渤海SVC 光谱数据处理 2009.9.9 一．基本原理 水体遥感反射率的计算公式为： /(0)rs w d R L E += 其中，水面入射辐照度比(0)d E +又为： (0)*/d p p E L πρ+= p L 为标准板的反射信号； p ρ为标准板的反射率。 而水面以上水体信号组成可表示为公式： *u w f sky wc g L L L L L ρ=+++ 其中：u L 代表传感器接收到的总信号； w L 是进入水体的光被水体散射回来后进入传感器的离水辐射率，是我们需要得到的量。 f ρ为菲涅尔反射系数， 平静水面可取r=0.022,在5m/s 左右风速的情况下, r 可取0.025, 10m/s 左右风速的情况下, 取0.026—0.028（唐军武，2004）。 s k y L 是天空光信号，通过实地测量得到； wc L 是来自水面白帽的信号、g L 是来自太阳耀斑的信号。这两部分信号不携带任何水体信息，在测量过程中通过采用特定的观测几何来避免和去除。 具体可参考《环境遥感模型与应用》 二．处理流程： 1.生成moc 文件：将测量得到的原始光谱XXX.sig 文件通过overlap 处理后得到去除传感器间重复波段影响后的平滑光谱曲线： ①安装运行SVC-HR1024软件，选择tools —SIG file overlap ，在browser 中选择要处理的.sig 文件； ②点击process all files 进行处理，生成的moc 文件自动保存在与.sig 同一个文件夹下面。 数据储存：为每一天新建一个以日期命名的文件夹，根据这一天所测的站点数，建立以相应点号命名的子文件夹以储存各点位测得的光谱数据(包括原始.sig 和生成的_moc.sig 文件) 2.制作.meta 文件：根据原始观测记录在.meta 文件中写入对应的水体测量（No_water_files ）、天空光测量（No_sky_files ）、灰板测量光谱曲线（No_plaq_files ）及灰板反射率的文件储存路径信息，以辅助反射率的计算。
高光谱数据处理基本流 程 The document was finally revised on 2021
高光谱分辨率遥感 用很窄（10-2l）而连续的光谱通道对地物持续遥感成像的技术。在可见光到短波红外波段其光谱分辨率高达纳米(nm)数量级，通常具有波段多的特点，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的，每个像元均可提取一条连续的光谱曲线，因此高光谱遥感又通常被称为成像光谱（Imaging Spectrometry）遥感。 高光谱遥感具有不同于传统遥感的新特点： （1）波段多——可以为每个像元提供几十、数百甚至上千个波段； （2）光谱范围窄——波段范围一般小于10nm； （3）波段连续——有些传感器可以在350~2500nm的太阳光谱范围内提供几乎连续的地物光谱； （4）数据量大——随着波段数的增加，数据量成指数增加； （5）信息冗余增加——由于相邻波段高度相关，冗余信息也相对增加。 优点： （1）有利于利用光谱特征分析来研究地物； （2）有利于采用各种光谱匹配模型； （3）有利于地物的精细分类与识别。 ENVI高光谱数据处理流程： 一、图像预处理 高光谱图像的预处理主要是辐射校正，辐射校正包括传感器定标和大气纠正。辐射校正一般由数据提供商完成。 二、显示图像波谱 打开高光谱数据，显示真彩色图像，绘制波谱曲线，选择需要的光谱波段进行输出。 三、波谱库 1、标准波谱库 软件自带多种标准波谱库，单击波谱名称可以显示波谱信息。 2、自定义波谱库
ENVI提供自定义波谱库功能，允许基于不同的波谱来源创建波谱库，波谱来源包括收集任意点波谱、ASCII文件、由ASD波谱仪获取的波谱文件、感兴趣区均值、波谱破面和曲线等等。 3、波谱库交互浏览 波谱库浏览器提供很多的交互功能，包括设置波谱曲线的显示样式、添加注记、优化显示曲线等 四、端元波谱提取 端元的物理意义是指图像中具有相对固定光谱的特征地物类型，它实际上代表图像中没有发生混合的“纯点”。 端元波谱的确定有两种方式： （1）使用光谱仪在地面或实验室测量到的“参考端元”，一般从标准波谱库选择； （2）在遥感图像上得到的“图像端元”。 端元波谱获取的基本流程： （1）MNF变换 重要作用为：用于判定图像内在的维数；分离数据中的噪声；减少计算量；弥补了主成分分析在高光谱数据处理中的不足。 （2）计算纯净像元指数PPI PPI生成的结果是一副灰度的影像，DN值越大表明像元越纯。 作用及原理：
