简要概述高光谱遥感

农业遥感监测是一个广泛的课题，已从多个角度得到广泛关注，有时基于特定应用(例如，精准农业、产量预测、灌溉、杂草检测)、遥感平台(例如，卫星、无人驾驶飞行器(UAV)、无人驾驶地面车辆(UGV)、传感器(例如，主动或被动传感、波长域)或特定位置和气候环境(例如，国家或大陆、湿地或旱地)。遥感定义为通过利用从俯视角度获得的图像、在电磁频谱的一个或多个区域中实施从地球表面反射或发射的电磁辐射来获取有关地球陆地和水面信息的应用。高光谱遥感涉及通过机载或星载传感器获得的辐射从地球表面的物体或场景中提取信息。

一般来说，高光谱成像是现代成像系统和传统光谱技术的结合。机载和卫星高光谱传感器技术的发展已经克服了多光谱传感器的限制，因为高光谱传感器将可见光、近红外(NIR)、中红外和短波红外部分的多个窄光谱带组合在一起。电磁频谱。高光谱传感器收集大约 200 个或更多光谱带，每个光谱带仅 10 nm 宽它允许构建连续的光谱反射特征，而高光谱数据的窄带宽元素能够深入检查地球表面特征，这些特征将在多光谱数据获取的相对粗糙的带宽内消失。高光谱数据通常被分配为超立方体(见图1 )，其中包含两个空间维度和一个光谱维度，考虑到每张高光谱图像的特征，包含许多通道，因为与灰度或 RGB 图像相比，存在仅包含一个通道的波段或三个通道。

图 1.高光谱数据立方体结构

图1中的高光谱数据立方体解释了图1a机载或星载平台上的推扫式传感器获取称为扫描线的一维行交叉轨迹像素的光谱数据;图 1b包括每行交叉轨道像素的光谱的顺序扫描线被堆积以获得三维高光谱数据立方体，在该图中，场景的空间细节由立方体的 x 和 y 维度构成，而将像素的幅度谱投影到 z 维度;图1c 三维高光谱数据立方体可以作为二维空间图像的堆栈进行分析，而每个图像都相当于一个特定的窄波段。通常，高光谱数据立方体包含数百个堆叠图像;图 1d可以为每个像素标记光谱样本，并且光谱中特征的区分提供了场景中检测和分类的主要机制。关于成像光谱仪类型，大约有三种不同的方法来获取高光谱数据，例如基于色散元件的方法、基于光谱滤波器的方法和快照高光谱成像。为了收集具有不同空间和时间分辨率的高光谱图像，所使用的传感器可以例如安装在不同的平台上。无人机(UAV)、飞机和近距离平台。表1显示了不同类型高光谱成像平台的比较。提及高光谱传感器用于提供信息，例如机载可见光/红外成像光谱仪、Hyperion、Hymap和应用机载成像光谱仪。下面的表 2显示了通常安装在飞机和卫星上的不同类型的高光谱传感器。表 1.高光谱成像平台比较。

表 2.飞机和卫星上的高光谱传感器类型

2. 高光谱遥感影像(HRSI)数据处理与分析

2.1. 数据预处理

由于高光谱数据的高维特性，以及光谱与混合像素的相似性，高光谱图像技术仍然面临着许多问题，其中最紧迫的是：(1)高光谱图像数据具有高维。由于高光谱图像是由机载或星载成像光谱仪采集的数百个波段的光谱反射率数据组合而成，因此高光谱图像的光谱信息维度也可以是数百个维度;(2) 缺失标记样品。在实际应用中，收集高光谱图像数据相当简单，但获取类似图像的标签信息却相当具有挑战性。因此，高光谱图片的分类有时会因标记样本的短缺而受到阻碍;(3) 空间上光谱信息的可变性。高光谱图像的光谱信息会因大气条件、传感器、地物的组成和分布以及周围环境等因素而在空间维度上发生变化，导致每个像素对应的地物不是单一的;最后(4)图像质量，即高光谱图像采集过程中噪声和背景元素的干扰，对采集数据的质量有重大影响。高光谱图像的分类精度直接受到图像质量的影响。高光谱图像的光谱信息会因大气条件、传感器、地物的组成和分布以及周围环境等因素而在空间维度上发生变化，导致每个像素对应的地物不是单一的;最后(4)图像质量，即高光谱图像采集过程中噪声和背景元素的干扰，对采集数据的质量有重大影响。高光谱图像的分类精度直接受到图像质量的影响。高光谱图像的光谱信息会因大气条件、传感器、地物的组成和分布以及周围环境等因素而在空间维度上发生变化，导致每个像素对应的地物不是单一的;最后(4)图像质量，即高光谱图像采集过程中噪声和背景元素的干扰，对采集数据的质量有重大影响。高光谱图像的分类精度直接受到图像质量的影响。导致每个像素点对应的地物不是单一的;最后(4)图像质量，即高光谱图像采集过程中噪声和背景元素的干扰，对采集数据的质量有重大影响。高光谱图像的分类精度直接受到图像质量的影响。导致每个像素点对应的地物不是单一的;最后(4)图像质量，即高光谱图像采集过程中噪声和背景元素的干扰，对采集数据的质量有重大影响。高光谱图像的分类精度直接受到图像质量的影响。

