高光谱压缩

Joint Laboratory of Shantou and Xiamen University, 2008

第六章，高光谱压缩

三维高光谱图像含有丰富的空间和谱信息。随着科技的进展，成像光谱仪的光谱谱段数不断增加，对地物信息分辨率不断提高，在遥感应用中发挥越来越重要的作用。本节在分析高光谱图像特点的基础上，侧重研究KL 变换和小波变换在高光谱图像压缩中的应用，实现了多种基于KL 变换和小波变换的三维高光谱压缩编码方法。

Joint Laboratory of Shantou and Xiamen University, 2008

如改进式KL 变换/整数小波变换/SPIHT

（KLT/IWT/SPIHT ）压缩算法、等间隔分谱段的改进式KL 变换/整数小波变换/SPIHT （32-

PKLT/IWT/SPIHT ）压缩算法、自适应分谱段的改进式KL 变换/整数小波变换/SPIHT （Auto-adapt PKLT/IWT/SPIHT ）压缩算法和三维整数小波变换/三维SPIHT （3D IWT/3D SPIHT ）压缩算法等。

Joint Laboratory of Shantou and Xiamen University, 2008

首先，介绍高光谱数据压缩中的变换和编码方法。主要介绍了KL 变换、第二代小波变换和基于小波的编码方法，并提出改进式KL 变换/整数小波变换/SPIHT 压缩算法。该算法先用改进式KL 变换进行高光谱图像的谱冗余的去除，然后选择9/7整数小波进行高光谱图像空间冗余的去除.

Joint Laboratory of Shantou and Xiamen University, 2008

其次，通过对高光谱图像的特性分析，发现高光谱遥感图像具有较弱的空间相关性和较强的谱间相关性，并提出在高光谱图像压缩中，应主要消除谱间冗余。

最后，结合高光谱图像特性的结论，提出KLT 等间隔分谱段和自适应分谱段。设计了

KLT/IWT/SPIHT 压缩算法、32-PKLT/IWT/SPIHT 压缩算法、Auto-adapt PKLT/IWT/SPIHT 压缩算法和3D IWT/3D SPIHT 压缩算法。

Joint Laboratory of Shantou and Xiamen University, 2008

以上四种算法在不同比特率情况下，对16bit 无符号的高光谱图像（128*128*224）进行压缩性能和算法运行时间的对比。实验结果表明在比特率大于0.8bpp 的情况下，Auto-adapt

PKLT/IWT/SPIHT 压缩算法明显优于其它算法，而3D IWT/3D SPIHT 压缩算法的压缩速度优于其它算法。

Joint Laboratory of Shantou and Xiamen University, 2008

6.1三维光谱压缩的必要性

随着遥感技术的不断发展和完善, 获得大量遥感数据的遥感器不断涌现, 并且向高分辨多光谱的先进功能发展. 由此产生一个明显问题是如何从空间平台上传输这样大量的数据到地面. 例如将来设计的先进系统, 能产生4.28Gbps 的数据. 如何利用有限卫星下链路传输这样大量数据, 是遥感压缩系统设计专家必须考虑的问题

Joint Laboratory of Shantou and Xiamen University, 2008

未来遥感卫星系统将很有可能受限于卫星链路的带宽, 所以必须对遥感图像进行数据压缩. 多光谱遥感图像一般有三种冗余性: ⑴谱段与谱段间的谱相关, 即每个谱段同一空间位置像素很相似. ⑵空间相关性, 即每一幅图像的某一像素与其相邻像素是相关的. ⑶统计相关性.

Joint Laboratory of Shantou and Xiamen University, 2008

针对这两种相关性, 遥感图像数据压缩专家们设计了多种压缩系统来消除这两种相关性. 传统的方法是采用一维线性变换消除谱相关性, 再利用二维变换消除空间相关特性. 或者用三维变换同时消除这两种相关性, 如三维矢量量化, 三维差分脉冲调制编(3D DPCM)和三维小波变换.

Joint Laboratory of Shantou and Xiamen University, 2008

由于三维变换, 量化, 编码的算法比较复杂, 需要花大量计算时间, 同时也大大增加额外码流开销, 使得性能明显下降. 所有这些限制影响压缩比的提高, 也不利于实现实时压缩. 本文结合近年来国外先进多光谱数据压缩技术，采用KLT 作为一维线性变换来消除谱相关性，再用二维小波变换

（Wavelet Transformation ）来消除空间相关性。

Joint Laboratory of Shantou and Xiamen University, 2008

该方法与国外采用KLT 进行多光谱图像数据压缩系统的KLT 相比有以下优点：将每一分块进行一次协方差矩阵计算，这样就可以获得最佳的压缩逼近，避免每一幅图像的所有块均采用固定协方差矩阵计算而引入较大的误差。另外传输的参数不同，即不传输协方差矩阵及其对应的本征值或本征矢量，而改传各分块对应协方差矩阵的前几个较大的本征值所对应的本征矢量。

Joint Laboratory of Shantou and Xiamen University, 2008

这就大大降低了传输的额外开销，提高传输效率，使协方差矩阵完全自适应于所分块的数据，充分利用了数据的统计特征，可以达到准无损压缩，这是本文新方法的特点。实验结果表明，KLT 对多光谱图像进行消除谱相关性是最优的方法，谱段数越多，压缩比就越高，几乎没有方块效应，并且不影响后后续用WT 消除空间冗余性。

Joint Laboratory of Shantou and Xiamen University, 2008

6.2 KLT 基本理论

将连续信号变换为一组不相关表征系数的方法最早是由Karhunen 和Loeve 提出的。后来很多文献所涉及离散和连续的变换都称作KLT 或本征向量变换。KLT 定义为：

(6-1)

式中核a(j,k; u,v)满足下式：

F u v f j k a j k u v k N j N （,)(,)(,;,)

==?=?∑∑0101

Joint Laboratory of Shantou and Xiamen University, 2008

式中是图像阵列的协方差矩阵。当(u, v)一定时，为一固定值。

研究图像变换样值的有效量化和编码方法，需要了解变换域的统计特性，即了解图像变换样值的一阶矩和二阶矩。k j k j k f (,;,)

''λ（u v ,)11

n n n n

00,)(,;,)(,;,)(,;,)N N f j k u v a j k u v k j k j k a j k u v λ??===∑∑（(6-2)

Joint Laboratory of Shantou and Xiamen University, 2008

KLT 是所有正交变换中具有最优能量压缩。对任何正交变换系数的方差按大小排列成

，并且协方差矩阵函数的本征值同样按大小排列成λ(1)>λ(2)>λ(3)>......>λ( )，则可证明当w<

时，满足。

σσσσ22222

123()()()......()

