高光譜成像技術(shù)的發(fā)展是上世紀(jì)末對(duì)地觀測(cè)的重大突破,是當(dāng)前遙感領(lǐng)域前沿技術(shù).高光譜成像波段數(shù)目多達(dá)幾百個(gè)，光譜分辨率高達(dá)幾個(gè)納米，包含豐富的空間輻射和光譜信息21.高光譜在獲得空間地物圖像的同時(shí)，每個(gè)像元可以獲得一條“連續(xù)”的光譜曲線[],所以高光譜遙感成為地面信息獲取，地物識(shí)別分類(lèi)，礦物干度繪制的有力工具.盡管高光譜可以提供豐富的地面信息，但其較多的波段數(shù)使其數(shù)據(jù)量巨大,造成日前高光譜數(shù)據(jù)處理應(yīng)用水平還遠(yuǎn)遠(yuǎn)滯后于成像光譜儀本身的發(fā)展.

高光譜可以提供地物連續(xù)光譜信息,因而在高光譜出現(xiàn)初期人們就研究如何利用“光譜信息”進(jìn)行地物識(shí)別分類(lèi).傳統(tǒng)的分類(lèi)技術(shù)處理高光譜高維數(shù)據(jù)時(shí)非常費(fèi)時(shí),更為嚴(yán)重的是傳統(tǒng)的分類(lèi)技術(shù)是基于統(tǒng)計(jì)模式進(jìn)行得,例如最小距離分類(lèi)法，最大似然分類(lèi)法.在分類(lèi)的過(guò)程中一次和二次統(tǒng)計(jì)量(均值和協(xié)方差)都扮演重要角色.由于高光譜波段數(shù)增加導(dǎo)致數(shù)據(jù)維數(shù)急劇增加，因而用于參量估計(jì)所需的訓(xùn)練樣本數(shù)目也急劇增加.如果訓(xùn)練樣本數(shù)目滿足不了特征空間維數(shù)增加的要求,則估計(jì)出的統(tǒng)計(jì)量準(zhǔn)確度就難以保證,也就得不到滿意的分類(lèi)結(jié)果，最終導(dǎo)致的結(jié)果就是,當(dāng)訓(xùn)練樣本數(shù)目一定時(shí),隨著高光譜影像維數(shù)的增加，分類(lèi)準(zhǔn)確度“先升后降”,即產(chǎn)生所謂的“Hughes現(xiàn)象”,

本文提出的基于端元(Endme mber2based)的分類(lèi)方法不需要訓(xùn)練樣本,通過(guò)特殊的主成分變換對(duì)高維數(shù)據(jù)進(jìn)行“降維”處理，提取端元(endme mber)并對(duì)其進(jìn)行識(shí)別，最后對(duì)整幅影像監(jiān)督分類(lèi).同時(shí)也

利用了“降維”后的數(shù)據(jù)進(jìn)行了非監(jiān)督分類(lèi).利用了廣東賽斯拜克SineSpec所研制的高光譜成像儀的實(shí)驗(yàn)數(shù)據(jù)，對(duì)影像所覆蓋的地物進(jìn)行了基于端元的監(jiān)督分類(lèi)和IsoData非監(jiān)督分類(lèi)，并對(duì)兩者結(jié)果進(jìn)行了比較.

1  實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)儀器為廣東賽斯拜克SineSpec所自行研制的大孔徑靜態(tài)干涉成像光譜儀(SC230),具有高能量通光力和光譜分辨率.波長(zhǎng)范圍覆蓋了可見(jiàn)光和近紅外波段，包含128個(gè)波段,光譜分辨率可達(dá)3nm.本文采用的影像大小為324 MB,包含了豐富的地物資料，不同材料建造的房屋汽車(chē)草地小樹(shù)水泥路(有陰影和無(wú)陰影部分)等等.對(duì)ENVI提供的數(shù)據(jù)庫(kù)進(jìn)行了重采樣使其與實(shí)驗(yàn)數(shù)據(jù)的光譜相匹配.在沒(méi)有地面樣本信息情況下,完全依靠圖像本身數(shù)據(jù)對(duì)影像進(jìn)行分類(lèi)，期望達(dá)到不同種類(lèi)的地物完全分開(kāi).