各种平台和传感器获得的高光谱图像通常以原始格式呈现，这需要对其进行预处理(例如大气、辐射和光谱校正)以纠正详细信息。组装高光谱数据比多光谱和 RGB 传感器更加复杂，因为它的辐射和大气校准工作流程更加复杂。因此，高光谱成像处理过程需要几个步骤才能获得精确的输出。高光谱成像的处理意味着计算机算法的利用。它包括从可见近红外 (VNIR) 或近红外 (NIR) 高光谱图像中提取、存储和伪造信息等任务。它还提供有关处理和数据挖掘任务的不同信息(例如，分析、分类、目标检测、回归和模式识别)。高光谱成像包括以像素存储的大量数据收集，而每个数据都与其相邻数据特别相关。高光谱成像还包括谱域信号，因为每个图像像素都包含光谱信息;因此，用于处理空间和光谱信息的特定工具和方法已得到扩展。如此大量的数据导致化学计量学和可视化设备的集成，以有效地挖掘重要且详细的信息。下面的图 2描述了普通的高光谱图像预处理过程。

图 2.高光谱图像预处理工作流程

高光谱成像设备产生的大量原始数据包含大量可以通过校准纠正的错误。空间校准是将每个图像像素与已知单位或特征相关联的步骤之一，提供有关空间维度的信息并纠正光学像差(微笑和梯形失真效应)。然而，可能存在三种使校准模型无效的情况：(1) 样品中的化学或物理替代，(2) 由于固有的不确定性或部件老化而更换设备，以及 (3) 环境/天气条件，例如温度或湿度。高光谱照片中常见有数百个波段，其中许多波段是高度相关的。因此，降维是预处理高光谱图像时需要考虑的重要步骤。降维是高光谱图像分类中至关重要的预处理步骤，可减少 HSI 的光谱冗余，从而实现更快的处理和更高的分类精度。降维方法将高维数据转换为低维空间，同时保留光谱信息。因此，预处理是提高高光谱图像质量并为后续分析做好准备的重要步骤。

高光谱成像从单个样本和需要日常分析的数千个样本中生成大量数据收集。与其他统计技术相比，高光谱图像分析使用物理和生物模型来吸收某些波长的光。例如，空气中的气体和气溶胶可以吸收特定波长的光。色散(向传感器透视区域添加外部光源)和吸收是大气衰减的示例(辐射率)否认)。结果，高光谱传感器无法区分在其他时间或地点生成的成像记录的辐射率。高光谱图像分析技术源自光谱学，它涉及某种材料的分子成分在不同波长下的不同吸收或反射模式。该图像必须采用适当的大气校正技术，以便将每个像素的反射特征与已知材料的光谱进行比较;在实验室和“图书馆”存储区域，已知的材料光谱信息包括土壤、矿物质和植被类型。

2.2. 高光谱图像分类

根据可用训练样本的性质，高光谱成像 (HSI) 可分为监督式、无监督式和半监督式。监督技术使用真实信息(标记数据)进行分类，而无监督技术不需要任何先验信息。根据文静和小飞的研究，支持向量机、人工神经网络、决策树和最大似然分类方法是常用的监督分类方法的例子。基本过程是首先根据已知的样本类别和先验知识确定判别标准，然后计算判别函数。因此，在监督分类中，支持向量机可以产生类似于神经网络的结果，但计算成本更低，速度更快，使其成为高光谱数据分析的理想选择。

无监督分类是指基于高光谱数据光谱相似性的分类，例如在没有先验知识的情况下进行聚类。无监督分类由于没有使用先验知识，只能假设初始参数，通过预分类处理构建聚类，然后迭代直到相关参数达到允许的范围。无监督分类的示例包括 K 均值分类和迭代自组织方法 (ISODATA)。最后，是半监督分类，它使用标记和未标记数据来训练分类器。半监督学习范式已成功应用于高光谱成像之外的领域。它弥补了无监督和监督学习机会的缺乏。在特征空间上，这种分类方法使用相同类型的标记和未标记数据。由于大量未标记的示例可以更好地解释数据的整体属性，因此使用这两个样本训练的分类器具有优越的泛化性。半监督分类的例子是拉普拉斯支持向量机(LapSVM)和自我训练。

因此，高光谱成像可以成为自动区分农作物和杂草的潜在技术之一。这些传感技术已应用于智慧农业，并通过从田间生成大量数据取得了实质性进展。集成特征的机器学习建模也达到了合理的准确性，可以识别植物是杂草还是农作物。