>>>>N N 2λσ()()n n n w n w ==∑∑≥020

Joint Laboratory of Shantou and Xiamen University, 2008

6.2.1 KLT 的统计特征分析

多光谱遥感图像各谱段间对应像素点是二阶矩过程。由二阶矩过程定义知道，像素点随机过程的均值和方差都存在，因此多光谱遥感图像各谱段间对应像素点具有一阶矩和二阶矩的统计特征。令该随机过程为是图像上某一点图像信号数据值，其均值和方差都存在。

Joint Laboratory of Shantou and Xiamen University, 2008

假设的均值为一确定值。如果用(m,n)空间坐标表示该随机过程，那么可以写成ξ( x,y)。令那么我们可得到另一随机过程，而且

E{ }=0, 的均方差也存在，故是一个零均值二阶矩过程。

ξλk i ()E k i i k {()}()ξλμλξ=ξλk i ()

λｉψλξλμλξ(,,)(()

i i i x y k =, x,y)-ψλ(,,)i x y ψλ(,,)i x y ψλ(,,)i x y ψλ(,,)i x y

Joint Laboratory of Shantou and Xiamen University, 2008

因为是一个零均值二阶矩过程，所以的协方差函数和自相关函数是相同的。若ξ是n 维正态分布N(μ,B)，则存在一个正交变换U ，使得?=U ξ是一个具有独立正态分布的随机矢量，它的数学期望为U η，而它的方差分量是矩阵B 的特征值[5]。

ψλ(,,)i x y ψλ(,,)i x y

Joint Laboratory of Shantou and Xiamen University, 2008

由线性代数知道，对B 进行对角化，

其中为U 的转置，D=diag( 。这

里是B 的特征值。若矩阵B 的秩为

r ，则有r 个特征值不为零。U 可以认为是所对应的特征矢量而组成

的矩阵。UBU D T =U T d d d d n 123,,......)d d d d n 123,,......d d d d n

123,,......

Joint Laboratory of Shantou and Xiamen University, 2008

若r

条件1：假设一幅图像的尺寸为M ×N ，而图像信号本身f(m,n)是一个M ×N 维平稳随机信号，而且具有二阶矩特征。

Joint Laboratory of Shantou and Xiamen University, 2008

条件2: 假设多光谱图像Q 谱段组成集合为.

将每一幅图像组成可表示成一个行（或列）顺序的列向量，其中j=mN+n+1，0≤n ≤N-1。

由条件1可得Q 个谱段图像样本集，可估计出随机过程的协方差矩阵如下：

(6-3)

{(,),(,),(,),......,(,)}f m n f m n f m n f m n i Q 23f m n i (,)f j i ()[]()()C E f f f i f i f =??{}μμ

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 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。

利用高光谱图像技术检测水果轻微损伤

高光谱图像技术检测苹果轻微损伤 摘要 传统的近红外光谱分析法和可见光图像技术应用于水果品质无损检测 中存在的检测区域小、检测时间长、仅能检测表面情况等局限性。提出了 利用高光谱图像技术检测水果轻微损伤的方法。试验以苹果为研究对象, 利 用 500~ 900nm范围内的高光谱图像数据, 通过主成分分析提取 547nm 波长 下的特征图像, 然后设计不均匀二次差分消除了苹果图像亮度分布不均匀 的影响, 最后通过合适的数字图像处理方法提取苹果的轻微损伤。 关键词: 无损检测苹果高光谱图像检测轻微损伤 引言 水果在采摘或运输过程中, 因外力的作用使其表皮受到机械损伤, 损伤处 表皮未破损, 伤面有轻微，色稍变暗, 肉眼难于觉察。受水果色泽的影响, 传统的计算机视觉技术不能对轻微损伤加以检测。但是轻微损伤是水果在线检测的主要指标之一, 随着时间的延长, 轻微损伤部位逐渐褐变, 最终导致整个果实腐 烂并影响其他果实。因此, 水果轻微损伤的快速有效检测是目前研究的难点和热点之一。虽然轻微损伤和正常区域在外部特征上呈现出极大的相似性, 但是损伤区域的内部组织发生一定的变化, 这种变化可以通过特定波长下的光谱表现出来。 当前, 一种能集成光谱检测和图像检测优点的新技术。高光谱图像技术正好能满足水果表面轻微损伤检测的需要。高光谱图像技术是光谱分析和图像处理在最低层面上的融合技术, 可以对研究对象的内外部特征进行可视化分析。在国内, 高光谱图像技术在农畜产品品质检测的应用还没有相关的文献报道; 在国外, 近几年来有部分学者将该技术应用于肉类和果蔬类的品质检测上。 本文采用高光谱图像技术对水果表面轻微损伤检测进行研究, 并通过合适 的数据处理方法寻找到最能准确辨别水果表面损伤的特征波长下的图像, 为实 现高光谱图像技术对水果轻微损伤的在线检测提供依据。 1 高光谱图像基本原理 高光谱图像是在特定波长范围内由一系列波长处的光学图像组成的三维图 像块。图 1 为苹果的高光谱图像三维数据块示意图。图中, x 和y 表示二维平面坐标轴, K表示波长信息坐标轴。可以看出,高光谱图像既具有某个特定波长 下的图像信息,并且针对 xy 平面内某个特定像素又具有不同波长下的光谱n

高光谱图像简介

高光谱遥感是指利用很多很窄的电磁波波段从感兴趣的物体中获取有关数据，高光谱遥感技术作为20世纪80年代兴起的对地观测技术，始于成像光谱仪的研究计划。 目前，我国研制的224波段的推扫高光谱成像仪（PHI）与128波段的实用型模块化机载成像光谱仪（OMIS）已经进行了多次成功的航空遥感实验。另外，中国科学院上海技术物理研究所研制的中分辨率成像光谱仪于2002年随“神州”三号飞船发射升空，这是继美国1999年发射的EOS平台之后第二次将中分辨率成像光谱仪发送上太空，从而使中国成为世界上第二个拥有航天成像光谱仪的国家。 高光谱遥感图像和常见的二维图像不同之处在于，它在二维图像信息的基础上添加光谱维，进而形成三维的坐标空间。如果把成像光谱图像的每个波段数据都看成是一个层面，将成像光谱数据整体表达到该坐标空间，就会形成一个拥有多个层面、按波段顺序叠合构成的三维数据立方体。 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——有些传感器可以再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，数据量呈指数增加 （5）相邻谱带间相关——由于相邻谱带间高度相关，冗余信息也相对增加，这一特点也为其降维处理（包括波段选择、特征提取等）和谱间压缩提供可能 （6）随着维数的增加，超立方体的体积集中于角端，超球体和椭球体的体积集中在外壳，该特点进一步为高光谱图像的降维和压缩处理提供了理论依据。 根据高光谱图像的特点及其相关技术处理的需要，高光谱数据与其所携带的信息一般采用如下的三种空间表达方式：图像空间、光谱空间和特征空间。 1、图像空间（有空间几何位置关系） 2、光谱空间，光谱信息 3、特征空间（在光谱空间进行取样，将得到的n个数据用一个n维向量来表示，它是表示光谱响应的另一种方式。N维向量包含了对应像素的全部光谱信息。在三种表示方法中，特征空间表示法适合于模式识别中的应用。） 高光谱遥感技术将确定物质或地物性质的光谱与揭示其空间和几何关系的图像结合在一起。 支持向量机是1992~1995年由Vapnik等人在统计学习理论的基础上提出来的一种新的模式识别方法。SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。目前SVM已经被广泛应用于解决高维数据的监督分类中。支持向量机的核心思想是以构造风险最小化思想为归纳原则，通过非线性映射把样本投影到高维特征空间，在高维空间中构造VC维尽可能低的最优分类面，使分类风险上界最小化，从而使分类器对未知样本具有最优的推广能力。 我国尚未解决的SVM问题：目前支持向量机应用中，判别阈值都是以理论值0作为阈值，这在线性支持向量机情况下不会产生偏差，但是在非线性情况下，由于核函数的引进，SVM 的分类判别阈值会发生偏移而不再保持为0.这样仍然采用0作为阈值，势必会影响分类效

