Hyperion高光谱数据的预处理

高光谱反演一．数据预处理（1）将未定标的像元和受水汽影响的像元剔除，即辐射定标过程：分别得到可见光近红外（VNR）和短波红外（ＳＷＩＲ）的影像。

（2）图像辐射定标Hyperion获取的地物辐射值过大。

而实际地物辐射值很小。

分析时必须将像元值转换为绝对辐射值，所有VNIR波段除以40.所有SWIR波段除以80，并将两组文件合并，得到绝对辐射值图像。

a.建模如下：图一图像辐射定标模型图二图像辐射定标模型实现图b. 将两幅图合成一幅图图三两幅图合为一幅图c.得到176波段图四得到176波段图像步骤图点击如下图所示:图五176波段图（3）采集十个光谱数据图六光谱数据图（4）将光谱数据导入EXCEL表格，进行分析图七光谱分析过程图图八光谱分析结果图（5）结果分析水体在可见光波段具有较高辐射，并在绿光波段达到最高，随着波长增大，辐射减小；到近红外波段有所升高，出现峰值，各波段辐射与波长相关性不大；短波红外辐射值明显减小，在一定波长范围内变化不规律，但随着波长的不断增大，辐射值趋近于零；由图整体来看，随着波长增大，辐射减小。

二．图像监督分类（1）对只有176个波段的图像进行监督分类，分类过程如下所示：图九监督分类过程图结果图标如下所示：图十监督分类结果图（2）水的提取水的提取步骤如下：a.选定要提取的要素图十一选定要素图b.选定AOI- COPY SELECTION TO AOI –cut-save图十二过程图截取水之后的图：图十三截取水之后的结果图三．叶绿素反演叶绿素反演过程为：图十四叶绿素反演模型图十五叶绿素反演结果图三．泥沙反演（1）泥沙平均粒径的模型建立，由参考文献可得到泥沙反演方法为：其中F5有以下参考得到：（2）由以上资料，可得到泥沙反演方法为：图十四泥沙反演模型图十五泥沙反演结果图由文献选择中心波长为1215nm和2133nm与参数有较好相关，运用两者归一化来建立模型。

基于Hyperion高光谱数据的植被覆盖区岩矿蚀变信息提取作者：***来源：《国土资源导刊》2024年第01期关键词：高光谱数据；Hyperion：蚀变信息；光谱角匹配0引言植被覆盖区域广泛分布于全球各个地区，这些区域通常有着丰富的自然资源，如矿产资源和水资源。

然而，植被的遮盖和掩盖常常使得岩矿蚀变信息难以提取，地质勘探和资源管理工作变得复杂。

传统的遥感技术无法突破植被覆盖区获取有用的信息，但随着高光谱遥感技术的不断发展，对光谱信息的获取有着极大的突破，为克服上述困难提供了新的途径，高光谱遥感技术在岩矿蚀变信息提取中的应用逐渐受到广泛关注。

Smith等利用Landsat和Hyperion数据，提出了一种基于特征选择的岩矿蚀变信息提取方法，取得了显著的成果。

Johnson和Harris则利用高光谱数据实现了对植被覆盖区岩矿蚀变信息的精确识别，为资源勘探提供了有力支持。

此外，Li等将深度学习方法应用于高光谱数据的处理，进一步提高了岩矿蚀变信息的提取精度。

国内研究方面，李明等（2017）基于Hyperion 数据，开展了岩矿蚀变信息提取的研究，但在植被遮盖下的精度有待提高。

另外，王刚等通过充分利用高光谱数据的空间信息，取得了一定的研究进展，但需要指出的是，国内研究仍然面临着数据获取和算法改进等方面的挑战。

因此，深入研究高光谱遥感技术在植被覆盖区岩矿蚀变信息提取中的潜力，对于提高地质勘探的效率，实现资源可持续利用具有重要意义。

本文旨在探讨基于Hyperion高光谱数据的植被覆盖区岩矿蚀变信息提取方法，具体研究目标如下：通过高光谱数据预处理，开展波谱反射率反演，并结合野外测试波谱曲线，依据像元波谱匹配技术提取特定岩矿蚀变信息。

