文章轉載自微信公眾號CSDN，作者冰清-小魔魚，版權歸原作者及刊載媒體所有。

在定量遙感或者高光譜遙感中，信息提取主要用到光譜/波譜分析技術。本專題對光譜/波譜分析中涉及的流程及一些技術進行講解，包括以下內容：

基本概念
遙感反演
波譜識別

1 基本概念

?????“光譜分析”在很多領域也有這個概念，比如醫學、電子學、化學等。如其中一個概念為：“光譜分析主要是以光學理論為基礎，以物質與光相互作用為條件，建立物質分子結構與電磁輻射之間的相互關系，從而進行物質分子幾何異構、立體異構、構象異構和分子結構分析和鑒定的方法。”

????在遙感里面經常會看到光譜分析和波譜分析兩個概念，可以將光譜分析視為在微觀條件下定義；波譜分析在宏觀上定義的。也就是光譜分析是廣義定義，波譜分析是狹義定義，在不太嚴格的情況下，兩個概念是一樣的。

遙感中的光譜分析技術可以理解為基于電磁輻射與物質相互作用產生的波長與反射強度，即地物波譜特征，而進行物質分析的技術。在這個過程中，如果一種物質A中摻和其他物質B而造成物質A的波譜特征發生變化，可以建立物質A、物質B與波譜特征變化三者之間的關系，這個也是定量遙感中物質反演的一個基本過程之一；在這個過程中另外一個情況，地物波譜特征用圖像或者波譜曲線表示，用已知的波譜曲線A和未知的波譜曲線B進行對比分析，從而得出波譜曲線A和B是否一致，或者占多大比重。這個是高光譜遙感中的波譜識別的基本原理。

????因此，從應用角度上看，光譜分析就是定量遙感或高光譜遙感中的圖像信息提取技術。可分為遙感反演、地物識別和物質分類，后兩個就是波譜識別范疇。

2 遙感反演

????遙感反演就是根據觀測信息和模型，求解或推算描述地面實況的應用參數。可以看到遙感反演的基礎是描述遙感信號或遙感數據與地表應用之間的關系模型。這種關系模型可以是遙感模型和應用模型，包括統計型和物理型：

統計模型基于陸地表面變量和遙感數據的相關關系，優點在于容易建立并且可以有效概括從局部區域獲取的數據，缺點在于模型一般具有地域局限性，也不能解釋因果關系；
物理模型遵循遙感系統的物理規律，可以建立因果關系，地域變化時候，也可以方便修改變量，缺點在于模型的建立過程漫長而曲折(梁順林等)。

???可以看到，遙感反演需要具備多方面的知識，需要理解遙感成像機理、相關地學知識、數學知識等。比較成熟或者用的比較多的反演模型包括：植被生物參數反演模型(氮、葉綠素、水分等)，水質參數反演模型(渾濁度、透明度、總懸移質泥沙含量、pH 值、總含氮量等)，大氣成分(臭氧、二氧化碳、二氧化硫、甲烷等痕量氣體，氣溶膠等)。應用包括植被蓋度監測、作物長勢監測、水華監測、大氣環境監測等。

????反演涉及的關鍵部分是模型的構建，在模型構建好之后就是模型中參數的推算。下面以太湖葉綠素反演為例，數據使用環境小衛星的CCD多光譜數據，介紹在ENVI下的操作流程。

本例子使用一個比較通用的線性葉綠素反演模型：

Y=ax+b??即

Chla=a*B_RED/B_NIR+b

????主要技術路線就是利用實地調查的結果，結合影像上對應的像元反射率值，采用最小二乘法回歸得到a和b參數，之后將這個模型應用到整個圖像中。

一、傳感器定標

????直接利用ENVI_HJ1A1B_Tools環境衛星數據讀取擴展工具將圖像有DN值轉成輻射亮度值。(擴展工具下載地址：http://blog.sina.com.cn/s/blog_764b1e9d010195ej.html)

說明：先做傳感器定標主要是為了避免在幾何精校正過程中進行重采樣時候產生一定的誤差。

二、幾何精校正

????這一步不用多講了，由于HJ衛星數據提供的2級數據已經做過粗校正，可以選擇地形圖作為參考選擇控制點進行幾何精校正。在幾何校正重采樣輸出時候，選擇最鄰近法(Nearest Neighbor)。

三、大氣校正

????這個步驟可以參考：http://blog.sina.com.cn/s/blog_764b1e9d01019emt.html

四、圖像裁剪

????用太湖地區的矢量裁剪大氣校正結果，得到太湖水面區域影像。

五、樣本選擇

????這一步需要結合實地調查數據，將水面調查點與B_RED/B_NIR對應的值在空間上一一對應起來。實地調查數據包括：水面調查點的經緯度、葉綠素含量。以三列形式保存為.txt和Excel文件，以下格式：
?????序號 ?緯度 ??????經度 ??????葉綠素含量(mg/L)

????1??31.516729??120.170916 ?0.078

????2??31.457287??120.048309 0.025

????3??31.454855??120.174078 0.056

(1) 使用Basic Tool->Bandmath，表達式為float(b3)/b4，計算得到比值圖像。

(2)?在display中顯示比值圖像，選擇overlay->Region Of Interest 打開ROI Tool。

(3) 在ROI Tool中，選擇ROI_Type->Input Points from ASCII，選擇文本格式的實地調查數據。注意參數選擇，x：選擇經度；y：選擇緯度；These point comprise：Individual Points。這樣將實地調查的點位置信息加載到圖像中