一种基于Contourlet变换的高光谱图像压缩算法

第３９卷　第１１Ａ期２０１２年１１月计算机科学 Ｃｏｍｐ ｕｔｅｒ　ＳｃｉｅｎｃｅＶｏｌ．３９Ｎｏ．１１Ａ Ｎｏｖ　 ２０１２本文受中央高校基本科研业务费专项资金（ＣＨＤ２０１１ＪＣ１７０ ），长安大学基础研究支持计划专项基金，长安大学创新团队项目资助。白　璘（１９８１－），男，博士，讲师，主要研究方向为信号处理、高光谱图像处理、数据压缩，Ｅ－ｍａｉｌ：ｂａｉ１９８１＠ｓｉｎａ．ｃｏｍ．ｃｎ；刘盼芝（１９８０－），女，博士，讲师，主要研究方向为信号处理、数据融合；李　光（１９８２－） 男，博士，讲师，主要研究方向为计算机科学、数据挖掘。一种基于Ｃｏｎｔｏｕｒｌｅｔ变换的高光谱图像压缩算法 白　璘　刘盼芝　李　光 （长安大学电子与控制工程学院　西安７１００６４ ）　 摘　要　提出了一种基于Ｃｏｎｔｏｕｒｌｅｔ变换的高光谱图像压缩算法，其将多尺度几何分析用于高光谱图像的空间去相关，在进行有损压缩时有效地保存了高光谱图像丰富的纹理信息。该算法首先对高光谱图像的每一个波段图像进行基于小波的Ｃｏｎｔｏｕｒｌｅｔ变换，然后用前一波段的变换系数预测当前波段，最后对预测误差进行ＳＰＩＨＴ编码，形成嵌入式码流。实验结果表明，提出的基于Ｃｏｎｔｏｕｒｌｅｔ变换的高光谱图像压缩算法其压缩效果优于对比算法，且能较好地保留高光谱图像的纹理信息。 关键词　高光谱图像压缩，多尺度几何分析，Ｃｏｎｔｏｕｒｌｅｔ，ＳＰＩＨＴ编码中图法分类号　ＴＮ９１１，ＴＰ７９ 文献标识码　Ａ　 Ｈｙｐｅｒｓｐｅｃｔｒａｌ　Ｉｍａｇｅｓ　Ｃｏｍｐｒｅｓｓｉｏｎ　Ａｌｇ ｏｒｉｔｈｍ　Ｂａｓｅｄ　ｏｎ　Ｃｏｎｔｏｕｒｌｅｔ　ＴｒａｎｓｆｏｒｍＢＡＩ　Ｌｉｎ　ＬＩＵ　Ｐａｎ－ｚｈｉ　ＬＩ　Ｇｕａｎｇ （Ｓｃｈｏｏｌ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃｓ　ａｎｄ　Ｃｏｎｔｒｏｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈａｎｇ’ａｎ　Ｕｎｉｖｅｒｓｉｔｙ ，Ｘｉ’ａｎ　７１００６４，Ｃｈｉｎａ）　 Ａｂｓｔｒａｃｔ　Ｔｈｅ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｉｍａｇｅｓ　ｃｏｍｐｒｅｓｓｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｃｏｎｔｏｕｒｌｅｔ　ｔｒａｎｓｆｏｒｍ　ｉｓ　ｐｒｏｐｏｓｅｄ，ｗｈｉｃｈ　ｕｓｉｎｇｍｕｌｔｉｓｃａｌｅ　ｇｅｏｍｅｔｒｉｃ　ａｎａｌｙｓｉｓ　ｆｏｒ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｉｍａｇｅ　ｓｐａｃｅ　ｄｅ－ｃｏｒｒｅｌａｔｉｏｎ．Ｆｉｒｓｔｌｙ，ｗａｖｅｌｅｔ　ｂａｓｅｄ　ｃｏｎｔｏｕｒｌｅｔ　ｔｒａｎｓｆｏｒｍｏｎ　ｅａｃｈ　ｂａｎｄ　ｏｆ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｉｍａｇｅｓ，ｔｈｅｎ　ｐｒｅｄｉｃｔ　ｃｕｒｒｅｎｔ　ｂａｎｄ　ｂｙ　ｔｒａｎｓｆｏｒｍ　ｃｏｅｆｆｉｃｉｅｎｔｓ　ｏｆ　ｔｈｅ　ｐｒｅｖｉｏｕｓ　ｂａｎｄ．Ｆｉｎａｌｌｙ，ＳＰＩＨＴ　ｃｏｄｅｒ　ｕｓｅｄ　ｏｎ　ｐｒｅｄｉｃｔｉｏｎ　ｅｒｒｏｒ　ａｎｄ　ｅｍｂｅｄｄｅｄ　ｄａｔａ　ｓｔｒｅａｍ　ｇｅｎｅｒａｔｅｄ．Ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｐｒｏ－ｐ ｏｓｅｄ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｃｏｎｔｏｕｒｌｅｔ　ｔｒａｎｓｆｏｒｍ　ａｃｈｉｅｖｅ　ｗｅｌｌ　ｃｏｍｐｒｅｓｓｉｏｎ　ｅｆｆｉｃｉｅｎｔ　ａｎｄ　ｒｅｔａｉｎ　ｈｉｇｈ　ｓｐｅｃｔｒａｌ　ｉｍａｇｅ　ｔｅｘｔｕｒｅｉｎｆｏｒｍａｔｉｏｎ　ｂｅｔｔｅｒ　ｔｈａｎ　ｃｏｍｐａｒｉｓｏｎ　ａｌｇ ｏｒｉｔｈｍ．Ｋｅｙｗｏｒｄｓ　Ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｉｍａｇｅ　ｃｏｍｐｒｅｓｓｉｏｎ，Ｍｕｌｔｉｓｃａｌｅ　ｇｅｏｍｅｔｒｉｃ　ａｎａｌｙｓｉｓ，Ｃｏｎｔｏｕｒｌｅｔ，ＳＰＩＨＴ　ｃｏｄｅｒ　 １　引言 成像光谱技术是２０世纪８０年代初发展起来的一种新型遥感技术。由于高光谱图像比一般的全色图像或多光谱图像具有更为丰富的光谱信息， 使得这一技术被广泛应用于农业生产、环境检测、军事侦察等领域。通过成像光谱仪获得的高光谱图像是一种三维立体图像，其在普通二维图像的基础上又增加了一维光谱信息，波段数达到几十甚至几百个。由于其数据量庞大，卫星数据链路的信道容量有限，因此有必要研究高光谱成像海量数据的压缩问题。 目前，国内外研究高光谱图像压缩编码的主要方法有矢 量量化、分形理论、神经网络和小波（Ｗａｖｅｌｅｔ ）变换等［１－４］。其中，基于小波变换的图像编码算法由于其良好的时频局域分析能力和多分辨、多尺度特性，在自然图像和多（高）光谱图像压缩领域中得到了广泛的应用。基于小波变换的图像编码算法已成为当今图像压缩领域的一个重要研究方向，包括ＥＺＷ、ＳＰＩＨＴ、ＥＢＣＯＴ在内的许多著名图像编码算法都是以小波变换为基础的。 小波变换对含点状奇异的目标函数是最优的基，在分析这类目标时小波系数是稀疏的，便于数据的压缩，但对具有线 状奇异函数的高维信号，小波系数则不再稀疏。此外，可分离的二维小波也仅仅能够捕获有限的方向信息（ 二维小波变换只有水平和垂直滤波操作， 对于遥感图像而言，除了这两个方向以外的信息还有很多） 。可分离二维小波的上述不足将导致低比特率图像压缩时，在图像边缘附近产生严重的“振铃”现象（在纹理较丰富的图像中这一现象尤为明显） 。为了克服小波变换的不足，更加有效地表示和处理图像等高维空间数据，一种可构建最优逼近意义下的高维函数表示方法的信号分析工具———多尺度几何分析（Ｍｕｌｔｉｓｃａｌｅ　Ｇｅ－ｏｍｅｔｒｉｃ　Ａｎａｌｙｓｉｓ，ＭＧＡ）应运而生。Ｍｉｎｈ　Ｎ．Ｄｏ与Ｖｅｔｔｅｒｌｉ提出的Ｃｏｎｔｏｕｒｌｅｔ变换是一种真正意义上的图像二维表示方法， 具有良好的多分辨率、局部化和方向性等优良特性。它是利用Ｌａｐｌａｃｉａｎ塔形（Ｌａｐｌａｃｉａｎ　ｐｙｒａｍｉｄＬＰ）分解和方向滤波器组（Ｄｉｒｅｃｔｉｏｎａｌ　Ｆｉｌｔｅｒ　Ｂａｎｋ，ＤＦＢ）实现的一种多分辨的、局域的、方向的图像表示方法，也称为塔型方向滤波器组（Ｐｙｒａ－ｍｉｄ　Ｄｉｒｅｃｔｉｏｎａｌ　Ｆｉｌｔｅｒ　Ｂａｎｋｓ，ＰＤＦＢ）。它继承了Ｃｕｒｖｅｌｅｔ变换的各向异性的多尺度关系，在某种意义上可以认为是Ｃｕｒ－ ｖｅｌｅｔ变换的另一种快速有效的数字实现［５，６］ 。Ｅｓｌａｍｉ和 Ｒａｄｈａ－ｃｈｉｒ等人以Ｃｏｎｔｏｕｒｌｅｔ变换为基础，提出Ｃｏｎｔｏｕｒｌｅｔ域图像压缩编码方法（Ｗａｖｅｌｅｔ　Ｂａｓｅｄ　Ｃｏｎｔｏｕｒｌｅｔ　 Ｔｒａｎｓｆｏｒｍ，· ５９３·