高光谱数据处理工具软件使用手册 一数据读取操作 1 读取南京中地仪器公司的光谱数据（单个文件） [sampleName,lambda,spectrum ]=hyperReadZD(fname) 2 读取北师大波谱库的数据（单条记录） [metaInfo,lambda,spectrum]=hyperReadSPL(fname,iStart,iEnd,i Step,desPathStr) 参数：如果输入参数iStart,iEnd,iStep则将读取的波谱数据按照以上三个参数进行重采样。三参数的含义分别是：起始波段（nm），终止波段(nm)，采样间隔（nm）；如果输入desPathStr，则将采样后的结果作为zip文件保存在目录desPathStr内。 3 读取Envi波谱库数据（单个文件，多条记录） [samplename,lambda,spectral]=hyperReadEnvi(fname) 4 读取ASD波谱仪数据 [measured, lambda, reference] = hyperReadAsd(filename) 5 读取高光谱影像数据（AVIRIS格式） [M, wavelengths_nm] = hyperReadAvirisRfl(filename, height, width, bands) 二数据转换 1 高光谱立方体数据转换为二维数组 [M] = hyperConvert2d(M) 输入： M - 高光谱立方体数据(m x n x p) 输出： M –二维矩阵形式(p x N) 2 将二维数组转换为数据立方体 [img] = hyperConvert3d(img, h, w, numBands) 输入： M –二维数据矩阵 (p x N) 输出： M –三维数据立方体 (m x n x p) 3 光谱重采样 [ output ] = hyperResample( M, currentWaveLengths, desiredWaveLengths ) 输入： M –二维高光谱数据矩阵 (p x N)
高光谱分辨率遥感 用很窄（10-2l）而连续的光谱通道对地物持续遥感成像的技术。在可见光到短波红外波段其光谱分辨率高达纳米(nm)数量级，通常具有波段多的特点，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的，每个像元均可提取一条连续的光谱曲线，因此高光谱遥感又通常被称为成像光谱（ImagingSpectrometry）遥感。 高光谱遥感具有不同于传统遥感的新特点： （1）波段多——可以为每个像元提供几十、数百甚至上千个波段； （2）光谱范围窄——波段范围一般小于10nm； （3）波段连续——有些传感器可以在350~2500nm的太阳光谱范围内提供几乎连续的地物光谱； （4）数据量大——随着波段数的增加，数据量成指数增加； （5）信息冗余增加——由于相邻波段高度相关，冗余信息也相对增加。 优点： （1）有利于利用光谱特征分析来研究地物； （2）有利于采用各种光谱匹配模型； （3）有利于地物的精细分类与识别。 ENVI高光谱数据处理流程： 一、图像预处理 高光谱图像的预处理主要是辐射校正，辐射校正包括传感器定标和大气纠正。辐射校正一般由数据提供商完成。 二、显示图像波谱 打开高光谱数据，显示真彩色图像，绘制波谱曲线，选择需要的光谱波段进行输出。 三、波谱库 1、标准波谱库 软件自带多种标准波谱库，单击波谱名称可以显示波谱信息。 2、自定义波谱库 ENVI提供自定义波谱库功能，允许基于不同的波谱来源创建波谱库，波谱
来源包括收集任意点波谱、ASCII文件、由ASD波谱仪获取的波谱文件、感兴趣区均值、波谱破面和曲线等等。 3、波谱库交互浏览 波谱库浏览器提供很多的交互功能，包括设置波谱曲线的显示样式、添加注记、优化显示曲线等 四、端元波谱提取 端元的物理意义是指图像中具有相对固定光谱的特征地物类型，它实际上代表图像中没有发生混合的“纯点”。 端元波谱的确定有两种方式： （1）使用光谱仪在地面或实验室测量到的“参考端元”，一般从标准波谱库选择； （2）在遥感图像上得到的“图像端元”。 端元波谱获取的基本流程： （1）MNF变换 重要作用为：用于判定图像内在的维数；分离数据中的噪声；减少计算量；弥补了主成分分析在高光谱数据处理中的不足。 （2）计算纯净像元指数PPI PPI生成的结果是一副灰度的影像，DN值越大表明像元越纯。 作用及原理： 纯净像元指数法对图像中的像素点进行反复迭代，可以在多光谱或者高光谱影像中寻找最“纯”的像元。（通常基于MNF变换结果来进行）
《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 35 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月
一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为 21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。
【实验数据处理部分】 一．由实验测得的数据可以得到以下几个谱图： 1.苯蒸气的紫外吸收光谱： 左图中，苯的K吸 收带大约在214nm处， B吸收带在256nm左右。 并且，苯蒸气的精细结 构（主要指苯分子的振 动能级）清晰可见。 另外，由于滴加到 比色皿中的苯过多导致 浓度偏大，A值偏大。 （超过了1.0）。 2.不同取代基对苯的紫外吸收带的影响： （1）、苯甲酸与苯乙烯： 左图中，①②标示的 是苯蒸气的K带和B带； ③表示的是苯甲酸的K 吸收带；而④⑤表示的是 苯乙烯的E2带和K带。 （其中为了使谱图便于 比对，将苯蒸气的吸光度 值成比例地缩小了一定 的数值。） 读图可知： 与苯比较，羧基(吸 电子基)取代的苯环，其K 吸收带发生了红移，B吸 收带也有一定程度的红 移，但强度变弱了； 而对于苯乙烯，由于乙烯基双键的存在，增大了苯环的共轭体系，使得价电子跃迁所需要的能量变低，因而发生了很大程度的红移，E2带和K带分别红移至210nm和245nm处。 (2)、苯酚和苯胺：
