些特定的光谱范围。高 光谱图像分割通常基于物质在热辐射或太阳反射的光谱特征区别的基础上进行的。传统 的自适应统计分类，依据最大后验概率密度并且考虑到地物类的分布类型，可以在一 5 第一章绪论 个单波段图像中有效的探测光谱的差异和强度的差异。在每一类都是一种不同的高斯分 布假设的前提下，上述的算法通过迭代的估计条件类密度函数的参数( 平均值和协方 差) 。然而，随着图像的尺寸和光谱维数的增加，上述方法的计算量变得越来越大，巨 大计算量和无法保证光谱分布都遵循高斯分布这一规律都限制了高光谱遥感的实时应 用和发展。 1 3 本文的主要工作 本文首先介绍了高光谱遥感图像的发展简史、高光谱遥感图像分割研究的背景和意 义、高光谱遥感图像分割研究的国内外现状和高光谱遥感图像分割算法的发展趋势，然 后在对高光谱图像数据特点和处理技术及其发展进行详细的介绍的基础上提出高光谱 数据处理中所遇到的困境，介绍了数据降维的必要性和国内外数据降维的方法。同时对 高光谱图像分割技术进行研究，分别介绍了传统的光学图像和高光谱图像的分割技术， 并分别分析了每一种高光谱图像分割算法的优缺点。最后，在把握高光谱图像数据特点 的基础上，根据光谱曲线的特点提出了一种新的特征提取方法，综合利用高光谱图像的 信息进行特征提取，并研究了基于此特征的图像分割算法。 本文主要的贡献如下： 根据高光谱图像数据的特点，每一个像素在光谱维都能连成一条连续的光谱曲线， 提取出每一个像素光谱曲线的曲线特征，形成一幅新的图像，这就是所谓的光谱特征提 取，此方法综合的利用高光谱遥感图像所提供的数据信息，再对提取出的特征进行图像 分割，这样就将高维图像分割转化成低维图像分割，大大的提高了图像分割的效率，降 低了分割算法的复杂度。 论文组织如下： 第一章：主要介绍论文研究的背景和意义，高光谱图像分割的国内外研究现状及其 发展趋势。 第二章：介绍了高光谱遥感的概念、数据特点和高光谱数据处理所面临的困境，讨 论了数据降维的必要性并且介绍了常用的数据降维方法及存在的问题。 第三章：通过对传统光学图像和高光谱图像的图像分割技术分析和研究，总结了现 有的各种高光谱图像的分割算法的优缺点。 第四章：提出了一种具体的高光谱曲线特征表达模型，即由光谱曲线均值、极值点 个数、极值点位置和趋势点数组成，通过提取出的特征组合达到像元识别的目的， 6 长安大学硕士学位论文 从而实现高光谱图像分割，通过实验与传统图像的分割结果进行比较，验证新方法 的有效性；并对基于特征邻域光谱角、基于特征邻域相同特征数和基于特征加权合 成的分割方法进行了尝试，分析了算法的优缺点。 第五章：结论和展望。对全文研究成果进行了总结，并且对高光谱图像分割技术发 展进行展望。 7 第二章高光谱遥感概述 第二章高光谱遥感概述 2 1 高光谱遥感概念及其特点 高光谱遥感技术是指在特定光谱域以高光谱分辨率同时获得连续的地物光谱图像， 使得遥感应用可以在光谱维上进行空间展开，定量分析地球表面生物物理化学过程与参 数【l 】。它一般是在很多很窄的、几乎连续的电磁波段( 波段宽度通常1 0 咖) 中获取感 兴趣的物体相关数据；而一般的多光谱遥感( 波段宽度通常1 0 0 m ) ，并且波段之间不 连续，因此很难反映光谱维的连续特征。 高光谱图像( h y p e r s p e c t r a lh l l a g e ) 是成像光谱仪从可见光至近红外的几百个连续的 窄波段内获取的地物图像。由于它具有很高的光谱分辨率，光谱分辨率仅为几个眦至 2 0 m ，能够为每个像素提供几乎连续的光谱曲线。