高光谱成像检测技术

高光谱成像检测技术 一、高光谱成像技术的简介 高光谱成像技术是近二十年来发展起来的基于非常多窄波段的影像数据技术，其最突出的应用是遥感探测领域，并在越来越多的民用领域有着更大的应用前景。它集中了光学、光电子学、电子学、信息处理、计算机科学等领域的先进技术，是传统的二维成像技术和光谱技术有机的结合在一起的一门新兴技术。 高光谱成像技术的定义是在多光谱成像的基础上，在从紫外到近红外（200-2500nm）的光谱范围内，利用成像光谱仪，在光谱覆盖范围内的数十或数百条光谱波段对目标物体连续成像。在获得物体空间特征成像的同时，也获得了被测物体的光谱信息。 高光谱成像技术具有超多波段（上百个波段）、高的光谱分辨率（几个nm）、波段窄（≤10-2λ）、光谱范围广（200-2500nm）和图谱合一等特点。优势在于采集到的图像信息量丰富，识别度较高和数据描述模型多。由于物体的反射光谱具有“指纹”效应，不同物不同谱，同物一定同谱的原理来分辨不同的物质信息。 二、高光谱成像系统的组成和成像原理 高光谱成像技术的硬件组成主要包括光源、光谱相机（成像光谱仪+CCD）、装备有图像采集卡的计算机。光谱范围覆盖了200-400nm、400-1000nm、900-1700 nm、1000-2500 nm。 CCD 光源光栅光谱仪成像镜头

光谱相机的主要组成部分有：准直镜、光栅光谱仪、聚焦透镜、面阵CCD。 高光谱成像仪的扫描过程：面阵CCD探测器在光学焦面的垂直方向上做横向排列完成横向扫描（X方向），横向排列的平行光垂直入射到透射光栅上时，形成光栅光谱。这是一列像元经过高光谱成像仪在CCD上得到的数据。它的横向是X方向上的像素点，即扫描的一列像元；它的纵向是各像元所对应的光谱信息。 同时，在检测系统输送带前进的过程中，排列的探测器扫出一条带状轨迹从而完成纵向扫描（Y方向）。

