高光谱知识：高光谱图像处理技术

一、高光谱图像处理技术

（一）基本概念与发展历程

高光谱图像是光谱分辨率在 10l 数量级范围内的光谱图像。高光谱遥感的发展得益于成像光谱技术的发展与成熟，成像光谱技术是集多种技术于一体的综合性技术。其最大特点是将成像技术与光谱探测技术结合，在对目标的空间特征成像的同时，对每个空间像元经过色散形成几十个乃至几百个窄波段以进行连续的光谱覆盖。2000 年美国 “新千年计划第一星” EO - 1 上的 Hyperion 成像光谱仪等相继升空，宣告了航天高光谱时代的来临。此后，各国不断研制新的高光谱成像仪，高光谱图像技术不仅引起了遥感界的关注，同时也引起了医学、农学等其它领域的极大兴趣。

（二）技术特点与优势

高光谱图像集图像与光谱信息于一身，图像信息可以反映样本的大小、形状、缺陷等外部品质特征，光谱信息能充分反映样品内部的物理结构、化学成分的差异。其具有极高的光谱分辨率，例如美国 Hyperion 高光谱成像仪光谱分辨率为 10nm，共有 220 个连续谱段。高光谱图像能实现复杂地表覆盖的精细分类，利用空间分辨率为 30 米、光谱分辨率 5nm、具有 95 个波段的高光谱影像进行土地利用精细分类，总体分类精度达 90% 以上。

（三）与普通图像的区别

高光谱图像与普通图像在多个方面存在差异。在波段数量上，普通彩色数码照片只有三个波段，即红绿蓝三个可见波段成像的叠加，而高光谱遥感是很多波段（包括不可见波段）数据的集合，比如珠海一号高光谱卫星通道数达 256。在像素值表示方面，高光谱图像的像素值是以两个字节表示的。在信息获取范围上，普通照片只能接触到可见光，高光谱图像可覆盖更宽的波段，如电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像，能够探测到多光谱遥感探测不到的信息，获得丰富的地物信息。

二、高光谱图像处理方法多样

（一）图像去噪方法

传统的图像去噪方法主要有均值滤波、中值滤波和高斯滤波等。均值滤波是用像素邻域的平均值来代替该像素的值，能有效去除图像中的随机噪声，但会使图像变得模糊。中值滤波则是将像素邻域内的中值作为该像素的值，对椒盐噪声有较好的去除效果。高斯滤波是根据高斯函数的形状来确定权重，对图像进行平滑处理，能较好地保留图像的边缘信息。

然而，随着技术的发展，基于深度学习的去噪方法逐渐崭露头角。例如，有研究采用深度自编码器进行高光谱图像去噪，自编码器通过学习高光谱图像的低维表示，能够有效地去除噪声，同时保留图像的细节信息。深度学习方法的优势在于能够自动学习图像的特征，适应不同类型的噪声，并且在处理复杂的高光谱图像时表现出更好的性能。据统计，在某些高光谱图像数据集上，基于深度学习的去噪方法能够将图像的信噪比提高 10dB 以上。

（二）图像融合方法

高光谱图像融合是将不同数据源的图像信息进行整合，以提高图像的质量和信息量。数据源可以包括高空间分辨率的多光谱图像和高光谱分辨率的低空间分辨率图像。

主成分分析融合是一种常用的方法，它将高光谱图像投影到主成分空间，然后用高空间分辨率图像的信息替换主成分中的空间成分，最后再反变换回原始空间。这种方法能够有效地提高图像的空间分辨率，同时保留光谱信息。

基于像元选择的方法则是根据一定的准则选择合适的像元进行融合。例如，可以选择具有高空间分辨率和高光谱分辨率的像元进行融合，以提高图像的整体质量。

（三）遥感图像分割方法

遥感图像分割的任务是将图像划分为不同的区域，每个区域代表不同的地物类型。其特点包括需要考虑图像的空间信息和光谱信息，以及处理大规模的图像数据。

深度学习方法在遥感图像分割中得到了广泛应用。例如，卷积神经网络（CNN）能够自动学习图像的特征，实现对不同地物的准确分割。同时，一些基于深度学习的分割方法还能够结合高光谱图像的特点，如多尺度特征提取和注意力机制等，提高分割的准确性和效率。在实际应用中，遥感图像分割可以用于土地利用分类、环境监测和城市规划等领域。