图中，①②标示的是 苯蒸气的K带和B带； ③④表示的是苯酚的K 吸收带和B吸收带；而 ⑤⑥⑦则表示苯胺的E2 带、K带和B带。 读图可知： 苯酚的E2吸收带与 K吸收带合并了，原因是 酚羟基的助色作用使得 吸收带发生红移，同样 地，与苯相比，苯酚的B 吸收带也发生了红移； 苯胺的氮原子上含 有孤对电子，也和酚羟基一样具有助色效应，因此苯胺的各个吸收带也发生了一定程度的红移（相比较于苯而言）。 二、溶液性质对取代苯紫外吸收的影响： 1.苯酚与其碱性溶液： 图中：①②③分别标 示的是苯酚在碱性溶液 中的E2吸收带、K吸收 带和B吸收带的大致位 置；而④⑤则分别标示苯 酚在中性溶液中的K吸 收带和B吸收带的位置。 读图可知： 由于碱性溶液中的 酚羟基以氧负离子形式 存在，使得酚羟基的助色 作用大大增强，因而苯环 的吸收带均发生较大的 红移。 例如：原本在苯酚的 紫外吸收图谱中未能读出的E1、E2吸收带，此时可以大致从图中读出；另外，碱性溶液中，苯酚的K带红移至245nm左右，B带红移至290nm左右。 苯酚在碱性溶液中的变化见下图：
高光谱数据的制图方法简介 ENVI软件在Spectral菜单中提供许多波谱制图方法，包括：二进制编码、波谱角制图、线性波段预测(LS-Fit)、线性波谱分匹配滤波、混合调制匹配滤波、包络线去除，以及波谱特征拟合等。 本文主要介绍几种高光谱数据处理的过程操作。 1.二进制编码 二进制编码分类技术根据波段值落在波谱均值的下方或上方，将数据和端元分别编码为0和1。在编码过程中，使用一个高级的（exclusive）OR函数，用于将需要编码的数据波谱与参照波谱相比较，从而生成一幅分类图像。 选择菜单栏Spectral—Mapping Methods—Binary Encoding。在打开的窗口设置参数如下： 图1-1 二进制编码分类参数设置 注意：“OutputRuleImages”切换按钮被设置为“No”，规则图像将不被保存。 分类结束后，规则图像将出现在可用波段列表中，可以在任何显示窗口中显示（或链接/覆盖），并可以使用ENVI的像元位置/值功能进行查询。结果显示如图1-2：
图1-2 原影像图（左）与二进制编码分类结果图（右） 2. 波谱角分类 波谱角分类(SAM)是一种基于自身的波谱分类方法，这种方法将图像波谱与参照波谱在N-维空间进行匹配。SAM用到的参照端元波谱可以来自于ASCII文件、波谱库、统计文件或直接从图像中抽取（如ROI均值波谱），本实验中用的是ROI均值波谱。SAM把端元波谱（被认为是一个N维向量，N维波段数）和像元向量放在n维空间中进行角度比较。较小的角度代表象元与参照波谱匹配紧密。这一技术用于数据定标时，对照度和反照率的影响并不敏感。 选择菜单栏Spectral—Mapping Methods—Spectral Angle Mapper。设置参数如图2-1，波谱角分类结果，如图2-2： 图2-1 波谱角分类参数设置图2-2 波谱角分类结果影像 3.LS-Fit(线性波段预测)
光谱的研究 一、历史的回顾 在4.3节我们介绍过牛顿的色散实验。可以说，光谱学的历史就是从这里开始的。不过牛顿并没有观察到光谱谱线，因为他当时不是用狭缝，而是用圆孔作光阑。据说当时他也曾想到用狭缝，但他委托助手来做这部分实验，而助手不了解他的意图，因而失去了发现的机会。 以后一百多年这方面并没有重大进展。在文献上记载的只有英国的梅耳维尔（Thomas Melvill，1726—1753）。1748—49年间，他用棱镜观察了多种材料的火焰光谱，包括钠的黄线。直到1800年，赫谢尔（William Herschel，1738—1822）测量太阳光谱中各部分的热效应，发现红端辐射温度较高，他注意到红端以外的区域，也具有热效应，从而发现了红外线。1801年，里特（Johann WilhelmRitter，1776—1810）发现了紫外线，他从氯化银变黑肯定在紫端之外存在看不见的光辐射。他还根据这一化学作用判断紫外线比可见光具有更高的能量。 1802年，沃拉斯顿（William Hyde Wollaston，1766—1828）观察到太阳光谱的不连续性，发现中间有多条黑线，但他误认为是颜色的分界线。 1803年，托马斯·杨进行光的干涉实验，第一次提供了测定波长的方法。 德国物理学家夫琅和费（Joseph von Fraunhofer，1787—1826）在光谱学上作过重大贡献。他对太阳光谱进行过细心的检验，1814—1815年，他向慕尼黑科学院展示了自己编绘的太阳光谱图，内有多条黑线，并对其中八根显要的黑线标以A至H等字母（人称夫琅和费线），这些黑线后来就成为比较不同琉璃材料色散率的标准，并为光谱精确测量提供了基础。是他发明了衍射光栅。开始他用银丝缠在两根螺杆上，做成光栅，后来建造了刻纹机，用金钢石在玻璃上刻痕，做成透射光栅。他用自制的光栅获得D线的波长为0.00058877毫米。 