2  基于端元的監(jiān)督分類(lèi)方法

圖1為基于端元的高光譜影像處理流程[,針對(duì)所處理影像的特點(diǎn)增加了最優(yōu)波段選取，端元代表一種物質(zhì)或者材料具有唯一的光譜特性[1.理想情況下，一個(gè)端元代表一種純凈的物質(zhì)，但是事實(shí)上由于地面狀況的復(fù)雜性以及地元分辨率的限制，在圖像上很難找到這樣的端元[8].利用傳感器得到的輻亮度數(shù)據(jù)經(jīng)過(guò)大氣校正得到表觀反射率數(shù)據(jù),去掉信噪比不好的波段和大氣吸收嚴(yán)重的波段，通過(guò)最小噪音變換(MNF)分離噪音減少后續(xù)運(yùn)算量,通過(guò)像元純凈指數(shù)(PPI)計(jì)算減少空間維數(shù)據(jù)量并且找出純凈像元，n2維可視化(n2D Visualization)確定端元光譜，利用光譜庫(kù)進(jìn)行端元光譜識(shí)別(ID)最后利用SAM分類(lèi)技術(shù)對(duì)高光譜影像進(jìn)行分類(lèi).

2.1大氣校正及輻射定標(biāo)

輻射定標(biāo)就是將遙感器獲得的輻射亮度DN值轉(zhuǎn)換為地物的表觀反射率值,這樣得出的光譜反身率才能直接與地面測(cè)量值,或者光譜庫(kù)中的值進(jìn)行比較，便于進(jìn)行光譜識(shí)別處理.高光譜數(shù)據(jù)嚴(yán)重地受到大氣影響°!,包括大氣散射吸收.吸收主要由水汽二氧化碳臭氧引起，散射主要由大氣中的固體顆粒引起，在中紅外波段可以利用CO?吸收帶2.005μm進(jìn)行大氣校正，在可見(jiàn)光和近紅外波段利用水汽吸收帶0.69,0.72和0.76μm進(jìn)行大氣校正.利用圖像本身的數(shù)據(jù)，通過(guò)建立大氣傳輸模型進(jìn)行輻射定標(biāo),本文利用的數(shù)據(jù)是已經(jīng)經(jīng)過(guò)大氣校正的反射率數(shù)據(jù).

2.2最優(yōu)波段選取

在空間維去掉成像質(zhì)量非常差的區(qū)域,在光譜維把信噪比差的波段去掉，把大氣吸收嚴(yán)重的波段去掉，以有利于后續(xù)處理.由于前幾個(gè)波段信噪比差，而且光譜差異較小對(duì)分類(lèi)沒(méi)有幫助,經(jīng)調(diào)整后的波段范圍502～900nm舍棄了前39個(gè)波段，保留89個(gè)波段參與后面的處理.

2.3光譜維減少數(shù)據(jù)量：最小噪音變換(MNF)

MNF變換是一種特殊的主成分變換，MNF變換用于確定影像數(shù)據(jù)內(nèi)在維數(shù),隔離數(shù)據(jù)中的噪音減少后續(xù)處理計(jì)算需求[.MNF本質(zhì)上通過(guò)兩次主成分變換來(lái)實(shí)現(xiàn),第一步變換基于對(duì)噪音協(xié)方差矩陣的估計(jì)，對(duì)數(shù)據(jù)中的噪音去相關(guān)和歸一化，產(chǎn)生一個(gè)圖像序列,使得其中的噪音“白化”,即其中的噪音方差為1在序列之間是互不相關(guān)的；第二步是對(duì)

第一步產(chǎn)生的圖像序列實(shí)施標(biāo)準(zhǔn)的主成分變換.變換后各成分按照信噪比從大到小的順序來(lái)排列[2]最后數(shù)據(jù)分成兩部分：一部分與大的特征值相對(duì)應(yīng)的特征圖像相關(guān),其余部分與接近一致的特征值少及噪音占主導(dǎo)地位的圖像相關(guān).這樣選取大特征催相對(duì)應(yīng)的特征影像進(jìn)行后續(xù)處理,去除噪音占主與地位的圖像,將會(huì)提高處理速度而且有利于提取純凈像元.

