高光谱遥感原理与方法范例(12篇)
高光谱遥感原理与方法范文篇1
[关键词]遥感技术地质勘查应用
[中图分类号]P62[文献码]B[文章编号]1000-405X（2015）-2-211-1
1引言
遥感技术主要是在高空利用遥感器远距离的探测目标，通过探测对象辐射或反射的电磁波、可见光等来对其进行探知和识别的技术。先进的遥感技术不仅可以获取地球表面地形、地貌的自然特征，还可以获取矿产、植被、山体等实物特性。现将遥感技术应用在地质勘查矿产资源的探测方面，对我国经济的发展有着积极的作用。在实际矿产探测时，我们需要借助遥感技术提取、分析相关的数据和图像信息，并结合实际现场的地形地貌特点，充分借助线环形构造原理，综合论证分析，找到相关的矿产资源。因此，我们不难看出遥感技术具有宏观性、综合性、多角度、多空间的特点。
2遥感技术的实际应用
2.1地质构造信息的获取
不同地质构造的边界或者由于板块运动而产生的变异部位通常存在着内生矿。重要矿产一般都是随机分布在不同板块连接或者临界的地方，随着重大地质的变异相继产生，矿床为带状分布，规模与地质构造的变异差不多。
遥感技术应用在矿产资源的探测方面多表现在空间信息上。主要通过提取该区域矿产的线状影像资料，主要包括地质的断裂、变异等；环状影像资料，主要包括火山、盆地等；带状影像资料，主要包括岩层信息等。还有从控矿断裂交切处出现的块状影像资料和感矿相关的色异常中提出的相关信息。需要说明的是，如果断裂变异为主要控矿构造时，利用遥感技术对断裂信息重点提取分析具有重要的作用。
遥感技术在拍摄成像处理的过程中，通常会出现不清晰和模糊的情况，造成人们无法对那些有兴趣想要重点探索的区域进行清楚的识别。人们利用自我的目测解释或者通过人机互动等方法，对所提取的遥感影像综合分析处理，例如：加强边界线处理，增加灰度调色，利用科学算法等一系列方法，使地质构造信息简单明了的显现出来。此外，遥感技术仍可以通过地表地貌、植被、岩石分布等主要特征，综合提取分析，来获得隐蔽的构造信息。
2.2利用植被波谱特点探矿
受地下水和微生物的共同作用，矿产资源中的金属元素、矿物质都可能或多或少的对上边地层结构产生影响，从而使土壤的营养构成产生变化，生长在最上方土壤上边的植被对于金属元素有着吸附和聚集的作用，导致自身生长过程中水分和叶绿素等主要物质的变化，那就产生了植被反射光谱的差异。因此，这就为遥感技术的应用奠定了理论基础，人们可以通过提取分析遥感资料中植被光谱的异常信息来探寻矿产资源。
人们应该掌握不同植被或者同种植被不同叶、茎含金属量的差异变化。所以，通过对已知现有矿区不同植被或同种植被的不同部位作为样品，进行光谱测试，归纳分析总结出对金属最有吸收聚集作用的植被，将这一种类的植被定为矿产探测的有效植被，其余作为辅助植被。遥感技术的图像处理一般通过光谱增强技术，采用主要成分分析，监督分类等方法。一般情况下，遥感图像上的异常颜色分布均为植被反射的光谱异常信息，我们通过对图像的分析和处理，将这些细微的异常信息分析、提取出来，并将他们直观、重点的重新标注于遥感图像上边，以此来综合推断未探知的矿产资源大致分布。由于植被体内有些金属元素的成分含量
微乎其微，所以，金属元素的含量变化检测受检测仪器的灵敏度限制。倘若，植被体内的金属元素含量变化十分微小，现在的科学技术仍然不能检测出来，那么检测下限就需要重新定量，由实验重新获得。从数据分析上可知，高光谱较多光谱在获取植被波谱方面的优点要多很多。
2.3矿床信息的变化依据
由于外界环境的不断变化，矿床也会随之产生某些性状的变化。我们可以通过调取不同时段的遥感资料和图像进行宏观对比，分析矿床的剥蚀改造作用；综合相关成矿深度的知识，找出矿床的产出部位。
3遥感技术的发展趋势
3.1高光谱的实际应用
高光谱是一种融合了计算机、探测、光学、信号处理于一身的综合技术。充分显示了纳米级别的光谱分辨率在光谱仪中的实际应用，在成像的时候可以同时记录下数百条的光谱通道数据，从每一个像元中提取连续的光谱曲线，实现空间信息，光谱信息和辐射信息的同时获取，所以有着很大的发展空间。高光谱的图像光谱信息具有层次分明、信息丰富的特点，对于不同波段有阵不同的信息变化量，通过建立相关模型，得出矿物的丰度。人们应该充分利用高光谱的优势，加强数据应用处理能力。
3.2数据的整合
伴随着大量新型传感器的不断产生，可以从不同的空间、时间和光谱范围等诸多方面来客观真实的反应地物目标的特点，形成同一个区域的多元数据，和单元数据比较，多元数据具有互补性的优点。单源数据仅能突出地物目标在一个方面或者几个方面的特点，想要全面，多层次的了解目标，就必须以多源据作为基础，提取更多丰富、有意义的信息。多源数据的发展促使数据整合技术的不断前进。借助数据整合，我们不仅可以删除无用信息，提高数据处理效率，还可以将有价值的信息集中整合起来，形成互补优势。
3.33S技术的有机结合
遥感（RS），地理信息系统（GIS），全球定位系统（GPS）统称为3S。我们利用全球定位系统可以有效的迅速定位，确认全球范围内的任何点坐标并进行科学管理。大量的遥感数据需要更大的空间，所以更加需要强大的管理系统。现阶段，随着人力成本的大幅上升，在区域范围内探寻矿产资源的过程中，遥感技术已经表现出了小投资大回报的绝对优势，所以RS和GIS的技术整合相当重要。随着3S技术的不断升级完善，地质工作人员可以尝试3S和可视系统、卫星通信系统等先进科学技术的综合应用，
4结束语
笔者认为，遥感技术作为地质勘查的重要手段，在矿产资源的探测方面有着更大的发展前景，对矿产资源的可持续发展有着积极的作用。
参考文献
高光谱遥感原理与方法范文篇2
关键词：遥感融合小波变换
中图分类号：TP752文献标识码：A文章编号：1007-9416(2011)12-0120-02
引言
遥感技术是一门综合性的对地观测技术，遥感技术是随着人们的客观需要而出现的，和其他技术相比，它具有无可比拟的技术优势。遥感图像中的信息融合就是在一个统一的地理坐标系中，通过利用一定的数据算法对同一目标下的多幅遥感图像进行处理，从而产生新的更加清晰的图像。遥感数据在不同的波段具有不同的时相分辨率、空间分辨率和波普分辨率，要想得到高清的遥感图像，可以采用一定的融合算法来实现。
在图像融合技术中，小波变换融合是近年来研究的热点，并且取得了比较好的效果。单小波的进一步扩展就是多小波，多小波具有很多的优良特性，比如具有正交性、对称性、二阶消失、二阶消失距和短支撑等。正是由于多小波在这方面的各种优点，它可以提供单小波所不能提供的高分辨率、更精度的图像融合方法。
1、小波变换融合法的基本原理
遥感图像融合本质上就是图像合成技术，就是把从不同传感器或者不同的平台上获得的数据按照一定的算法对光谱分辨率图像进行处理从而得到高质量、清晰精准的图片。图像融合的重点在于通过一定规则的算法把时间上或者空间上多余的或者互补的数据进行处理从而获取该图像相关的更多信息，产生一幅具有新的空间、波谱、时间特征的合成图像。图像融合技术不但实现了图像数据上的简单的符合，而且实现了对图像信息的优化。
多分辨率分析概念是在1989年由Mallat在构造正交小波基时提出的，该概念从空间的角度比较具体的对小波的多分辨率特性进行分析和阐述。该模型的具体原理如下：假设对图像进行L层小波分解，那么将得到（3L+1）层子带，其中包括低频的基带和3L层的高频子带、、。用f（x，y）代表源图像，记为，设尺度系数为和小波系数对应的滤波器系数矩阵分别为H和G，那么二维小波分解算法可以描述如下：
该式中，j（0,1,2,3…….j―1）分表表示分解的层数；h，v，d分别表示水平、垂直、对角分量；H和G分别是H和G的共轭转置矩阵。
小波重构算法为：=H+H+G+（j=J,J-1，J-2…….1）
对小波进行分解的层次越多，就能得到越小的图像分解尺寸，所以，对图像进行小波分解以后，也具有金字塔形结构，这种金字塔行结构又叫做小波分解金字塔。图像的小波变换本质上属于一种多尺度、多分辨率的图像分解。
2、对遥感图像进行融合
作为一门新兴技术，遥感图像融合技术的应用前景非常广阔，遥感图像融合的主要目的就是通过对遥感器发送的遥感图像数据进行分析和融合处理，把得到的图像数据还原成一个新的图像，遥感图像融合不但实现了数据图像的复合，而且通过采取一定的算法加强了对相应的图像信息进行优化处理。通过这种方法得到的图像比任何其他单一的处理方法得到的图像要更加清晰、更加准确。
2.1基于HIS彩色变换的图像融合
HIS彩色变换小波算法融合的具体原理是：(1)对高分辨率图像和多光谱图像进行几何匹配；(2)为了提高多光谱彩色合成的解释能力需要对多光谱图像进行HIS变换；(3)对高分辨率图像和I(亮度)分量进行小波变换；(4)保持多光谱图像亮度分量I的低频信息不变，将高分辨率图像小波分解后的高频信息叠加到多光谱图像亮度分量I的高频分量上,然后对同时具有低频信息和叠加后高频信息的亮度分量I进行小波逆变换,这样得出的I将会最大地保留原来多光谱图像的光谱信息,而且能最大限度地提高其空间分辨率；(5)将变换后的H、I、S分量在RGB三维空间进行级联,得到融合后的RGB空间图像。由以上分析可以看出，和低分辨率图像相比，高分辨率图像具有许多大型建筑的边缘细节信息和更多的道路网信息,而分辨率多光谱图像则含有丰富的彩色信息,红色表示植物覆盖(波段合成为SPOT近红外波段、红波段、绿波段),灰绿色为水体,褐色为建筑物。
总体来说，图像融合的主要目的有以下几个方面：(1)改善图像几何精度；(2)提高图像空间分辨率；(3)增强特征显示能力；(4)改善分类精度；(5)对相关的图像数据进行替代或者检测、修补等。
2.2基于小波变换的图像融合
在图像融合中应用小波变换有很多的优点，其中，最重要的在于通过小波变换可以把图像分解到不同的频率域，这样可以对不同频率域的图像采用不同的融合算法，从而得到合成图像的多分辨分解，这样就保留了源图像在不同频率域的分辨率。
2.3实验结果分析
根据实验结果，与传统的HIS数据融合算法相比较，小波变换具有以下几个特点。
1．小波融合模型既可以根据输入图像的不同特点来选择小波基，又可以根据现实的需要来假如双方的详细信息，这样可以达到更好的融合效果，表现出非常强大的实用性，而且针对性也更强。
2．从灵活性方面来考虑，在整个实施过程中，小波方法不但能完成大意波段的融合操作，而且能完成多波段的融合操作，HIS变换只能而且必须同时对三个波段进行融合操作。
3．相比较而言，HIS融合方法在多分辨率数据融合中的畸变最严重，必须非常认真才能实现对数据的详细分析。
3、融合图像质量评价
3.1相关系数、熵公式介绍
相关系数是多光谱图像和融合图像之间的相关系数，通过可以考察融合图像对原图像的保光谱能力，高分辨率图像的相关系数能反映融合图像空间分辨率改善程度。
式中:、表示均值，m，n表示图像的行列像素个数。
衡量图像信息丰富程度的一个重要标准就是图像的信息熵，信息熵表示的是图像所包含的平均信息量的大小。
根据仙农(shannon)信息论的原理，一幅8bit表示图像的熵为：
H(x)=
其中：图像像素灰度值为i的概率用表示。如果图像包含的信息比较丰富，那么融合图像H(x)的值就越大。
3.2实验结果质量评价
采用相关系数和熵方法评价图像的融合效果，如表1所示。
小波变换融合的保光谱能力可以通过上表1融合影像与多光谱影像的相关系数来看，经分析可以知道小波变换融合法的保光谱能力最强；从影响分辨率的角度来考虑，通过融合影像与高分辨率影像的相关系数来看主成分变换(PCA)融合可以最大程度的提高影像分辨率，小波变换融合法次之；从融合影像的熵来看，小波变换融合法和主成分变换融合较好。通过以上分析表明，与传统方法相比较，小波变换融合法使得融合后的图像最大限度地保留多波段光谱信息的同时，提高了图像的空间分辨率，并且信息量增加均衡，具有明显的优越性。
4、结语
本文根据多光谱遥感图像和高分辨率图像之间的频率关系和小波变换特点，对图像进行最佳小波变换融合。通过与传统图像融合方法PCA、HIS等方法进行比较可以看出，小波变换融合方法不但在保留光谱信息方面具有很多的优点，而且在提高多光谱影响的空间结构和细节信息方面也具有非常好的融合效果。
参考文献
[1]王文杰.一种基于小波变换的图象融合算法[J].中国图形图象学报，2007.6(11)：1130～1135.
[2]闫敬文.数字图像处理[M].北京：国防工业出版社，2007.2：181～182.
[3]王爱玲，叶明生，邓秋香.图像处理技术与应用[M].北京：电子工业出版社，2008，1：362～365.