高光谱遥感技术的介绍及应用

高光谱遥感技术的介绍及应用在20世纪，人类的一大进步是实现了太空对地观测，即可以从空中和太空对人类赖以生存的地球通过非接触传感器的遥感进行观测。最近几十年，随着空间技术、计算机技术、传感器技术等与遥感密切相关学科技术的飞速发展，遥感正在进入一个以高光谱遥感技术、微波遥感技术为主要标志的时代。本文简要介绍了高光谱遥感技术的特点、发展状况及其在一些领域的应用。 1 高光谱遥感简介 1.1高光谱遥感概念 所谓高光谱遥感，即高光谱分辨率遥感，指利用很多很窄的电磁波波段（通常<10nm）从感兴趣的物体获取有关数据；与之相对的则是传统的宽光谱遥感，通常>100nm，且波段并不连续。高光谱图像是由成像光谱仪获取的，成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，产生一条完整而连续的光谱曲线。它使本来在宽波段遥感中不可探测的物质，在高光谱中能被探测。 高光谱遥感技术是近些年来迅速发展起来的一种全新遥感技术，它是集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体的综合性技术。在成像过程中，它利用成像光谱仪以纳米级的光谱分辨率，以几十或几百个波段同时对地表地物像，能够获得地物的连续光谱信息，实现了地物空间信息、辐射信息、光谱信息的同步获取，因而在相关领域具有巨大的应用价值和广阔的发展前景。 1.2高光谱遥感数据的特点 同其他常用的遥感手段相比,成像光谱仪获得的数据具有以下特点: 1）、多波段、波段宽度窄、光谱分辨率高。波段宽度< 10 nm ，波段数较多光谱遥感(由几个离散的波段组成)大大增多，在可见光和近红外波段可达几十到几百个。如A VIRIS在0. 4～214 波段范围内提供了224 个波段。研究表明许多地物的吸收特征在吸收峰深度一半处的宽度为20～40 nm。这是传统的多光谱等

高光谱成像检测技术.

高光谱成像检测技术 、高光谱成像技术的简介 高光谱成像技术是近二十年来发展起来的基于非常多窄波段的影像数据技术, 其最突出的应用是遥感探测领域, 并在越来越多的民用领域有着更大的应用前景。 它集中了光学、光电子学、电子学、信息处理、计算机科学等领域的先进传统的二维成像技术和光谱技术有机的结合在一起的一门新兴技术。 技术,是高光谱成像 技术的定义是在多光谱成像的基础上,在从紫外到近红外（200-2500nm 的光谱范围内,利用成像光谱仪,在光谱覆盖范围内的数十或数百条光谱波段对目标物体连续成 像。在获得物体空间特征成像的同时, 也获得了被测物体的光谱信息。 高光谱成像技术具有超多波段（上百个波段、高的光谱分辨率（几个nm 、波 段窄（＜1-2入光谱范围广（200-2500nm和图谱合一等特点。优势在于采集到的图像信息量丰富, 识别度较高和数据描述模型多。由于物体的反射光谱具有“指纹” 效应, 不同物不同谱, 同物一定同谱的原理来分辨不同的物质信息。、高光谱成像系统的组成和成像原理 高光谱成像技术的硬件组成主要包括光源、光谱相机（成像光谱仪+CCD 、装备有图像采集 卡的计算机。光谱范围覆盖了200-400nm 、400-1000nm 、900-1700 nm 、1000-2500 nm。

CC D 朮源「一光栅壯谱以 —a I \、 「维电移台 . 样品 A CCD。 光谱相机的主要组成部分有：准直镜、光栅光谱仪、聚焦透镜、面阵

高光谱成像仪的扫描过程：面阵CCD探测器在光学焦面的垂直方向上做横向排列完成横向扫描（X方向，横向排列的平行光垂直入射到透射光栅上时，形成光栅光谱。这是一列像元经过高光谱成像仪在CCD上得到的数据。它的横向是X方 向上的像素点，即扫描的一列像元；它的纵向是各像元所对应的光谱信息。 同时,在检测系统输送带前进的过程中，排列的探测器扫出一条带状轨迹从而完成纵向扫描（丫方向。 1\ 综合横纵扫描信息就可以得到样品的三维高光谱图像数据。

高光谱图像分类讲解学习

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

基于极大后验概率估计的高光谱图像融合算法研究

基于极大后验概率估计的高光谱图像融合算法研究 【摘要】本文研究了基于PCA和极大后验估计的高光谱图像融合算法。该算法首先挖掘影像内在的观测模型，建立极大后验估计的目标函数。针对高光谱影像数据量大的特点，通过简化观测模型获得参数估计。融合实验结果表明，基于极大后验估计的高光谱影像融合算法不仅理论严密，而且图像融合效果较其他的增强方法的效果好。 【关键词】高光谱图像融合；极大后验概率（MAP）；随机解混模型；主成分变换（PCA） 1.引言 随着航空航天遥感技术的发展，高光谱遥感技术已经广泛应用于矿物探测、环境调查及军事侦察等诸多领域。但是高光谱较低的空间分辨率给数据处理如目标检测与识别、混合像素解译、精准匹配等技术带来了巨大的困难，所以提高高光谱图像的空间分辨率有很大的研究价值和意义。针对高光谱图像融合，人们已经研究了多种融合方法，包括主成分替换方法、小波变换方法，最小二乘估计方法，统计方法等。这些融合方法主要是将高分辨率影像信息替换高光谱影像的某部分信息，而高光谱其他部分的信息并未得到增强[1][2]。 近期Estiman等人提出运用极大后验估计（MAP）方法，在高分辨率全色影像的支持下实现高光谱影像分辨率的增强。通过全色影像和原始高光谱影像间关系的挖掘，实现了高光谱影像空间整体信息的增强，避免了在传统方法下影像只得到部分信息增强的缺点。下面主要介绍MAP估计的观测模型，随后分析了MAP目标函数，并根据高光谱影像的数据特性，分别给出了基于MAP的显示MAP估计和隐式MAP估计，最后通过实验数据进行验证[3]。 2.观测模型建立 假设有某一地区的高光谱影像和全色影像，高光谱影像的空间分辨率较全色影像的空间分辨率是较低的。全色影像可以表示为一维向量，N为全色影像的像素总数。同样低分辨率的高光谱图像也可以表示为一维向量，其中yj是一个有K个元素矢量，表示在空间位置j的K个波段的信息，M是高光谱图像的空间像素总数。我们期望的分辨率增强的高光谱图像表示为： ，其中zi是一个有K个元素矢量，N是分辨率增强的高光谱图像的像素总数[4]。 于是根据文献[5]，x、y、z之间的关系为： 其中S为光谱响应矩阵，H为空间响应矩阵，H每一行对应低分辨率全色图像的点扩散函数。其中是一个空间独立均值为0标准差为的正态分布随机过程。

高光谱成像国内外研究与应用

前言 随着科学技术的发展，人们的感官得到了延伸，认识事物的能力也不断的提高，其中光谱成像和雷达成像成为其中的佼佼者，高谱和图像使人们能够在大千世界更好的认识到事物。高光谱成像技术作为一项优点显著，实用的成像技术，从20世纪80年代开始得到了世界各国的重视，经过深入的研究和发展如今已经被广泛地应用于各个领域。 高光谱遥感是当前遥感技术的前沿领域,它利用很多很窄的电磁波波段从感兴趣的物体获得有关数据，它包含了丰富的空间、辐射和光谱三重信息。高光谱遥感的出现是遥感界的一场革命,它使本来在宽波段遥感中不可探测的物质,在高光谱遥感中能被探测。 高光谱成像技术是基于非常多窄波段的影像数据技术，其中最突出的应用是在遥感探测领域，并在民用领域有着更大的应用前景。 本文通过分析介绍高光谱图像的成像原理，探讨了高光谱图像在国内外发展现状及其应用。