图2 1 是高光谱数据立方体，它是一 个三维立方体，在包括空间维信息的同时，也体现了光谱维的信息。每一个谱段都对应 一幅二维图像，每一像元在光谱维上都能形成一条连续的光谱曲线，通过光谱曲线可以 确定像元所属地物的特性。图2 2 为某地物的光谱曲线，一般相同的地物有相似的光谱 曲线或光谱曲线特征，而不同的地物具有不同的光谱曲线或光谱曲线特征，同时高光谱 遥感图像拥有的波段数远远大于一般的单波段或多波段遥感图像所拥有的波段数，那么 原本在单波段或多波段遥感图像中很难分辨的地物，可以很容易的根据不同光谱曲线将 不同的地物区分开来。因此，根据目标的光谱曲线或光谱曲线特征可以对其进行分类和 识别，这也是高光谱遥感技术飞速发展的一个重要原因。 高光谱遥感的基础是波谱学，利用物质的分子、原子构成和分子、原子排列方式的 不同就可以确定此物质与其它物质的不同的本质特征。当电磁波入射到物质表面时，物 质内部的电子跃迁，原子、分子的振动、转动等作用使物质在特定的波长形成特有的吸 收和反射特征，能够通过物质的反射( 或吸收) 光谱反映出物质的组成成分与结构的差 异，然而这些吸收和反射特征在传统多光谱遥感数据上很难清楚地体现( 童庆禧，1 9 9 0 ) 【1 1 。而高光谱遥感就可以获得连续的光谱曲线，可以有效的体现出不同物质的吸收和反 射特征，更加充分的反映地物的特征信息。 高光谱遥感具有不同于传统遥感的新特点，主要表现在以下几个方面： ( 1 )波段多：成像光谱仪可为每个像元提供在可见光和近红外光谱区内几十、 数百甚至上千个波段。 * 宣学碰j 。学位论文 i 彦 、t ，矿 磬渣面1 0 珏 一l - b 0 ， 一 第二章高光谱遥感概述 ( 3 )光谱分辨率高：成像光谱仪采样的光谱范围窄，一般小于1 0 m 。高的光 谱分辨率可以更为细致的反映地物光谱特征。 ( 4 )信息冗余增加：由于相邻波段之间存在很高的相关性，所以信息存在大量 的冗余。 ( 5 )加性噪声：成像光谱仪所记录的辐射特性中加入了由大气、传感仪器、量 化处理和数据传输等产生的噪声，它可以看作“噪声中的信号”这一经典 问题，采用信号处理理论来解决。 ( 6 )图谱合一：可以提供空间维信息和光谱维信息，其光谱维揭示出图像每一 像元的光谱曲线特征。 ( 7 )纹理丰富复杂，空间相关性低于普通光学图像：一般高光谱图像的空间分 辨率为几米，地物一般在图像上仅由几个像元组成，其灰度值连续性差， 相应的空间相关性低。 ( 8 )光谱响应机理和作用过程非常复杂，高光谱可以避免或减少“同谱异物” 和“同物异谱”的现象的发生。 2 2 高光谱图像数据介绍 高光谱遥感图像具有高的光谱分辨率，为地物分析提供了丰富的光谱信息，但它庞 大的数据量给数据的处理带来巨大的挑战。因此，研究高光谱数据的特点十分必要。 2 2 1 高光谱图像数据表示 高光谱数据可看作一个三维数据立方体，具有“图谱合一”的特点，既能描述地表 二维空间特征，又能为每一像元提供光谱特征曲线。 高光谱图像一般采用以下两种数学方式表示： ( 1 )三维数据表示形式：f ，助，其中，( x 表示像元的空间位置，即在图中的 相对位置，七表示波段号，舷弦矽表示位置在似纠的像元在七波段的灰度值。 ( 2 )光谱域的矢量表示形式：讹，其中，0 力表示像元的空间位置，f 为在 位置似的像元的光谱域矢量，矢量的分量个数为高光谱的维数，每一个 分量为其在特定波段的灰度值。 同样，从反映信息特征角度出发，高光谱数据有三种常用的表示方法：图像空间、 光谱空间和特征空洲1 4 】【1 5 】。