㈠ 高光譜圖像的介紹
光譜解析度在10l數量級范圍內的光譜圖像稱為高光譜圖像(Hyperspectral
Image)。遙感技術經過20世紀後半葉的發展，無論在理論上、技術上和應用上均發生了重大的變化。其中，高光譜圖像技術的出現和快速發展無疑是這種變化中十分突出的一個方面。通過搭載在不同空間平台上的高光譜感測器，即成像光譜儀，在電磁波譜的紫外、可見光、近紅外和中紅外區域，以數十至數百個連續且細分的光譜波段對目標區域同時成像。在獲得地表圖像信息的同時，也獲得其光譜信息，第一次真正做到了專光譜與圖像的結合。與多光譜遙感影像相比，高光譜影像不僅在信息豐富程度方面有了極大的提高，在處理技術上，對該類光譜數據進行更為合理、有效的分析處理提供了可能。因而，高光譜圖像技術所具有的影響及發展潛力，是以往技術的各個發展階段所不可比擬的，不僅引起了遙感界的關注，同時也引起了其它領域（如醫學、農學等）的屬極大興趣。
㈡ 高光譜岩性信息提取
8.5.1 方法與流程
8.5.1.1 岩性信息產品生成業務化流程
採用的高光譜岩性信息分類填圖方法：先將成像高光譜數據進行輻射定標、大氣校正、光譜重建等過程得到光譜反射率數據，然後根據礦物特徵吸收峰分布情況對高光譜反射率數據進行波譜降維，對照已有地質圖選取其中的典型岩性並結合像元純凈度指數圖在高光譜數據區域中建立感興趣區，確定岩性分類的先驗樣區，最後用合適的方法進行岩性信息分類填圖，並對結果進行優化操作。岩性信息分類填圖流程圖如圖8.20。
圖8.20 高光譜岩性信息分類填圖流程
8.5.1.2 岩性分類信息提取的高光譜數據預處理
無論是高光譜成像儀還是傳統的多光譜感測器，它們所記錄的數據都是地面觀測目標的反射或輻射能量的光譜輻射絕對值，與地物目標的光譜反射率或光譜輻亮度值是不一致的。因此，輻射定標和光譜重建是地物識別和定量分析不可缺少的環節。只有經過輻射標定、輻射校正和大氣校正，剔除由於大氣散射、吸收、地形起伏及感測器本身不穩定帶來的各種失真，將記錄的圖像值轉換為地面的反照率值，重建像元地面光譜，才能根據光譜特徵，有效地識別地物，反演地物成分。
8.5.1.3 端元選擇
對於一個地區的未知岩性分類信息提取，一般要進行岩性端元信息的提取。所謂端元，指的是成分單一的岩性像元。只有提取出端元才能進一步對研究區域進行岩性信息的分類分析。目前端元選擇的方式概括起來主要有兩種：①根據野外波譜測量或從已有的地物波譜信息庫中選擇端元。通過這種途徑選擇的端元稱為「參考端元」。②直接從待分類岩性的圖像上選擇端元，然後不斷對其修改、調整，確定端元，這種圖像上選擇的端元區域稱為先驗樣區。
野外獲取岩性端元信息一般要經過實地勘察，先選擇好樣區，然後選擇合適的時間進行量測。一般情況下，要求在獲取影像的同時進行地物波譜量測，但這種難度很大，實際應用中很少能做到。通過野外測量方式獲取的參考端元理論上比較精確，但遙感圖像上地物的波譜曲線受到大氣、地形和感測器等的影響，這些與野外實地測量的地物波譜曲線存在很大差別，即使對影像進行各種糾正進一步消除這些因素的影響，也不會與野外測量的地物波譜曲線很好地吻合。對於大部分研究區域而言，有與研究區對應的實際地物波譜庫的區域很少，也很少投入大量人力、物力進行野外波譜測量。因此在缺乏野外波譜測量數據情況下，從影像本身獲取端元是目前獲取端元的主要方式。目前，在端元從影像本身的像元獲取方式中，除了對遙感影像像元的色調、波譜特徵進行目視解譯直接分析外，還可藉助以下分析方法進行。
基於圖像的端元選擇是假定圖像中存在有基本上僅反映一種岩性或礦物光譜的「純像元」或「非混合像元」，用數學方法自動或交互地從圖像中提取這些「純像元」作為端元，用同一類「純像元」的典型光譜或平均像元光譜作為端元光譜。PPI方法由於推出較早，計算簡便直觀，並且處理高光譜數據中使用最廣泛的遙感圖像處理系統ENVI中有該功能，因而得到較廣泛的應用。但是在進行PPI之前，需先對高光譜數據進行降維處理。我們常用的降維處理手段主要是最大雜訊分離（MNF）變換。