1.高光谱图像成像原理及特点 1.1高光谱遥感基本概念 高光谱遥感是通过高光谱传感器探测物体反射的电磁波而获得地物目标的空间和频谱数据，成立于20世纪初期的测谱学就是它的基础。高光谱遥感的出现使得许多使用宽波段无法探查到的物体，更加容易被探测到，所以高光谱遥感的出现时成功的是革命性的。 1.2高光谱图像成像原理 光源相机（成像光谱仪+ccd）装备有图像采集卡的计算机是高光谱成像技术的硬件组成，其光谱的覆盖范围为200-400nm，400-1000nm，900-1700nm，1000-2500nm。其中光谱相机的主要组成部分为准直镜，光栅光谱仪，聚焦透镜以及面阵ccd。 其扫描过程是当ccd探测器在光学焦面的垂直方向上做横向扫描（x），当横向的平行光垂直入射到投身光栅是就形成了光栅光谱，这是象元经过高光谱仪在ccd上得出的数据，它的横向式x方向上的像素点也就是扫描的象元，它的总想是各象元对应的信息。在检测系统输送前进是排列的他测器完成纵向扫面（y）。综合扫描信息即可得到物体的三围高光谱数据。 1.3高光谱遥感的特点 （1）波段多且宽度窄能够使得高光谱遥感探测到别的宽波段无法探测到的物体。 （2）光谱响应范围更广和光谱分辨率高使得它能够更加精细的发硬出被探测物的微小特征。 （3）它可以提供空间域和光谱域信息也就是“谱像合一”。 （4）数据量大和信息冗余多，由于高光谱数据的波段多，其数据量大，而且和相邻波段的相关性比较高就使得信息冗余度增加很多。 （5）高光谱遥感的数据描述模型多能够分析的更灵活。经常使用的3种模型有：图像，光谱和特征模型。 1.4高光谱的优势 随着高光谱成像的光谱分辨率的提高，其探测能力也有所增强。因此，与全色和多光谱成像相比较，高光谱成像有以下显著优著: (1)有着近似连续的地物光谱信息。高光谱影像在经过光谱反射率重建后，能获取与被探测物近似的连续的光谱反射率曲线，与它的实测值相匹配，将实验室中被探测物光谱分析模型应用到成像过程中。 (2)对于地表覆盖的探测和识别能力极大提高。高光谱数据能够探测具有诊断性光谱

高光谱在遥感技术的应用

高光谱在遥感技术的应用 高光谱遥感技术（Hyperspectral Remote Sensing）的兴起是20世纪80年代遥感技术发展的主要成就之一.作为当前遥感的前沿技术，高光谱遥感在光谱分辨率上具有巨大的优势。，随着高光谱遥感技术的日趋成熟，其应用领域也日益广泛。本文主要阐述高光谱遥感的特点和主要应用。 1 高光谱遥感 孙钊在《高光谱遥感的应用》中提到，高光谱遥感是在电磁波谱的可见光、近红外、中红外和热红外波段范围内，利用成像光谱仪获取许多非常窄的光谱连续的影像数据的技术。 [1]高光谱遥感具有较高的光谱分辨率，通常达到10～2λ数量级。[2] 1.1 高光谱遥感特点 综合多篇关于高光谱的期刊文章，总结高光谱具有如下特点： （1）波段多，波段宽度窄。成像光谱仪在可见光和近红外光谱区内有数十甚至数百个波段。[3]与传统的遥感相比，高光谱分辨率的成像光谱仪为每一个成像象元提供很窄的(一般<10nm) 成像波段，波段数与多光谱遥感相比大大增多，在可见光和近红外波段可达几十到几百个，且在某个光谱区间是连续分布的，这不只是简单的数量的增加，而是有关地物光谱空间信息量的增加。[4] （2）光谱响应范围广，光谱分辨率高。成像光谱仪响应的电磁波长从可见光延伸到近红外，甚至到中红外。[5]成像光谱仪采样的间隔小，光谱分辨率达到纳米级，一般为10nm 左右。精细的光谱分辨率反映了地物光谱的细微特征。 （3）可提供空间域信息和光谱域信息，即“谱像合一”，并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。在成像高光谱遥感中，以波长为横轴，灰度值为纵轴建立坐标系，可以使高光谱图像中的每一个像元在各通道的灰度值都能产生1 条完整、连续的光谱曲线，即所谓的“谱像合一”。 （4）数据量大，信息冗余多。高光谱数据的波段众多，其数据量巨大，而且由于相邻波段的相关性高，信息冗余度增加。 （5）数据描述模型多，分析更加灵活。高光谱影像通常有三种描述模型：图像模型、光谱模型与特征模型。 1.2 高光谱遥感的优势 高光谱遥感的光谱分辨率的提高，使地物目标的属性信息探测能力有所增强。因此，较之全色和多光谱遥感，高光谱遥感有以下显著优势:

光谱图像与高光谱图像的区别介绍

光谱图像与高光谱图像的区别介绍 光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像（Hyperspectral Image）。遥感技术经过20世纪后半叶的发展，无论在理论上、技术上和应用上均发生了重大的变化。其中，高光谱图像技术的出现和快速发展无疑是这种变化中十分突出的一个方面。通过搭载在不同空间平台上的高光谱传感器，即成像光谱仪，在电磁波谱的紫外、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。在获得地表图像信息的同时，也获得其光谱信息，第一次真正做到了光谱与图像的结合。与多光谱遥感影像相比，高光谱影像不仅在信息丰富程度方面有了极大的提高，在处理技术上，对该类光谱数据进行更为合理、有效的分析处理提供了可能。因而，高光谱图像技术所具有的影响及发展潜力，是以往技术的各个发展阶段所不可比拟的，不仅引起了遥感界的关注，同时也引起了其它领域（如医学、农学等）的极大兴趣。 高光谱图像：是指一系列包含一些列可见/近红外光谱，一般有400-1000 nm，已经包含了可见光（400-780 nm）和近红外（780-1000nm）。 多光谱图像简介多光谱图像是指包含很多带的图像，有时只有3个带（彩色图像就是一个例子）但有时要多得多，甚至上百个。每个带是一幅灰度图像，它表示根据用来产生该带的传感器的敏感度得到的场景亮度。在这样一幅图像中，每个像素都与一个由像素在不同带的数值串，即一个矢量相关。这个数串就被称为像素的光谱标记。 1．用不相关或独立的其他带替换当前带；这个问题特别与遥感应用有关，但在一般的图像处理中，如果要从多光谱图像生成一幅单带灰度图像也与此有关。 2．使用一个像素的光谱标记来识别该像素所表示的目标种类。这是一个模式识别问题，它取决于下列图像处理问题的解：消除一个像素的光谱标记对图像采集所用光谱的依赖性。这是一个光谱恒常性问题。 3．处理多光谱图像的特定子集，它包括在电磁谱里仅光学部分的3个带，它需要以或者替换或者模仿人类感知颜色的形式来进行处理。 4．在特定应用中使用多光谱图像，并对它们进行常规的操作。这里的一个问题是，现在