基金项目
黑龙江省教育厅科学技术研究项目。
（项目名称：基于机器学习的MRI序列图像超分辨重构算法研究,项目编号：11551490）。
高光谱遥感原理与方法范文1篇3
遥感技术与应用
Vol.25No.4Aug.2010
干涉成像光谱遥感技术发展与应用
李传荣,贾媛媛,马灵玲
(中国科学院光电研究院,北京100190)
摘要:干涉成像光谱技术是遥感技术与应用的前沿与热点,因其高通量、高光谱分辨率和高成像稳定性等特点带来的巨大应用潜力而受到各国的普遍重视。从干涉成像光谱技术基本原理出发,系统回顾并评述干涉成像光谱数据在光谱复原、定标、大气校正三方面的主要进展,同时对国内外干涉型成像光谱仪的发展与应用加以介绍,指出基于HJ-1A超光谱成像仪开展相关工作是加快我国干涉成像光谱技术发展的有效途径。
关键词:成像光谱技术;干涉成像光谱仪;光谱复原;定标;大气校正中图分类号:TP731文献标志码:A文章编号:1004-0323(2010)04-0451-07
1引言
成像光谱技术以地表物质与电磁波的相互作用及其所形成的光谱辐射特性为理论基础,在获取地物空间形态和状态信息的同时,可以探测地物的连续光谱特性,是一种图谱合一的新型传感器技术。根据成像原理的差异,成像光谱技术可分为色散型和干涉型两类。色散型成像光谱仪光谱分辨率、空间分辨率受狭缝宽度制约;而干涉成像光谱技术因其巨大的潜力而成为成像光谱技术的主要发展方向,在系统原理、数据处理技术、仪器研发与应用等方面得到了全面快速发展。
仪、探测器以及图像数据采集与处理系统组成,根据干涉仪的差异形成了两类主要的干涉成像技术:一是时间调制干涉成像光谱技术,也称动镜型干涉成像光谱技术,它基于Michelson干涉仪发展起来,具有一套高精度动镜驱动系统,其光谱分辨率高,但机械性能要求高、实时性不好等极大地限制了它的应用;另一类是空间调制干涉成像光谱技术,也称数字阵列扫描或无动镜干涉成像光谱技术,它利用分光元件将一束光横向剪切(或角剪切)为两束,然后使两束相干光在探测器平面上相遇形成干涉条纹,目前代表性的方案主要有基于以变形Sagnac干涉仪为分光元件的成像光谱仪和基于以双折射晶体为分光元件的成像仪,尽管光谱分辨率低于Michelson干涉仪,但原理简单、体积小、实时性好、光谱范围宽等特点,使其在航空航天领域具有广阔的应用前景。
2干涉成像光谱技术基本原理
干涉成像光谱技术也称傅里叶变换光谱技术,
具有多通道、高通量、高光谱分辨率和较大视场等特点。它同时测量所有谱元干涉强度获得干涉图,对干涉图进行傅里叶变换即可生成光谱图,其变换关系为:
I($)=B(v)
3数据处理关键技术
3.1光谱复原技术
干涉型超光谱成像仪直接测量的是对光谱数据进行变换后的干涉图,在使用前必须对数据进行复原处理以获得含有多种信息的光谱图,其光谱反演精度将直接影响整个仪器的性能与应用。传统的光谱复原技术通常采用经典谱估计中的周期图法,它将干涉图经必要的修正、切趾滤波、相位校正后,直接进行傅里叶变换得到光谱图,该方法在进行傅里
QBexp(i2Pv$)dv=
QIexp(-i2Pv$)d$
-]
(v)
]-]
($)
]
(1)(2)
其中:I($)为干涉强度分布,B(v)是入射光谱分布,v为波数,$为光程差。
干涉型成像光谱仪通常由前置光学系统、干涉
收稿日期:2009-09-22;修订日期:2010-04-08
作者简介:李传荣(1956-),男,研究员,博士生导师,主要从事遥感卫星地面系统的研究工作。E-mail:crli@aoe.ac.cn。
叶变换时将取样点以外的信息均视为零,增加的数据窗导致复原光谱分辨率偏低。为此,国内外学者通过数学模型进行自相关函数外推,从而发展了一些提高复原光谱分辨率的超分辨率谱方法。
Kawata等利用最大熵方法MEM(MaximumEntropyMethod)替代常规的傅里叶变换对干涉图进行了光谱估计,其光谱分辨率有了显著提高,但自回归模型AR(Auto-Regressive)阶数难以判定、抗噪声能力差等使其很难用于干涉型超光谱数据处理。Minami[2]等采用截断奇异值分解TSVD(TruncatedSingularValueDecomposition)与AR模型相结合的方法,提高了光谱估计方法的抗噪声能力,并且基本解决了伪峰问题,但没有解决谱线位置漂移和峰高比失真的问题。1991年Kauppin-en
[3]
[1]
进一步研究完善。3.2定标技术
为了提供可靠的数据产品,必须对传感器进行精确定标。干涉成像光谱仪的定标内容包括光谱定标和辐射定标两方面:光谱定标主要是通过确定干涉图零光程差的位置、频率以及最大光程差,从而标定各谱段的中心波长和光谱分辨率;辐射定标是在测量有效范围内确定光谱成像仪的响应值,即标定各像元在不同光谱通道的辐射响应,可分为绝对辐射定标和相对辐射定标。根据不同分光原理研制的光谱成像仪定标内容和要求大体相同,但方法存在较大差异。
Best
[10]
等研究了地球静止成像傅里叶变换光谱
仪GIFTS(GeostationaryImagingFourierTransformSpectrometer)的飞行定标方法,通过周期性地观测两个不同温度的内部小孔径参考黑体以及冷空间进行辐射定标,以高稳定二级激光管为参照采用大气辐射传输模型与HITRAN数据库逐线计算进行比较实现在轨光谱定标。黄旻[11]等提出了由柯拉照明系统、积分球系统和准直镜组成的空间调制干涉型成像光谱仪的星上定标方案。相里斌[12]等基于空间调制干涉光谱成像仪的原理和特点,提出了一种空间调制干涉光谱成像仪实验室与飞行定标方法,利用单色平行管或单色积分球进行实验室光谱定标,使用标准光源、单色仪、积分球以及聚光镜组成的单色积分球系统实现实验室辐射定标,采用经过实验室定标设备标定的辐射光源开展飞行定标。计忠瑛[13]等系统分析了利用一次像面上狭缝两端的边视场或在狭缝旁开孔、用聚光镜或自聚焦镜引入定标光源的定标方法,以及朗伯板定标系统和积分球定标系统两类全系统定标方法,认为积分球定标系统是实现干涉型超光谱成像仪全系统、全口径、部分视场星上定标的优选方案。崔燕[14]等使用干涉光谱成像仪和光谱辐射计同时采集目标辐射强度,将复原采集干涉图得到的光谱图与光谱辐射计采集到的绝对光谱进行比对,通过确定定标系数实现光谱辐射定标。在辐射定标方面,可见光/近红外与红外高光谱设备定标方法是完全不同的,红外设备定标通常使用黑体进行辐射定标,其技术已较为成熟;而可见光/近红外设备定标采用漫反射板、积分球、定标灯或者不同地表目标进行定标,定标技术还有待进一步发展。光谱定标技术目前还处于探索,等整合傅里叶自退卷积FSD(FourierSelf-De-
convolution)、MEM以及线性预测LP(LinearPre-diction),提出了线型优化最大熵线性预测方法LOMEP(LineShapeOptimizedMaximumEntropyLinearPrediction),该方法假定目标光谱中谱线具有相同的线型,首先利用FSD方法消除光谱谱线线型对干涉图的影响,然后通过MEM方法求解自回归模型系数,最后将自回归模型系数作为线性预测系数对干涉数据进行线性预测,并由MEM谱估计公式得到最终的估计谱,克服了峰高比失真的问题。在时域线性预测中,KauppinenSaarinen
[5]
[4]
等发展了一种理
论脉冲响应模型,用于确定自回归系数;之后,
等基于脉冲响应理论的研究,提出了
GulfTuning方法,根据Fourier变换谱的性状反复调整理论脉冲响应系数从而保证谱估计的准确性。我国学者相里斌[6]等发展了傅里叶退卷积、自回归模型以及截断奇异值分解相结合的光谱超分辨率FAT方法,该方法具有分辨率高、抗噪声能力强、峰值位置准确、无伪峰等特点,但存在光谱强度失真的问题;为此,他们
[7]
又利用FAT方法中傅里叶退卷
积技术带来的光谱线型信息,对估计谱的相对强度进行修正,提出了FATIC方法,其估计谱与真实光谱更为接近。另外,董瑛
[8]
等提出了一种基于特征
分析与线性拟合的超分辨率谱估计方法EALF,简小华[9]等将非参数模型Music算法引入到干涉图光谱复原处理中。这些方法建立在干涉信号的自回归模型上,其关键在于自回归模型参数的确定以及回归阶数的判定,尽管已有算法取得了较好的应用效果
曲线和由光谱参数模拟的光谱之间的某些特征光谱的位置差异,从而评价遥感器的中心波长位移情况,光谱分辨率小于匹配特征光谱的宽度时该方法方为有效。总体来看,干涉型成像光谱仪的定标技术还不完善,基于仪器原理、特点及定标要求,将实验室定标与星上定标紧密结合,发展高精度、长寿命、简单稳定定标系统是未来的发展方向。3.3大气校正算法
由于传感器与观测目标之间存在着一定光程的大气,而大气分子、气溶胶的散射以及水汽、臭氧等气体的吸收将削弱传感器接收的地物发射或反射的电磁波信号。精确地消除大气吸收与散射的影响同样也是干涉成像光谱遥感技术定量化获取地表特征的首要任务,国内外学者已发展的多种高光谱遥感数据大气校正算法将适用于干涉成像光谱数据。
内在平均相对反射率、平场域、对数残差、经验线性等是早期高光谱大气校正算法的主要代表,它们基于影像自身或大量野外实测光谱数据,通过统计方法实现影像的相对校正,而无需对影像进行绝对辐射校正,方法简单易行,但算法对系统稳定性要求较高,且通常要求大气状况均一,这在实际应用中往往难以满足。随着辐射传输理论的发展与完善,基于LOWTRAN、MODTRAN、5S、6S等多种实用大气辐射传输模型的物理算法应运而生。ATREM
[15]
反演方面仍需不断改进。ATCOR是一款适用于多光谱和高光谱影像大气校正的商业化软件,最早由Richter于1990年提出,ATCOR2/3
[18]
支持中小视用于航空
场卫星传感器的大气纠正,ATCOR4
[19]
影像的大气纠正,算法考虑了邻近效应以及地形的影响,并具备处理红外波段影像的能力,已广泛用于Geomatica、ERDASImagine等图像处理通用软件中。另外,COCHISE[20]、HATCH[21]等算法也取得了较好的应用效果。这些算法具有明确的物理意义,能够较高精度地实现大气校正,进而反演地表反射率,是目前国际上普遍采用的大气校正方法;但该类算法所需参数多、计算量大,计算精度受大气参数获取、辐射传输求解算法的直接影响,在一定程度上限制了其在实际中的应用。在国内外研究者的共同努力与推进下,大气校正技术已从初期的统计算法发展到复杂的物理算法,其精度有了明显提高,但仍没有一个可普遍使用的算法,应用时必须根据干涉成像光谱数据的具体特点和研究要求而选取适当的校正方法。
4干涉型成像光谱仪及其应用
伴随着成像光谱概念的提出,20世纪80年代以来干涉型成像光谱技术受到世界各国普遍重视并得以快速发展。美国于1988年为哈勃望远镜提出了光谱范围为1~2.5Lm的基于猫眼镜扫描系统的干涉成像光谱仪HIMS(HubbleImagingMiche-lsonSpectrometer)设计方案
[22]
是针对光谱范围在0.4~2.5Lm的
AVIRIS高光谱航空影像数据提出的地表反射率反演算法,它使用快速逐线积分大气透过率模型计算大气气体透过率,利用6S模型模拟大气散射的影响并获得地表反射率,但算法缺乏对地形因子、云散射、气体吸收和气溶胶耦合作用的考虑,在暗目标的校正方面存在较大偏差。ACORN[16]是基于MODTRAN4模型开发的一款商业化的增强型大气校正软件,可支持0.4~2.5Lm波谱范围内的高光谱数据大气纠正,算法很好地运用了快速精确的查找表技术和最小二乘拟合算法,解决了水汽和植被液态水之间重叠吸收的问题。FLAASH
[17]
;1993年美国国家航
空航天局(NASA)Ames研究中心与华盛顿大学联合研发了基于双折射元件的数字阵列扫描干涉成像光谱仪DASI(DigitalArrayScannedInterferome-ter)样机[23],其谱段范围为0.4~1.0Lm和1.1~2.2Lm,光谱分辨率约为300cm-1,视场角为5b,在可见光近红外谱段有256个像素,短波红外有390个像素,利用1994年和1995年机载飞行试验获取的加利福尼亚地区海岸与内地DASI影像,成功开展了地面目标和大气环境的观测
[24]
是基;在美国海军研
于MODTRAN4开发的另一大气纠正模型,它整合了已有成熟的光谱分析方法,并与MODTRAN同步更新,其工作谱段为0.4~2.5Lm,算法考虑了邻近效应,能够输出水汽含量、平均地表能见度、卷云和薄云分类以及地表反射率影像,并提供整幅影像的光谱平滑处理以消除纠正中存在的噪声,但在究局(ONR)的支持下,1993年夏威夷大学与佛罗里达大学合作研制了空间调制成像红外干涉光谱仪SMIFTS[25](SpatiallyModulatedImagingFourierTransformSpectrometer),其光谱测量范围为1~5Lm,光谱分辨率约为100cm-1,视场角为13b,采用128@128阵列探测器,通过飞行试验获取了檀香;
提出了机载傅里叶变换可见光超光谱成像仪FTVHSI[26](FourierTransformVisibleHyper-SpectralImage),它的光谱范围是0.45~1.05Lm,光谱分辨率约为90cm
-1
验室装置SMII[31](SpatiallyModulatedImagingIn-terferometer)、在普通照相系统的平行光路中加入横切干涉仪的大孔径静态干涉光谱成像仪LA-SIS
[32]
,波段数为256个,视场角(LargeApertureStaticImagingSpectrome-
为13b,瞬时视场角为0.75mrad,其核心元件是1024@1024面阵CCD相机;2000年7月19日,美国强力卫星-Ò(MightySatÒ)成功发射,其上搭载了首台星载干涉型光谱成像仪FTHSI[27](FourierTransformHyperspectralImager),其谱段范围为0.475nm~1.05Lm,有用波段146个,光谱分辨率为84.4cm-1,视场角为3b,空间分辨率为30m,FTHSI获取的影像对光谱变化更加敏感,在早期干旱监测、土地利用分类、大气结构监测等方面可以更好地服务于社会;地球静止傅里叶变换成像光谱仪GIFTS
[28]
ter);中国科学院长春光学精密机械与物理研究所应用光学国家重点实验室在对Sagnac型干涉成像光谱仪的应用任务要求及信噪比方程进行分析的基础上,研制了空间调制的Sagnac型干涉成像光谱仪原理样机,并进行了实验室及外场干涉成像光谱实验,取得了满意的结果[33]。2007年10月24日我国发射了首颗搭载有干涉成像光谱仪IIS(Interfer-enceImagingSpectrometer)的嫦娥一号卫星,IIS是由中国科学院西安光学精密机械研究所研制的Sagnac空间调制型傅氏变换光谱仪,其成像幅宽为25.6km,月表像元分辨率200m,光谱范围0.48~0.96Lm,谱段数为32个,主要用于获取月球矿物的光谱信息进而反演出全球分布信息
[34]
于1999年确定为NASA新千年计划地球
观测EO-3任务,并于2005年完成GIFTS工程样机,其波谱范围为4.4~6.1Lm和8.85~14.6Lm,光谱分辨率0.57cm-1,它可以获得高时空分辨率的温度、湿度和风的大气廓线,从而提高对恶劣天气进行预报的精度,同时为全球数值气候预报模式提供精确的初值;交叉跟踪红外探测器CrIS[29](CrosstrackInfraredSounder)是美国NPOESS系统中的主要传感器之一,其观测光谱包含3个离散的谱段3.9~4.6Lm、5.7~8.3Lm、9.1~15.4Lm,对应的光谱分辨率分别小于2.5cm
-1
-1
-1
;2008年9
月6日我国环境与灾害监测预报小卫星星座(简称HJ星座)HJ-1A卫星成功发射,其上搭载了中国科学院西安光学精密机械研究所自主研制的干涉型超光谱成像仪HSI(HyperSpectralImager)[35],它通过?30b侧摆实现全球重复观测,重访周期为96h,其空间分辨率是100m,幅宽为50km,具有115个工作谱段,光谱范围在0.45~0.95Lm,平均光谱分辨率为98cm,适用于开展多种专题研究,如大气成分探测、水环境监测、植被生长状况监测、矿物识别和油气资源探测等;另外,我国计划发射的风云四号气象卫星所搭载的干涉式大气垂直探测仪已进入预研阶段,它能够获取大气温度、湿度和大气成分的垂直分布,实现大范围、快速、连续和长期的气象观测。
在干涉成像光谱仪实用化进程的推动下,国内外学者就该类数据的应用相继展开了一系列探索性研究。Hoff
[36]-1
、
1.25cm、0.625cm,它以高光谱分辨率观测大气上行辐射从而确定大气温度、湿度以及气压廓线。法国国家空间研究中心(CNES)研制了干涉型红外大气探测仪IASI[30](InfraredAtmosphericSound-ingInterferometer),它搭载在欧洲第一颗极轨卫星METOP-A上于2006年10月19日成功发射,其谱段范围为3.62~15.5Lm,具有8461个通道,光谱分辨率为0.5cm-1,视场角48b20c,可用于大气、海洋、云和大气成分等的反演,同时还可提供晴空条件下地表发射率和海洋表面温度资料。另外,德国的MIPAS(MichelsonInterferometerforPassiveAt-mosphericSounding)、日本的SOFIS(SolarOccu-ltationFTSforInclined-orbitSatellite)等也都是目前国际上具有代表性的干涉型成像光谱仪。
我国在干涉型成像光谱技术方面也开展了大量研究,并初步实现了工程化应用。中国科学院西安光学精密机械研究所研制了基于实体Michelson干等将通用加权光谱差目标检测算法
[37]
用于SMIFTS数据,表明了高光谱数据在目标分类中的优势;Otten
等利用非成像光谱反射率数据
[38]
和FTVHSI高光谱数据进行了草地、热带雨林植被、干旱台地这类背景下的伪装量测;Winter
等
利用SMIFTS获取的短波和中波红外影像结合LIFTIRS(LivermoreImagingFourierTransformInfraredSpectrometer)的长波红外数据开展了高光谱数据矿物探测算法研究;Phulpin[31]等分析了IA-
潜力;Zhou[39]等提出了一种用于IASI的地球物理参数反演算法,获得了具有高垂直分辨率的大气水平特征。在我国,张淳民
[40]
tion,MaximumEntropy[J].AppliedSpectroscopy,1991,45(3):411-416.
[4]KauppinenJK,SaarinenPE.TrueLinearPredictionbyUse
ofaTheoreticalImpulseResponse[J].JournaloftheOpticalSocietyofAmericaB,1994,11(9):1631-1638.
