《光学前沿作业》由会员分享，可在线阅读，更多相关《光学前沿作业（7页珍藏版）》请在金锄头文库上搜索。
1、光学前沿专题姓名：王玉暖 学号： 2014020699专业：光学 成绩： 高光谱成像高光谱成像技术是近二十年来发展起来的基于非常多窄波段的影像数据技术，其最突出的应用是遥感探测领域，并在越来越多的民用领域有着更大的应用前景。高光谱成像技术集中了光学、光电子学、电子学、信息处理、计算机科学等领域的先进技术，是传统的二维成像技术和光谱技术有机的结合在一起的一门新兴技术。高光谱成像技术的定义是在多光谱成像的基础上，在从紫外到近红（200- 2500nm）的光谱范围内，利用成像光谱仪，在光谱覆盖范围内的数十或数百条光谱波段对目标物体连续成像。在获得物体空间特征成像的同时，也获得了被测物体的光谱信息。高
2、光谱成像技术具有超多波段（上百个波段）、高的光谱分辨率（几个nm）、波段窄（）、光谱范围广（200-2500nm）和图谱合一等特点。优势在于采集到的图像信息量丰富，识别度较高和数据描述模型多。由于物体的反射光谱具有“指纹”效应，不同物不同谱，同物一定同谱的原理来分辨不同的物质信息。高光谱成像技术能够将传统的城乡技术和高光谱进行有效的融合,能够在使用的过程中一次性获得研究对象的空间和相应的光谱信息,这种技术所提供的图像数据能够很好的反映出物体的特征,所以在近几年的航天事业当中已经有了较为普遍的应用。光谱成像技术出现于 20 世纪 80 年代，是图谱合一的技术，能够在获得图像信息的同时获取地物光谱
3、信息。光谱成像仪获取的三维图谱数据可显示为不同波段的图像数据，被称为数据立方体(Data Cube) ，能够从中提取不同像元的光谱曲线，图 1 描述了高光谱数据立方体及其像元光谱信息提取。图 1 高光谱数据立方体及其像元光谱信息提取随着数据立方体波段数的增加，成像光谱技术从仅包含几个波段的多光谱遥感发展为包含上百个波段的高光谱遥感。图2 描述了多光谱数据与高光谱数据之间的区别，高光谱数据中每个像元的光谱有更多的采样点，因此光谱曲线更为连续，包含了丰富的信息量。图 2 多光谱与高光谱图像对比高光谱数据包含的信息主要有空间图像信息和光谱信息，不同时间对同一地物观测还可获得时相信息。将高光谱数据进行
4、特征变换，可以得到每一个像元的数学特征信息。光谱成像技术的分类 光谱成像技术依照不同分类标准可划分成不同的类别。按照光谱分辨率从低到高划分，光谱成像仪可分为多光谱，高光谱和超光谱三种。多光谱成像仪（Multispectral Imager）：获取的图谱数据仅包含几个或几十个波段。这类光谱仪的代表主要有 Landsat-7 卫星上搭载的“增强型主题测绘仪+（ETM+）”，第一颗地球观测系统（EOS）卫星上搭载的“先进空间热反射和反射辐射仪（ASTER）”。ETM+在 0.45-12.5m的谱段范围内具有 8 个谱段，ASTER 在 0.52-11.7m 的谱段范围内具有 14 个谱段。 高光谱成
5、像仪(Hyperspectral Imager)：获取的图谱数据包含一百个至几百个波段。这类仪器的研制开始于上世纪 80 年代，典型代表有美国研制的机载可见/红外成像光谱仪 AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)，地球观测卫星 1 号（EO-1）搭载的高成像光谱仪 Hyperion。AVIRIS 在0.4-2.45m 的谱段范围内具有 220 谱段，Hyperion 在 0.4m-2.5m 的谱段范围内具有 220 个谱段。超光谱成像仪（Ultraspectral Imager）：获取的图谱数据超过 1000 个谱段。这一类