利用MNF變換對(duì)原始圖像進(jìn)行最小噪音變換處理，把噪音從原始影像中分離出來(lái).根據(jù)MNF特征值曲線(圖2),選取對(duì)應(yīng)大特征值的前11波段影像進(jìn)行后續(xù)處理,其它影像當(dāng)作為噪音不參與后續(xù)處理.圖3顯示了從反射率圖像到MNF變換后的波段影像，可以看出，經(jīng)過(guò)MNF變換后，波段越算后含有波譜信息越少，即噪音越多，所以去掉11波段以后的所有波段，降低數(shù)據(jù)維數(shù)利于影像的后續(xù)處理并且不會(huì)丟失有用光譜信息.

2.4空間減少數(shù)據(jù)量：產(chǎn)生像元純凈指數(shù)(PPI圖像純凈像元指數(shù)是一種在高光譜影像中尋找波譜最純凈像元的方法.把像元光譜與n維空間中的點(diǎn)一一對(duì)應(yīng)時(shí),則純凈像元所對(duì)應(yīng)點(diǎn)應(yīng)該在n維數(shù)據(jù)云的犄角.具體做法是，將n維散點(diǎn)圖重復(fù)投影到單位隨機(jī)向量上去，每次投影后，根據(jù)設(shè)置的閾值找出每次投影的極值像元(圖4),并對(duì)這些極值像元累計(jì)計(jì)數(shù),產(chǎn)生一個(gè)像元純度指數(shù)圖.圖中像元的值代表該像元在投影過(guò)程中被標(biāo)記為極值像元的次數(shù)l21.純像元就是像元純度指數(shù)圖中數(shù)值較大的那些像元.本文利用MNF變換后的前11波段進(jìn)行PP運(yùn)算，迭代次數(shù)設(shè)置為20000次，最后得到純凈像元數(shù)為1436.

2.5n維可視化進(jìn)行端元選取

要進(jìn)行n維可視化，首先要在PPI影像中定義感興趣區(qū).選取PPI像元值大于等于1的所有像元定義為感興趣區(qū)(ROI),然后導(dǎo)入到n2維可視化器進(jìn)行端元選取.波譜可以看成是2維散點(diǎn)圖中的點(diǎn)，其中n為波段數(shù)，n2維空間中點(diǎn)的坐標(biāo)由n個(gè)值組成，它們是某個(gè)給定像元相應(yīng)每個(gè)波段中波譜輻亮度值或反射率值.這些點(diǎn)在n2維空間中的分布可以用來(lái)估計(jì)波譜的端元數(shù).n2維可視化器為人們選取端元提供了一個(gè)交互式工具.在n2維可視化器中如果查看先前通過(guò)PPI閾值定義的那些純凈像元更為重要，它們是端元波譜的最佳代表,為人們確定端元波譜黛定基礎(chǔ).利用MNF變換后的前11波段，把定義的感興趣區(qū)(純凈像元)導(dǎo)入n2維可視化器，然后通過(guò)旋轉(zhuǎn)2維散點(diǎn)云圖定義端元，最后選取5種端元光譜作為分類(lèi)的5種物質(zhì)(圖5).

2.6端元波譜識(shí)別

大多數(shù)高光譜數(shù)據(jù)分析方法，只是從影像中找到純凈物質(zhì)或者是利用光譜庫(kù)中的光譜與影像中的光譜進(jìn)行匹配，并不直接進(jìn)行物質(zhì)的識(shí)別.波譜分析也只是幫助進(jìn)行波譜識(shí)別,并不能直接進(jìn)行物質(zhì)識(shí)別.該工具運(yùn)用如二進(jìn)制編碼波譜角分類(lèi)以及波譜特征擬合等方法,對(duì)未知波譜即這里的端元波譜與波譜庫(kù)中的光譜進(jìn)行匹配排序.也可以將自己定義的波譜擬合技術(shù)添加到波譜分析中,波譜分析的結(jié)果是輸入波譜庫(kù)要素的重排序表，由匹配度最好(得分最大)到匹配度最差(得分最小)排序.