图像空间反映了光谱响应与空间位置的关系；光谱空间反 1 0 长安大学硕士学位论文 映了光谱响应与地物类型的关系；特征空间提供了便于机器处理的表征。另外，文献 1 6 】 提出了一种表示高光谱数据的新途径聚类空间表示，是一种新的可视化方式。 ( 1 )图像空间表示：将数据视为图像，以便形象直观的反映数据的差异和变化。它 将数据遵循其本来的空间关系以几何或地理的形式显示出来，从而为观测人员 提供了有关地面场景的图像，像素之间的联系包含了丰富的信息，像素邻域的 空间关系可以为图像信息的分析提供相关辅助信息。图像空间的表示本质上反 映了特定空间位置所对应的灰度值，将位置与灰度值联系起来，为图像处理提 供更多的信息。在现有的显示系统多数为二维的情况下，并不能全面形象直观 的显示高光谱数据，只能以单波段的灰度图像，或是由三个波段生成的视图的 假彩色图像来表示。上述两种显示方式虽在一定程度上反映了高光谱图像的总 体信息，但无法突出高光谱数据的特点和优点。 ( 2 ) 光谱空间表示：每一像元在相应的波长上都有一个光谱响应值，将高光谱中的 所有波段的光谱响应值，按照波长由短到长的顺序依次将其连接起来就会形成 一条连续的光谱曲线，这是高光谱数据所特有的性质。这样就可以将每一像元 的响应特征与像元所对应物质的物理特性联系起来，为从光谱角度分析高光谱 数据，确定地物种类提供了依据。通常情况下，通过分析或比较不同像元的吸 收特征或反射特征位置来辨识特定的物质。然而，由于光谱响应值并不是绝对 准确的，它受到了很多因素的影响，例如，地形、大气条件、传感器0 光照等， 相同的地物不一定有完全相同的光谱曲线特征，而不同的地物可能表现出相同 的光谱曲线，尤其是光谱吸收和反射特征的位置，很容易受到噪声影响，在算 法的鲁棒性方面较欠缺。 ( 3 ) 特征空间表示：每一像元用一个多维矢量表示，根据某种准则从所有的光谱信 息中提取特征，通常这些特征可以包含所有光谱信息或者包含某些需要的特定 信息，而且它可以大大减少数据量，使图像处理更为容易快捷。 ( 4 ) 聚类空间表示：通过聚类标记，确定类别分布，量化类别可分性。聚类空间的 主要特征是它自动将光谱类和信息类联系起来，方便了混合分类方法在高光谱 数据的实现，减少了对训练样本尺寸的要求。 2 2 。2 高光谱数据特性 由高光谱数据特点可知，其在三维空间的分布并不是均匀的，数据是集中在立方 船= 章高瞎避堪概述 体的顶点位置上。囚此，大量的三维空问范围是空的信息都集中起来，信息存在很 强的相关性。高光谱数据相关性主要是由于：( 1 ) 物质光谱反射属性产生的自然谱间相 关：( 2 ) 地形、坡度等影响产生的阴影在太阳的全部反射波段图像中都是相同的；( 3 ) 传感器相邻波段弼光谱灵敏度的重叠。 光谱间相关性的大小可以通过谱间相关性系数表示，记波段f 的图像上( 暑y ) 波 段l 十l 的图像为上，( 丘y ) 。定义波段f 与什l 的谱间相关系数为： 芝羔【，( ；y ) 一。，i ，( ，) - “， ( 2 1 ) 铲志；著讹y ) 。2 - 2 赤善善几) 23 坼为图像( z ，y ) 的灰度平均值，u 。为图像正+ ( 置y ) 的灰度平均值，辟为第一波段 图像与第f + l 波段图像的互相关系数。 糜 71 0 1 3 1 5 1 92 22 52 83 l “3 7 0 日6 95 25 5 6 渡段b 图2 j 相邻波段图像的相关系数圈2 相关系致矩阵图像 由图23 可以发现，除了少数波段受到大气的影响外例如。