（1）最大雜訊分離（MNF）變換
成像光譜的光譜解析度很高，波段多，數據海量，且波段之間的相關性很強，數據冗餘度高，需要在端元選取和礦物識別之前對數據作減維，並弱化雜訊。最常用的方法是「最大雜訊組分變換」。
MNF變換是利用圖像的雜訊組分矩陣（∑N∑-1）的特徵向量對圖像進行變換，使按特徵值由大到小排序的變換分量所包含的雜訊成分逐漸減小，圖像質量順次提高。∑為圖像的總協方差矩陣；∑N為圖像雜訊的協方差矩陣。MNF有兩個重要的性質，一是對圖像的任何波段作比例擴展，變換結果不變；二是使圖像矢量、信息分量和加性雜訊分量互相垂直，達到信息分離的目的。乘性雜訊可通過對數變換轉換為加性雜訊，變換後可針對性地對各分量圖像進行去噪，或舍棄雜訊占優勢的分量，以達到成像光譜數據減維和去噪的目的。
（2）像元純度指數（PPI）分析
基於上述MNF變換，排序低的MNF波段被暫時忽略，僅選擇高序次波段進一步處理。PPI設計指定光譜極值像元，對應為混合光譜端元。通過反復投影n維散點圖到隨機單元矢量來計算PPI。記錄每次投影的極值像元，注記每個像元被標定為極值的總次數。PPI圖像產生，其中，每個像元的DN值對應像元被記錄為極值的次數。這些圖像的直方圖顯示被PPI「擊中」（hit）的分布。從直方圖中選擇閾值，用於選擇最純的像元以保證被分析的像元數最小。這些像元被輸入到分離特定光譜端元的互動式可視化演算法中。
（3）N維可視化（n-Dimensional Visualization）
由於PPI演算法本身確定的並不是最終的端元，而是從圖像眾多像元中選出包含所有端元像元的較小像元子集。所以，一般要將PPI的處理結果輸入到N維可視化（n-Dimensional Visualization）工具中，選擇出最終的端元像元。
在N維可視化中，光譜可視為n維散點圖中的一個點，n是波段數。對給定的像元，n維空間中組成n值的點的坐標是每個波段的光譜反射率。這些點在n維空間的分布可用於估計光譜端元數和它們的純光譜特徵。在兩維空間，如果只有兩個端元混合，混合光譜將落入直方圖的線中。純端元將落入混合線的兩端；如果三個端元混合，混合像元將落入四面體中；余類推。混合的端元落在純端元之間，處在純端元勾畫的多面體中。這種混合光譜的凸面幾何特徵，可用於確定端元光譜數並估算它們的光譜特徵，經過PPI選擇出的潛在端元光譜輸入n維散點圖中進行反復旋轉以識別出純端元。根據前面的分析，較好的端元通常會出現在n維散點圖的頂點和拐角處，當一系列的端元點被確定後，就可以將其輸入到圖像中的感興趣區（ROI），從圖像中提取每個感興趣區平均反射率光譜曲線作為成像光譜礦物填圖的候選端元。
鑒於PPI演算法得出的結果是從圖像眾多像元中選出包含所有端元的較小像元子集（圖8.21），在已有的地質圖中結合PPI結果圖可選取盡量純凈的端元區域作為後期監督分類的感興趣區（ROI，Region of Interest）。
圖8.21 選擇出的純凈像元的波譜曲線
8.5.2 結果與分析
目前，從是否需要先驗樣區可將岩性分類技術分為兩大類：非監督分類和監督分類。非監督分類是指人們事先對分類過程不施加任何的先驗知識，而僅憑數據遙感影像地物的光譜特徵的分布規律，即自然聚類的特性，進行「盲目」的分類；其分類的結果只是對不同類別達到了區分，但並不能確定類別的屬性；其類別的屬性是通過分類結束後目視判讀或實地調查確定的。非監督分類也稱聚類分析。一般的聚類演算法是先選擇若干個模式點作為聚類的中心。每一中心代表一個類別，按照某種相似性度量方法（如最小距離方法）將各模式歸於各聚類中心所代表的類別，形成初始分類。然後由聚類准則判斷初始分類是否合理，如果不合理就修改分類，如此反復迭代運算，直到合理為止。監督分類又稱訓練場地法，是以建立統計識別函數為理論基礎，依據典型樣本訓練方法進行分類的技術。即根據已知訓練區提供的樣本，通過選擇特徵參數，求出特徵參數作為決策規則，建立判別函數以對各待分類影像進行的圖像分類，是模式識別的一種方法。要求訓練區域具有典型性和代表性。判別准則若滿足分類精度要求，則此准則成立；反之，需重新建立分類的決策規則，直至滿足分類精度要求為止（圖8.22）。