端元波譜分析中利用了二進(jìn)制編碼波譜角分類(lèi)和波譜特征擬合三種方法.二進(jìn)制編碼分類(lèi)技術(shù)根據(jù)波段是低于或高于波譜平均值，將端元波譜編

碼為0或1.使用“異或”邏輯函數(shù)對(duì)每一種編碼的參考光譜和編碼的端元波譜進(jìn)行比較，根據(jù)端元波譜與波譜庫(kù)中波譜匹配波段的多少來(lái)給出一個(gè)擬合度得分.

波譜角匹配12](SAM)技術(shù)是在n2維空間將像元(這里的端元)與參考波譜進(jìn)行匹配.這一技術(shù)認(rèn)為每一個(gè)像元波譜與n2維空間中的一個(gè)矢量相對(duì)

應(yīng)，這里n為波段數(shù).通過(guò)計(jì)算波譜間的角度a來(lái)判定兩個(gè)波譜間的相似度.夾角α越小說(shuō)明兩個(gè)波譜越匹配，得出的匹配度分?jǐn)?shù)就越高.α= arccosXY

,其中x,Y向量分別代表未知光譜和I|X Y參考光譜.

波譜特征擬合(SFF)是一種基于吸收特征的方法，它將參考波譜與未知波譜(這里的端元波譜)都進(jìn)行包絡(luò)線去除，接著每條參考波譜都要按比例縮

放以匹配未知波譜1.逐波段地對(duì)每條參考波譜和未知波譜使用“最小二乘”擬合，最后生成一幅“匹配度"影像，它可以度量未知波譜與參考波譜之間匹配的程度.所謂包絡(luò)線去除(continuum re mo val)是將反射率波譜標(biāo)準(zhǔn)化的一種數(shù)學(xué)處理方法,它用來(lái)孤立特殊的吸收特征，然后對(duì)其進(jìn)行分析.包絡(luò)線去除是一個(gè)在波譜頂部凸起的外殼擬合，它用直線段連接局部的波譜最大值,最后將原始波譜值除以包終線值，進(jìn)行包絡(luò)線去除.

利用波譜分析時(shí),二進(jìn)制編碼波譜角分類(lèi)和波譜特征擬合每種方法的權(quán)重設(shè)置為0.33,對(duì)波譜庫(kù)進(jìn)行了重新采樣，使其與圖像波長(zhǎng)范圍相匹配.

利用波譜分析器對(duì)每一種端元光譜都與五種光譜庫(kù)分別進(jìn)行匹配(見(jiàn)圖6),根據(jù)得分的高低來(lái)決同的物質(zhì)，然后利用這五種識(shí)別后的端元對(duì)整幅影定相應(yīng)的分類(lèi).最后把五種端元光譜識(shí)別為五種不像進(jìn)行分類(lèi).

2.7 基于端元的SAM分類(lèi)及非監(jiān)督分類(lèi)

利用前面介紹的波譜角分類(lèi)技術(shù),將已經(jīng)識(shí)別出的端元光譜與未知波譜間最大角度α設(shè)為0.1弧度，對(duì)影像進(jìn)行分類(lèi).分類(lèi)結(jié)果如圖7(a).

IsoDat a非監(jiān)督分類(lèi)法通過(guò)計(jì)算數(shù)據(jù)空間中均勻分布的類(lèi)均值，然后用最小距離技術(shù)將剩余的像

元進(jìn)行迭代聚集.每次迭代都將重新計(jì)算均值，且根據(jù)所得的新均值，對(duì)像元進(jìn)行再分類(lèi).這一過(guò)程持續(xù)到每一類(lèi)的像元變化少于所選的像元變化閾值或者達(dá)到了迭代的最大次數(shù)[.對(duì)MNF變換后的前11波段進(jìn)行IsoData非監(jiān)督分類(lèi)，結(jié)果見(jiàn)圖7(b).