6、光谱仪主要用于大气探测等需要较高光谱分辨率的应用方向，主要代表是美国在静止实验卫星 EQ-3 上搭载的地球同步成像傅立叶变换光谱仪 GIFTS（Geosynchronous Imaging Fourier Transform Spectrometer）。目前全世界正在业务运行的各种类型的成像光谱仪超过 50 台套，其中美国研制的机载可见/红外成像光谱仪 AVIRIS（Airborne Visible/Infrared Imaging Spectrometer），星载中分辨率成像光谱仪 MODIS（Moderate Resolution Imaging Spectrometer）、星载高光谱成像
7、仪 Hyperion 代表了机载星载成像光谱仪的先进水平。 我国自主研制的成像光谱仪也取得骄人成绩。上海技物所研制了机载推扫型成像光谱仪 PHI，实用型模块成像光谱仪 OMIS。西安光机所研制的两台星载成像光谱仪分别搭载在嫦娥一号和环境与减灾小卫星上。其中环境与减灾小卫星上搭载的超光谱成像仪 HJ-1A HSI 是我国第一台对地观测星载成像光谱仪，也是首台正式投入业务运行的成像光谱仪，目前在轨运行将近 5 年，获取了海量数据。相对于仪器研制水平，数据处理技术的发展略微滞后。目前国外进行高光谱数据处理的软件有美国RSI公司（Research System Inc.）的ENVI，美国ERDAS公司
8、的 ERDAS IMAGINE 和加拿大 PCI 公司的 PCI Geomatica。我国的高光谱数据处理软件主要是中科院遥感所研制的HIPAS（hyperspectral image processing and analyzing system）系统。高光谱数据处理技术在遥感应用中，无论是何种类型光谱仪，都需要对其输出数据进行处理。按照高光谱数据处理业务流程，数据处理主要分为数据预处理，数据分析，数据应用等三个阶段（如图所示），其中每个阶段都包含了大量内容。高光谱数据处理业务流程图数据预处理阶段主要目的是获得具有较高精度的能够反映地物光谱特征的光谱曲线。在这一阶段需要完成的工作有：光谱数据
9、反演，光谱定标，辐射定标，大气校正，几何校正，图像镶嵌等。数据分析阶段主要目的是获得与应用相关的特征信息。高光谱数据包含空间信息，光谱信息，多时相信息等。这一阶段的数据处理内容有：光谱特征提取，特征参量化等。数据应用阶段主要结合不同的应用目的，对数据分析结果进行专业化解译，最终满足数据应用需求。这一部分内容主要是进行各种目标探测和矿物识别，并根据高光谱遥感应用领域扩展而不断增加新的内容。 高光谱数据处理不仅内容繁多，不同光谱仪的数据处理流程和所用的数据处理方法也不完全相同。国外的专业化数据处理软件发展时间较长，已经将常用的光谱仪的数据处理方法作为专用模块嵌入到软件当中。我国自主研制HIPAS
10、数据处理系统也将机载型成像光谱仪 PHI，实用型模块成像光谱仪 OMIS的一些数据处理模块嵌入到软件中。由于 HJ-1A 超光谱成像仪研制的时间较晚，HIPAS 并没有相应的专用数据处理模块。 去噪 在高光谱图像处理中，噪音的去除决定了它的性能，条带噪声几乎出现在所有光谱仪数据中，是机载和星载光谱成像仪数据的一种常见噪声。美国 EO-1 卫星搭载的 Hyperion 超光谱成像仪在某些波段出现垂直条带噪声。类似的条带噪声也在出现在 Landsat MSS，MOS-B，TM 和CHRIS 等图像中。除搭载平台的运动外，仪器的原理及组成也决定了条带噪声的方向和形式。 光谱成像仪利用搭载平台运动及运
