高光谱图像综述

免责声明：本文仅代表个人观点，如有错误，请读者自己鉴别；如果本文不小心含有别人的原创内容，请联系我删除；本人心血制作，若转载请注明出处

本文是根据 袁迎辉 林子瑜所著的 “高光谱遥感技术综述”一文而写，具体细节基本皆引自此文。

近年来，高光谱图像飞速发展，在遥感领域占据着越来越重要的角色，各种遥感平台，遥感传感器，遥感信息处理，遥感应用得到飞速发展。

高光谱遥感的概念及特点 -- 波段多、光谱分别率高、数据量大、信息冗余增加、可提供空间域信息和光谱域信息。

发展过程 -- 第一代成像光谱仪（AIS）、第二代高光谱成像仪（AVIRIS）-可见光/红外光成像光谱仪、第三代高光谱成像光谱仪（FTHSI）。

发展程度 -- 高光谱遥感波段数增多，致使其数据量也呈指数增加，海量的数据给研究人员的分析应用带来不便，主要处理方法如下

1、给予纯像元的分析方法

1）、基于光谱特征的分析方法。从光谱特征出发主要从地物光谱特征上出发，表征地物的特征光谱区间和参数。高光谱遥感中的吸收谱   线较传统的遥感更为细化和连续，一些在传统遥感的光谱曲线中不可分的特征变得显著起来，这种方法通过对比分析地面实测的地 物光谱曲线来区分地物，光谱匹配是利用成像光谱仪探测数据进行地物分析的主要方法之一。

2）、基于统计模型的分类方法

         基于统计模型的分类方法主要是对高光谱数据样本的总体特征进行统计分析。对样本采样点的统计分布特征的分析可以帮助识别不同的目标物。          按照距离来度量模式相似性的几何分类法和基于Bayes准则的最大似然法是统计模式识别的两种基本方法。

2、基于混合像元的分析

     由于传感器控件分别率的限制以及地物的复杂多样性，遥感影像中的像元大多是几种地物的混合体，如果将该像元作为一种地物分析，将会带来分        类误差，不能真实反映地物情况。概括下，混合模型包括线性光谱混合模型、非线性光谱混合模型和模糊模型三种。线性混合模型假定混合像元的        反射率为它的端元组分的反射率的线性组成，这种模型较为简单，使用广泛。

     英国马里兰大学研究人员提出了一种正交子空间投影方法（OSP），将224个波段的AVIRIS影像数据去掉噪声较大的波段后得到158波段，再针对五      种主要地物类别，采用OSP方法得到5个分量影像，每个分量各表示一种第五类型的分布情况。经检验，成图的分类结果与地面观测一致。这种方法      既考虑了混合光谱的问题，又考虑了数据压缩问题，还在处理过程中加入了去噪声的操作，是目前比较有代表性的混合像元处理技术。

3、高光谱应用的发展程度

高光谱遥感光谱分辨率高，目前从高光谱遥感数据中提取各种矿物成分的主要方法有光谱微分技术、光谱匹配技术、混合光谱分解技术、光谱分类计数、光谱维特征提取方法、模型方法。

植物的“红边效应”：“红边”是位于红光低谷及红光过渡到近红外区域的拐点，通过其位置和斜率的特征来体现，是植物光谱曲线最典型的特征。

植被指数：植被指数是利用遥感光谱数据监测地面植物生长和分布、定性、定量评估值被的一种有效方法。

高光谱在农业中的应用，主要表现在快速、精确地获取作物生长状态以及环境胁迫的各种信息使用高光谱遥感数据估计作物的农学参数主要有两类方法：一是通过多元回归方法建立光谱数据或由此衍生的植被指数与作物农学参数之间的关系；二是通过作物的红边参数来估计作物的物候性状及其农学参数。

在大气和环境方面的应用，大气中的分子和粒子成分在太阳反射光谱中有强烈反应，这些成分包括水汽、二氧化碳、氧气、臭氧、云和气溶胶等。传统宽波段遥感方法无法识别出由干大气成分的变化而引起的光潜差异，而波段很窄的高光谱则能够识别出这种光谱差异。

航空/卫星数据特点，高光谱成像光谱仪的成像方式主要有两种，一种是线阵列探测器掸扫式扫描方式；另一种是面阵列探测器推扫式扫描方式。掸扫式扫描方式的空间扫描由旋转平面镜沿垂直飞行方向的来回摆动和沿轨道方向的飞行完成。

当前，面向高光谱遥感应用，发展以地物精确分类、地物识别、地物特征信息提取为目标的高光谱遥感信息处理和定量化分析模型，提高高光谱数据处理的自动化和智能化水平，开发专用的高光谱遥感数据处理分析软件系统和地物光谱数据库仍是高光谱遥感研究的主要任务，旨在将高光谱遥感更精确地应用于更多更广的领域。