[5]SaarinenPE.TheSpectralLineNarrowingProblemanda
ComputerProgramBasedontheGulfTuningMethod[J].AppliedSpectroscopy,1998,52(12):1569-1582.
[6]XiangLibin,ZhaoBaochang,XueMingqiu.ANewMethodfor
SuperresolutionofFourierTransformSpectral[J].ActaOpt-icaSinica,1995,15(11):1529-1533.[相里斌,赵葆常,薛鸣球.研究傅里叶变换光谱超分辨率的一种新方法[J].光学学报,1995,15(11):1529-1533.]
[7]XiangLibin,ZhaoBaochang,XueMingqiu.IntensityCorrec-tionandQualityFactorofFAT[J].ActaOpticaSinica,1996,16(4):430-434.[相里斌,赵葆常,薛鸣球.光谱估计方法FAT的强度修正及品质因子[J].光学学报,1996,16(4):430-434.]
[8]DongYing,XiangLibin,ZhaoBaochang.NewApproachto
ResolutionEnhancementofFourierTransformSpectrum[J].SpectroscopyandSpectralAnalysis,2003,23(3):441-445.[董瑛,相里斌,赵葆常.Fourier变换光谱学的一种光谱分辨率增强方法[J].光谱学与光谱分析,2003,23(3):441-445.][9]JianXiaohua,ZhangChunmin,ZhaoBaochang.ANewMeth-odforSpectrumReproductionandInterferogramProcessing[J].ActaPhysicaSinica,2007,56(2):824-829.[简小华,张淳民,赵葆常.研究干涉图处理与光谱复原的一种新方法[J].物理学报,2007,56(2):824-829.]
[10]BestFA,RevercombHE,BinghamGE,etal.Calipationof
theGeostationaryImagingFourierTransformSpectrometer(GIFTS)[J].ProceedingsofSPIE,2001,4151:21-31.
[11]HuangMin,XiangLibin,YuanYan,etal.Researchofthe
On-boardCalipationofFourierTransformImagingSpec-trometer[J].RemoteSensingTechnologyandApplication,2004,19(3):214-216.[黄旻,相里斌,袁艳,等.干涉型超光谱成像仪星上定标方法研究[J].遥感技术与应用,2004,19(3):214-216.]
[12]XiangLibin,JiZhongying,HuangMin,etal.OntheCalipa-tionoftheSpatiallyModulatedImagingFourierTransformSpectrometer[J].ActaPhotonicaSinica,2004,33(7):850-853.[相里斌,计忠瑛,黄旻,等.空间调制干涉光谱成像仪定标技术研究[J].光子学报,2004,33(7):850-853.]
[13]JiZhongying,XiangLibin,WangZhonghou,etal.Researchof
CalipationTechnologyofInterferenceHyperspectralImageronSecondaryPlanet[J].RemoteSensingTechnologyandAp-plication,2004,19(4):280-283.[计忠瑛,相里斌,王忠厚,等.干涉型超光谱成像仪的星上定标技术研究[J].遥感技术与应用,2004,19(4):280-283.]
[14]CuiYan,JiZhongying,GaoJing,etal.StudyontheSpectral
RadiometricCalipationMethodoftheSpatiallyModulatedJ].等利用干涉成像光谱技
术和电磁波的多普勒效应对上层大气风场进行了量测,从而计算得到大气风场的速度和温度;赵海涛
[41]
等分析认为傅里叶变换成像光谱技术对分析
气体的极为复杂而强度很弱的红外光谱特别适用,有望应用于化学战剂遥测领域。总之,干涉成像光谱技术在获取空间信息的同时能够提供更加丰富的光谱维信息,不仅在农业、林业、海洋、土地等资源调查与环境监测领域具有广阔的应用前景,在目标识别、作战环境探测等军事领域也将发挥重要作用。
5结语
近几十年间,不断涌现的新的原理、方案、技术极大推动了干涉成像光谱技术的发展,仪器更加稳定可靠并向工程化应用迈进,数据处理技术日臻完善,数据应用更加广泛,干涉成像光谱遥感技术已成为今后成像光谱仪特别是星载成像光谱仪的主要发展方向。我国在干涉成像光谱仪研制方面紧随世界步伐,先后开展了多种原理样机的研制工作,嫦娥一号、HJ-1A卫星的发射标志着我国干涉光谱成像研究开始走向实用化阶段;然而,干涉成像光谱数据的处理与应用能力却略显不足,用户对干涉成像光谱这一新型遥感技术了解较少,数据应用仅限于简单定性认识而缺乏定量深入分析。今后,应以在轨运行的HJ-1A卫星HSI超光谱成像仪为契机,系统布设仪器场外定标计划,通过不断完善的数据处理算法提高数据质量;同时,开展HSI数据示范应用研究,拓展干涉成像光谱数据应用市场;在实践应用中,逐步解决干涉成像光谱技术面临的各种工程及应用问题,推动我国干涉成像光谱遥感技术领域的快速发展。
参考文献:
[1]KawataS,MinamiK,MinamiS.SuperresolutionofFourier
TransformSpectroscopyDatabytheMaximumEntropyMethod[J].AppliedOptics,1983,22(22):3593-3598.[2]MinamiK,KawataS,MinamiS.SuperresolutionofFourier
TransformSpectralbyAutoregressiveModelFittingwithSingularValueDecomposition[J].AppliedOptics,1985,24(2):162-167.
[3]KauppinenJK,MoffattDJ,HollbergMR,etal.ANew
gon-
Sinica,2005,25(12):1719-1721.[崔燕,计忠瑛,高静,等.空间调制干涉光谱成像仪光谱辐射度定标方法研究[J].光学学报,2005,25(12):1719-1721.]
[15]GaoBC,HeidepechtKB,GoetzAFH.DerivationofScaled
SurfaceReflectancesfromAVIRISData[J].RemoteSensingofEnvironment,1993,44(2-3):165-178.
[16]AnalyticalImagingandGeophysicsLLC(AIG).ACORNUs-er"sGuide,StandAloneVersion[S].2001.
[17]ITTVisualInformationSolutions.FLAASHModuleUser"s
Guide[S].2008.
[18]RichterR.Atmospheric/TopographicCorrectionforSatellite
Imagery(ATCOR-2/3UserGuide,Version7.0)[S].Wessling,Germany:DLR,2009.
[19]RichterR.Atmospheric/TopographicCorrectionforAirborne
Imagery(ATCOR-4UserGuide,Version5.0)[S].Wessling,Germany:DLR,2009.
[20]BoucherY,PoutierL,AchardV,etal.ValidationandRo-bustnessofanAtmosphericCorrectionAlgorithmforHyper-spectralImages[J].ProceedingsofSPIE,2002,4725:459-470.
[21]QuZ,KindelBC,GoetzAFH.TheHighAccuracyAtmos-phericCorrectionforHyperspectralData(HATCH)Model[J].IEEETransactionsonGeoscienceandRemoteSensing,2003,41(6):1223-1231.
[22]VaughanAH.ImagingMichelsonSpectrometerforHubble
SpaceTelescope[J].ProceedingsofSPIE,1988,1036:2-14.
[23]HammerPD,ValeroFPJ,PetersonDL,etal.AnImaging
InterferometerforTerrestrialRemoteSensing[J].Proceed-ingsofSPIE,1993,1937:244-255.
[24]HammerPD,PetersonDL,SmithWH,etal.RemoteSens-ingwithHyperspectralImageryUsingDASI-anImagingIn-terferometer[J].IGARSS"96,1996,4:2276-2278.
[25]LuceyPG,HortonKA,WilliamsTJ,etal.SMIFTS:A
CryogenicallyCooled,SpatiallyModulatedImagingInfraredInterferometerSpectrometer[J].ProceedingsofSPIE,1993,1937:130-141.
[26]MeigsAD,ButlerEW,JonesBA,etal.Kestrel"sNew
FTVHSIInstrumentforHyperspectralRemoteSensingfromLightAircraft[J].ProceedingsofSPIE,1996,2960:174-183.
[27]YarpoughS,CaudillT,KoubaME,etal.MightySatII.1
HyperspectralImager:SummaryofOn-OrbitPerformance[J].ProceedingsofSPIE,2002,4480:186-197.
[28]SmithWL,RevercombHE,ZhouDK,etal.Geostationary
ImagingFourierTransformSpectrometer(GIFTS):ScienceApplications[J].ProceedingsofSPIE,2006,6405:64050E-1-64050E-13.
[29]GlumbRJ,JordanDC,ManticaP.Developmentofthe
CrosstrackInfraredSounder(CrIS)SensorDesign[J].Pro-ceedingsofSPIE,2002,4486:411-424.
[30]PhulpinT,BlumsteinD,PrelF,etal.ApplicationsofIASIon
ofMeteorology,ClimateMonitoringandAtmosphericChemistry[J].ProceedingsofSPIE,2007,6684:66840F-1-66840F-12.
[31]XiangLibin,ZhaoBaochang,XueMingqiu.SpatiallyModula-tedImagingInterferometry[J].ActaOpticaSinica,1998,18(1):18-22.[相里斌,赵葆常,薛鸣球.空间调制干涉成像光谱技术[J].光学学报,1998,18(1):18-22.]
[32]DongYing,XiangLibin,ZhaoBaochang.AnalysisofInterfer-ometerSysterminaLargeApertureStaticImagingSpectrom-eter[J].ActaOpticaSinica,2001,21(3):330-334.[董瑛,相里斌,赵葆常.大孔径静态干涉成像光谱仪的干涉系统分析[J].光学学报,2001,21(3):330-334.]
[33]JinXizhe,XiangYang,YuBingxi.DevelopmentandSpectral
ImagingExperimentofSagnacTypeImagingFourierTrans-formSpectrometer(IFTS)[J].JournalofRemoteSensing,2002,6(3):193-197.[金锡哲,向阳,禹秉熙.Sagnac型干涉成像光谱仪研制及干涉成像光谱实验[J].遥感学报,2002,6(3):193-197.]
[34]ZhaoBaochang,YangJianfeng,ChangLingying,etal.Optical
DesignandOn-orbitPerformanceEvaluationoftheImagingSpectrometerforChang.e-1LunarSatellite[J].ActaPhoton-icaSinica,2009,38(3):479-483.[赵葆常,杨建峰,常凌颖,等.嫦娥一号卫星成像光谱仪光学系统设计与在轨评估[J].光子学报,2009,38(3):479-483.]
[35]LiChuanrong,JiaYuanyuan,HuJian,etal.AnAnalysisof
theProspectsofHJ-1OpticalSatellitesinRemoteSensingApplication[J].RemoteSensingforLand&Resources,2008,(3):1-3,9.[李传荣,贾媛媛,胡坚,等.HJ-1光学卫星遥感应用前景分析[J].国土资源遥感,2008,(3):1-3,9.]
[36]HoffLE,ChenAM,YuXS,etal.EnhancedClassification
PerformancefromMultibandInfraredImagery[J].Proceed-ingsofASILOMAR-29,1995,2(30):837-841.
[37]OttenLJ,SilcoTL,RafertJB,etal.HyperspectralMeas-urementsofCommonCamouflages[J].ProceedingsofSPIE,1995,2469:517-525.
[38]WinterEM,SchlangenMJ,BowmanAP,etal.Experimentsto
SupporttheDevelopmentofTechniquesforHyperspectralMineDetection[J].ProceedingsofSPIE,1996,2759:139-148.
[39]ZhouDK,SmithWL,LararAM.CloudandThermodynamic
ParametersRetrievedfromSatelliteUltraspectralInfraredMeasurements[J].ProceedingsofSPIE,2008,7107:71070N-1-71070N-12.
[40]ZhangChunmin,WangWei,XiangLibin,etal.Interference
ImageSpectroscopyforUpperAtmosphericWindFieldMeas-urement[J].ActaOpticaSinica,2000,20(2):234-239.[张淳民,王炜,相里斌,等.利用干涉成像光谱技术测量大气风场[J].光学学报,2000,20(2):234-239.]
[41]ZhaoHaitao,PeiYanjun,GuoHailei,etal.FourierTransform
ImagingSpectrometerforChemicalAgentDetection[J].ShipScienceandTechnology,2006,28(2):80-82,101.[赵海涛,裴彦军,郭海雷,等.傅里叶变换成像光谱技术在化学战剂遥测J].,2006,:101.]