高光谱遥感技术综述_袁迎辉

第07卷 第08期 中 国 水 运 Vol.7 No.08 2007年 08月 China Water Transport August 2007 收稿日期：2007-5-4 作者简介：袁迎辉 女（1983—） 东华理工大学矿产普查与勘探专业在读硕士研究生 （344000） 高光谱遥感技术综述 袁迎辉 林子瑜 摘 要：高光谱分辨率遥感是20世纪80年代兴起的新型对地观测技术，与传统遥感相比，高光谱遥感具有更为广泛的应用前景。文中概述了高光谱遥感的特点、发展过程、发展程度及目前几种典型的成像光谱仪数据特点。 关键词：高光谱遥感 数据处理技术 成像光谱仪 中图分类号：TP72 文献标识码：A 文章编号：1006-7973（2007）08-0155-03 遥感是20世纪60年代发展起来的对地观测综合性技术，是指应用探测仪器，不与探测目标相接触，从远处把目标的电磁波特性记录下来，通过分析，揭示出物体的特征性质及其变化的综合性探测技术[1]。经过几十年的发展，无论在遥感平台、遥感传感器、还是遥感信息处理、遥感应用等方面，都获得了飞速的发展，目前遥感正进入一个以高光谱遥感技术、微波遥感技术为主的时代。本文系统地阐述了高光谱遥感技术在分析技术及应用方面的发展概况，并简要介绍了高光谱遥感技术主要航空/卫星数据的参数及特点。 一、高光谱遥感的概念及特点 所谓高光谱遥感，即高光谱分辨率遥感，指利用很多很窄的电磁波波段（通常<10nm）从感兴趣的物体获取有关数据[3]；与之相对的则是传统的宽光谱遥感，通常>100nm，且波段并不连续。高光谱图像是由成像光谱仪获取的，成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，产生一条完整而连续的光谱曲线。它使本来在宽波段遥感中不可探测的物质，在高光谱中能被探测。 同其它传统遥感相比，高光谱遥感具有以下特点： ⑴ 波段多。成像光谱仪在可见光和近红外光谱区内有数十甚至数百个波段。⑵ 光谱分辨率高。成像光谱仪采样的间隔小，一般为10nm 左右。精细的光谱分辨率反映了地物光谱的细微特征。⑶ 数据量大。随着波段数的增加，数据量呈指数增加[2]。⑷ 信息冗余增加。由于相邻波段的相关性高，信息冗余度增加。⑸ 可提供空间域信息和光谱域信息，即“图谱合一”，并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。 近二十年来，高光谱遥感技术迅速发展，它集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体，已成为当前遥感领域的前沿技术。 二、发展过程 自80年代以来，美国已经研制了三代高光谱成像光谱仪。1983年，第一幅由航空成像光谱仪（AIS-1）获取的高光谱分辨率图像的正式出现标志着第一代高光谱分辨率传感 器面世。第一代成像光谱仪（AIS），由美国国家航空和航天管理局（NASA）所属的喷气推进实验室设计，共有两种，AIS-1(1982年~1985年，128波段)和AIS-2(1985年~1987年，128波段)，其光谱覆盖范围为1.2~2.4μm。 1987年，由NASA 喷气推进实验室研制成功的航空可见光/红外光成像光谱仪（AVIRIS）成为第二代高光谱成像仪的代表。与此同时，加拿大、澳大利亚、日本等国家竞相投入力量研究成像光谱仪。在AVIRIS 之后,美国地球物理环境研究公司(GER)又研制了1台64通道的高光谱分辨率扫描仪(GERIS),主要用于环境监测和地质研究。其中63个通道为高光谱分辨率扫描仪,第64通道是用来存储航空陀螺信息。 第三代高光谱成像光谱仪为克里斯特里尔傅立叶变换高光谱成像仪(FTHSI)，其重量仅为35kg，采用256通道,光谱范围为400~1050nm，光谱分辨率为2~10nm，视场角为150°。而于1999年和2000年发射升空的中分辨率成像光谱仪(MODIS 和Hyperion)都已经成为主要的应用数据来源。 在国内，成像光谱仪的研制工作紧跟国际前沿技术，目前已跻身国际先进行列。先后研制成功了专题应用扫描仪、红光细分光谱扫描仪FIMS、热红外多光谱扫描仪TIMS、19波段多光谱扫描仪AMSS、71波段的模块化航空成像光谱仪MAIS、128波段的OMIS 以及244波段的推扫式成像仪PHI 等。此外，中国科学院上海技术物理研究所研制的中分辨率成像光谱仪于2002年随“神州”三号飞船发射升空，这是继美国1999年发射EOS 平台之后第二次将中分辨率成像光谱仪送上太空，从而使中国成为世界上第二个拥有航天载成像光谱仪的国家。 经过20世纪80年代的起步与90年代的发展，至90年代后期，高光谱遥感应用由实验室研究阶段逐步转向实际应用阶段。迄今为止，国际上已有许多套航空成像光谱仪与少数几个卫星成像光谱仪处于运行状态，在实验、研究以及信息的商业化方面发挥着重要作用。

机器视觉之高光谱成像技术分析

高光谱成像技术 高光谱成像技术起源于地质矿物识别填图研究，逐渐扩展为植被生态、海洋海岸水色、冰雪、土壤以及大气的研究中。对空间探测、军事安全、国土资源、科学研究等领域都具有非常重要的意义。 所谓高光谱图像就是在光谱维度上进行了细致的分割，不仅仅是传统所谓的黑、白或者R、G、B的区别，而是在光谱维度上也有N个通道，例如：我们可以把400nm-1000nm分为300个通道。因此，通过高光谱设备获取到的是一个数据立方，不仅有图像的信息，并且在光谱维度上进行展开，结果不仅可以获得图像上每个点的光谱数据，还可以获得任一个谱段的影像信息。 目前高光谱成像技术发展迅速，常见的包括光栅分光、声光可调谐滤波分光、棱镜分光、芯片镀膜等。 原理： 光栅分光原理： 在经典物理学中，光波穿过狭缝、小孔或者圆盘之类的障碍物时，不同波长的光会发生不同程度的弯散传播，再通过光栅进行衍射分光，形成一条条谱带。也就是说：空间中的一维信息通过镜头和狭缝后，不同波长的光按照不同程度的弯散传播，这一维图像上的每个点，再通过光栅进行衍射分光，形成一个谱带，照射到探测器上，探测器上的每个像素位置和强度表征光谱和强度。一个点对应一个谱段，一条线就对应一个谱面，因此探测器每次成像是空间一条线上的光谱信息，为了获得空间二维图像再通过机械推扫，完成整个平面的图像和光谱数据采集。 经过狭缝的光由于不同波长照射到不同的探测器像元上，光能量很低，因此需要选择高灵敏相机，同时需要加光源。例如系统如下：