第1 波段从图25 中明显可以看出第1 波段图像受噪声影响较大；其它大多数相邻波段图像的相关系数大 都在0 9 8 以上，说明波段之间的相关性很强，而第1 2 波段与第1 3 波段的相关系数仅 为o8 6 ，从图26 和图27 可以看出第1 2 波段图像与第1 3 波段图像之间存在一些差别， 这也就是苴相关性不大的原因；第4 9 与第5 0 波段之间的相关性系数为09 6 ，两图差别 1 2 簿一# 高诗避g 述 同时，目24 也反映了高光谱图像的强相关性，而且相关性矩阵图像可以更为形象 直观的反映相邻波段间的强相关性，图24 中，行和列均依次为各个波段l ，6 3 ，矩阵 中每个元素为各波段之间的相关系数，灰度值越高的地方表示相关系数越高，对角线上 的数据都是各个波段与它本身的相关系数，所以均为2 5 5 ，因此都显示为白色。图中的 分块明显，相关系数特别强，因此图像的冗余信息比较多。 这种强烈的相关性一方面是由高光谱分辨率决定的，光谱分辨率越高，波段之间的 相关性就越强。另一方面，虽然不同的波段反映地物在不同波长的光谱特征，但是由于 其体现同一地物，具有相同的物理结构，所以存在强的相关性。光谱问强相关性为高光 谱图像数据的统计特性。 因此，降低高光谱图像的强谱间相关性，可以有效的减少数据量，为后续的各种图 像处理、图像分析和图像理解提供便利。 图29 第5 0 波段图像图2 1 0 高光谱数据m n f 变换后的特征值 223 高光谱数据的混合像元现象 遥感影像中像元很少是由单一均匀的地表覆盖类组成的，一般都是几种地物的混合 体，高光谱图像也不例外，普遍存在像元光谱混合现壤。如果不考虑地形因素和二次反 射的影响，产生濉合像兀主要有以下两个原因： 长安大学硕士学位论文 ( 1 ) 般情况下，根据非相干光的光辐射能量相加定律，探测器接收的是地物端元 辐射强度相加的总的表现辐射度。传感器的几何分辨率较低，其瞬时视场不足 以分辨出地面上的多种地物，这样一个像元就包含了多种地物的总的辐射强度， 形成混合像元现象。 ( 2 ) 地面上的地物也存在非单一均匀的现象，不同特性的物质会混合在一起，例如， 泥土中混合沙粒，造成传感器探测到的是由多种类物质多径散射的混合能量。 这一现象的发生不依靠传感器的几何分辨率大小。 无论将混合像元归为哪一种典型地物，都是错误和不恰当的，因为它不完全属于这 种地物。为了有效的利用混合像元的信息，可以考虑将混合像元分解，通过确定端元组 分占像元的百分含量( 丰度) ，分解混合像元。 影像的端元数目可以通过对影像进行m n f 变换，分析其特征值分布转折点的情况 确定。在e n v i 平台上对原始数据进行m n f 变换，得到了特征值，如图2 1 0 所示，该 区域大致有5 6 个独立成分，可以为确定后续图像分割和分类的分类数提供依据。 本文所研究的图像分割算法并不考虑混合像元现象，在此不继续赘述。但是混合像 元分解技术的发展，必会推动遥感技术向定量化方向深入发展。 2 3 高光谱数据处理困境 高光谱遥感数据包含丰富的信息，要充分利用这些信息，则需要合适的数据处理分 析方法将信息充分挖掘出来，这是当前高光谱遥感科学工作者迫切需要解决的难题。高 光谱遥感数据的统计特性反映了高光谱相邻波段之间存在很强的相关性，说明数据之间 存在冗余现象。相对于多光谱遥感数据，高光谱遥感波段数急剧的增加并不总是会对地 物的分割、分类产生有利影响，相反会以指数型的增长速度提高运算的复杂程度。在保 证信息量损失很少的情况下，如何有效的减少数据量，是一个亟待解决的难题。 2 3 1 高光谱数据降维的必要性 高光谱数据在包含丰富信息的同时，同样给数据处理带来了困难。 ( 1 ) 产生h o u g e s 现象。