ReviewonDevelopmentandApplicationof
InterferenceImagingSpectrometry
LIChuan-rong,JIAYuan-yuan,MALing-ling
(AcademyofOpto-Electronics,ChineseAcademyofSciences,Beijing100190,China)
高光谱遥感原理与方法范文篇4
关键词：油菜（BrassicanapusL.）；高光谱遥感；内聚系数；特征波长指数
中图分类号：S127；S634.3文献标识码：A文章编号：0439-8114（2013）23-5866-05
遥感是20世纪60年展起来的对地观测综合性技术，这种技术可以从远处把探测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[1]。任何物质都会反射、吸收、透射和辐射电磁波，且不同的物体对不同波长的电磁波的吸收、反射或辐射特性是不同的，物质的这种对电磁波固有的特性叫光谱特性，因此，利用高光谱遥感技术获得并分析物质的光谱曲线是识别物质的有效手段[2]。将遥感技术应用到农业上是当前农业高新技术产业化的发展前沿，也是科技农业发展的趋势[3]。
在农业生产中，同种作物的不同品种之间往往具有相似而略有差异的光谱特征，通过其光谱特征对农作物进行识别分类是一种新的有效方法。国内外学者利用卫星遥感影像在小麦、玉米、水稻、棉花和油菜等作物的识别方面进行了有益的探索[4-9]。油菜（BrassicanapusL.）属十字花科芸薹属植物，其作为产油效率较高的油料作物之一，在中国食用油供给中占有重要地位[10，11]。油菜在中国的生产方式主要是以农户模式为主，随意性较强，优质油菜推广面积有限，利用高光谱遥感技术对油菜品种进行快速无损的识别检测，对于油菜主产区的种植监管有着积极的意义。为此，使用ASDFieldSpecHandHeld2TM手持式野外光谱辐射仪针对3个不同品种油菜实地采集了多个时相的油菜冠层光谱数据，通过内聚系数和特征波长指数分析，筛选出适宜高光谱遥感识别不同品种油菜的生育时期，建立了不同品种油菜冠层光谱特征的识别模型，为今后建立油菜品种光谱数据库以实现不同类型油菜识别，从而对田间油菜种植品种的监测及油菜种植区域的监控提供了可能的技术手段。
1材料与方法
1.1田间试验
试验在湖北省孝感市中国农业科学院油料作物研究所汉川试验基地进行，该基地位于亚热带季风气候区，气候适宜，适合油菜的生长。根据油菜的生长特性，试验时间选择在2011年10月至2012年4月。试验材料有中双9号、湘油15号和沪油15号，均为中国农业科学院油料作物研究所提供的甘蓝型半冬性常规油菜品种。每个品种4次重复，每个重复为16m2（2m×8m）的小区，田块周围布置有保护行以防止边界效应。常规田间管理，保证各田块水分、温度、肥力等条件相同。
1.2光谱数据采集
光谱数据测量采用美国ASD公司生产的FieldSpecHandHeld2TM手持式野外光谱辐射仪，该设备可在325～1075nm波长范围内进行连续的光谱测量，光谱分辨率
±1nm，视场角25°，共751个波段。
测定时间选择在10：00～14：00，太阳高度角大于45°，且当时天气晴朗，无云，风速小于3m/s，能见度、太阳光光照条件良好。在自然光照条件下进行光谱测量时，将仪器垂直于待测植株之上，并保证25°视场角内覆盖整个植株，每隔5min左右对仪器做一次优化并做参考板（标准白板）校正。根据油菜的生长周期以及天气情况，分别对苗期（2011年12月28日）、抽薹期（2012年2月18日）、开花期（2012年3月26日）油菜进行了多次田间光谱数据采集。每个田块选择5个点，每个点分别采集5条光谱反射率数据。
1.3光谱数据预处理
仪器获取的原始光谱数据的光谱分辨率为1nm。为了减小背景噪声的影响以及数据冗余的问题，采用Savitzky-Golay滤波的方法对光谱数据进行平滑处理，并对平滑过的光谱数据重新采样，使得其新的光谱分辨率为5nm。因为油菜的冠层高光谱反射曲线首尾两端存在较大噪声，所以选择400～900nm作为关注的波段范围。数据处理使用Matlab软件编程完成。
1.4样本内聚分析
油菜的冠层反射率光谱数据应为围绕可代表其光谱特征的正态分布，根据正态分布数据均值的“68-95-99.7法则”，当特征波长指数等于1时，说明其反射率光谱约70%可区分，且特征波长指数越大说明A、B两个品种的区分度越高。
1.6识别模型的构建
光谱反射率数据可以看作为由N维坐标构成的多维光谱空间，鉴于本试验采用的是光谱范围在400～900nm、光谱分辨率为5nm的数据，即维度数为101。因此，通过特征空间建模，将光谱数据投影到一个有限的维度空间里，可以大幅度减小计算的工作量，从而提高模型的效率。根据筛选出的特征波段数据建立模型，具体步骤（图1）为：①通过随机抽样的方法，将非转基因型样本分为建模集和测试集（1∶1）；②利用主成分分析对选出的波段范围进行降维，选择前n个主成分构建新的特征空间（前n个主成分对数据的方差解释量能达到95%以上），获取投影矩阵；③计算特征空间内建模集中的各样本点到建模集中心的马氏距离，选择对建模集样本85%识别率的距离为判别半径；④根据投影矩阵，将测试集投影到特征空间；⑤以建模中心和判别半径为依据，使用测试集进行模型的交叉验证，获得模型的验证精度；⑥根据投影矩阵，将待测样本投影到特征空间，计算待测样本到建模中心的距离，进行待测样本类型的判别。
2结果与分析
2.1不同品种油菜原始光谱曲线分析
经过平滑处理后，图2显示了油菜苗期、抽薹期、花期3个生长阶段不同品种油菜的反射率光谱曲线。从图2可以看出，不同品种油菜虽具有较为相似的反射率光谱曲线，但在一些波段里也有差别。这些差别主要体现在了“绿峰”与“红边”这2个植物生长的主要的光谱敏感区间，即500～600nm和650～750nm，不同品种油菜的光谱曲线有着一定的区别。
2.2不同品种油菜样本内聚性分析
通过样本间内聚系数的计算，得到油菜各个生长阶段的冠层反射率光谱数据内聚系数（图3）。从图3可以看出，不同生长阶段油菜冠层光谱反射率数据的内聚系数有着不同的特征。其中，在油菜生长的苗期，内聚系数普遍在0.2以内，仅部分品种在600～700nm波段处略大；在抽薹期的光谱反射率数据表现得较为稳定，其内聚系数均在0.2以内；而在花期，油菜冠层光谱反射率内聚系数波动较大，且在大部分波段范围内内聚系数大于0.2，部分波段达到了0.4。
2.3不同品种油菜特征波长指数分析
针对每个油菜品种，分别计算其每个波长点处的反射率均值和反射率标准差，得到各品种油菜之间的特征波长指数（图4）。从图4可以看出，在油菜的苗期和花期，不同品种之间的特征波长指数在绝大多数波段均小于1，且大于1的部分特征波长指数也较小，最大不超过1.5。而在油菜的抽薹期，在500～750nm区间内，特征波长指数均大于1。特别观察到位于500～600nm和670～750nm的波段范围内，特征波长指数均较大，部分品种间的特征波长指数大于2。这些差别主要体现在了“绿峰”与“红边”这2个植物生长的主要的光谱敏感区间，可能的原因是植物长势的差异。
2.4不同品种油菜最佳识别时期的筛选
在油菜生长的苗期和抽薹期，各油菜品种的内聚系数较为均一，除苗期的部分波段外，大多数波段的内聚系数均在0.2以内，说明这些数据在组内具有较好的内聚性，其数据质量可以满足建立识别模型的需要。而在花期，大多数波段尤其是500～700nm光谱区间的内聚系数偏大，说明这些光谱数据在组内便具有一定的离散性，故难以取得可稳定代表此种油菜的实际光谱信息。这一现象的可能原因是油菜在花期其个体之间的冠层特征差异较大，影响了可见光波段在其冠层的反射率。因此，油菜花期的光谱数据不宜用于建立油菜冠层光谱识别模型。但是从另一方面来看，可以利用油菜花期的这一特点提取出油菜种植区域的信息用于与其他种类农作物的区分。
内聚性分析体现出不同品种油菜反射率样本数据的类内差异，而特征波长指数分析则是体现了不同品种油菜反射率样本数据的类间差异。排除花期后，经过分析得出，在苗期大部分波段的油菜品种间特征波长指数均小于1，说明其品种类间差异较小，因此苗期数据同样不宜用于建立油菜冠层光谱识别模型。而在抽薹期其特征波长指数均较大，其光谱反射率数据的类间差异比较明显，故判断为最佳识别时期。
2.5不同品种油菜识别模型的建立
分析得出，抽薹期是适合进行不同品种油菜识别的较好时期，因而，本研究将选择抽薹期的数据进行建模。根据特征波长指数并结合植物光谱特点筛选出绿峰500～600nm和红边670～750nm作为特征波段。分别针对3个品种的油菜，将数据通过随机抽样的方法分成建模集和测试集。利用主成分分析对选出的波段范围进行降维处理，选择了前3个主成分构建出一个新的特征空间，获取投影矩阵。计算特征空间内建模集中的各个样本点到建模集中心的马氏距离，选择对建模集样本85%识别率的距离作为判别半径。再根据投影矩阵，将测试集的数据投影到特征空间，并以建模中心和判别半径为依据，使用测试集进行模型的交叉验证，从而获得模型的验证精度。根据投影矩阵，将待测样本投影到特征空间，计算各待测样本到建模中心的距离便可进行待测样本品种的判别。最终得到模型分类结果如表1，针对湘油15号构建的识别模型，对品种本身的识别率达到81%，对其他品种的拒识率达到89.0%；针对沪油15号构建的识别模型，对品种本身的识别率达到77%，对其他品种的拒识率达到88.5%；针对中双9号构建的识别模型，对品种本身的识别率达到76%，对其他品种的拒识率达到89.5%。
3小结
高光谱遥感数据以其波段多且连续的特性，能够为不同类型油菜提供更多的光谱反射率信息。试验实地采集了大田油菜生长的苗期、抽薹期、花期样本光谱数据，通过引入内聚系数来控制波段聚合性，利用特征波长指数寻找识别波段，使用主成分分析法降维后用马氏距离的方法建立了识别模型。结果表明，不同品种油菜之间的冠层光谱有类似的光谱特点，其原始光谱曲线大致相同，但也存在着一定的差异，主要差异集中在“绿峰”与“红边”这2个植物生长的主要光谱敏感区间内。依据试验获得的光谱反射率数据，对3个油菜品种进行识别区分的适宜期为抽薹期，进行识别区分的最佳识别波段为500～600nm和670～750nm。针对各品种油菜的识别模型对其自身的识别率均在75%以上，对其他品种油菜的拒识率达到88%以上。
在实际操作中，光谱数据在一定程度上受到光谱测量仪器量程的影响，本研究将光合作用波段作为单一识别波段获得了较为可靠的识别模型，为获得更多识别波段，全波段（350～2500nm）测量将成为未来的发展趋势。此外，更多品种油菜的更多年期光谱数据可进一步验证、完善油菜信息数据库，从而优化识别模型，为油菜品种识别监测提供更加可靠的技术手段。
参考文献：
[1]梅安新，彭望琭，秦其明，等.遥感导论[M].北京：高等教育出版社，2001.
[2]李民赞.光谱分析技术及其应用[M].北京：科学出版社，2006.
[3]滕安国，高峰，夏新成，等.高光谱技术在农业中的应用研究进展[J].江苏农业科学，2009（3）：8-11.
[4]曹卫彬，杨邦杰，宋金鹏.TM影像中基于光谱特征的棉花识别模型[J].农业工程学报，2004，20（4）：112-116.
[5]钟仕全，陈燕丽，莫建飞，等.基于中巴02B星遥感数据的油菜识别技术研究[J].国土资源遥感，2010（2）：77-79.
[6]黄文江，王纪华，刘良云，等.基于多时相和多角度光谱信息的作物株型遥感识别初探[J].农业工程学报，2005，21（6）：82-86.
[7]李儒，陈劲松，袁定阳，等.高光谱遥感技术在水稻转入基因表达的检测指示作用研究[J].光谱学与光谱分析，2010，30（1）：202-205.
[8]王志辉，丁丽霞.基于叶片高光谱特性分析的树种识别[J].光谱学与光谱分析，2010，30（7）：1825-1829.
[9]XIELJ，YINGYB，YINGTJ.Quantificationofchlorophyllcontentandclassificationofnontransgenicandtransgenictomatoleavesusingvisible/near-infrareddiffusereflectancespectroscopy[J].AgriculturalandFoodChemistry，2007，55（12）：4645-4650.
高光谱遥感原理与方法范文
遥感技术具有宏观性和现势性强、综合信息丰富等优势，为矿区土壤重金属污染评价提供了可行的方法。本文综述了遥感技术在矿区土壤重金属污染评价方面的研究，并对其进行了展望。
关键词：
遥感；土壤；重金属
1.引言
矿产资源是生产资料和生活资料的重要来源，人类社会的发展进步与矿产的开发利用密不可分。矿产的开采、冶炼、加工过程中大量的铅、锌、铬、镉、钴、铜、镍等重金属以及类金属砷等进入大气、水、土壤引起严重的环境污染。根据2014年4月17日环境保护部、国土资源部的《全国土壤污染调查公报》，“全国土壤环境状况总体不容乐观，部分地区土壤污染较重，总的超标率达16.1%”、“在调查的70个矿区的1672个土壤点位中，超标点位占33.4%，主要污染物为镉、铅、砷和多环芳烃”。资源、环境是制约社会经济发展的两大瓶颈，如何克服这个瓶颈问题同时又能实现矿山开发的可持续发展，是我国社会必须面对和解决的紧迫的社会问题［1］。传统的土壤重金属污染监测方法有实验室监测、现场快速监测等方法。实验室监测方法虽然测量精度高，但是存在劳动强度大、采样分析费时，适用范围小的缺点；现场快速监测法虽然具有大面积、连续、高密度获取信息的特点，但是还大多处于定性或半定量的试验阶段，易受周围因素影响［2］。各种岩石、土壤、植被及水体等均有各自独特的光谱特征。地物光谱特征的差异，是遥感技术识别各类地物的主要依据，也是应用遥感技术开展土壤重金属污染评价的理论基础。遥感技术以其宏观性和现势性强、综合信息丰富等优势，在矿区土壤重金属污染评价中起到了积极的先导作用，并取得了良好的应用效果。一般情况下，土壤中的有机质、水分、铁氧化物、重金属等对土壤光谱反射率有一定影响。国外相关研究起步较早，始自20世纪六十年代土壤光谱研究［3］。国外有研究中表明，当土壤有机质含量超过2％，铁氧化物、重金属等光谱信息有可能被土壤中的有机质的光谱信息所掩盖，进一步加大了光谱信息提取的难度；同时土壤的反射率会因铁氧化物的存在而在整个波谱范围内有明显的下降趋势，土壤的光谱反射率都朝着蓝波方向下降，并且这种下降趋势可以扩展到紫外区域［4］，相关研究陆续拓展至矿区重金属污染中来［5］；国内自20世纪八十年代在云南腾冲系统地开展土壤光谱与理化性状关系的研究［6~7］，并于九十年代末开展遥感技术在矿区重金属污染监测的探索。目前遥感技术对矿区土壤重金属污染评价研究主要有两个方向：一是植被反演。根据地表植被覆盖以及重金属在植被根茎、叶片中富集，植被在重金属胁迫下叶绿素等光谱特征发生变化的特点，通过植被光谱数据反演土壤中的重金属含量，间接评价重金属污染。二是土壤监测。利用重金属对土壤波谱特性的影响，通过土壤光谱数据监测重金属含量［8-10］。
2.植被反演方法
植被在生长发育的过程中，矿区土壤中的重金属被吸收和富集，对植物的产生的影响主要体现在长势方面产生了生物地球化学效应，如色素含量、水含量、叶面温度的变化，进而影响植被的光谱反射率，植被光谱的变化能够在遥感光谱信息中有所体现。基于以上认识，可以通过植被光谱信息、波谱曲线变化的分析提取污染信息［11］。不同植物对重金属敏感性不同，重金属胁迫导致植物体内生物化学成分发生改变，使电磁波谱反射特性不同。植被反演方法的原理是，运用遥感技术研究重金属污染条件下植被光谱特征变化，建立植被光谱特征与重金属污染条件下植被生长状态参数变化之间的关系［7］；研究叶绿素含量与重金属污染之间的关系，分析叶绿素变化敏感的光谱指数及其响应规律，并进行了区域应用与验证［11-13］。研究表明，随着土壤中重金属含量增加，植被近红外、可见光反射光谱特征发生显著变化，表现为可见光光谱反射增强，近红外光谱减少，红边移动范围减少［14-15］。此方法适用于矿区植被覆盖较茂密的区域。王杰等（2005年）以江西德兴铜矿去为实验区，采用美国陆地卫星（Landsat）ETM+数据，采用比值分析、彩色合成、影像融合等方法增强影像视觉效果，对污染区的植被的波谱曲线与正常区的同种植被的光谱特征作对比，总结出受毒化植物叶冠的波谱形态与正常植物叶冠的波谱形态相比发生的形态变异的特征，总结对照区和污染区植被的波谱特征差异和各污染区的受污染程度，分析出不同污染区植物的受毒害程度［16］。雷国静等（2006年）在南方植被茂密区离子型稀土矿区采用高分辨率QuickBird遥感数据采取坐标换的方式，消除土壤信息干扰，获取了较真实的植被受污染影响程度的信息，运用了归一化植被指数密度分割方法和通过旋转二维散点图获得植被绿度方法来提取植被污染信息，取得了较好的效果［17］。李新芝等（2010年）以肥城煤矿区为实验区，将SPOT-5数据2.5米分辨率的全色波段进行小波变换、主成分分析等融合方法提高图像的空间信息量，综合运用缨帽变换、植被与土壤相关性分析、支持向量机分类等方法提取矿区植被信息，并制作了植被等级分布图，确定了不同污染程度的植被覆盖面积，与矿区污染分布的规律具有较好的一致性［11］。黄铁兰等（2014年）以广东大宝山矿区及周边10公里范围作为研究区，分别以ASTER及QuickBird为数据源，采用植被指数法和植被绿度法对植被污染信息进行识别，对获取的植被绿度信息图像进行密度分割，获得植被污染程度及分布情况。同时建议大范围的矿山植被污染信息的识别，考虑到项目综合成本等因素，采用ASTER等低分辨率的数据源，选择植被绿度指数法进行识别。对于小范围的典型矿区，可选用QuickBird等高分辨率的数据源，用植被指数法进行识别［18］。由于混合像元、大气效应的存在，植被信息提取过程中容易出现错分、漏分现象；相关系数的设置易受经验的影响。同时信息提取易受云层、山体阴影和人类生产活动的影响，均存在一定的误提现象。未来应加强信息提取技术、多源遥感数据在植被反演中的应用研究，以解决上述问题。
3.土壤监测方法
土壤是由多种物理化学特性不同的物质的组成的混合体，例如有机质、重金属、水、其他矿物质等。各种物质均有发射、反射、吸收光谱的特性，都会对土壤光谱特征产生影响，同时植被覆盖也对土壤光谱的监测有较大影响，因此对于通过土壤光谱数据直接监测土壤重金属含量的研究，尚处于探索阶段。土壤监测方法的原理是，利用光谱分析方法室内测定土壤发射光谱数据，经线性回归分析或指数回归分析、标准化比值计算、特征光谱宽化处理后，利用回归分析方法建立重金属元素含量与发射率变量之间的土壤重金属反演模型，定量反演出矿区土壤重金属含量［19-23］。此类方法适用于植被覆盖率较低的地区。ThomasKemper等（1998年）在西班牙Aznalcóllar尾矿库溃坝事件土壤重金属污染监测中，基于多元线性回归分析（MLR）和人工神经网络（ANN）方法分别通过化学分析、特征光谱--近红外反射光谱（0.35−0.35μm）手段监测土壤重金属含量，两种手段对As、Fe、Hg、Pb、S、Sb等六种元素监测有较高的相似度。为相似矿区环境的监测提供了较好的借鉴意义［13］。李淑敏等（2010年）以北京为研究区，研究土壤中8种重金属（Cr、Ni、Cu、Zn、As、Cd、Pb、Hg）的含量与热红外发射率的关系，分析了土壤重金属的特征光谱，并模拟预测了重金属含量的回归模型，为基于遥感光谱的土壤重金属含量监测奠定了基础［24］。宋练等（2014年）以重庆市万盛采矿区为研究区，通过光谱特征物质之间的自相关性来分析土壤中光谱特征物质，在回归分析的基础上建立As、Cd、Zn重金属含量的遥感定量反演模型，监测三种重金属含量，结果表明土壤在近红外波段和可见光波段的反射值比值与土壤中As、Cd、Zn含量存在较好相关性［25］。部分研究对波段选择和光谱分辨率的重要性认识不高，影响了重金属元素光谱信息识别、重金属污染预测精度；土壤中绝大部分重金属，如铅、锌、铬、砷等在可见光—近红外波段区间的光谱特征较弱，易被植被、土壤波谱信息掩盖，对直接利用土壤重金属光谱特征来提取污染信息带来了难度。研究发现，铁氧化物的波谱特征较明显，今后需加强土壤中重金属与铁氧化物相关性的研究，以提高污染信息提取的准确性。
4.未来展望
近年来，遥感技术用于矿区土壤重金属评价取得了一定进展，今后要在以下几个方面寻求突破：
（1）研究遥感信息提取新技术新方法。地物波谱特性易受土壤成分、大气效应、植被等环境噪音的影响，需进一步加强波谱信息提取技术的研究，以提高遥感信息提取的准确性。
（2）加强田间光谱测量研究。目前对土壤重金属监测仅局限于实验室级别的光谱监测，需要进一步探讨其他因素对重金属吸附的影响以建立准确的土壤重金属含量光谱估算模型，并进行大量而精确的实验室与田间的光谱测量工作。
（3）由定性监测向定量监测转变。遥感技术在矿区土壤重金属污染评价方面的研究大多是定性或半定量评价，尚达不到定量评价。需在遥感反演土壤污染信息模型与理论方法、土壤重金属含量与光谱变量的相关关系等方面加强研究，以接近或达到定量评价污染的水平，进而利用遥感技术评价大面积土壤污染及修复。
（4）研制高性能的卫星，提高遥感信息获取能力。作为中国16个重大科技专项（2006年~2022年）之一的高分辨率对地观测系统已进入全面建设阶段，其中2014年8月发射升空的高分二号卫星空间分辨优于1m，这必将改变遥感数据普遍采用国外遥感数据（SPOT、Landsat、QuickBrid等）的局面。
参考文献：
［1］贾志强．甘肃省白银市矿山环境遥感调查与评价研究［D］．桂林：桂林工学院，2009．
［2］龚海明，马瑞峻，等.农田土壤重金属污染监测技术发展趋势［J］.中国农学通报，2013，29（2）：140-147．
［4］张甘霖，赵玉国，杨金玲，等.城市土壤的环境问题及其研究进展［J］.土壤学报，2006，44（55）：925-933．
［6］戴昌达.中国主要土壤光谱反射特性分类与数据处理的初步研究［M］.见：遥感文选，北京：科学出版社，1981.