圖8.22 地質圖
對原始數據的211個波段進行目視解譯，去掉其中明顯的雜訊波段得到剩下的178個波段，對這178個波段的數據信息用上述方法進行分類得到所需的結果，然後結合各種岩性地質特徵，得知大多數礦物特徵吸收峰均位於1300 nm以後的波段中，故在這178個波段中繼續裁剪得93個波段，並對裁剪結果用相同的方法及參數重新分類，將得到的結果與第一次分類結果進行對比。
8.5.2.1 非監督分類填圖結果
（1）K-Means
預選待分類數據可分為八類，最大迭代次數為2，且設變化閾值為5%，即當每一類像元數變化小於閾值時結束迭代過程，最大允許標准差和最大允許距離誤差不輸入，即所有像元都參與分類。從而，當達到閾值5% 或迭代達到兩次時則分類結束（圖8.23 ，圖8.24）。
圖8.23 所用數據：dts_178，K-Means填圖結果
圖8.24 所用數據：resize_dts_93，K-Means填圖結果
（2）ISODATA
預選待分類數據可分為5～10類，最大迭代次數為2 ，變化閾值為5%，每一類最少含有像元數為500 ，最大允許標准差為10 ，即如果一類的標准差大於10 ，則該類被拆分為兩類。類均值間允許最小距離為5，能夠被合並成對的最大對數為5，即當類均值間距離小於5 時，這一類就會被合並，而合並後的成對類的最大值為5（圖8.25 ，圖8.26）。
圖8.25 所用數據：dts_178，ISODATA 填圖結果
圖8.26 所用數據：resize_dts_93，ISODATA填圖結果
8.5.2.2 監督分類填圖結果
首先，對照地質圖和PPI圖像選取兩種岩性（Cgammabeta：石炭紀黑雲母花崗岩，Cdelta：石炭紀閃長岩）的感興趣區。
（1）平行六面體
設置最大允許標准差（Max stdev from Mean）為1.4（圖8.27，圖8.28）。
圖8.27 所用數據：dts_178，平行六面體填圖結果
圖8.28 所用數據：resize_dts_93，平行六面體填圖結果
（2）最小距離
設置最大標准差為10 ，最大允許距離誤差為2500 ，則分類過程中由兩者中較小的一個判定像元是否參與分類，若一旦大於任何一個值則該像元不參與分類，歸屬為無類別（圖8.29 ，圖8.30）。
圖8.29 所用數據dts_178，最小距離填圖結果
圖8.30 所用數據resize_dts_93，最小距離填圖結果
（3）光譜角制圖
設置最大允許角度為0.05°，即當像元波譜與終端端元波譜間夾角大於0.05°時，則不參與分類（圖8.31 ，圖8.32）。
圖8.31 所用數據：dts_178，光譜角制圖填圖結果
圖8.32 所用數據：resize_dts_93，光譜角制圖填圖結果
（4）光譜信息散度
設置最大散度閾值為0.002（圖8.33）。
圖8.33 所用數據：dts_178，光譜信息散度填圖結果
（5）二值編碼
設置最小二進制閾值為0.95 ，決定了哪些像元參與分類（圖8.34 ，圖8.35）。
圖8.34 所用數據：dts_178，二進制編碼填圖結果
圖8.35 所用數據：resize_dts_93，二進制編碼填圖結果
（6）最小距離（Hymap數據）
該方法需要設置兩個閾值：Max stdev from Mean；Max Distance Error。通過不同的嘗試，針對兩種閾值的設定如圖8.36所示。