在样本数目一定的情况下，分类精度会随着特征维数的 增大出现“先增后降 的现象，这种现象就称为h o u g e s 现象。高光谱的维 数远远大于多光谱的维数，虽然，在信息量方面高光谱数据优于多光谱数 据，但是高光谱数据波段数目多，在数据处理中容易出现h o u 曲e s 现象， 第二章高光谱遥感概述 从而制约了高光谱遥感图像分类精度的提高。因而，通过使用数据降维的 方法，可以抑制h o u 幽e s 现象产生。 ( 2 )估计高光谱数据的分布形式更加困难。高维数据集的数据点多分布在超立 方体的顶点附近，因此，高维数据空间几乎是空的，高光谱的正态分布数 据主要分布于空间的边缘。由于局部邻域较空，这样就使得通过密度函数 及其参数估计的数据处理变得困难，不利于高光谱数据合理充分处理。 ( 3 )巨大的数据量和巨大的运算量。首先，高光谱巨大的数据量使得数据的存 储和传输变得困难，高维空间数据的显示也是一项巨大的挑战。研究表明， 高光谱图像处理的计算量随波段数呈四次方增加。如果在数据处理中使用 高光谱数据的所有波段数据，其计算量将十分巨大，相对于当前的计算机 运算能力，很难达到实用要求。因此，降维对高光谱数据处理具有现实的 实用意义。 ( 4 )具有很强的相邻波段间的相似性，从图2 3 的实验数据可以看出，大多数 相邻波段之间的相关系数达到o 9 8 ，说明相邻波段之间存在很强的相似性， 换句话说，高光谱数据中存在大量的数据冗余。减少冗余数据，不仅可以 减少计算量，也可以提高算法的有效性。从提高运算的效率角度看，降维 十分必要。 2 3 2 降维的常用方法及其存在的问题 通常情况下，降维方法分为两大类：特征选择和特征提取。特征提取是指运用一定 的数学运算，将原始高维特征空间的多个特征映射到一个低维空间，实现降维。特征选 择是指直接从原始波段数据中根据需要选择具有意义的波段子集实现降维。 一般，特征提取方法是以严密的数学理论为依据，通过采用某种映射机制，将原始 高维特征空间映射到低维空间，以达到降维的效果。在原始高维空间中，不同的波段都 有明确的物理含义，代表着不同地物的在相应波段的光谱信息，特征提取的降维方法不 仅会改变图像原有特性，还会造成信息的丢失。特征选择方法是直接从原始波段数据中 选择波段，因此特征选择降维方法可以解决特征提取方法所带来的不足，可以保留图像 的原有信息。但这种方法也存在不足，特征选择的巨大运算量会导致运算效率低、稳定 性差。 ( 1 ) 高光谱特征提取方法 1 6 长安大学硕士学位论文 光谱编码 从编码方式上分，包括二值编码、四值编码和十进制编码。二值编码的基本原理是 对预处理的数据，确定一个阈值t ( 一般取整个光谱反射值的平均值) ，大于t 的数据 赋1 ，否则赋o 。虽然，二值编码技术简单、运算速度快，但是会使高光谱数据丢失大 量的信息。四值和十进制编码是对二值编码技术的改进。但是，四值编码涉及到阈值的 计算，计算量较大；十进制编码占有较大的存储空间( 每两波段编码占用一个字节) ， 但其阈值确定和编码速度较快。 从编码的源数据类型角度，光谱编码分为两种：( 1 ) 直接对光谱曲线进行编码；( 2 ) 对光谱的吸收和反射特征进行编码。前者使连续的反射率空间离散化，尽管计算简单， 但其结果受阈值的影响较大，会损失大量信息，使数据处理精度降低，所以应该根据不 同的情况确定不同闺值。如果依据吸收或反射特征位置直接进行编码，由于特征位置飘 移等因素存在，相似光谱曲线特征位置并不总是对应的，这样就造成测度计算的不准确。 后者算法容易受到误差的影响。 光谱导数 光谱导数技术可以消除光谱数据之间的系统误差、削弱大气辐