通过研究，为植被覆盖区岩矿蚀变信息的提取提供新的思路和方法，为地质勘探和资源管理等领域的决策提供更准确的数据支持。

1研究区概况与数据情况1.1研究区概况研究区位于贵州省石阡县和余庆县之间，地处云贵高原向湘西丘陵过渡的斜坡地带，地形以山地为主，其次是丘陵。

基于星载高光谱数据的遥感数据预处理摘要遥感影像的预处理是遥感数据应用的基础，预处理结果的好坏将影响图像的质量及后续的研究。

研究利用高光谱数据对穿越香格里拉县中部一景EO-1 Hyperion数据进行预处理。

预处理分别进行envi补丁下数据波组合、未定标和水汽影响波段去除、绝对辐射值转换、大气校正等处理，结果表明：图像质量提高，减少了数据运算量，为应用研究奠定了基础。

关键词EO-1；Hyperion；高光谱；遥感；大气校正遥感可以快速获取地表信息，并通过数据的传输与处理、判译分析，实现了解和研究地物的空间分布等地表特征[1]。

由于遥感系统空间、波谱、时间以及辐射分辨率的限制，会在数据获取的过程中产生误差。

这些误差降低了遥感数据的质量和精度。

因此，在图像分析和处理之前需要进行遥感原始影像的预处理，减小数据误差，提高图像质量。

选用穿越香格里拉中部的一景EO-1 Hyperion数据，着重进行绝对辐射值转换、坏线修复、大气校正、几何校正等预处理工作以及方法的阐述。

1 EO-1 Hyperion数据介绍EO-1上搭载了3种传感器，高光谱成像光谱仪Hyperion是其中之一。

Hyperion数据覆盖范围为北纬15°~55°，东经70°~140°的矩形区域。

Level 1R （Hyp-L1R）和Level 1Gst数据产品（Hyp-L1G）分别是Hyperion高光谱成像光谱仪的2种数据格式数据产品。

该数据共有242个波段，幅宽7.7 km，地面分辨率为30 m，光谱范围为400～2 500 nm，光谱分辨率达到10 nm。

虽然hyperion的L1级数据是经过一系列的处理结果得来，但实际结果仍然存在着质量问题，需要进行进一步的数据预处理，以解决图像数据误差。

2 Hyperion数据预处理原理与方法研究区位于香格里拉县中部，香格里拉地理位置处于北纬27°31′12″~28°31′12″，东经99°12′00″~100°17′24″，是滇、川以及西藏三省区交汇处，该研究区森林资源丰富。

高光谱数据预处理是指对从高光谱传感器获取的原始数据进行处理和优化，以提高数据质量、减少噪声和冗余信息，并为后续的数据分析和应用提供更好的基础。

以下是高光谱数据预处理的一些常见步骤：
1.数据校正：高光谱数据通常包含传感器的特定响应曲线、大气影响、太阳高度角等因素，需要进行各种校正，如大气校正、几何校正、太阳高度角校正等，以消除这些影响因素，提高数据质量。

2.数据滤波：高光谱数据可能存在噪声和冗余信息，需要进行滤波处理。

常见的滤波方法包括中值滤波、高斯滤波、小波变换等，可以根据数据的特点和应用需求选择合适的滤波方法。

3.数据增强：高光谱数据可能存在光谱分辨率不足的问题，需要进行数据增强。

常见的数据增强方法包括插值、降采样、多通道分解等，可以提高数据的空间和光谱分辨率。

4.特征提取：高光谱数据中包含丰富的光谱信息，需要进行特征提取，以便进行后续的分类、聚类、识别等分析。

常见的特征提取方法包括光谱特征提取、空间特征提取等。

5.数据归一化：高光谱数据的不同波段之间可能存在差异，需要进行数据归一化处理，以消除波段之间的差异，提高数据的可比性和稳定性。

常见的归一化方法包括最小-最大归一化、z-score标准化等。

6.数据降维：高光谱数据通常包含大量的冗余信息，可以通过数据降维方法减少数据维度，提高数据处理效率和准确性。

常见的降维方法包括主成分分析、线性判别分析等。

高光谱数据预处理是高光谱图像分析的重要步骤，可以提高数据质量、减少噪声和冗余信息，并为后续的数据分析和应用提供更好的基础。

Hyperion高光谱预处理利器Hyperion Tools V2.0(2012-06-13 08:29:47)转载▼标签：分类：ENVI扩展工具hyperion处理hyperion去条带高光谱处理envi5杂谈Hyperion工具是一个免费的ENVI扩展工具，该工具是用来读取、修正和使用L1R、L1G/L1T级别的Hyperion。