声光可调谐滤波分光(AOTF)原理： AOTF由声光介质、换能器和声终端三部分组成。射频驱动信号通过换能器在声光介质内激励出超声波。改变射频驱动信号的频率，可以改变AOTF衍射光的波长，从而实现电调谐波长的扫描。 最常用的AOTF晶体材料为TeO2即非共线晶体，也就是说光波通过晶体之后以不同的出射角传播。如上图所示：在晶体前端有一个换能器，作用于不同的驱动频率，产生不同频率的振动即声波。不同的驱动频率对应于不同振动的声波，声波通过晶体TeO2之后，使晶体中晶格产生了布拉格衍射，晶格更像一种滤波器，使晶体只能通过一种波长的光。光进入晶体之后发生衍射，产生衍射光和零级光。 l AOTF系统组成： AOTF系统组成：成像物镜+准直镜+偏振片+晶体+偏振片+物镜+detector，入射光经过物镜会聚之后进入准平行镜(把所有的入射光变成平行光)，准平行光进入偏振片通过同一方向的传播的光，平行光进入晶体之后，平行于光轴的光按照原来方向前行，非平行光进行衍射，分成两束相互垂直o光和e光(入射光的波长不同经过晶体之后的o光与e光的角度也不同，因此在改变波长的过程中，图像会出现漂移);o 光和e光及0级光分别会聚在不同的面上。

ENVI下的图像融合方法 高保真融合 高光谱融合

ENVI下的图像融合方法高保真融合高光谱融合 (2011-07-27 08:33:41) 转载▼ 图像融合是将低空间分辨率的多光谱影像或高光谱数据与高空间分辨率的单波段影像重采样生成成一副高分辨率多光谱影像遥感的图像处理技术，使得处理后的影像既有较高的空间分辨率，又具有多光谱特征。图像融合的关键是融合前两幅图像的精确配准以及处理过程中融合方法的选择。只有将两幅融合图像进行精确配准，才可能得到满意的结果。对于融合方法的选择，取决于被融合图像的特征以及融合目的。 ENVI中提供融合方法有： ? HSV变换 ? ? Brovey变换 ? 这两种方法要求数据具有地理参考或者具有相同的尺寸大小。RGB输入波段必须为无符号8bit数据或者从打开的彩色Display中选择。 这两种操作方法基本类似，下面介绍Brovey变换操作过程。 （1）打开融合的两个文件，将低分辨率多光谱图像显示在Display中。 （2）选择主菜单-> Transform -> Image Sharpening->Color Normalized (Brovey)，在Select Input RGB对话框中，有两种选择方式：从可用波段列表中 和从Display窗口中，前者要求波段必须为无符号8bit。 （3）选择Display窗口中选择RGB，单击OK。 （4） Color Normalized (Brovey)输出面板中，选择重采样方式和输入文件路径及文件名，点击OK输出结果。 对于多光谱影像，ENVI利用以下融合技术： ? Gram-Schmidt ? ? 主成分（PC）变换 ? ? color normalized (CN)变换 ? ? Pan sharpening ? 这四种方法中，Gram-Schmidt法能保持融合前后影像波谱信息的一致性，是一种高保真的遥感影像融合方法；color normalized (CN)变换要求数据具有中心波长和FWHM，； Pansharpening融合方法需要在ENVI Zoom中启动，比较适合高分辨率影像，如QuickBird、IKONOS等。

高光谱图像融合算法研究与进展

总第271期 舰船电子工程Vol. 37 No. 1 2017年第 1 期 Ship Electronic Engineering 27 高光谱图像融合算法研究与进展$ 张筱晗杨桄杨永波黄俊华 (空军航空大学长春130022) 摘要高光谱图像融合是改善其图像质量的重要途径。将高光谱图像融合分为高光谱自身波段间的融合及其与高 空间分辨率的其他遥感图像如全色图像等融合两大类。从分析高光谱图像融合特点人手，回顾了近年来出现的融合算法, 阐述了其基本原理，进行了归纳、分类，指出各自的优缺点，并总结了现行高光谱图像融合算法的评价方法。最后，探讨了高 光谱图像融合下一步的研究方向。 关键词高光谱；图像融合；融合算法评价 中图分类号TP751 DOI：10. 3969/j. issa 1672-9730. 2017. 01. 007 Research Progress of Hyperspectral Image Fusion Algorithms ZHANG Xiaohan YANG Guang YANG Yongbo HUANG Junhua (Aviation University of Air Force, Changchun 130022) Abstract Hyperspectral images share rich spectral information while it also has the problem of data redundancy and low spatial resolution Image fusion is an effective way to improve its quality. According to the resource images of fusion, hyperspectral fusion can be classified into fusion among bands of hyperspectral data and fusion with images having higher spa-tial resolution such as panchromatic image. In this paper, main fusion methods of hyperspectral image are reviewed. The basic theory of those algorithms is analyzed and their advantages and disadvantages are also discussed. Besides, current fu-sion algorithm evaluation including indexes and methods is also summarized. At last, the direction of future research of this field is given. Key Words hyperspectral imagery, image fusion, fusion algorithm evaluation Class Number TP751 i引言 高光谱遥感能够获取地物丰富的光谱信息，在 目标检测、精细分类、人工解译等领域有着广阔的 应用前景[1]。然而，高光谱又存在严重的数据冗余 问题，其信息量与波段数目并不成正比;此外，由于 传感器能量有限，高光谱分辨率的获取往往以牺牲 空间分辨率为代价，图像通常存在空间分辨率较低 的问题。图像融合是提升高光谱图像质量的重要 方法。高光谱图像融合与通常意义下的多源遥感 图像融合有着细微的区别，除了参与融合的图像数 *量通常多于两幅，融合可能与数据降维联系在一起 外，融合的结果也随需求不同而呈现出多种形式，既可能是汇集了多幅图像细节特征的灰度或合成 彩色图像，又可能是空间分辨率得到提升的高光谱图像。 根据融合源图像类型不同，高光谱图像融合可 以分为高光谱图像波段间融合与高光谱图像与他 源图像融合两大类。高光谱图像波段间融合，是指 对高光谱图像去除冗余、合并互补信息到单一图 像[2]的过程。而高光谱与他源图像融合，包括高空 间分辨率的全色图像、多光谱图像以及SAR图像 *收稿日期=2016年7月11日，修回日期=2016年8月28日 基金项目：吉林省科技发展计划资助项目（编号：20140101213JC);吉林省教育厅“十二五”科研项目（编号：2015448) 资助。 作者简介:张筱晗，女，硕士，研究方向:高光谱遥感、图像解译。杨桄，男，博士后，教授，研究方向：遥感图像解译、地 理信息系统。