［7］丰茂森.遥感图像数字处理［M］.北京：地质出版社，1992：3~3．
［8］甘甫平，刘圣伟，等.德兴铜矿矿山污染高光谱遥感直接识别研究［J］.地球科学—中国地质大学学报，2004，29（1）：119-126．
［9］朱叶青，屈永华，刘素红，等.重金属铜污染植被光谱响应特征研究［J］.遥感学报，2014，18（2）：335-352．
［10］李婷，刘湘南，刘美玲.水稻重金属污染胁迫光谱分析模型的区域应用与验证［J］.农业工程学报，2012，28（12）：176-182．
［11］李新芝.基于多源遥感数据的矿区植被信息监测方法研究［D］.济南：山东科技大学，2010．
［12］王秀珍，王人潮，黄敬峰.微分光谱遥感及其在水稻农学参数测定上的应用研究［J］.农业工程学报，2002，18（1）：9-13．
［14］徐加宽，杨连新，王余龙，等.水稻对重金属元素的吸收与分配机理的研究进展［J］.植物学通报，2005，22（5）：614-622．
［16］王杰，等.遥感技术在江西德兴铜矿矿区污染研究中的应用［J］.山东科技大学学报（自然科学版）2005，24（4）：66-69．
［17］雷国静等.遥感在稀土矿区植被污染信息提取中的应用［J］.江西有色金属，2006，20（2）：1-5．
［18］黄铁兰，等.广东大宝山矿区植被污染信息的遥感识别方法研［J］.地质学刊，2014，38（02）：284-288．
［24］李淑敏，李红，孙丹峰，等.基于热红外特征光谱的土壤重金属含量估算模型研究［J］.2010，31（7）：33-38．
高光谱遥感原理与方法范文篇6
【关键词】遥感技术；3S；结合发展前景
【中图分类号】TP【文献标识码】A
【文章编号】1007-4309（2013）07-0060-2
一、遥感技术的找矿应用
1.地质构造信息的提取
内生矿产在空间上常产于各类地质构造的边缘部位及变异部位，重要的矿产主要分布于板块构造不同块体的结合部或者近边界地带，在时间上一般与地质构造事件相伴而生，矿床多成带分布，成矿带的规模和地质构造变异大致相同。
遥感找矿的地质标志主要反映在空间信息上。从与区域成矿相关的线状影像中提取信息往往要包括断裂、节理、推覆体等类型，从中酸性岩体、火山盆地、火山机构及深亨岩浆、热液活动相关的环状影像提取信息泡括与火山有关的盆地、构造，从矿源层、赋矿岩层相关的带状影像提取信启、住要表现为岩层信息，从与控矿断裂交切形成的块状影像及与感矿有关的色异常中提取信息位口与蚀变、接触带有关的色环、色带、色块等）。当断裂是主要控矿构造时，对断裂构造遥感信息进行重点提取会取得一定的成效。
遥感系统在成像过程中可能产生“模糊作用”，常使用户感兴趣的线性形迹、纹理等信息显示得不清晰、不易识别。人们通过目视解译和人机交互式方法，对遥感影像进行处理，如边缘增强、灰度拉伸、方向滤波、比值分析、卷积运算等，可以将这些构造信息明显地突现出来。除此之外，遥感还可通过地表岩性、构造、地貌、水系分布、植被分布等特征来提取隐伏的构造信息，如褶皱、断裂等。提取线性信息的主要技术是边缘增强。
2.植被波谱特征的找矿意义
在微生物以及地下水的参与下，矿区的某些金属元素或矿物引起上方地层的结构变化，进而使土壤层的成分产生变化，地表的植物对金属具有不同程度的吸收和聚集作用，影响植叶体内叶绿素、含水量等的变化，导致植被的反射光谱特征有不同程度的差异。矿区的生
物地球化学特征为在植被地区的遥感找矿提供了可能，可以通过提取遥感资料中由生物地球化学效应引起的植被光谱异常信息来指导植被密集覆盖区的矿产勘查，较为成功的是某金矿的遥感找矿东南地区金矿遥感信息提取。
不同植被以及同种植被的不同器官问金属含量的变化很大，因此需要在己知矿区采集不同植被样品进行光谱特征测试，统计对金属最具吸收聚集作用的植被，把这种植被作为矿产勘探的特征植被，其他的植被作为辅助植被。遥感图像处理通常采用一些特殊的光谱特征增强处理技术，采用主成分分析、穗帽变换、监督分类非监督分类等方法。植被的反射光谱异常信息在遥感图像上呈现特殊的异常色调，通过图像处理，这些微弱的异常可以有效地被分离和提取出来，在遥感图像上可用直观的色调表现出来，以这种色调的异同为依据来推测未知的找矿靶区。植被内某种金属成分的含量微小，因此金属含量变化的检测受到谱测试技术灵敏度的限制，当金属含量变化微弱时，现有的技术条件难以检测出，检测下限的定量化还需进一步试验。理论上讲，高光谱提取植被波谱的性能要优于多光谱很多倍，例如对某一农业区进行管理，根据每一块地的波谱空间信息可以做出灌溉、施肥、喷洒农药等决策，当某农作物十枯时，多光谱只能知道农作物受到损害，而高光谱可以推断出造成损害的原因，是因为土地干旱还是遭受病虫害。因此利用高光谱数据更有希望提取出对找矿有指示意义的植被波谱特征。
3.矿床改造信息标志
矿床形成以后，由于所在环境、空间位置的变化会引起矿床某些性状的改变。利用不同时相遥感图像的宏观对比，可以研究矿床的侵蚀改造作用；结合矿床成矿深度的研究，可以对类矿床的产出部位进行判断。通过研究区域夷平而与矿床位置的关系，可以找寻不同矿床在不同夷平而的产出关系及分布规律，建立夷平而的找矿标志。另外，遥感图像还可进行岩性类型的区分应用于地质填图，是区域地质填图的理想技术之一，有利于在区域范围内迅速圈定找矿靶区。
二、遥感找矿的发展前景
1.高光谱数据及微波遥感的应用
高光谱是集探测器技术、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。它利用成像光谱仪以纳米级的光谱分辨率，成像的同时记录下成百条的光谱通道数据，从每个像元上均可以提取一条连续的光谱曲线，实现了地物空间信息、辐射信息、光谱信息的同步获取，因而具有巨大的应用价值和广阔的发展前景。成像光谱仪获得的数据具有波段多，光谱分辨率高、波段相关度高、数据冗余大、空间分辨率高等特点。高光谱图像的光谱信息层次丰富，不同的波段具有不同的信息变化量，通过建立岩石光谱的信息模型，可反演某些指示矿物的丰度。充分利用高光谱的窄波段、高光谱分辨率的优势，结合遥感专题图件以及利用丰富的纹理信息，加强高光谱数据的处理应用能力。微波遥感的成像原理不同于光学遥感，是利用红外光束投射到物体表而，由天线接收端接收目标返回的微弱同波并产生可监测的电压信号，由此可以判定物体表而的物理结构等特征。微波遥感具有全天时、全天候、穿透性强、波段范围大等特点，因此对提取构造信息有一定的优越性，同时也可以区分物理结构不同的地表物体，因为穿透性强，对覆盖地区的信息提取也有效。微波遥感技术因其自身的特点而具有很大的应用潜力，但微波遥感在天线、极化方式、斑噪消除、几何校止及辐射校止等关键技术都有待于深入研究，否则势必影响微波遥感的发展。
2.数据的融合
随养遥感技术的微波、多光谱、高光谱等大量功能各异的传感器不断问世，它们以不同的空间尺度、时间周期、光谱范围等多方面反映地物目标的各种特性，构成同一地区的多源数据，相对于单源数据而高，多源数据既存在互补性，又存在冗余性。任何单源信息只能反映地物目标的某一方面或几个方面的特征，为了更准确地识别目标，必须从多源数据中提取比单源数据更丰富、有用的信息。多源数据的综合分析、互相补充促使数据融合技术的不断发展。通过数据融合，一方面可以去除无用信息，减少数据处理量，另一方面将有用的信息集中起来，便于各种信息特征的优势互补。
蚀变矿物特征光谱曲线的吸收谷位于多光谱数据的波段位置，因此可以识别蚀变矿物，但是波段较宽，只对蚀变矿物的种属进行分类。与可见一红外波段的电磁波相比，达波对地而的某些物体具有强的穿透能力，能够很好地反映线性、环性沟造。达图像成像系统向多波段、多极化、多模式发展，获取地表信息的能力越来越强。总的来说，多光谱、高光谱数据的光谱由线特征具有区分识别岩石矿物的效果，所以对光学图像与雷达图像进行融合处理，既能提高图像的分辨率、增强纹理的识别能力，又能有效地识别矿物类型。
尽管融合技术的研究取得了一些可喜的进展，但未形成成熟的理论、模型及算法，缺乏对融合结果的有效评价手段。在以后的研究中，应该深入分析各种图像的成像机理及数据间的相关性、互补性、冗余性等，解决多源数据的辐校止问题，发展空间配准技术。优化信息提叉的软件平台，实现不同格式图像问的兼容性。
三、结束语
综上所述，遥感技术作为矿产勘查的一种手段应用于找矿取得了一定成就。遥感技术的直接应用是蚀变遥感信息的提取，遥感技术的间接应用包括地质构造信息、植被的光谱特征及矿床改造信息等方面。遥感找矿具有很大的发展前景的领域主要有：高光谱数据、数据融合技术、3s的紧密结合、计算机技术的发展。
【参考文献】
[1]吴晓伟.测绘工程GPS三维空间大地控制网的建设[J].硅谷，2013，4（2）.
[2]杨巨平，唐立哲.浅谈GPS在测绘中运用的几全要点[J].科技风，2013，10（4）.