设计Hyperion工具是为了方便hyperion数据的使用，其最基本的功能是把L1R HDF和L1G/L1T GeoTIFF数据转换成包含中心波长、波长半径和坏波段信息的ENVI格式文件。

对于每一个输入数据的格式还包含了一些选项功能，包括条纹噪声修复、掩膜文件生成等，在使用Hyperion 数据时将更加有用。

工具下载地址：/file/c25kvb9p工具安装方式：(一)在ENVI4.8及之前版本，把hyperion_tools.sav和hyperion_wl_fwhm_bbl.txt文件放在你的ENVI安装目录下的save_add文件夹里，然后重启ENVI。

(二)在ENVI5里面，把hyperion_tools.sav和hyperion_wl_fwhm_bbl.txt文件放在你的ENVI安装目录下Exelis\ENVI50\extensions或者Exelis\ENVI50\classic\save_add里面在ENVI4.8及之前版本，以及ENVI5.0的Classic版本里，通过File->Open External File->EO-1→Hyperion Tools进入此工具。

在ENVI5.0中，在ToolBox->Extensions中能找到这个工具。

这个工具的操作非常简单，下面介绍其基本用法和主要的功能： L1R数据点击“Input HDF”选择L1R文件。

然后点击”Output Path”为新的ENVI格式的数据选择存放文件夹。

点击“Process”进行转换处理。

高光谱数据预处理流程
高光谱数据预处理流程主要包括以下步骤：
噪声去除：由于高光谱图像数据常常受到多种噪声的干扰，如设备噪声、环境噪声等，这些噪声会影响图像的质量，因此需要采取有效的方法去除。

常用的噪声去除方法包括平滑滤波、中值滤波和小波变换等。

图像校正：由于高光谱成像仪的工作原理和环境因素的影响，常常会导致图像出现几何畸变和辐射失真等问题。

因此，需要进行图像校正，以恢复图像的几何形状和辐射特性。

常用的图像校正方法包括多项式回归、仿射变换和径向畸变校正等。

图像融合：高光谱图像数据通常由多个波段组成，这些波段之间存在一定的相关性。

为了提高图像的分辨率和信息量，可以将多个波段进行融合，从而得到一个更加丰富的图像。

常用的图像融合方法包括基于像素的融合、基于区域的融合和基于小波变换的融合等。

归一化：高光谱图像数据的量级通常很大，不同波段之间的数值范围也存在较大的差异。

为了使不同波段之间的数值具有可比性，需要进行归一化处理。

常用的归一化方法包括最大最小归一化、对数归一化和标准化等。

请注意，具体流程可能因数据类型和研究需求而有所差异。

在实际操作中，建议咨询具有相关经验和专业知识的工程师或研究人员。

另外，高光谱数据处理流程除了以上预处理步骤外，还包括显示图像波谱、选择需要的光谱波段进行输出等步骤。

具体流程可能因实际情况而有所不同，建议根据实际情况调整和优化处理流程。

图2坏线处理前后图像比对
Fig.2 Image comparison of Bad lines before and after
受地球固有特性因素受仪器自身特性的影响,在图像上多数波段会出现不同程度的条纹。

条纹的存在将影响图像的质量及后续的研究应用，去除垂直条纹的方法有两种分别是均值去条。

本文采用全局去条纹法，去除条纹后图像质量提升并且较好的保留
遥感影像的大气校正是预处理的重要组成部分。

图3水体对比图
Figure.3 Comparison of water chart
图4 预处理结果图
Figure.4Pretreatment results
预处理过程是遥感图像进行分类处理不可缺少的组成部分，。

hyperion高光谱数据矿物填图1.hyperion数据的简介EO-1是美国航空航天局为接替Landsat7而研制的新型地球观测卫星，于2000年11月21日发射升空，EO-1卫星轨道与Landsat7基本相同，为太阳同步轨道，轨道高度为705km，倾角98．7°，与Landsat7相隔50km，比Landsat7差1min过赤道。

