高光谱成像仪高光谱图像信息的处理方法

高光谱成像仪采集的光谱数据往往波段数多（几十个甚至几百个），光谱分辨率高（纳米级），数据量大，数据率高（从每秒数兆到每秒数百兆），巨大的数据量为应用和分析带来不便，因此就需要对高光谱数据进行处理。本文对高光谱成像仪高光谱图像信息的处理方法做了介绍。

尽管成像光谱仪具有其独特的优越性，但由于高光谱遥感数据具有多、高、大、快等特点，即波段数多（几十个甚至几百个），光谱分辨率高（纳米级），数据量大，数据率高（从每秒数兆到每秒数百兆），巨大的数据量为应用和分析带来不便，因此产生了许多新的数据处理方法对高光谱数据进行处理。高光谱数据的处理技术的研究主要集中在以下几个方面：对海量数据的高比例“非失真”压缩；高光谱遥感数据的高速化处理；光谱及辐射量的定量化和归一化：高光谱遥感数据特征图像提取及三维光谱图像数据的可视化；地物光谱模型及识别技术；以及高光谱遥感数据在地质、农业、植被、海洋、环术境、大气、城市等中应用模型的建立。

研究人员为高效利用成像光谱仪数据，充分发挥其高光谱分辨率和空间分辨率方面做出了许多尝试，所采用的方法可归纳为两大类：

1.基于纯像元的分析方法

（1）基于成因分析的光谱分析方法

基于成因分析的方法研究地物的光谱特性，从地物光谱特征上发现农征地物的特征光谱区间和参数，最常用的是各种各样的植被指数。这种方法普遍用于NSS和TM图像的处理和分析应用中。成像光谱仪问世以后，许多研究人员沿用了这种方法，利用成像光谱仪数据的高光谱分辨率，选取影像的波段，发展了许多更为精细的植被指数。与此相对的方法，是地物光谱重建和重建的光谱与数据库光谱的匹配识别。这一方法通过对比分析地面实测的地物光谱曲线和由成像光谱仪图像得到的光谱曲线来区分地物。为了提高成，像光谱仪数据分析处理的效率和速度，一般要对这些曲线进行编码或者提取表征曲线的参数。“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…，但由于野外实际情况的复杂性，很难建立一个比较通川的地物光谱库，这就限制了利用该法进行分析，目前仅仅在比较小的范围内（如岩石成分分析等）取得成功的运用。

（2）基于统计分析的图像分类和分析

基于统计分析的图像分类和分析认为每一波段的图像为随机变量，基于概率统计理论进行多维随机向量的分类。成像光谱仪图像波段多，分类很大程度上受限于数据的维数，面对数百个波段的数据，如果全部用于分类研究，在时间上往往是无法接受的。因此在图像分类之前必须压缩波段，同时又要尽可能地保留信息，即进行“降维”的研究。目前，压缩波段有两种途径，一是从众多的波段中挑选感兴趣的若干波段：二是利用所有波段，通过数学变换来压缩波段，最常用的如主成分分析法等。基于统计分析的图像分类和分析在理论上比较严谨，所以需要有充分的数据的地学特征，否则得到的结果有时是不明确的物理解释。

2.基于混合像元的分析方法

由于传感器空间分辨率的限制以及地物的复杂多样性，混合像元普遍存在于遥感图像中，对地面地物分布比较复杂的区域尤其如此。如果将该像元归为一类，势必会带来分类误差，导致精度下降，不能反映真实的地物覆盖情况。

概括起来，混合模型主要有两类，即线性光谱混合模型和非线性光谱混合模型。线性混合模型是迄今为止最受欢迎且使用最多的一种模型，其突出优点是简单。虽然它只能分离与波段数目相同的类别，但对于有着数百个波段的高光谱数据，完全可以克服这种限制。对于非线性混合模型可以利川某些方法来使之线性化，从而简化为线性模型。