圖8.36 局部填圖效果
（7）光譜信息散度（Hymap數據）
該方法需要設置閾值：Maximun Divergence Threshod。通過不同的嘗試，參數設置和填圖效果如圖8.37所示。
圖8.37 Threshod＝0.005 時的譜信息散度填圖結果
8.5.2.3 岩性信息填圖結果分析
為了分析高光譜星載模擬數據的岩性填圖效果（圖8.38），可對比研究區的岩性信息分布圖與地質圖逐像素進行對比，如果研究區總的點數為N，地質圖中與岩性信息分布圖的結論相同就認為該點取值1，最後統計結果中1的個數n，這樣岩性信息識別精度可定義為
高光譜遙感技術原理及礦產與能源勘查應用
圖8.38 岩性提取結果圖
筆者發現岩性分類結果與地質圖吻合度達到了89%，對出現誤差的主要原因分析如下（圖8.39）：
1）實驗中所用數據是高光譜星載模擬數據，其空間解析度為30m，隨著解析度的降低，單個像元所對應的地面面積將增大，導致每個像元中包含更多的岩性類型，岩性間的影響性也會增加。一方面，由於混合像元的平均效應，目標岩性在像元中的等效豐度會下降，光譜信息減弱。當像元中目標岩性的等效豐度下降到檢出限以下時，岩性將不能被識別，而造成岩性分布區的外圍含量較低的地段和含量較低分布區填繪面積的減少，點狀集群分布區的漏識別，線狀分布區的斷續分布。這種效應相當於檢出限的下降。另一方面，當像元中目標岩性的等效豐度在檢出限以上時，會使面狀岩性分布區的范圍擴大、空洞的充填、相鄰小區的連接，點狀集群分布區的成片，線狀區域的斑點效應。這兩種效應的綜合作用結果，空間解析度的減小則會使強異常區（包括高豐度區和光譜反襯度較高的礦物分布區）范圍的擴大、小區的相連、點群的結合，而使異常更加醒目，但其細節特徵會因此消失；弱異常區（包括低豐度區和光譜反襯度較低的那些岩性分布區）和小異常區面積會縮小或漏檢；線狀異常可能會形成斷續分布的小斑塊而使線狀特徵和其走向變得不清晰。因此，在填圖的細致程度上，解析度越高的數據填圖效果越好，這是造成填圖效果差異的最主要原因之一。
2）輻射校正的精確程度。無論是高光譜成像儀還是傳統的多光譜感測器，它們所記錄的數據都是地面觀測目標的反射或輻射能量的光譜輻射絕對值，與地物目標的光譜反射率或光譜輻亮度值是不一致的。因此，輻射校正和光譜重建是地物識別不可缺少的環節。但校正後數據必然丟失一定的信息，故再進行後續處理也會有一定的誤差。
3）感興趣區的選取是進行監督分類的一個重要環節，但由於一般情況下並不能得到純度足夠高的感興趣區，造成選取的樣區含有多種岩性，從而對後期處理造成不可避免的誤差。
4）在數據一定的情況下，各種分類方法中參數的選取決定了分類效果，但由於無法遍取各種參數進行嘗試，實驗過程中僅是進行有限嘗試後選擇了具有較好的結果的參數，但並不能保證所用參數是最適合的參數。
總之，用高光譜星載模擬數據進行礦物填圖是可行的，它可以在一定程度上對岩性的種類及分布進行識別。
圖8.39 對比地質圖（上圖是下圖黑框中部分）
㈢ 高光譜影像分類和目標探測要解決的幾個核心問題
目標探測和分類通常基於空間維、特徵維、時序維和光譜維的四個層面。空間維記錄了地物的空間分布、空間形態、空間屬性、空間關系和空間變化等信息，是分類和目標探測最直觀的數據來源。然而，受影像空間解析度的限制，單純依靠空間維的信息往往不能達到分類和探測的要求；特徵維通過定義某種運算元或對影像作某種數學變換，提取出影像的點、線、面等結構信息及其他特徵，然後利用統計理論或非線性理論實現分類和目標探測；時序維通常是空間和時間的結合，利用空間特徵結合時序特性，構建時序維，主要用於對時間序列數據進行變化監測和預測分析，通過分析相同地理空間上不同時間點的數據差異，發現異常，從而實現分類和目標探測；光譜維表達了影像每個像元在所有波段的灰度值，根據「異物異譜」 的原則，從地物的物理屬性和微觀特性入手，在高光譜維空間實現分類和目標探測，這也正是高光譜遙感的實質和獨特之處。而高光譜影像分類和目標探測要解決的幾個核心問題包括：
