Hyperspectral 高光谱数据在开始处理之前需要掌握的

高光谱在处理前需要了解的内容。matlab的使用

高光谱成像通过在不同波长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，覆盖了从紫外(UV)到长波红外(LWIR)波长。最受欢迎的是可见光、近红外和中红外波长波段。高光谱成像传感器可以在一定的光谱范围内获取多个波长较窄且相邻的图像。每一张图片都包含了更细微和详细的信息。

高光谱图像处理涉及对高光谱图像中包含的信息进行表示、分析和解释。

一、高光谱数据表示

        高光谱成像传感器测量的值通过使用波段顺序(BSQ)、逐像素波段交错(BIP)或逐行波段交错(BIL)编码格式存储到二进制数据文件。数据文件与头文件相关联，该头文件包含辅助信息(元数据)，如传感器参数、采集设置、空间维度、光谱波长和编码格式，这些都是数据文件中值的正确表示所必需的。

       对于高光谱图像处理，将从数据文件中读取的值按M × N × C的形式排列成三维(3-D)数组，其中M和N为采集数据的空间维数，C为光谱维数，指定采集过程中使用的光谱波长数。因此，可以将3-D阵列看作是在不同波长捕获的一组二维(2-D)单色图像。这组数据被称为高光谱数据立方体或数据立方体。

       hypercube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多维数据集。hypercube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。

数据立方的颜色表示

       多维数据集的颜色表示能够直观地观察数据并做好决策制定。可以使用colorize函数来计算数据立方体的红-绿-蓝(RGB)、假色和彩色-红外(CIR)表示。

1. RGB颜色方案使用红、绿、蓝光谱波段响应来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，但导致了微妙信息的重大损失

2.假色方案使用了除可见的红、绿、蓝光谱波段以外的任意数量波段的组合。使用假色表示来可视化可见光光谱以外波段的光谱响应。该伪色方案有效地捕获高光谱数据的所有光谱波段的不同信息。

3.CIR颜色方案使用近红外范围内的光谱波段。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。

二、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通过像元表征。每个像素是一个值的矢量，它指定在z不同波段的一个位置(x,y)的强度。该矢量称为像素光谱，它定义了位于(x,y)的像素的光谱特征。像元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，这些像素谱会发生畸变。

1. 可以使用denoiseNGMeet函数来去除高光谱数据中的噪声。

2. 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。该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。这种方法在高光谱图像分析中也被称为锐化或全锐化。泛锐化是指高光谱和全色数据之间的融合。利用耦合非矩阵分解方法，可以使用sharpennmf函数锐化高光谱数据。

3. 在所有高光谱成像应用中重要的另一个预处理步骤是降维。由于波段图像的连续性，导致波段间存在冗余信息。高光谱图像中相邻波段的相关性较高，导致光谱冗余。你可以通过去相关波段图像来去除冗余波段。降低数据立方体光谱维数的常用方法包括波段选择和正交变换。 

3.1 波段选择

      使用selectBands和removeBands函数分别查找信息量最大的频带和删除一个或多个频带。

3.2 正交变换

       通过主成分分析(PCA)和最大噪声分数(MNF)等正交变换，解相关频带信息，找到主成分频带。

主成分分析将数据转换到低维空间，并沿着输入带的最大方差找到主成分向量的方向。主成分按总方差的数量降序排列。

MNF计算的是使信噪比最大化的主分量，而不是方差。MNF变换在从带噪图像中提取主分量方面特别有效。主成分带是光谱明显的带，带间相关性低。

hyperpca和hypermnf函数分别利用PCA和MNF变换降低数据立方体的光谱维数。可以使用从简化数据立方体中得到的像素光谱进行高光谱数据分析。

三、混合光谱分解（光谱解混）

在高光谱图像中，记录在每个像素处的强度值指定该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。属于同质表面的像素称为纯像素。这些纯像元构成了高光谱数据的端元。

非均质表面是两个或多个不同的均质表面的组合。属于异质表面的像素被称为混合像素。混合象元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。

 光谱解混是将混合像元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. 端元提取

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。基于凸几何的像素纯度指数(PPI)、快速迭代像素纯度指数(FIPPI)和N-finder (N-FINDR)是几种有效的端元提取方法。

使用ppi函数，通过使用PPI方法估计终端成员。PPI方法将像素光谱投影到正交空间中，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，其结果取决于正交投影产生的随机单位向量。为了改进结果，您必须增加投影的随机单位向量，这在计算上可能很昂贵。

使用fippi函数，通过使用fippi方法来估计终端成员。FIPPI方法是一种迭代方法，它使用一个自动目标生成过程来估计正交投影的初始单位向量集。该算法的收敛速度比PPI方法更快，并识别出彼此不同的终端成员。

使用nfindr函数，通过N-FINDR方法估计端成员。N-FINDR是一种迭代方法，利用像素光谱构建一个单纯形。该方法假设由端元组成的单形的体积大于由任何其他像素组合定义的体积。单形的体积较高的像素签名集是端点成员。

2. 丰富的地图估计

给定端元特征，估计每个像素中每个端元的分数是有用的。可以生成每个端元的丰度图，这代表了图像中端元光谱的分布。你可以通过比较得到的所有丰度图值来标记一个像素属于一个端元光谱。

利用estimateAbundanceLS 函数估计每个端元光谱的丰度图。

四、光谱匹配法

通过进行光谱匹配来解释像素光谱。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识别端元材料的类别。参考数据由材料的纯光谱特征组成，可用作光谱库。

使用readecostress函数从ECOSTRESS谱库中读取参考谱文件。然后，您可以使用spectralMatch函数计算ECOSTRESS库谱中的文件与一个端成员谱之间的相似性。

像元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。这种组合方法比单个方法具有更高的识别能力，更适合于光谱相似目标的识别。该表列出了用于计算光谱匹配分数的函数。

sam : 光谱角映射仪(SAM)根据光谱的几何特征对两种光谱进行匹配。SAM测量计算两个光谱特征之间的角度。角度越小，表示光谱间的匹配越好。这种测量方法对光照变化不敏感。

sid : 光谱信息发散(Spectral information divergence, SID)是根据两种光谱的概率分布进行匹配的。该方法是一种有效的混合像元光谱识别方法。低SID值意味着两个光谱的相似度较高。

sidsam : SID和SAM的结合。SID-SAM方法比单独的SID和SAM具有更好的识别能力。最小分值表示两个光谱的相似度较高。

jmsam : Jeffries-Matusita (JM)距离和SAM的结合。较低的距离值意味着两个光谱之间的相似性较高。这种方法在分辨光谱近距离目标时特别有效。

ns3 : 归一化光谱相似度评分(NS3)，它结合了欧几里德距离和SAM。较低的距离值意味着两个光谱之间的相似性较高。该方法鉴别能力强，但需要大量的参考数据才能获得较高的准确度。

Hyperspectral image processing applications

高光谱图像处理应用包括分类、目标检测、异常检测和材料分析。

通过分解和光谱匹配对高光谱图像中的每个像素点进行分割和分类。有关分类的示例，请参见：Hyperspectral Image Analysis Using Maximum Abundance Classification and Classify Hyperspectral Image Using Library Signatures and SAM.

通过将目标材料的已知光谱特征与高光谱数据中的像素光谱进行匹配，可以实现目标检测。有关示例，请参见： Target Detection Using Spectral Signature Matching.

还可以使用高光谱图像处理进行异常检测和材料分析，如植被分析。使用anomalyRX函数检测高光谱图像中的异常。利用spectralIndics函数分析高光谱数据中各种材料的光谱特征。