其后，光谱的性质逐渐被人们认识，并受到了重视。许多人进行过光谱方面的实验，认识到发射光谱与光源的化学成分以及光源的激发方式有密切关系。1848年，傅科（Jean Leon Foucault,1819—1868）注意到钠焰既发射D线，同时也会从更强的弧光吸收D线。 1859年，基尔霍夫（Gustav Robert Kirchhoff，1824—1887）对光的吸收和发射之间的关系作了深入研究。他和本生（RobertWilhelm Bunsen，1811—1899）研究了各种火焰光谱和火花光谱，并且在研究碱金属的光谱时发现了铯（1860年）和铷（1861年）。接着，克鲁克斯发现了铊，里奇发现了铟（1863年），波依斯邦德朗发现了镓（1875年），用的都是光谱方法。 光谱分析对鉴定化学成分的巨大意义，导致了光谱研究工作的急骤发展。然而，由于当时缺乏足够精度的波长标准，观测结果很是混乱。例如，基尔霍夫在论文中表述光谱用的是他自己从光谱仪测微计上得到的读数。显然，这样的数据别人是无法利用的。1868年，埃格斯特朗（Anders JonasÅngström，1814—1874）发表“标准太阳光谱”图表，记有上千条夫琅和费线的波长，以10-8厘米为单位，精确到六位数字，为光谱工作者提供了极其有用的资料。埃格斯特朗是瑞典阿普沙拉大学物理教授，作过天文观测站工作，多年从事光谱学的工作，对光谱的性质、合金光谱、太阳光谱以及吸收光谱和发射光谱间的关系作过一系列研究，特别是对光谱波长的精确测量进行过大量的艰苦工作。为了纪念他的功绩，10-8厘米后来就命名为埃格斯特朗单位（简写作Å）。
第11卷第1 期 2007年1月 遥感学报 Vol . 11, No . 1Jan . , 2007 文章编号:100724619(2007 0120069208 基于决策树的高光谱数据特征选择及其对分类结果的影响分析 王圆圆, 李京 (北京师范大学资源学院资源技术与工程研究所, 北京100875 摘要:本文利用OM I S 高光谱数据, 研究了决策树算法(Decisi on Tree, DT 特征选择的特点以及特征选择对决策树分类结果的影响。设计了三种特征选择方法:SEP,MDLM 和RE L I EF, 将它们与DT 特征选择的结果以及特征选择后的分类精度(考虑了三种分类器:最大似然法、后向传播神经网络、最邻近法进行对比, 并分析了这三种特征选择方法对决策树结构和分类精度的影响。结果显示, DT 是一种比较好的特征选择方法; 成的决策树比直接生成的决策树, 用到更少的特征(平均减少了43136% 18161% 和更高的分类精度(平均提高了0135% , 当样本数量少时, 。关键词:决策树; 高光谱; 特征选择 中图分类号:TP751. 1:A Ana Fea ture Selecti on and Its I m pact on Hyperspectra l Da t a C l a ssi f i ca ti on Ba sed on D ec isi on Tree A lgor ith m
WANG Yuan 2yuan, L I Jing (College of Resources Science, B eijing N or m al U niversity, B eijing 100875, China Abstract:I n this article, O M I S hy pers pctral data was used t o study feature selecti on ability of DT (Decisi on Tree alg orith m and the i m pacts of feature selecti on on DT . The DT was co mpared t o three designed feature selecti on methods (SEP, MDL M and RE L I EF based on feature selecti on results and classificati on accuracy in which three different methods (ML 、BP NN and 12NN were applied . Moreover, the i m pacts of the three designed feature selecti on methods on DT classificati on results at different training sa mple sizes were analyzed . Results indicated that DT was a g ood feature selecti on method . After feature selecti on, DT alg orith m out putted t o those classificati on trees that used fe wer features (average decrease was 43136% , had fe wer tree nodes (average