（1）光譜定量化
高光譜影像分類和目標探測以地物光譜與地物的物理、化學特徵，物質組成成分的某種線性或非線性的定量化關系為基礎。一般高光譜影像在採集的過程中都會受到感測器、大氣傳播、地形起伏、地球物理環境等各種因素的影響，其DN值與地物真實的反射率值並不一致。因此，將感測器獲得的地物原始DN值與地物標准反射率值之間建立定量關系非常重要。
（2）光譜解混
真正的純像元只能存在於理想狀態下，混合像元普遍存在於遙感影像中，它的存在嚴重製約著分類和目標探測的精度。像元的混合一般有線性和非線性的方式。當視場中的端元地物以一定面積水平分布，並且彼此不交叉時，其光譜混合模型為線性的；當視場中的端元地物交叉分布，並且端元之間存在多次散射，其光譜混合模型為非線性的。
（3）降維和特徵提取
高光譜影像精細劃分的光譜波段為地物信息提取提供了極其豐富的信息，然而，大量的波段勢必會造成信息的冗餘，增加信息處理的復雜度。因此，對於高光譜影像分類和目標探測而言，高光譜數據降維（圖1.3）和特徵提取顯得尤為重要。傳統的降維方法有主成分分析（Principal component analysis，PCA）、最小/最大自相關因子（Min/max auto－ correlation factors，MAF）、最小雜訊分離（Minimum noise fraction，MNF）、雜訊調整的主成分分析（Noise－adjusted principal components，NAPC）、典型分析（Canonical analysis，CA）、獨立成分分析（Independent component analysis，ICA）、投影尋蹤（Projection pursuit，PP）、典型相關分析（Canonical correlation analysis，CCA）、非負矩陣分解（Non－negative ma－trix factorization，NMF）和非線性主成分分析（Kernel PCA，KPCA）等。目前比較先進的降維方法有利用機器學習中的流行學習演算法（Manifold learning algorithm），如，新近發展起來的等距映射（ISOmetric feature Mapping，ISOMAP）、局部線性嵌入（Locally linear embed－ding，LLE）、拉普拉斯映射（Laplacian eigenmap）、局部切空間排列（Local tangent space a－lignment，LTSA）和多維尺度變換（Multi－dimensional scaling，MDS）等。
圖1.3 高光譜數據降維
（4）Hughes現象
在對高光譜影像進行監督分類時，經驗表明，當訓練樣本數是光譜維數的100倍時，效果最佳。但對於上百個波段的影像來說，這通常是無法達到的。在訓練樣本數不變的情況下，分類精度會隨著波段數的增加而先增後減。這就是高光譜影像分類中的Hughes現象（Hughes，1968），關於這一問題將在2.1中詳細闡述。
（5）低概率目標
目標在高光譜影像中以各種形式存在，如小概率、低出露，甚至有可能是亞像元，這些目標統稱為低概率目標（low probability target），高光譜影像中的感興趣目標往往以這種形式存在，同時這也是分類和目標探測的難點。
（6）處理效率
高光譜影像數據的海量信息決定了需要用並行運算等手段提高處理效率。並行運算是利用處理單元的集成來解決海量數據處理難題。其處理效率通常用加速比來表示，加速比定義為多個處理器的計算性能與單個處理器的計算性能的比值。NASA研製了攜帶型迷你集群，美國也研製了包含5120個處理器的地球模擬器用於解決這一問題。