主要内容

高光谱图像处理入门

高光谱成像通过对物体进行不同波长的成像来测量物体的空间和光谱特征。波长范围超出了可见光谱，涵盖了从紫外线(UV)到长波红外(LWIR)波长。最流行的是可见光、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几个具有狭窄和连续波长的图像。这些图像中的每一个都包含更微妙和详细的信息。

高光谱图像处理涉及表示、分析和解释高光谱图像中包含的信息。

表示高光谱数据

高光谱成像传感器测量的值通过使用带序(BSQ)、带按像素交错(BIP)或带按行交错(BIL)编码格式存储到二进制数据文件。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正确表示所必需的。

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)数组的形式米——- - - - - -N——- - - - - -C,在那里米而且N是采集数据的空间维度，C指定采集过程中使用的光谱波长数的光谱维数。因此，您可以将3-D阵列视为在不同波长捕获的一组二维(2-D)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相关头文件中的数据文件和元数据信息来构造数据多维数据集。的超立方体函数创建超立方体对象，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

数据立方体的颜色表示

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。数据多维数据集的颜色表示使您能够直观地检查数据并支持决策。金宝app您可以使用彩色化函数，用于计算数据立方体的红绿蓝(RGB)、假色(false color)和色红外(CIR)表示。

  • RGB配色方案使用红、绿和蓝光谱带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，但会导致微妙信息的显著损失。

  • 假色方案使用除了可见的红色、绿色和蓝色光谱波段以外的任意数量的波段的组合。使用伪色表示来可视化可见光谱以外的波段的光谱响应。该伪彩色方案有效地捕获了高光谱数据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表示在数据立方体的植被区域显示和分析中特别有用。

预处理

高光谱成像传感器通常具有较高的光谱分辨率和较低的空间分辨率。所获得的高光谱数据的空间特征和光谱特征是由其像素来表征的。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，并定义位于(x，y)．像素光谱是高光谱数据分析中的重要特征。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。Pansharpening具体指的是高光谱数据和全色数据的融合。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。

为了补偿大气效应，您必须首先校准像素值，即数字数字(dn)。必须通过使用辐射测量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(如分类问题)时提供更好的结果。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．高光谱数据中大量的波段增加了数据立方体处理的计算复杂度。频带图像的连续特性导致了频带间的冗余信息。高光谱图像中相邻波段具有较高的相关性，从而导致光谱冗余。您可以通过解关联波段图像来删除冗余波段。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。

  • 的波段选择该方法使用正交空间投影来寻找数据立方体中频谱明显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频带和删除一个或多个频带。

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

    主成分分析将数据转换到低维空间，并沿输入频带的最大方差方向寻找主成分向量。主成分按总方差解释量的降序排列。

    MNF计算最大化信噪比的主成分，而不是方差。MNF变换在从带噪声图像中提取主成分时尤为有效。主成分波段是谱上明显的带间相关性较低的波段。

    的hyperpca而且hypermnf函数分别使用PCA变换和MNF变换来降低数据立方体的谱维。您可以使用从简化数据立方体中获得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。属于一个均匀表面的像素被称为纯像素．这些纯像素构成了endmembers高光谱数据。

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。

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。光谱分解过程包括两个步骤:

  1. Endmember提取-端元光谱是高光谱数据中的突出特征，可用于高效的高光谱图像的光谱解混、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。这是一种非迭代方法，其结果依赖于正交投影所产生的随机单位向量。为了改善结果，必须增加用于投影的随机单位向量，这可能需要大量的计算。

    • 使用fippi函数来估计端元，使用FIPPI方法。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方法收敛更快，并识别出彼此不同的端成员。

    • 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。该方法假定由端点成员组成的单纯形的体积大于任何其他像素组合所定义的体积。单纯形体积大的像素签名集称为端元。

  2. 丰度图估计-给定端元特征，估计每个像素中每个端元的分数是有用的。您可以为每个端元生成丰度图，它表示图像中端元光谱的分布。您可以通过比较为该像素获得的所有丰度映射值，将该像素标记为属于端元光谱。

    使用estimateAbundanceLS函数来估计每个端元光谱的丰度图。

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，可作为光谱库使用。

使用readEcostressSig函数从ECOSTRESS谱库中读取参考谱文件。然后，您可以计算ECOSTRESS库谱文件和端元谱之间的相似性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。可以通过结合几何特征和概率特征来提高匹配效率。这种组合方法比单独方法具有更高的识别能力，更适合于识别光谱相似的目标(种内)。该表列出了可用于计算光谱匹配分数的函数。

方法 描述
山姆 光谱角映射器(SAM)根据光谱的几何特征来匹配两个光谱。SAM测量方法计算两个光谱特征之间的角度。较小的角度表示两个光谱之间的最佳匹配。这种测量方法对光照变化不敏感。
sid 光谱信息散度(SID)是根据两个光谱的概率分布来匹配它们。该方法能有效识别混合像元光谱。SID值越低，两光谱之间的相似性越高。
sidsam SID和SAM的组合。与单独的SID和SAM方法相比，SID-SAM方法具有更好的识别能力。分数越低，两个光谱之间的相似性越高。
jmsam Jeffries-Matusita (JM)距离与SAM的结合。距离值越低，两个光谱之间的相似性越高。该方法对光谱近距离目标的识别尤为有效。
ns3 归一化谱相似度评分(NS3)，结合欧几里得距离和SAM。距离值越低，两个光谱之间的相似性越高。该方法判别能力强，但需要大量参考数据才能保证精度。

应用程序

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。

另请参阅

应用程序

功能

相关的话题