increase was 18161% , and had higher classificati on accuracy (average increase was 0135% . When the training sa mple size was s mall, accuracy i m pr ove ment was the most significant and mean while the tree size scarcely changed . Key words:decision tree; feature selecti on; hypers pectral data 1引言 高光谱遥感数据光谱分辨率高(<10n m , 波段数量大(可达200多 , 与一般遥感 数据相比, 具有数据量更大的特点, 因此分析起来面临更大的困难 收稿日期:2005204226; 修订日期:2006202223 和挑战。在监督分类中, 由于Hughes 现象的存在, 为了保证较高的精度, 每一类的样本数量应该是特征数的10倍到100倍, 这意味着样本量必须增加到成千上万个, 而现实中要获得这么多的可靠样本是非常困难
图1. 干涉法测液池厚度干涉图
图2.润滑油第一次分析所得图谱及峰数据
图3.润滑油第二次分析所得图谱及峰数据
讨论分析： 由公式l=n/(2*(δ1-δ2)) （1） 注：n为干涉图中波峰数目；【δ1 δ2】扫描波数范围大小 结合图1得出如下结果： n=33 δ1=2000cmˉ1δ2=600cmˉ1 l=0.117857mm 可以看出l的值足够小，能够满足实验的需要。 数据处理： 由图2及图3 的数据记录，结合公式（2）~（4）得到如下表格： C A%=10.32*A1610/l+0.23 （2） C P%=6.9*A720/l+28.38 （3） C N%=100-(C A%+C N%) （4） 表1.图2 数据处理表 峰 基点1 基点2 高度面积C A% C P% C N% 液池池程l 名 1 1620.58 1589.15 0.0384 1.29 3.592448 65.8257 2 30.5818 3 0.117857 2 760.16 691.54 0.6396 12.72
表2.图3数据处理表 峰 基点1 基点2 高度面积C A% C P% C N% 液池池程l 名 1 1683.81 1589.94 0.0426 2.71 3.960215 55.52171 40.51808 0.117857 2 736.84 704.4 3 0.4636 5.92 实验注意事项： 1.实验时液体样品池内两盐片的宽度应该始终保持一致。 2.液体样品用注射器注入液体池中，并且要求没有气泡。 3.在第二次重复操作时，应该将液体池和垫片上的溶剂用四氯化碳洗净吹干。 20091161034 文昊 2011年12月5日
专题二十四 使用ENVI的高光谱工具处理多光谱数据(节选) 1.1.专题概述 本专题的目的是向用户展示如何使用ENVI先进的高光谱工具对多光谱数据进行分析。要更好地理解高光谱处理的概念及其工具，请参见ENVI高光谱辅导指南。要获取额外的详细信息，请参见《ENVI遥感影像处理实用手册》（ENVI User’s Guide）或者ENVI的在线帮助。 ?本专题中使用的文件 光盘：《ENVI遥感影像处理专题与实践》附带光盘 #1 ?背景知识 ENVI并非仅设计成高光谱影像处理系统。在1992年，ENVI的开发者就决定开发出一个通用的影像处理软件，它包含一整套的基本处理工具，弥补了商业软件缺乏强大灵活处理功能的不足，使得它能够处理各种科学格式的影像数据。它对全色、多光谱、高光谱以及基本和改进雷达影像数据都提供了支持。当前，ENVI包含了与其它主要影像处理系统（例如：ERDAS，ERMapper和PCI）相同的基本处理功能。其中，ENVI在前沿遥感研究中采用了许多不同的先进算法。虽然这些算法都是在处理成像光谱仪数据或者多达上百个波谱波段的高光谱数据基础之上发展而来，但是它们也可以应用到多光谱数据和其它标准数据类型的处理上。本专题将对某些分析Landsat Thematic Mapper（TM）数据的方法进行介绍。 本专题分为两个独立的部分：1）使用标准或者经典多光谱分析技术，对TM影像数据进行典型的多光谱分析，2）使用ENVI高光谱工具对相同的数据集进行分析。 1.2.使用ENVI的高光谱工具分析多光谱数据 ?读取TM影像数据 z要从磁带中读取数据，可以在ENVI主菜单中选择File → Tape Utilities → Read Known Tape Formats → Landsat TM（或者对于新的EDC-格式的磁带选择NLAPS）。 z要从光盘中读取数据，可以选择File →Open External File → Landsat → Fast，或者选择File → Open External File → Landsat → NLAPS（对于NLAPS数据）。 z考虑到本专题的目的，这些数据已经从磁带中读出并存入到数据子集中，以提供相应的文件进行分析。使用Basic Tools → Preprocessing →Data Specific Utilities → Landsat TM → Landsat TM Calibration，启动ENVI的TM校正工具，该TM影像已经被纠正为反射率影像。（若需更多的信息，请参见《ENVI遥感影像处理实用手册》）。 ?显示一幅彩色合成影像并提取波谱曲线