(4) 在ROI TOOL中，選擇File->Out ROIs to ASCII。在輸出格式設置面板中(如下圖)，選擇ID、經緯度、和波段像元值(Band Values)。

????這樣就將水面調查點與B_RED/B_NIR對應的值導出來了，將B_RED/B_NIR值導入Excel表中，這樣就將實測葉綠素含量值與B_RED/B_NIR值一一對應上了。

六、模型參數反演

????有了實測的葉綠素含量值與B_RED/B_NIR值的對應表，使用最小二乘法回歸參數a和b。回歸公式為：

????使用Excel的計算功能，很容易得到a=0.060583，b=0.004381

七、葉綠素反演

????有了參數a和b，反演模型可表達為：Chla=0.060583*B_RED/B_NIR+0.004381，利用bandmath很容易得到一個單波段的反演結果

八、反演結果輸出

????在display中，選擇Tools->Color Mapping->ENVI Color Tables，讓結果以彩色方式顯示。

????在打開Overlay->annotation 注記明白，添加Object->Color Ramp，添加一個色帶。

3 波譜識別

????高光譜圖像分類方法與傳統的多光譜分類有本質的區別，從高光譜圖像的每個像元均可以獲取一條連續的波譜曲線，就可以考慮用已知的波譜曲線和圖上每個像元獲取的波譜曲線進行對比，理想情況下兩條波譜曲線一樣，就能說明這個像元是哪種物質。

????高光譜圖像有這個特性，它除了應用于一般的圖像分類，還應用于物質識別、目標探測等。圖像分類更多關注的是地物覆蓋和物質成分，目標識別和探測是對特定對象的搜索，其結果是“有”或者“沒有”。因此我們把高光譜圖像分類、物質識別、探測等稱為波譜識別。

????如下圖是一個波譜識別的典型流程，主要分為端元波譜選擇、波譜識別和結果分析。

圖：波譜識別流程

端元波譜選擇

????端元波譜這個概念最常見于混合像元分解過程中，端元的物理意義就是指圖像中具有相對固定光譜特征的地物類型，也就是圖像中只有一種物質的像元。廣義上講，端元波譜就是“分類訓練樣本”，即應用于波譜識別的標準波譜。

????端元光譜的確定有兩種方式：(1) 使用光譜儀在地面或實驗室測量到的“參考端元”；(2) 在遙感圖像上得到的“圖像端元”。方法(1)一般從標準波譜庫選擇，方法(2)直接從圖像上尋找端元，可選擇的方法有：從二維散點圖中基于幾何頂點的端元提取，借助純凈像元指數(Pixel Purity Index——PPI)和n維可視化工具用于端元波譜收集，基于連續最大角凸錐(Sequential Maximum Angle Convex Cone——簡稱SMACC)的端元自動提取。

????流程圖上標識了兩種方法——基于PPI的端元提取和從外部源(如波譜庫)獲取。

????在目標識別中，我們往往是從圖上選擇一個目標所在區的像元的平均波譜作為目標識別。

識別波譜

????識別波譜可選的方法就很多，常用的是波譜角填圖(Spectral Angle Mapper——SAM)。波譜角填圖(SAM)使用n-維角度將像元與參照波譜進行匹配。該算法是將像元N個波段的光譜看做N維波譜向量，通過計算與端元波譜之間的夾角判定兩個波譜間的相似度，夾角越小，說明越相似。?

圖：波譜角示意圖

????有時候端元波譜的波譜分辨率、波段范圍與圖像不一樣大小，就會需要用到波譜重采樣，如ENVI中的Spectral -> Spectral Libraries -> Spectral Library Resampling就可以將波譜曲線進行重采樣，使得與某一個圖像具有相同的波譜分辨率和波段覆蓋范圍。

結果分析?

????波譜識別的結果就是一個分類結果，柵格或者矢量形式輸出。

????這個流程中有一個是MNF變換和維度判斷。MNF (Minimum Noise Fraction)最小噪聲分離將一幅多波段圖像的主要信息集中在前面幾個波段中，主要作用是判斷圖像數據維數、分離數據中的噪聲，減少后處理中的計算量。

??? MNF也是一種線性變換，本質上是含有兩次疊置的主成分分析：

?第一次變換是利用主成分中的噪聲協方差矩陣，分離和重新調節數據中的噪聲(噪聲白化——noise whitening)。使變換后的噪聲數據只有最小的方差且沒有波段間的相關。
?第二次變換是對噪聲白化數據進行主成分變換。為了進一步進行波譜處理，檢查最終特征值和相關圖像來判定數據的內在維數。數據空間被分為兩部分：一部分是聯合大特征值和相對應的特征圖像，另一部分與近似相同的特征值和噪聲圖像。

????在ENVI中提供的工具可以組合完成上述波譜識別過程，其中波譜沙漏工具(Spectral ->Spectral Hourglass Wizard)將上述流程中的每一個步驟集中在一個界面下完成，由于采用向導式操作，這里就不舉例子介紹。