EO-1卫星具有在当前轨道从各个方向获取相邻轨道重叠区域的影像的功能。

EO-1上搭载了3种传感器，即高级陆地成像仪ALI（Ad-vancedLandImager）、大气校正仪AC（Atmospheric Correc-tor）和高光谱成像光谱仪Hyperion。

Hyperion传感器以推扫的方式获取可见光、近红外（VNIR，400-1000nm）和短波红外（SWIR，900-2500nm）光谱数据。

Hyperion产品分两级：Level0和Level1，L0是原始数据，仅用来生成L1产品。

Hyperion是以推扫方式获取可见光-近红外(VNIR，400-1 000nm)和短波红外(SWIR，900-2 500nm)光谱数据。

Hyperion产品分两级：Level0和Level1，L0是原始数据，仅用来生产成L1产品。

L1产品有242个波段，1-70为可见近红外波段(VNIR)，71-242为短波红外波段(SWIR)，其中198个波段经过辐射定标处理，定标的波段分别为VNIR 8～57，SWIR77-224。

表1 Hyperion L1产品的特性说明2.hyperion数据的预处理流程图1 hyperion数据预处理流程图2.1.ENVI补丁下数据波段组合：Hyperion工具的用途：设计Hyperion工具组件是为了方便hyperion数据的使用。

其最基本的功能是把L1R HDF和L1G/L1T GeoTIFF数据集转换成包含波长、最大半波宽和坏波段信息的ENVI格式文件。

高光谱遥感影像预处理流程Hyperspectral Remote Sensing Image Preprocessing Workflow.Hyperspectral remote sensing (HRS) is a powerful tool for extracting detailed information about the Earth's surface. HRS images are typically collected by airborne or spaceborne sensors that measure the reflectance of sunlight in hundreds of narrow spectral bands. This high spectral resolution allows for the identification and characterization of a wide range of materials, including vegetation, minerals, and water.The preprocessing of HRS images is an important step that can significantly improve the quality of the data and the accuracy of subsequent analysis. The preprocessing workflow typically includes the following steps:1. Radiometric calibration: This step corrects for the effects of the sensor's response to incoming radiation. Itconverts the raw digital numbers (DNs) recorded by the sensor into reflectance values that are proportional to the amount of light reflected by the target.2. Atmospheric correction: This step removes theeffects of the atmosphere on the image data. The atmosphere can absorb and scatter light, which can distort thespectral signatures of the targets. Atmospheric correction algorithms use information about the atmospheric conditions to estimate and remove these effects.3. Geometric correction: This step corrects for the geometric distortions in the image data. These distortions can be caused by the sensor's viewing geometry, the Earth's curvature, and the terrain. Geometric correction algorithms use information about the sensor's position and orientation to rectify the image data to a specified coordinate system.4. Spectral resampling: This step resamples the image data to a common spectral resolution. This is typically done to reduce the dimensionality of the data and to makeit more compatible with other data sources.5. Noise reduction: This step removes noise from the image data. Noise can be caused by a variety of factors, including sensor noise, atmospheric noise, and quantization noise. Noise reduction algorithms use various techniques to estimate and remove noise from the data.The preprocessing workflow can be customized to meet the specific needs of the application. For example, if the data is to be used for vegetation classification, then it may be necessary to apply additional preprocessing steps, such as vegetation indices or spectral unmixing.中文回答：高光谱遥感影像预处理流程。

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。

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（1）MNF变换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PPIPPI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）纯净像元指数可以将N维散点图映射为一个随机单位向量来计算，每次映射的极值像元被记录下来，并且被标为极值的总数也被记录下来。

按照多次映射每个像元被记录为极值像元的次数来决定该像元是否为纯净像元。

（3）端元波谱收集n维可视化工具-选取样本像元-生成地物平均波谱五、波谱识别和图像分类4、高光谱和多光谱实质上的差别就是，高光谱的波段较多，谱带较窄（比如hyperion有242个波段，带宽10nm）；5、多光谱相对波段较少；6、高光谱遥感就是比多光谱遥感的光谱分辨率更高，但是光谱分辨率高的同时空间分辨率会降低。