165 1. 打开数据文件：datafile1=fopen('Terrain.hsi')。 2. 读入文件头的信息：cur=fread(datafile1,4,'int32')。执行结果为（cur 的四个值：图像宽 度，图像长度，波段数，像素所占字节数）：307，500，210，2。 3. cur=fread(datafile1,inf,'int16')。可通过”size(cur)”获得cur 的大小，这里为32235000 （=307*500*210）。 4. 将一维数组变换成210x （307*500）大小的矩阵：array=reshape(cur,210,307*500)。Array 矩阵的每一列代表一个像素点在不同波段的值的大小，每一行为一个波段对应的全部数据。 5. 对每个波段求其标准差。先将包含图像数据的矩阵转换成500*307)x210的矩阵， 使每一列的数据为一波段的全部数据。1.变换矩阵 stdv=reshape(array',500*307,210);2.求方差stdv=std （stdv ）；3.画出标准差形成的曲线（图1）： 050100150200250 050 100 150 200 250 300 350 400 图1 由图像可大致分析出1-22、102-109、137-151、194-210可能为无用数据。 6. 到这里就可以用array 中的数据画出任意波段的图像。例如，选取有用数据20个波 段的图像：a.提取该波段的全部数据并将它转成307x500的矩阵： pic=reshape(array(175,1:500*307),307,500);b.将矩阵内的数据显示出来：imshow （pic,[]）（图2）：
高光谱数据分析ENVI操作手册
1.常见参数选择 主菜单→File→Preferences ●用户自定义文件（User Defined Files） 图形颜色文件，颜色表文件，ENVI的菜单文件，地图投影文件等。需重启ENVI ●默认文件目录(Default Directories) 默认数据目录，临时文件目录，默认输出文件目录，ENVI补丁文件、光谱库文件、备用头文件目录等，需重启ENVI。 ●显示设置(Display Default) 可以设置三窗口中各个分窗口的显示大小，窗口显示式样等。其中可以设置数据显示拉伸方式（Display Default Stretch），默认为2%线性拉伸。 ●其他设置(Miscollaneous) 制图单位（Page Unit），默认为英寸（Inches），可设置为厘米（Centimeters） 还有缓冲大小（cache size），可以设置为物理内存的50-75%左右。 Image Tile Size不能超过4M。
2.显示图像及其波谱 2.1.打开文件 ●主菜单，Open Image File→文件名.raw。 ●或Window→Available Bands List→File →Open Image File→文件名.raw。 2.2.显示图像 ●显示单波段灰度级图像：Gray color,选择的波段一般是图像显示最清晰的波 段。 ●显示伪彩色图像：RGB color，选择具有明显吸收谷、强烈反射作用和所含信息量较大的波段作为彩色合成RGB波段。 ●显示真彩色图像：波段列表（Available Bands List）中，右键→Load TrueColor 。 ●图像保存：Display窗口，File→Save Image As→Image File，选择输出格式、路径和名称，OK。 ●动画显示：Display窗口，Tools→Animation，动态显示各波段图像，能很快的分辨出包含信息量较多的波段。
一、数据预处理 （1）中心化变换 （2）归一化处理 （3）正规化处理 （4）标准正态变量校正（标准化处理）（Standard Normal Variate,SNV）（5）数字平滑与滤波（Smooth） （6）导数处理（Derivative） （7）多元散射校正（Multiplicative Scatter Correction,MSC） （8）正交信号校正（OSC） 二、特征的提取与压缩 （1）主成分分析（PCA） （2）马氏距离 三、模式识别（定性分类） （1）基于fisher意义下的线性判别分析（LDA） （2）K-最邻近法（KNN） （3）模型分类方法（SIMCA） （4）支持向量机（SVM） （5）自适应boosting方法（Adaboost） 四、回归分析（定量分析） （1）主成分回归（PCR） （2）偏最小二乘法回归（PLS） （3）支持向量机回归（SVR）