高光谱遥感原理与方法范文篇7
【关键词】遥感技术；土地勘测技术；优势
前言
随着社会经济的发展，特别是城市建设步伐的加速，城市土地利用每年都在发生明显的变化。传统的土地利用调查需要花费大量的人力、时间和经费，难以适应土地利用的这种快速变化。遥感以其覆盖面大、信息更新快、人为干扰因素小等优点已逐渐应用到土地利用遥感动态监测中。
一、遥感技术的发展及优势
在高空间分辨率遥感图像上，地物的空间特征在地物识别中越来越占据主导地位，而在中、低分辨率图像识别中起主要作用的色调及统计特征将退居次要的或辅助的地位。高光谱技术的兴起与发展，使遥感从鉴别发展到对地物的直接识别。高光谱遥感的最大特点是可以获得和重建像元光谱，从而依据光谱特征直接识别地物类型、地物组成以致地物的成分，反演地物的物理、化学参量。随着光谱分辨率的提高，地物的光谱特征在识别中越来越占据主导地位，工作方法则由图像分析转变为以谱分析为主的图谱结合模式，并使遥感应用逐渐摆脱“看图识字”阶段，而越来越依赖于对地物波谱特征的定量分析和理解。时间分辨率的提高细化了遥感动态监测的时间粒度，使遥感变化检测研究发展到对地物或现象演化过程的研究，序列图像分析方法会逐渐成为新的研究热点。
二、土地利用动态监测
遥感动态监测主要涉及图像预处理和土地利用变化信息提取，并相应有图像预处理方法和土地利用变化信息提取方法。
1、遥感图像预处理方法
遥感图像预处理是为了更好地提取土地利用变化信息，处理效果的好坏直接决定土地利用动态监测的精度。
（1）图像的增强处理
将原来不清晰的图像变得清晰或把人们感兴趣的某些特征强调出来（同时抑制不感兴趣的特征）的图像处理方法称为图像增强。增强方法有多种，如直方图调整、直方图线性扩展、滤波及主成分分析等。但值得指出，图像增强处理专门性很强，不存在对所有问题效果都好的增强方法。
（2）图像几何精度校正
这项工作是校正遥感图像记录的数据。常用的方法是一般齐次多项式。校正过程：先通过地面控制点数据对原始遥感图像的几何畸变过程进行数学模拟，建立原始畸变图像空间与几何标准空间的数学对应关系，再利用这种数学关系将畸变图像空间中的全部元素转换为标准空间中的元素。应当注意所用地形图比例尺应接近基本监测图的成图比例尺。
另外，几何校正要注意重采样方法选择。重采样实质上是根据原始空间与标准空间的对应关系，在原始空间中取一点或若干点，按一定的准则组合成标准空间中对应点的数值，比较准确地再现原始图像空间中反映的地物光谱特性。常用的重采样方法有最邻近法、双线性差值法和三次卷积法。在这3种方法中，尤以三次卷积法为佳。
（3）不同时相、不同分辨率图像的配准
图像配准主要是指不同遥感数据源的配准，目的是为了清除数据间的系统误差。多时相图像间准确的空间配准是动态变化监测所必需的。要得到可靠的土地利用变化结果，需极高的图像配准精度。
（4）多光谱TM图像与SPOT全色图像的融合
多光谱图像提供丰富的地物光谱信息，全色图像具有很高的空间分辨率，将这两类图像进行融合，可产生彩色高分辨率多光谱图像――融合图像。由于高分辨率卫星图像的出现，多分辨率图像的融合已成为重要研究领域。融合方法有多种，如IHS变换法、主分量变换法和小波变换法等。
2、土地利用变化信息提取方法
（1）变化信息直接提取法
变化信息直接提取，是对两个时相的遥感图像进行点对点的直接运算，经变化特征的发现、分类处理，获取土地利用变化信息。
a图像差值法。即将一个时相的某一波段光谱灰度值减去另一时相的对应像元的光谱灰度值，较早应用的是单波段图像差值法。单波段差值图像中难以提取动态信息；对MSS7，MSS5，MSS4差值图像进行彩色合成，则可综合各个波段的动态信息，并很好地突出植被变化信息。
b图像比值法。这是对两个时相多谱段数据中同名像元的光谱灰度值施以除法运算。比值法可以部分地消除阴影影响，突出某些地物间的反差，具有一定的图像增强作用。一方面，比值图像可供直接判读，提取其中的专题信息；另一方面，只要稍加逻辑变换，便可用以直接检测明显变化的环境要素。
c植被指数法。是综合利用植被在红光部分的强吸收与在近红外部分的强反射特点提取植被动态信息。常见的有比值植被指数、归一化植被指数、垂直植被指数，这些指数在森林资源动态监测中使用尤其广泛。
d多时相复合分类法。将两时相或多时相遥感数据复合，通过遥感分类提取变化信息。在这种方法的监督处理过程中，训练区的确定比较困难。
（2）计算机自动分类后比较法
该方法是在对比多时相的遥感图像前，先进行各时相遥感图像的单独分类。用该方法的优点是能获取各个像元的土地利用转变类型，不仅能获取变化的数量和特点，还能获取变化的类型，并有利于减少不同时相图像因大气和传感器差异产生的误差。
（3）日视解译法
该方法是以土地利用现状调查资料为基础，确定各地类的解译标志，在遥感图像上划出各地类界线，得到遥感分类图，再比较各时相的遥感分类图。此外，香宝提出了RS，GIS一体化，即通过遥感数字图像一人机交互判读一计算机量测汇总一数据库来提取土地利用信息的方法。
三、土地利用遥感动态监测研究展望
我国土土地利用遥感动态监测研究取得了丰硕的研究成果。但是，当前研究中存在以下不足：
1、土地利用遥感动态监测的技术体系和分类体系有待进一步完善
遥感技术应用于土地利用变化监测有一定的限制性，在现有条件下部分地区还难以覆盖进行监测，如何在现有的土地利用分类体系基础上进一步研究和完善适用于土地利用遥感动态监测的分类指标体系。是我国土地利用遥感动态监测研究的重要任务。
2、应注重加强遥感图像处理和土地利用变化信息提取的研究
土地利用遥感动态监测技术方法主要包括图像预处理方法和信息提取方法，在实践工作中，应该对传统的图像处理和信息提取方法改进，探索新的技术方法手段，提高土地利用遥感动态监测的精度。
3、将3S技术综合运用到土地利用动态监测中，提高土地调查的效率和精度
地理信息系统技术能够快速地进行数据分析，全球定位系统定位系统通过对研究区域实时定位为作业人员采集数据提供支持，将二者运用到土地利用遥感动态监测中，能够有效地提高土地资源调查的精度。
4、土地利用遥感动态监测信息系统建设有待进一步加强
我国整个土地利用遥感动态监测体系尚待完善，应该有计划地建立一个集3S技术、计算机技术和管理信息系统于一体的土地利用遥感动态监测信息系统，能够有效地完成变化监测、变化趋势预测和综合评价，进而对我国土地利用变化进行长期动态监测，满足社会经济发展对土地信息的需求。
结束语
总之，遥感技术在土地资源管理中应用的深度和广度必然会日新月异，多时相、高分辨率的遥感数据会进一步加强高精度、大比例尺土地利用动态监测。在时空一体化的基础上，“3S”一体化技术的研究成为必然趋势，其应用成果将更好地把握土地利用变化趋势，为经济社会资源的和谐发展提供科学依据。
参考文献
[1]李秀玲.浅谈遥感技术在3S技术中的应用[J].中国地名.2010（11）
[2]陈生莲.遥感技术在数字化测量中的应用[J].硅谷.2012（20）
高光谱遥感原理与方法范文1篇8
遥感就是照相？
说起遥感，很多人认为它的主要作用就是“拍照”：从空中拍下照片进而获取有效信息。实际上，遥感绝非这么简单，“拍照”仅是拉开遥感技术系统的一个小“开篇”，遥感技术的真正作用是将信息从“照片”中提取出来并得以应用。
中国科学院遥感所研究员郭子祺说：“遥感不仅仅只是照相，而在于遥感所获取的地物光谱信号中还包含有可见光波段范围以外的有用信息。一张照片通常反映出来的只是可见光波段范围内的信息，也就是人眼能感觉到的光谱信息。”
“目视解释”和“计算机解释”是目前从遥感图像上获取目标地物信息的主要过程。专业人员通过直接观察或借助判读仪器在遥感图像上获取特定目标信息的过程被称为“目视解释”，而“计算机解释”顾名思义，以计算机系统为支撑，利用模式识别技术与人工智能技术，结合专家知识库的解释经验和成像规律等知识进行分析和推理，实现对遥感图像的解释，从而完成信息提取的过程。
目前遥感的光学传感器和微波传感器所能采集到的信息波段范围是很宽泛的，可见光波段只是其中一小部分。按传感器的探测波段的不同，可以把遥感分为紫外遥感、可见光遥感、红外遥感和微波遥感。“而像红外信息、紫外信息等，这些信息普通的照片是反映不了的，只有用专门的成像设备经过转化才能变成人眼看的图像。”郭子祺说。
遥感传输准确无误？
不难想象，假如在高空或水陆进行遥感拍摄，空间距离等多方面因素势必会给遥感传输带来一些不可避免的干扰与影响，而这又直接关系到后期的数据处理能否准确进行。
“通过遥感获得的信息是很丰富的。除可见光波段外，红外与紫外波段或者微波波段的信息，人类的肉眼是看不见的，我们只能通过遥感图像来提取与分析其中所包含的信息。”郭子祺说，“而在这些信息当中，有些信息属于干扰信息。比如用卫星遥感来探测地表信息，太阳光通过反射给卫星传感器，这中间有一个过程跟距离，有云雾的干扰、太阳强弱的干扰等等，所以我们需要将它的信息进行修正处理，这些都是属于处理的部分。”
虽然目前遥感信息获取系统已经较为完善，但由于地球大气、陆地和水体非常复杂，所以导致遥感图像出现误差情况难免会发生。不过我们可以通过后期图像处理来进行校正，从而获取更为精准的信息。“比如在遥感信息获取系统工作正常的情况下，由于大气衰减的原因，获取的数据仍然带有辐射误差，这时就需要进行遥感图像大气校正。有时在提取地表生物量时，如果数据未经校正，就有可能得不到准确的遥感信息。”郭子祺说。
遥感技术无所不能？
资源环境、灾害监测、城市规划等等随处可见遥感应用的影子。它遍布在我们生活的每个角落，但这并不代表它无所不能。至少在目前，它仍存在一些“盲点”需要突破。
郭子祺说：“现在的遥感，一般是指利用光谱和微波信号来对地物进行认识。光谱和微波信号能给我们提供很多有用的信息。但光谱信号本身没有穿透能力，微波信号也非常有限。这样就不能给我们提供地表和水面以下的信息，存在探测盲点。这是它的一个不足之处。”
这是否代表地表以下的信息我们无从获取？当然不是！实际上遥感技术本身早已超越了光谱和微波的范畴。“任何的信息都有它的长处和不足的地方，实际上我们现在真正要想解决一个应用目标的话，最好的办法是综合各种有用的信息。”郭子祺告诉笔者，除了光谱微波这种信息源之外，还要结合比如磁、重、电以及声波等有效信息，将它们综合采纳，这样才能对我们地球有一个更全面的认识。
“遥感可测量的物理量应该是涵盖所有的，概念是广义的才更合理，所有物理探测内容都在其中。”郭子祺说，一般人们对于遥感可测量的物理量的理解，只是测量地物光谱吸收反射量和极化干涉等物理量，这其实是一种相对狭义的概念。“目前人类探测世界采用的重力、磁场、声波、光学方法已经广泛应用在宏观和微观物质探测方面，成为探索物质世界的唯一技术手段。广义遥感应该包含这些人类已知探测技术方法。运用广义的遥感技术对我们生存的物质世界才能进行有效的探测，而不仅仅只是观测。”
连线专家
记者：遥感技术在过去几十年中不断探索发展，是什么在支撑着它一路走来？
郭子祺：“任何学术的发展实际上都需要以实际需求作为牵引。例如目前如火如荼的遥感数据同化技术，它是对标准数据反演技术的延伸，目的是对空间分布的环境参数提供物理意义上一致的估计。这是遥感迈向行业部门实际应用的一个很关键的一步。但是这一部分目前行业部门遥感界我觉得还是远远不够。遥感技术本身应该与实际意义相结合，关注实际行业部门的需求，而并非一味盲目的追求技术上的卓越。任何技术必须要应用于生产为它们而服务，这样的技术才能体现出价值。否则的话，你的空中楼阁高高在上，即使技术高超无与伦比，但也只能是离正确的发展道路越走越远。”
记者：卫星、飞机每天拍摄和获取大量的地表信息，但是真正被提出来的被行业部门用到的有效信息微乎其微，这是否会造成资源浪费？
郭子祺：“存储的数据是海量的，但这些数据到底能产生多少社会效应？问题就在于应用技术的缺乏，遥感技术与行业部门的需求脱节，没有为行业部门服务。比如说同样一幅照片测绘部门可以用，国土部门可以用，环保部门也可以用，它可以被很多的部门使用。很多人认为遥感是很大的一个‘框’，什么都可以往里面装，其实这种观点是错误的。概念模糊是存在于短时间内，长期发展下去肯定要概念明确化、精确化。说简单点就是什么技术为什么服务。比如说以后可能会出现海洋遥感就是专为海洋服务，国土遥感就是为国土服务。如果我们背道而驰，只去追求技术的先进性而不与实际应用结合起来，去博得一个需求对口相互促进的形态的话，那么遥感技术下一步该怎么走恐怕会难以抉择。”
高光谱遥感原理与方法范文篇9
摘要
植被对土壤光谱的干扰是目前土壤盐渍化遥感监测的重要限制因素之一，探索消除稀疏植被覆盖区植被对光谱影响的方法，对提高土壤含盐量遥感反演精度具有重要意义。本文通过对189组不同植被覆盖度且不同盐渍化程度种植微区野外实测地表可见-近红外反射光谱进行分析，比较并评价了基于原始光谱和盲源分离（Blindsourceseparation,BSS）后光谱预测土壤含盐量的结果。结果表明：地表植被覆盖严重影响基于可见-近红外反射光谱的土壤含盐量反演精度。盲源分离方法，尤其是基于方程z=tanh(y)的独立分量分析（Independentcomponentsanalysis,ICA）算法，可有效分解植被和土壤的混合光谱，并提高植被覆盖下基于可见-近红外反射光谱的土壤含盐量反演精度。该方法为植被覆盖区大尺度土壤盐渍化遥感监测提供了方法指导。
关键词
稀疏植被覆盖；可见-近红外反射光谱；土壤含盐量；盲源分离
土壤盐渍化是世界性生态环境问题之一，也是导致土壤荒漠化和土壤退化的主要诱因之一。盐渍化土壤中的可溶性盐，严重影响作物生长，并威胁作物产量，是农业可持续发展的重要限制因素。近年来，全球盐渍化以及次生盐渍化土壤的面积不断增加，因此，对盐渍化土壤的盐渍化程度、面积以及空间分布的实时、动态监测尤为重要，这也是制订综合治理措施，合理利用土地的关键。传统监测土壤盐渍化的方法，主要依靠野外采样，不仅耗费大量人力、物力以及财力，且结果易受采样范围、采样时间及样点空间分布影响。遥感方法以其覆盖面积大、更新速度快、经济等优势迅速成为大尺度土壤盐渍化监测的主要手段[1]。高光谱分辨率遥感因其丰富的光谱信息和较高的光谱分辨率，可探测到微弱的光谱变化，受到越来越多学者的青睐。国内外诸多学者采用高光谱遥感影像或近地光谱对含盐土壤的敏感波段进行了研究，研究表明富含NaCl的土壤在1970～2450nm、1442nm、1851nm、1958nm和2226nm附近有诊断性吸收特征[2-3]。
另有学者基于遥感影像或光谱数据对土壤含盐量进行了反演研究，研究表明偏最小二乘回归模型（Partialleastsquaresregression,PLSR）、人工神经网络（Artificialneuralnetwork,ANN）、多元线性回归分析和各种盐分光谱指数均可用于土壤含盐量的定量反演[4-9]。但是当前大多数研究以裸土光谱为研究对象，缺乏植被对光谱反射率影响的考虑，遥感监测中直接获取的往往是植被和土壤的混合光谱，因此，采用混合光谱直接反演土壤含盐量的精度有限。盐渍化程度较高的土壤一般很少有植被生长，但是对于中低盐渍化程度的土壤而言，一些盐生植被或作物仍可生长。对有植被覆盖的地表而言，遥感或者近地光谱探测到的大都是土壤与植被的混合光谱。因此，植被对土壤光谱的干扰是目前土壤盐渍化遥感监测的重要限制因素之一[1,10]。针对有植被覆盖的地表土壤属性遥感反演，传统方法是掩膜掉高植被覆盖区[11]，但这造成了高植被覆盖区土壤数据的缺失。土壤盐分影响植物生长，因而一些学者试图利用植物的生长状况间接反映土壤盐渍化状况，并构建各种植被指数与土壤含盐量建立关系。研究发现，归一化植被指数（Normalizeddifferencevegetationindex，NDVI）[12]、光化学植被指数（Photochemicalreflectanceindex,PRI）、红边位置（Rededgeposition,REP）、叶绿素归一化指数（Chlorophyllnormalizeddifferenceindex,ChlNDI）[13]、改进的归一化植被指数（ModifiedNDVI）[9]和土壤调节植被指数（Soiladjustedvegetationindex,SAVI）[14]均与土壤含盐量有较高的相关性。由于上述指数不是直接针对土壤含盐量建立的，故并不适用于所有研究。例如，Zhang等[14]研究指出除SAVI以外，上述指数均与土壤含盐量呈弱相关。Zhang[15]和Douaoui[16]等在其研究中也指出NDVI不是一个很好的土壤含盐量预测指数。丁建丽等[17]用实测综合光谱指数建立的高光谱模型可准确提取土壤盐渍化信息，结果明显优于传统遥感方法中单纯利用植被指数或者土壤盐分指数的模型。上述研究表明，用植被指数反演植被覆盖区土壤含盐量易受研究区及作物品种等外界因素影响，缺乏普适性和可移植性。如何去除或减弱植被对土壤光谱的干扰，近年来成为土壤含盐量遥感反演急需克服的瓶颈[10]。