基于端元的監(jiān)督分類(lèi)需要人為提取并且識(shí)別端元，最后設(shè)置相應(yīng)的閾值對(duì)感興趣區(qū)域進(jìn)行分類(lèi).IsoDat a非監(jiān)督分類(lèi)采用自動(dòng)迭代聚類(lèi)，在分類(lèi)過(guò)程中并不需要人工參與太多.分類(lèi)結(jié)果中白色矩形框所包含的區(qū)域?yàn)橹参锔采w區(qū)，這在后來(lái)實(shí)地光譜測(cè)量中得到了證實(shí).基于端元的監(jiān)督分類(lèi)結(jié)果也很明確地把它劃分為植物覆蓋區(qū)，但是在IsoData非監(jiān)督分類(lèi)結(jié)果中卻沒(méi)有把植物和周?chē)匚锓珠_(kāi).圖中橢圓形區(qū)域所覆蓋的兩屋頂光譜差異較大(光譜圖中得到),基于端元的監(jiān)督分類(lèi)結(jié)果也很好的體現(xiàn)了這一點(diǎn),但在非監(jiān)督分類(lèi)結(jié)果中表現(xiàn)并不是很明顯總之,基于端元的監(jiān)督分類(lèi)能夠更好地了解人們所感興趣的區(qū)域，也能夠提供更多的分類(lèi)細(xì)節(jié).

3  結(jié)論

利用西安光機(jī)所研制的成像光譜儀(LASIS)對(duì)典型地物進(jìn)行了識(shí)別分類(lèi).分析了傳統(tǒng)統(tǒng)計(jì)分類(lèi)大法在高光譜數(shù)據(jù)應(yīng)用中的缺陷,詳細(xì)闡述了基于端元的高光譜影像分類(lèi)方法.利用特殊的主成分變換降低高光譜數(shù)據(jù)維數(shù)，克服了傳統(tǒng)分類(lèi)技術(shù)“耗時(shí)”的特點(diǎn)(高維數(shù)據(jù)).整個(gè)處理過(guò)程不需要統(tǒng)計(jì)量估計(jì)，避免了“Hughes現(xiàn)象”限制，影像處理速度快而且效果較好.從分類(lèi)的結(jié)果看，把地物分為不同種類(lèi)例如房屋植物等是完全可以實(shí)現(xiàn)的,即使是同一類(lèi)但是不同物質(zhì)(反射率差異較大)也可以被區(qū)分出來(lái).但是IsoData非監(jiān)督分類(lèi)做不到這一點(diǎn).由于實(shí)驗(yàn)時(shí)草地生長(zhǎng)并不是很茂盛，草地并不是完全被綠色覆蓋，草地分類(lèi)效果不理想.還有水泥地的分類(lèi)不理想,有陰影的水泥路沒(méi)有分出來(lái).如果要進(jìn)行植物種類(lèi)的精細(xì)分類(lèi),把不同物種的植物分開(kāi),就實(shí)驗(yàn)數(shù)據(jù)波長(zhǎng)范圍和這種分類(lèi)方法還不能完全做到.如何去除陰影的影響,提高大氣校正準(zhǔn)確度,進(jìn)一步提高高光譜識(shí)別分類(lèi)準(zhǔn)確度仍然是我們繼續(xù)研究的重點(diǎn).

從實(shí)驗(yàn)結(jié)果分析，利用本臺(tái)儀器數(shù)據(jù)完全可以實(shí)現(xiàn)不同種類(lèi)地物分開(kāi).本文只是利用了高光譜中的光譜信息，完全沒(méi)有利用其提供的圖像信息.如果再加入一般圖像的模式識(shí)別方式來(lái)實(shí)現(xiàn)陰影部分的分類(lèi)，這樣效果就會(huì)更好.