一、数据预处理 （1） 中心化变换 中心化变换的目的是在于改变数据相对于坐标轴的位置。一般都是希望数据集的均值与坐标轴的原点重合。若x ik 表示第i 个样本的第k 个测量数据，很明显这个数据处在数据矩阵中的第i 行第k 列。中心化变换就是从数据矩阵中的每一个元素中减去该元素所在元素所在列的均值的运算： u ik k x x x =- ，其中k x 是n 个样本的均值。 (2) 归一化处理 归一化处理的目的是是数据集中各数据向量具有相同的长度，一般为单位长度。其公式为： 'ik x = 归一化处理能有效去除由于测量值大小不同所导致的数据集的方差，但是也可能会丢失重要的方差。 （3）正规化处理 正规化处理是数据点布满数据空间，常用的正规化处理为区间正规化处理。其处理方法是以原始数据集中的各元素减去所在列的最小值，再除以该列的极差。 min() 'max()min() ik ik k k x xk x x x -= - 该方法可以将量纲不同，范围不同的各种变量表达为值均在0~1范围内的数据。但这种方法对界外值很敏感，若存在界外值，则处理后的所有数据近乎相等。 （4） 标准化处理（SNV ）也称标准正态变量校正 该处理能去除由单位不同所引起的不引人注意的权重，但这种方法对界外点不像区间正规化那样的敏感。标准化处理也称方差归一化。它是将原始数据集各个元素减去该元素所在列的元素的均值再除以该列元素的标准差。 ';ik k ik k k x x x S S -==
Geomatics Science and Technology 测绘科学技术, 2016, 4(4), 117-127 Published Online October 2016 in Hans. https://www.doczj.com/doc/7a1484930.html,/journal/gst https://www.doczj.com/doc/7a1484930.html,/10.12677/gst.2016.44014 文章引用: 李波. 基于多波段像元形状指数的点云和高光谱数据分类研究[J]. 测绘科学技术, 2016, 4(4): 117-127. A Multiple Bands Pixel Shape Index for Classification of LiDAR and Hyperspectral Data Bo Li State Key Laboratory of Remote Sensing and Information Engineering, Wuhan University, Wuhan Hubei Received: Oct. 14th , 2016; accepted: Oct. 23rd , 2016; published: Oct. 26th , 2016 Copyright ? 2016 by author and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). https://www.doczj.com/doc/7a1484930.html,/licenses/by/4.0/ Abstract In this paper, we proposed a spatial feature extraction method by fusing the hyperspectral image and LiDAR point cloud data. Conventional data fusion methods in classification are often the sim-ple combination of spectral and spatial information of the images and the height information of the LiDAR data. However, these methods cannot make full use of the complementary information of multi-source data. We proposed to extract the spatial features by fusing multi-source data. In order to obtain the shape index of high-dimensional fused data, we improved the pixel shape in-dex by applying the spectral angle distance measurement. The proposed method firstly fused the hyperspectral image and LiDAR data to enhance the heterogeneity between different classes. Then, the shape features are extracted with the SAD-based pixel shape index. Finally, the spectral, spa-tial and height information are prepared to the SVM classifier. The experiment shows that the proposed method achieves better results and accuracy, compared to the conventional means. Keywords Hyperspectral Image, LiDAR Data, Pixel Shape Index, Data Fusion, Classification 基于多波段像元形状指数的点云和 高光谱数据分类研究 李 波 Open Access