针对如何去除植被信息对土壤光谱影响的研究，国内外的研究尚且有限。Bartholomeus等[18]首次提出残余光谱分解算法（Residualspectraunmixing,RSU），将土壤光谱和植被光谱从混合光谱中分解开，并建立土壤有机质与所提取土壤光谱的PLSR模型，验证集均方根误差为1.65gkg-1，与植被去除前相比，预测精度大有提高。但是RSU的应用有一个前提条件，即事先要获取土壤和植被在混合像元中所占的比例，以及土壤和植被端元的光谱信息。然而，在实际应用中上述信息并不一定完全可获取，这就限制了RSU方法的使用范围及工作效率。Ouerghemmi等[19]采用盲源分离（Blindsourceseparation,BSS）方法，在没有源信号和混合信号任何先验知识的前提下将植被和土壤光谱分解，并利用分离出的土壤光谱建立土壤黏粒含量的反演模型。虽然BSS方法广泛应用于通讯[20-21]、生物医学[22-23]、地球物理学[24-25]以及图像处理[26-27]等领域，但是其在土壤学中的应用还很少。该方法是否适用于土壤含盐量反演，尚需进一步探讨。本文以不同植被覆盖度地表的野外实测可见-近红外反射光谱数据为研究对象，采用BSS方法去除植被对土壤光谱的影响，并建立土壤含盐量的PLSR反演模型，探索植被覆盖区土壤含盐量的遥感反演方法，为盐渍化土壤大尺度遥感监测提供方法指导。
1材料与方法
1.1研究区概况研究区位于江苏省东台市弶港镇东南部黄海原种场内（120°54′6.48″E,32°38′40.16″N），东临黄海。该区位于北亚热带北缘，海洋性季风气候显著，四季分明，日照充分，多年平均气温14.7℃，降水量1042mm，主要集中在6—9月，蒸发量1417mm。土壤为滨海盐土，母质为江淮冲积-海相沉积物，土壤剖面均匀，以粉砂占优势，是苏北盐渍化土壤的典型代表。
1.2试验设计与数据采集试验田块用PVC板等分为50个1.5m×1m的微区，以减少微区之间水分和盐分的侧向移动。为获取不同盐渍化程度的土壤，结合氯化物盐土的分级标准及大麦对盐分的耐受能力，将微区盐分含量控制在空白对照、0.3%、0.5%、0.7%和0.8%五个等级。此外，本研究对该区土壤样品离子的测定结果[28]和已有研究结果均表明该区主要土壤盐分组成为NaCl[29]，因此，本研究通过添加NaCl的方式来控制各微区土壤含盐量，将其均匀地洒在翻耕过的土壤表面，进行旋耕，旋耕深度为20cm，之后进行土地平整，放置3d使NaCl与耕层土壤充分混合后进行播种。每个盐分梯度均包括10个微区，该10个微区播种不同数目的大麦种子，以获取不同植被覆盖度。试验期施肥、灌溉、除草和除虫等田间管理与本地常规相同。在整个大麦生长期，定时采集土壤样品、地表光谱以及植被覆盖度。本文以植被尚未完全覆盖地表前的2013年12月5日（出苗期）、2013年12月29日（越冬期）、2014年1月21日（越冬期）以及2014年3月22日（拔节期）等4个时间采集的数据为数据源，共计50×4=200组。由于人为原因，其中11组数据由于测量误差较大，未用于数据分析，本研究共采用189组数据进行数据分析。光谱数据采用美国ASD公司生产的Fieldspec3Hi-Res型地物光谱仪进行采集，其波长范围为350～2500nm，光谱分辨率在350～1000nm为3nm，在1000～2500nm为10nm。为了减少光照、太阳高度角等因素对地表反射率的影响，选择晴朗无云的天气进行光谱测量，测量时间为北京时间上午12点至下午2点。采用25°视场角探头，探头始终位于微区中心上方垂直于地表1.3m的位置，视场直径约为57cm。每次光谱采集前均进行白板校正，每个微区采集10条光谱曲线，算术平均后得到该微区的实际光谱反射率数据。由于边缘波段350～379nm和2401～2500nm信噪比低，1351～1450nm和1801～1950nm受空气中的水汽影响较大，在后续分析过程中去除上述波段数据。植被覆盖度从拍摄的数码照片中采用分类的方法提取。拍摄照片前将一个100cm×75cm的矩形框放在微区中间位置，然后将相机架于微区上方1m的位置，调节焦距，当整个矩形框全部进入视野时，拍摄照片。在此基础上，将照片的红绿波段值相减，然后设定一定的阈值将计算后的图像二值化，用滤波工具去除噪声点，最后统计植被占整个照片的比例，就得到了该微区的植被覆盖度。土壤样品采集采用梅花采样法，每个微区采集0～5cm深度的样品5个，混合后的样品为该微区的土壤样品。采集的土壤样品风干、研磨、过筛（2mm）后，用于测定土壤电导率。称取10g土样置于离心管中，加入50ml无CO2去离子水振荡，以4500rmin-1转速离心10min后用电导率仪测定其上清液电导率。对部分土壤样品进行离子组成的测定，采用常规分析法（土水比1:5）确定土壤各离子组成含量，计算相应的土壤全盐含量，得出该研究区土壤全盐含量与浸提液电导率的换算关系[28]，并用该关系将土壤电导率转换为土壤全盐含量。
1.3盲源分离盲源分离是在源信号及传输信道参数均未知的情况下，根据源信号的统计特性，仅用观测到的信号来恢复或分离源信号的过程。在该过程中，“盲”具有两重含义：一是源信号不能被直接观测到；二是源信号在传输过程中是如何被混合的未知。所以，盲源分离仅仅是利用包含在观测信号中的信息来解决问题的一种方法。独立分量分析方法（Independentcomponentanalysis,ICA）是近年逐步发展起来的一种新的多维信号处理算法，也是当前最成熟的BSS方法之一，其目的是从多通道观测得到的由若干具有统计独立特性的源信号组成的混合信号中将隐藏的独立分量（源信号）分离或提取出来，基于BSS的ICA目的是：根据混合信号x(t)和源信号s(t)的统计独立性通过迭代寻找解混矩阵W，使输出y(t)尽可能在相互独立的前提下逼近源信号s(t)，从而达到盲源分离的目的。本文采用的为ICA算法，由于对源信号和混合矩阵无先验知识可以利用，因此必须对源信号和混合矩阵做出某些附加假设：(1)假设源信号之间是相互独立的；(2)若想使得WA=I，必须假设A是列满秩矩阵；(3)观测信号数多于或等于源信号数，即m≥n；④假设观测信号的噪声是可以忽略的。
1.4建模方法及精度评价模型建立采用偏最小二乘回归（PLSR）方法，PLSR方法是目前土壤属性光谱预测普遍采用的一种多元回归分析方法，该方法将多元线性回归、变量的主成分分析以及变量间的典型相关分析有机结合，可同时实现回归建模、数据简化以及相关分析，为多元数据分析提供了极大的便利，尤其对样本量小，自变量多，且变量间存在严重相关性的数据具有独特的优势。本研究将所有数据按照含盐量从低到高排序，每隔两个取出一个作为验证集，其余为建模集（126个建模集+63个验证集），首先采用完全交叉验证（Fullcrossvalidation）方法对所建模型进行验证，然后用独立验证集对模型进行验证。为了减少异常样本对建模和预测结果的影响，本研究剔除残差大于3倍样本集标准差，以及杠杆值大于3倍建模集杠杆值均值的异常样本[28]。PLSR模型的建立采用TheUnscramblerX10.1软件实现。精度评价主要采用以下参数：建模集交叉验证决定系数（Coefficientofdeterminationincrossvalidation，R2cv）、建模集交叉验证均方根误差（Rootmeansquareerrorofcrossvalidation，RMSEcv）、建模集交叉验证测定值标准偏差与标准预测误差的比值（Ratioofstandarddeviationtostandarderrorofcrossvalidation，RPDcv）、验证集决定系数（Coefficientofdeterminationinprediction，R2p）、验证集均方根误差（Rootmeansquareerrorofprediction，RMSEp）和测定值标准偏差以及标准预测误差的比值（Ratioofstandarddeviationtostandarderrorofprediction，RPDp）。R2cv、R2p以及RPDcv、RPDp越大，RMSEcv和RMSEp越小，表明建模精度越高。
2结果
2.1基于原始光谱的土壤含盐量预测将所测不同植被覆盖度下的地表原始光谱与土壤含盐量建立PLSR模型，并用独立的验证集对所建模型的精度进行验证，结果如图2所示。地表原始光谱并不能很好地反演土壤含盐量，建模集R2cv仅为0.53，RMSEcv=3.54gkg-1，RPDcv=1.47，线性拟合直线远远偏离1:1线（图2a）。验证集的结果同样较差，R2p=0.50，RMSEp=3.33gkg-1，RPDp=1.41，线性拟合方程的系数仅为0.55（图2b）。由此可见，直接用所测原始光谱与土壤含盐量建立模型，所得预测结果的精度远不能满足实际需要，因此，若想进一步改善植被覆盖下土壤含盐量的预测精度，应对植被和土壤的混合光谱进行分解，以去除植被对土壤光谱以及土壤含盐量预测的干扰。
2.2基于盲源分离后土壤光谱的土壤含盐量预测为验证盲源分离法所提取土壤光谱的有效性，本文将ICA算法所提取的土壤光谱与土壤含盐量建立PLSR模型，并用独立的验证集来检验模型的精度。基于盲源分离后的土壤光谱所建立的PLSR模型，建模集较原始光谱所建模型的预测精度有大幅度改善，建模集R2cv提高至0.66，RMSEcv降低至3.10gkg-1，RPDcv提高至1.70，所有数据点都基本均匀分布在1:1线附近。模型验证集的精度也有较大改善，R2p=0.62，RMSEp=2.89gkg-1，RPDp=1.57，回归方程系数达0.78（图3）。该结果表明，盲源分离后的土壤光谱可有效反演土壤含盐量，盲源分离法可提高植被覆盖下土壤含盐量预测精度。
3讨论
基于土壤和植被的混合光谱进行土壤含盐量估测，结果表明其估测精度有限（R2cv=0.53，RMSEcv=3.54gkg-1，RPDcv=1.47，R2p=0.50，RMSEp=3.33gkg-1，RPDp=1.41），难以满足实际需求，仍有进一步改善的空间。植被影响土壤的光谱形态特征，植被覆盖度越高，700nm附近植被的红边特征越明显。当植被覆盖度达20.0%以上时，地表光谱接近植被光谱，土壤的光谱特征已不明显[30]。因此，植被对土壤含盐量的光谱估测有一定的干扰。
盲源分离方法根据源信号的统计特征，利用其自身的统计特性将其识别并从混合信号中分解出来，且无需源信号和混合信号的任何先验知识。本文根据盲源分离方法的这一特性，将土壤光谱从混合光谱中分解出来，并利用提取出的土壤净光谱进行土壤含盐量的预测。结果表明：和原始光谱相比，基于去除植被后光谱的土壤含盐量预测精度更高，与Bartholomeus[18]和Ouerghemmi[19]等的结论一致。由于构成混合光谱的源光谱的个数以及所占比例未知，盲源分离过程中如何确定合适的源的个数至关重要。本研究对如何选择最佳的源个数进行了探讨，尝试用2、3和4个源分别对数据进行分解。现以植被覆盖度为8.23%的数据为例进行图示说明。当植被覆盖度为8.23%时，地表反射光谱呈现出明显的植物的光谱特征，尤其是在700nm附近出现明显的红边特征，如图4a所示。当设定源的个数为2时，混合光谱被分解为两条独立的光谱，和地物光谱库中的植物以及裸土光谱比较相似，其形态特征以及特殊吸收波段均比较类似（图4b）；增加源的个数至3时，分离后的光谱曲线上出现很多类似噪音的点，光谱曲线不再平滑，且分离出的光谱曲线之间差异不显著，与植物的光谱特征较吻合，但是与土壤的光谱特征相差较大（图4c）；当源的个数增加至4时，分离出的光谱曲线更不连贯，虽然从形态上大致可以看出其中一条类似植物光谱，但由于其取值不连贯，整条曲线不平滑，噪声点较多，实际应用价值不大（图4d）。
上述结果表明，源的最佳取值为2，表明组成混合光谱的主要地物为植物和土壤，其他地物如残留秸秆、石块等异物尽管在野外光谱测量中不可避免，但是其作用与植物和土壤相比较弱，对土壤光谱的干扰作用并不显著，在盲源分离过程中可不予考虑，故本文所有分析过程源的个数均设为2。盲源分离方法可将植被和土壤光谱有效分解的前提是：探测器探测到足够的土壤信息。因此，当植被覆盖度过高时，混合光谱中没有包含足够多的土壤信息，盲源分离方法将无法有效地分离植被和土壤光谱。所有189个植被覆盖下分离后光谱与裸土平均光谱的光谱角的计算结果表明（图5）：当植被覆盖度低于30%时，土壤光谱角基本未超过40°（黑色虚线），而当植被覆盖高于30%时，土壤光谱角迅速增加并超过40°。该结果说明随着植被覆盖度的增加，BSS方法分离出的土壤光谱与裸土光谱差异逐渐增大。由此可知，当植被覆盖度低于30%时，BSS方法更有效，且随着植被覆盖度的增加，BSS方法的有效性迅速降低。尽管当植被覆盖度过高时，BSS的有效性有所降低，但和基于混合光谱的土壤含盐量预测结果相比，BSS提取出的土壤光谱仍可改善土壤含盐量的估测精度（图2和图3）。尽管经盲源分离后提取出的土壤光谱改善了基于原始光谱的土壤含盐量预测精度，但是其预测精度还有待进一步提高，因为在现有研究中尚未考虑土壤水分、土壤粗糙度等其他外部因素对土壤含盐量预测精度的影响，而上述因素在已有研究中已被证明是影响土壤属性光谱预测精度的重要因素[31-33]。本文旨在探讨植扰的去除，因为植被是盐渍化土壤遥感监测中对土壤含盐量预测精度影响最大的因素，有关分离后土壤光谱中土壤水分、粗糙度干扰的去除或削弱研究已经在进行，将在今后的文章中详细探讨。
4结论
高光谱遥感原理与方法范文篇10
[关键词]数据融合，高光谱数据，多光谱数据，CRISP锐化
中图分类号：TP79文献标识码：A文章编号：1009-914X（2014）18-0113-02
[Abstract]Multispecralsharpeningofhyperspectralimageryfusesthespectralcontentofahyperspectralimagewiththespatialandspectralcontentofthemultispectralimage.Theapproachweihavebeeninvestigatingconparesthespecralinformationpresentinthemultispectralimagetothespectralcontentinthehyperspectralimageandderivesasetofequationstoapproximatelytransformthemultispectralimageintoasynthetichyperspectralimagetoproduceasharpenedproduct.Weevaluatethistechniqueagainstseveraltypesofdata，showinggoodperformanceacrosswithalldatasets.Recentimprovementsinthealgorithmallowtargetdetectiontobeperformedwithoutlossofperformanceevenatextremesharpeningratios.