高光谱数据预处理流程高光谱数据预处理流程是高光谱数据处理的第一步，它的主要目标是对原始高光谱数据进行去噪、去偏差、交叉校准等操作，从而提高数据的质量和准确性。

本文将介绍高光谱数据预处理的基本流程，包括数据的获取与清洗、去除异常值、光谱归一化、数据插值和交叉校准等。

第一步：数据获取与清洗高光谱数据的获取可以通过遥感技术获取，并且数据包含了大量的光谱波段信息。

在进行数据处理之前，首先需要对数据进行筛选和清洗。

对于可能存在的杂散数据和异常数据，可以通过专业的数据处理软件进行自动筛选或手动清洗，并将其剔除或进行修正。

第二步：去除异常值在进行高光谱数据处理之前，需要对数据进行异常值的检测与去除。

异常值通常是由于各种原因引起的数据异常，对后续的数据处理和分析会产生干扰和误导，并影响结果的准确性。

常见的异常值检测方法包括离群点检测和统计方法等，可以根据具体情况选择合适的方法进行异常值的检测和处理。

第三步：光谱归一化光谱归一化是将不同光谱波段的数据归一到相同的尺度上，以消除不同波段间的尺度差异，便于后续的数据处理和分析。

常见的光谱归一化方法包括最大值归一化、最小值归一化、标准化等。

其中最大值归一化是将原始光谱数据除以最大值，并将结果缩放到0-1之间，最小值归一化则是将原始数据减去最小值，并将结果缩放到0-1之间，标准化则是通过计算原始数据的均值和标准差，将数据转化为均值为0，标准差为1的分布。

第四步：数据插值数据插值是将高光谱图像上的离散采样点的数值按一定规律填充到整个光谱波段上，以弥补数据的不连续和缺失。

常见的数据插值方法包括线性插值、多项式插值和Kriging插值等。

其中线性插值是通过连接相邻的采样点，按比例确定插值点的数值；多项式插值则是利用多项式函数拟合已知的离散点数值，再求解插值点的数值；Kriging插值则通过空间自相关性进行插值，考虑了离散点之间的相关性。

第五步：交叉校准交叉校准是通过与已有参考数据进行比对，评估和校准高光谱数据的准确性和可靠性。

EO-1 Hyperion数据的预处理、特征提取和岩性填图研究张显峰;PAZNER Micha【期刊名称】《中国图象图形学报》【年(卷),期】2007(012)006【摘要】EO-1 Hyperion传感器是第一个可以获取可见光与近红外以及短波红外波长范围光谱信息的星载高光谱传感器.本文以美国最早的金矿采矿区之一,加利福尼亚州东南巧克力山的Rainbow金矿区作为研究案例,探讨了Hyperion数据的预处理方法,专题信息提取与填图,评估了Hyperion高光谱数据在识别与金矿有关的岩性类型的应用价值.结果表明,本文所提出的Hyperion数据预处理方法是有效的,MNF方法能有效用于Hyperion数据维数的降低和数据冗余的去除以及分类特征的提取.最大似然分类器能够有效地从Hyperion高光谱数据中提取与金矿相关的重要岩体信息,所得到的岩性单元与地质图上对应的岩性分布具有很好的一致性.岩体分类的总精度为86%.该研究表明,Hyperion高光谱数据能够很好识别有细微光谱差别的岩性,因而在地质学研究与找矿领域有着良好的应用前景.【总页数】10页(P981-990)【作者】张显峰;PAZNER Micha【作者单位】北京大学遥感与GIS研究所,北京,100871;加拿大西安大略大学,伦敦市,加拿大,N6A 5C2【正文语种】中文【中图分类】TP751【相关文献】1.EO-1 Hyperion高光谱数据坏线修复方法的对比分析 [J], 于颖;范文义;杨曦光2.陆相火山岩区填图方法研究新进展——"火山构造-岩性岩相-火山地层"填图方法[J], 傅树超;卢清地3.EO-1 Hyperion高光谱数据的预处理 [J], 谭炳香;李增元;陈尔学;庞勇4.EO-1 Hyperion数据不同波段组合的分类结果比较 [J], 董跃宇5.运用EO-1 Hyperion数据和单类支持向量机方法提取岩性信息 [J], 张西雅;徐海卿;李培军因版权原因，仅展示原文概要，查看原文内容请购买。