高光谱图像分类
《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 2111603035 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月
一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。高光谱遥感技术虽然是遥感领域的新技术，但是高光谱图像的分类一直制约着高光谱遥感的应用[3,4]，因此对其进行研究显得尤为重要。 高光谱遥感图像较高的光谱分辨率给传统的图像分类识别算法提出严峻的挑战。波段维数的增加不仅加重了数据的存储与传输的负担，同时也加剧了数据处理过程的复杂性，并且由于波段与波段间存在着大量的冗余信息，从而使得传统图像分类算法并不适用于高光谱遥感图像的分类。传统
第36卷第3期2011年3月武汉大学学报 信息科学版 Geo matics and Info rmat ion Science of W uhan U niver sity V ol.36N o.3M ar ch 2011 收稿日期:2011 01 27。 项目来源:国家自然科学基金资助项目(40901234);中国科学院知识创新工程青年人才领域前沿项目专项资助项目 (O8S01100CX)。 文章编号:1671 8860(2011)03 0306 05文献标志码:A 利用SVM CRF 进行高光谱遥感数据分类 李祖传 1,2 马建文1 张 睿 2,3 李利伟 1 (1 中国科学院对地观测与数字地球科学中心,北京市中关村北一条9号,100190) (2 中国科学院研究生院,北京市玉泉路甲19号,100049)(3 中国科学院遥感应用研究所,北京市大屯路甲20号,100101) 摘 要:提出了一种改进的随机场模型SV M CRF ,它以支持向量机作为条件随机场的一阶势能项,结合了支持向量机和条件随机场的优点。采用A V IRIS 高光谱遥感数据进行实验,对SV M CRF 模型进行了分析,结果表明,在分类精度上SV M CRF 优于支持向量机和传统条件随机场模型。关键词:支持向量机;条件随机场;高光谱数据中图法分类号:P237.4;T P753 高光谱遥感数据包含丰富的光谱信息,能够对目标进行精细分类。传统的基于像元的高光谱遥感数据分类方法,如支持向量机(support v ec tor machine,SVM )[1],假定数据是独立同分布的[2,3]。但是,遥感数据,特别是高光谱遥感数据,在类别和观测数据上存在很强的相关性,即所谓的上下文信息,不满足独立同分布的假设[4,5] 。同时,如果能有效利用这些上下文信息,可以有效地提高分类精度。 马尔柯夫随机场(Markov random fields,MRF)是传统的描述上下文信息的概率模型,它认为类别的分布满足Gibbs 分布 [6] 。但是,基于 计算可行性考虑,M RF 假定观测数据是条件独立的。对于遥感数据而言,相邻像素之间的观测数据并不独立,存在很强的相关性,特别是高光谱遥感数据。因此,对于遥感数据而言,MRF 条件独立的假设太强。为了解决这个问题,一种新的概率模型 条件随机场(conditio nal random fields,CRF)得到了越来越多的关注[7 10] 。CRF 是一种判别式概率模型,直接把后验概率建模为Gibbs 分布,放宽了M RF 的条件。但是,传统CRF 模型定义的简单一阶势能项(特征的简单线性组合),不适合高光谱遥感数据分类。首先,由于高光谱数据维度很高而且样本有限,因此,传统 CRF 模型对!维度灾难?问题敏感。此外,高光谱遥感数据特征空间极其复杂,一般线性不可分,通过简单的一阶势能项不能得到理想分类结果[11]。针对这些问题,本文提出了一种改进的适用于高光谱遥感数据分类的随机场模型 支持向量机条件随机场(support v ector m achine co nditional random field,SVM CRF)。 1 S VM C RF SVM 是一种基于结构风险最小的小样本统计学习方法,非常适合于高光谱遥感数据分类。因此,SVM CRF 采用SVM 作为一阶势能项,采用CRF 的方法描述上下文信息。因此,SVM CRF 结合了SVM 和CRF 的优点。根据CRF 的定义,SVM CRF 的定义为: P (y |x )=1Z exp { #i ?S SP i (y i ,x i )+ #i ?S #j ? i I ij (y i ,y j ,x ,v)} (1) 式中,SP i (y i ,x i )表示点i 只考虑当前观测值的后验概率。 SVM 是一种判别式分类器,最终的输出结果不带后验概率。但是,可以通过组合所有的二类