三、广泛的应用领域

（一）航天领域

高光谱遥感在航天领域发挥着重要作用。例如，美国的 Hyperion 成像光谱仪、中国的 HJ - 1A 超光谱成像仪等，为制作矿床地图提供了有力支持。高光谱遥感通过获取地物目标的空间和频谱数据，能够探测到许多使用宽波段无法探查到的物体。民用高光谱成像仪主要通过扩大幅宽提高灵敏度等措施来满足地球科学等应用需求，如矿产调查、环境监测和农林估产等。以国内发展空间分辨率 30m 左右幅宽大于 60km 的航天高光谱成像系统为例，其已经能够满足这些需求并具有一定的先进性。此外，小型火星侦察成像光谱仪在火星矿物填图等方面得到广泛应用，我国的嫦娥一号卫星的干涉成像光谱仪也在月球探测方面发挥了重要作用。

（二）农业监测

在农业领域，高光谱图像可在短期内对农作物、森林植被、洋河水体等目标进行无人机高光谱数据采集分析监测。高光谱技术利用高光谱辐射计或高光谱成像仪来捕获地物的高光谱数据，可获取农田和植被的反射、辐射特性信息，反演叶绿素含量、植物光合作用效率、水分含量、氮含量、土壤质地等作物和土壤的基本特征。例如，中国气象局气象探测中心正高级工程师吴东丽创新工作室正深耕高光谱技术在农业领域的应用，开展作物灾害识别对比试验，为提升粮食生产全过程气象灾害精细化监测评估能力和粮食产量预报能力提供数据支撑。

（三）食品安全

高光谱成像技术在食品安全方面优势明显。它融合了传统的成像和光谱技术的优点，可以同时获取被检测物体的空间信息和光谱信息。一方面，能够对食品中的成分进行快速、准确的分析，检测食品中的营养成分、添加剂、污染物等，为食品安全监管提供有力支持。比如，可以检测水果和蔬菜中的农药残留，为食品安全监管部门提供准确、实时的数据。另一方面，能实时监测食品的新鲜度，如水果、肉类等食品的成熟度、腐败程度等，有助于确保食品的安全和质量。此外，还可用于检测食品中的病原菌，如沙门氏菌、大肠杆菌等，及时发现食品安全隐患，保障公众健康。

（四）医学诊断

高光谱成像是一种特殊的光学诊断技术，具有成像系统多样化、研究对象广泛化、临床诊断实用化和分析方法功能化等特征。它具有光谱和成像的双重功能，能够同时提供实验对象的化学和物理特征，并具有良好的空间分辨率。高光谱成像在医学诊断中具有巨大潜力，具有原位实时活体诊断疾病（特别是肿瘤）的潜力，临床应用前景广阔。例如，高光谱成像可以提供更多的生物组织信息，通过获取物体在不同波长下的光谱信息，得到组织的光谱特征，进而分析和识别生物组织的类型和状态，帮助医生更准确地判断疾病的严重程度和类型，并提供更精确的诊断结果。同时，高光谱成像具有较高的分辨率和灵敏度，对于微小病灶的检测更为敏感，能够发现一些传统成像技术难以观察到的细微变化。

（五）工业分类质检

在工业分类质检方面，通过机器学习算法，利用高光谱图像对流水线上的产品进行快速分类具有广泛的适用性和通用性。根据不同的应用场景，利用参考样品进行训练，以交互的方式得到监督分类模型后，上传到模型库中，便能利用已有模型对流水线上的产品进行快速分类。例如，在金银花与山银花的鉴别中，高光谱成像技术能够无损、有效地鉴别金银花与山银花，并且在全光谱和特征波长下均能实现金银花与山银花的快速判别分析。在工业分拣中，高光谱成像仪能够帮助实现对产品的高效、精准分拣，提高分拣效率和质量，如在食品行业、农产品行业和化工行业等都有广泛应用。