[Keywords]Datafusion，Multispectralimage，Hyperspectralimage，CRISP
1引言
“遥感是在不直接接触的情况下，对目标实体或现象进行远距离感知的一门科学技术。1957年，前苏联成功地发射了全球第一颗人造地球卫星“斯普特尼克1号”，标志着人类对自身生存空间的探索进入了一个全新的时代。从此，人类能够脱离地球，从一个更高的平台通过各类传感器观察、研究和分析地球，解读人与自然的关系，为人类生存发展提供更加全面、及时的科学数据支持。
1.1高光谱遥感信息处理技术
高光谱遥感作为一系列新理论、新技术、新思想推动发展起来的新型遥感技术，从技术整体而言具有继承、发展和创新的特色。其在一定意义上是对多光谱技术的继承和发展，许多多光谱遥感数据的分析和处理技术如信息增强、数据减维、波段选择等在高光谱处理中加以改进依然适用，例如从模式识别的理论出发，利用离散度分析方法、主成分分析（K-L变换）等数据变换方法对已经预处理好的高光谱图像进行特征提取，并通过特征提取降低高光谱的数据维数，然后利用各种传统方法如最小距离或最大似然法等方法对其低维数据进行分类。
1.2图像融合的分类与层次
由于融合的思想被广泛应用于图像处理、分析中，以多源图像为对象的融合处理方法很多，其目的、手段也各不相同。因此，很难给多源图像融合技术定义一个准确的分类。依据融合处理的层次不同，一般将图像融合技术划分为三个层次：像元级、特征级和决策级。
本文的研究内容主要是像素级图像融合。
2数据与预处理
地球观测卫星-1（EO-1）是NASA新千年计划（NMP）的第一颗对地观测卫星，也是面向21世纪为接替Landsat7而研制的新型地球观测卫星，目的是对卫星本体和新型遥感器技术进行验证。该卫星于2000年11月21日成功发射。EO-1的设计寿命为12～18个月，原计划运行1年，但目前卫星仍运行正常。
EO-1上搭载了3种传感器，即：高光谱成像光谱仪Hyperion；高级陆地成像仪ALI（AdvancedLandImager）；大气校正仪AC（AtmosphericCorrector）。
针对HJ-1A星上的HSI数据和CCD数据2级产品的预处理的研究。提出了处理流程及其相关算法。其中主要包括对数据的辐射亮度值转换、条纹去除（本文只针对HSI数据中存在的条纹进行研究，CCD数据不存在条纹）、大气纠正，从而得到精确的地表光谱反射率图像。
3多光谱转化为合成高光谱的模型（CRISP锐化）
CRISP算法是一种非常有效的高光谱、多光谱传感器图像融合方法。CRISP算法成功地使用多分辨率相对较高的多光谱图像来改善高光谱图像的分辨率。它利用一种理想的数学方法组合高光谱数据和多光谱数据，这种方法的现实依据是高光谱图像和多光谱图像拍摄的物理场景是相同的，因而两者具有较好的匹配性。这个问题在前面的SIFT算法已经能够成功地解决。多光谱图像具有较高的空间分辨率，而高光谱具有较丰富的频谱细节，CRISP锐化方法正好结合了两者的优点，使得最终得到的结果具有较高的空间分辨率和频谱细节。
3.1CRISP锐化算法过程
CRSIP算法的整个流程如下，如下图5.7所示，原始的输入数据有两个，一个是原始的高光谱图像PH，一个是原始的多光谱图像PM。原始的多光谱图像通过线性近似转化为合成高光谱图像PH’。注意，在这个转化中，合成高光谱图像相比原来的多光谱图像，其频谱信息并没有增加，只是PH’具有多光谱图像PM的高空间分辨率。最后使用小波变换或Butterworth方法对PH’和PH进行融合，得到最终的融合光谱图像。这种算法融合两者的优点：多光谱图像的高空间分辨率和高光谱图像的高频分析能力。
（1）输入数据
整个系统的输入数据由一个高光谱图像和一个高分辨率的多光谱图像组成。高光谱图像的频谱由几十甚至上百个连续的波段组成，这些连续波段使得每个图像象元都能够提取一条连续的光谱曲线。多光谱图像的频谱是由一系列离散的波段构成。这个算法的输入数据要求：多光谱和高光谱的图像背景应相同，拍摄时间间隔尽量短，两者拍摄的时间间隔越短，匹配误差就约小。理想的输入数据是高光谱图像和多光谱图像在同一场景同一时间拍摄，两个图像没有匹配误差没有任何变化。
（2）多光谱数据线性近似转化为合成高光谱数据的模型
用一系列线性方程把多光谱图像近似转化为高光谱图像的前提是多光谱图像和高光谱图像拍摄的是同一个场景，具有相同的物理特性，因此同一物理场景下的多光谱和高光谱之间具有很强的关联性，可以用一系列线性方程表示两者之间的关系。这里用PH表示高光谱图形的频谱矩阵，PM表示多光谱矩阵的频谱矩阵。
其中F表示高光谱变换为多光谱的滤波器矩阵，e表示高斯白噪声。滤波器矩阵F用来把高光谱数据转化为多光谱数据。当多光谱图像是一个由高光谱波段简单求和的全色光谱时，F是一单位行向量[2]。上述方程描述了多光谱图像和高光谱图像之间最简单的关系。对图像变换没有多大实际用处。我们真正需要的上述过程的反变换，既是要得到一个能够把多光谱图像转化为高光谱图像的变换矩阵[3]。但即使这种变换也不能增加多光谱的频谱信息，因为多光谱图像包含的频谱信息本来就比高光谱少。
由上列方程很容易得到其逆变换方程：
G表示多光谱近似转化为高光谱的估计矩阵。这个变换过程相当于在多光谱的频域进行插值，即进行升采样。近似转化的效果很大程度上取决于图像中的波段数，这是一个近似估计，高光谱的波段越多，估计的效果越好；另外也与波段的质量和位置有关。滤波器G的表达式可由最小二乘法可近似得出。
（3）图像模型
估计矩阵G与多光谱的频谱简单相乘，得到高光谱的频谱估计：
其中SH高光谱的频谱向量，SM表示多光谱的频谱向量。逐个频谱按上述公式进行计算，得到最终的合成高光谱图像。需要注意的是，这个高光谱模型并不是原始的高光谱图像完美近似，因为这个模型只是把多光谱图像进行线性近似转化为高光谱图像，转化后的合成高光谱图像和原始的高光谱图像在频谱上具有相同的秩。尽管这个合成高光谱图像比多光谱图像的波段数多得多，但实际其统计特性和多光谱图像是一样的[1]。这个合成高光谱并没有增加更多有用的信息，只是便于图像融合进行下一步操作。
（4）合成高光谱图像和原始高光谱图像融合的算法描述
当多光谱图像转化为高光谱图像后，就可以进行合成高光谱图像和原始高光谱图像的融合了。
用一对滤波器有选择性得选取合成高光谱和原始高光谱中的数据进行融合。让合成高光谱图像通过一个高通滤波器，选取其高频部分，让原始高光谱图像通过一个低通滤波器，选取其低频部分，然后两者进行简单相加。相加得到的结果就是最终所要的锐化图像。原始高光谱通过滤波器前要进行升采样，这是因为原始高光谱的空间分辨率比合成高光谱的空间分辨率低，只有进行空间插值即升采样才能使两个图像匹配。
当前广泛应用的两种滤波器是小波变换滤波器和巴特沃式（Butterworth）滤波器。小波滤波器是一种简单的正交空间滤波器，能够很容易地把图像分解为高频子图像和低频子图像。小波变换的优点是方便，快速。当两个图像之间的匹配性好时，这种方法得到的锐化结果就好；反之，当两个图像匹配较差时，小波变换的效果就很差。这就是说小波变换滤波器的稳健性不好。
Butterworth滤波器的数据容量比小波变换滤波器小，但具有更多的数值特性。它是使用离散余弦变换把高分辨率的图像和低分辨率的图像输入到频谱域，然后对两个图像的频谱参数进行加权求和，求和的结果进行反余弦变换就得到锐化图像。Butterworth滤波器的优点在于，不管高分辨率图像和低分辨率图像的匹配性如何，最终的锐化结果都不会变换太大，就是说其稳健性比小波变换好。缺点是计算耗内存，速度慢。
3.2CRISP融合实验结果
图5.9中所示（a）图为CCD影像，（b）图为相应地区经过配准与尺度转换的HSI影像，（c）图为利用CRISP方法利用巴特沃兹滤波器进行融合的方法得到的影像。（d）图为利用CRISP方法利用小波变换进行融合的方法得到的影像。从图上看CRISP方法融合方法既提高了空间分辨率，其光谱信息也保存得比较完好。而巴特沃斯滤波器因为其滚降速度更快，效果也较小波融合得更好。
4融合结果评价
CRISP融合方法能实现两幅图像空间信息和光谱信息的全面融合，而且实现了多光谱和高光谱的所有波段全部参与计算，使得融合结果更加全面，这种方法的计算量也不大。如果图像不同部位光谱信息相差太大，还可以分块局部融合，在具体的实现过程中应用非常灵活，是目前较好的能应用于高光谱和多光谱图像融合的成熟方法。
参考文献
[1]LS.ReedandX.Yu，"AdaptiveMultibandCFARDetectionofanOpticalPatternwithUnknownSpectralDistribution，"IEEETrans.onAcoustics，SpeechandSignalProcessing，Vol.38，No.10（October1990）.
[2]AlexanderSibiryakov，MiroslawBober.ImageRegistrationUsingRST-ClusteringanditsApplicationinRemoteSensing.Proc.OfSPIE，2006，Vo1.6365：63650G1-63650G13.
[3]MichalE.winter，EdwinM.Winter.HyperspectralImageShapeningUsingMultispectralData.IEEE，2007.
[4]浦瑞良，宫鹏.高光谱遥感及其应用[M].高等教育出版社，2000：81-97.
高光谱遥感原理与方法范文篇11
关键词：融合；波段组合；遥感影像
中图分类号：TM411+.4文献标识码：A
1融合基本原理
融合就是将同一区域的多源遥感图像按统一的坐标系统，通过配准，生成比单一信息源更准确、更完全、更可靠的新图像的技术方法。采用全色数据与多光谱影像进行融合，生成具有多光谱信息的色彩及全色数据纹理的新影像，突出反映土地利用类型要素信息，提高可判读性，便于综合分析，减少数据量，提高监测精度。通过数据融合，一方面可有针对性地去除无用信息，消除冗余，减少数据处理量，提高数据处理的效率；另一方面可融合多源数据的有用信息，表现出各波段的优势，尽量减少或避免目标的不确定性。
2卫星数据介绍
RapidEYE卫星发射于2008年8月29日，共5颗卫星，预期寿命7年，轨道高度630KM，与太阳同步，通过赤道时间为11：00AM，传感器类型是推帚式的多光谱CCD，地面采样间隔是星下点6.5米，有5个光谱波段组成，分别为蓝：440nm-510nm；绿：520nm-590nm；红：630nm-685nm；红边：690nm-730nm；近红外：760nm-850nm；标准幅宽为77KM；星上存储量为1500km影像数据或轨道；重访时间为5.5天（星下点），动态范围为12bit。RapidEYE数据广泛应用于农业、林业、环境保护、城乡规划、基础设施建设等行业。
IRS-P5数据，是印度遥感制图卫星影像，全色分辨率为2.5米，设计寿命5年，轨道高度为618km，共由1867条轨道覆盖全球，相邻轨迹线之间相隔11天，轨道倾角97.87度，过赤道上空为地方时10∶30。前视幅宽为29.42KM，后视幅宽为26.24KM；重访周期为5天。IRS-P5数据广泛应用于国土、海洋、矿产资源调查；林业和农业资源调查；水资源、水土流失调查；环境保护；城市规划等领域。
3融合前处理
配准、纠正后满足精度要求的多光谱及全色数据，融合前还需要对其进行预处理。一方面，通过色阶对全色数据进行调整，减少影像的噪声，提高亮度和对比度；另一方面，通过波段组合的方式突出各地类的色彩，地物间的反差，表现出多光谱数据的丰富色彩。
4融合方法试验
在遥感影像处理过程中，通常采用的融合方法有小波变换、主成分变换、高通滤波等多种方法，试验结果如下：
（1）小波变换融合
基于小波变换的图像融合算法是对待融合的两幅图像二维小波分解，建立各图像的小波塔形分解。
小波变换融合以mul数据的各波段影像为参考对高分辨率pan影像进行直方图匹配，以形成相应的匹配的高分辨率全色影像。然后采用小波变换的方式形成相应的低频和高频影像，并用多光谱影像各波段变换后的低频部分来替换这几个影像小波变换后的低频影像，对替换后的影像进行小波逆变换，从而获得融合影像。融合结果如图1：
小波变换法优点：最大程度保持原多光谱数据和全色数据的信息，减少后处理难度。小波变换法缺点：算法复杂，融合后影像存在振铃效应，影像有锯齿，不连续，因此，在土地利用动态监测中较少应用。
（2）高通滤波融合
高通滤波用于影像的细节和纹理处理。高通滤波是对低分辨率多光谱影像进行低通滤波以获取其光谱信息，对全色影像进行高通滤波以提取线性特征和边缘等空间结构信息，然后对低通滤波和高通滤波的结果加权求和，进而得到融合影像。该算法使图像的分辨率得到增强，并且它还减少了高分辨率影像低频部分的融入，高效地保留多光谱影像的光谱信息。高通滤波处理对于全色数据很重要，在进行高通滤波处理时，滤波模型的选择受影像质量、地貌特征等因素的影响。融合结果见图2：
高通滤波融合法在保持光谱信息和提高多光谱图像的空间细节表现能力上都有很好的效果，但影响影像的纹理清晰度。
（3）主成分变换
对于图像而言主分量变换是图像按照特征向量在其特征空间上分解为多元空间。而在数学上是将矩阵展开分解为其协方差矩阵的特征向量的加权。利用PC变换可将影像的结构信息通过第一主分量表达出来。
主分量变换在进行融合中有两种变换方法，一种是指将多光谱的多个波段先做主分量变换，用全色波段替换第一主分量，再进行反主分量变换，得到融合影像。另一种将各波段统一进行主分量变换，然后反变换。融合结果如图3：
主分量变换多光谱数据的波段数不受限制，可以接受三个以上波段的高光谱及多光谱数据进行变换。并且影像色彩丰富，影像纹理信息结构明显、突出。主成分变换优点：不限参加波段的数量，能较好保留全色影像的纹理，减少信息损失。
结语
根据上述几种融合方法的融合效果试验对比分析可以得出初步结论：
RapidEYE数据和p5数据进行融合，从土地利用角度上分析，采用Photoshop融合、Pansharp融合和主成分变换的融合方法其融合效果能较好地保留了高分辨率影像的纹理细节和多光谱影像的信息，提高图像解译的质量。
参考文献
[1]贾永红，李德仁，孙家柄.多源遥感影像数据融合[J]，遥感技术与应用，2000，15（1）.
[2]孙家抦、舒宁、关泽群等.遥感原理、方法和应用[M].北京：测绘出版社.1997.
高光谱遥感原理与方法范文
关键词：遥感图像融合；分辨率
中图分类号：TP75文献标识码：B文章编号：1009-9166（2011）0020(C)-0219-01
遥感图像融合是采用某种算法对两幅经过空间配准的不同的源图像进行综合处理，最终形成一副新的图像。根据融合处理所处的阶段不同，图像的融合处理通常可以在三个不同层次上进行：像素级图像融合、特征级图像融合、决策级图像融合；（1）像元级融合：最底层的融合；进行基本的地理编码，再进行像元级的合并处理，最终获得更好的图像视觉效果。（2）特征级融合：先运用不同的算法对目标进行目标识别的特征提取，然后对这些特征信息进行综合分析与融合处理。（3）决策级融合：最高级别的图像融合处理，在图像理解和图像识别的基础上进行的融合以获得综合的决策结果。遥感图像融合的方法通常可以分为三类，即彩色技术变换法、算数运算法以及图像变换法：（1）彩色技术变化法即为两种彩色坐标系统之间的变换。这种方法指采用不同的彩色坐标系统，把不同的传感器数据或不同性质的数据融合起来，生成彩色合成图像；（2）算数运算包括对两幅图像进行加和乘的运算、差值与比值运算以及混合运算、这类方法如Brovey变换；（3）图像变换的方法有很多，比如主成分分析变换、空间滤波变换、小波变换等。
下面介绍几种传统的图像融合算法：
一、HIS变换融合：HIS是一种色彩空间变化模型，将RGB空间的颜色变换到HIS的空间颜色。HIS变换将RGB空间的颜色变换为明度、色调、饱和度坐标系统。公式如下：
高分辨率影像的处理过程：高分辨率全色影像将图像与多I分量匹配得到新的亮度分量I’用I’代替原来的亮度分量I进行HIS逆变换融合结果，但HIS变换只能进行三个波段的变换，因此它具有一定的局限性，此外，HIS算法得到的融合结果有光谱失真和扭曲的现象。
二、主成分分析（PCA）融合法：PCA是一种线性变换的方法，又称K―L变换，主要用于图像数据压缩、变化检测等方面。PCA是基于统计特征进行的一种多维的正交线性变换，它的集合意义是把原始的多光谱影像各波段的特征空间轴旋转到平行于混合集群结构的方向，得到新的空间特征轴，这样变换的结果是，使原来各个波段的指标因子互不相关。先得出变换矩阵，公式为：Z=TWW为原始多光谱各个波段的像素值向量，Z为主成分变换后产生的各个主成分像素值向量，T为变换矩阵。T是由原始影像像素值向量W的协方差矩阵得出。矩阵T的每一行都是协方差矩阵的特征向量，因此，Z代表的是W各波段的线性组合。PCA融合算法是将高分辨率全色影像直接代替第一主成分，失去了第一主成分的光谱信息，因而融合后的影响在光谱方面有一定的畸变。
三、Brovey变换融合法：算法如下：
Rnew=Pan*R（R+G+B）
Gnew=Pan*G（R+G+B）
Bnew=Pan*B（R+G+B）
上式中R、G、B分别为原始多光谱波段，Pan为全色高分辨率影像，Rnew、Gnew、Bnew分别为融合后的R、G、B波段图像。但与PCA融合算法一样，BroVey变换融合法同样会使图像产生光谱畸变。通过选择均值、方差、熵、清晰度、偏差度等指标从信息量、光谱特征、边缘特征等方面，从融合结果上对其进行了定量的比较。为了客观地评价融合结果，当从主观定性和客观定量两方面对不同方法的融合结果进行评价：（一）目视分析与评价：1、颜色保持方面：一般融合方法多少有些失真，这是由新型卫星传感器获取的全色影像的波段从可见光延伸到近红外导致的。PCA法略优于HIS；2、空间细节方面：Pansharp利用统计法去估计所有融合波段的灰度值关系，从而去除了数据差异关系，使之能自动融合，纹理和细节融合得都比较好。（二）客观分析与评价：1、光谱曲线比较；2、定量分析：分别选择均值、方差、熵、清晰度、偏差度、相关系数、边缘强度等指标从信号、量、光谱特征、边缘特征等方面，从融合结果上对齐进行定量的比较：（1）图像的熵是衡量图像信息丰富程度的一个重要指标，Pansharp、HIS和PCA相对于Brovey和Gram-schmidt算法来说熵值较大；（2）偏差指数反映了融合结果与原多光谱图像的偏差程度，相关系数放映了融合结果与原多光谱图像的相似程度。Brovey算法与Gram-schmidt的偏差指数值较大，而两者的相关系数又相对较小，因此它与原多光谱图像存在较大的失真；（3）平均梯度反映了图像中微小细节的反差能力与纹理的变化特征，同时也反映了图像的清晰度。Pansharp融合算法的平均梯度值较大，即清晰度相对较高。
作者单位：中南大学土木工程学院
参考文献：
[1]许民.高分辨率遥感影像融合方法研究及融合效果评价.兰州大学,2010.
[2]林卉,张连蓬.高分辨率遥感影像融合及其质量评价.工程勘察,2009,1.
[3]PohlC，VanGenderenJL.MultisensorIlnageFL-sionillRe-noteSensing:ConeePts，MethodsandAPPlication[Jl.IntJRelnoteSensing,1998.