11、动部件的摆动，使用二维的探测器采用数据拼接的方式间接获得地物的三维图谱信息，研究发现条带噪声的方向和宽度与传感器构成，探测器像元响应的不一致性，仪器原理，平台运动方向等密切相关。 伴随着光谱成像技术的发展，全世界的科学家们不断创新或改进条带噪声消除方法，力求提高光谱仪数据质量。在 Horn 和 Kautsky 等提出直方图匹配方法之后，Gadallah 针对直方图匹配法的缺陷，提出了矩匹配方法。除了通用的条带噪声去除方法，针对不同的光谱仪数据中条带噪声的特点，研究人员提出了针对性的处理方法。Srinivasan 等采用功率滤波器方法对 Landsat 卫星图像条带噪声进行了滤除，Corsini
12、 针对 MOS-B 海洋目标图像，通过同种目标估计其等化曲线，进行探测单元响应函数的较完全校正，从而进行条带噪声的消除。我国研究人员也开展了相关研究，并提出了很多算法。 西班牙巴伦西亚大学电子工程系的研究人员认为条带噪声是一种系统引入的固有空间噪声，可以通过建立仪器的数学模型，分析其产生条带噪声原因，找到相应的修正方法。他们分析了基于光栅分光的色散型成像光谱仪的条带噪声产生因素（包括光学系统狭缝不均匀性，CCD 响应的不均匀性，推扫和数据拼接方式等），提出了该类型光谱仪的条带噪声修正方法，将其应用于CHRIS/PROBA 的图像，获得了较好的结果。光栅色散型光谱仪条带噪声的形成示意图 色散型光
13、谱仪直接得到地物的图像和光谱信息，而干涉式光谱仪直接输出地物的干涉图信息（干涉条纹），需要进行光谱复原得到图像和光谱信息，加大了条带噪声的分析处理难度。北京理工大学开展了推扫型干涉成像光谱仪去除条带方法研究，但仅考虑了狭缝加工误差的影响。狭缝加工误差具有一定的随机性，并不能形成具有一定宽度的具有很强规律的条带；并且由狭缝宽度不同产生的条带与波段无关，每个波段的条带噪声应具有相同的表现形式，在 HJ-1A 超光谱成像仪图像中，条带噪声在短波波段更为明显，不同波段的条带噪声并不完全相同。从干涉式成像光谱仪的条带噪声产生机理出发，进行条带噪声消除方法的研究，提高仪器数据质量，对促进我国高光谱遥感事业
14、的发展具有重要意义。高光谱数据的降维高光谱数据包含了几十至上百个波段，光谱分辨率可以达到纳米级，具有光谱范围窄，谱段间相关性强，信息冗余较大的特点。高光谱数据具有精细的光谱探测能力，能够探测识别的地物种类明显超越了多光谱数据。但高光谱的海量数据加大了数据传输，存储、管理、处理过程的难度。在大部分应用中，并不需要对所有地物进行研究，而是将若干种地物作为研究对象，这时仅需要部分光谱数据就能够完成地物的分类识别，大量冗余数据导致处理算法复杂度提高，速度下降，在训练样本有限的情况下，还会导致数据处理精度降低。波段选择对成像光谱仪的研制具有指导意义。在成像光谱仪指标论证阶段，根据具体的应用需求和仪器研制
15、的工艺技术瓶颈，合理进行波段设置和光谱分辨率选择，可使仪器既满足应用需求又容易实现。 高光谱数据降维主要有三类方法：第一类是采用某种标准从全部波段中选择部分波段，这种方法的优点是较好的保留了地物的光谱特征，能够满足进一步进行光谱识别的需要，这类方法的代表是基于光谱距离统计和基于空间自相关的波段选择。第二类是通过在特定条件下建立起高维空间到低维空间的映射关系，将高维空间的数据转换到低维空间, 主要有线性判别分析 LDA（Linear Discriminate Analysis），典型分析 CA（Canonical Analysis）和投影寻踪方法 PP（Projection Pursuit）等。第三类是对高维光谱数据进行某种变换，使得大量信息集中在少数几个波段，选择信息量大的几个波段，如主分量分析 PCA（Principal Components Analysis），正交子空间投影 OSP（Orthogonal Subspace Projection）和离散小波变换 DWT（Discrete Wavelet Transformation）等。后面两类方法虽然能够充分利用所有波段包含的特征信息，但也改变了地光谱信息的形状，使得降维后的曲线不再具有光谱特征的实际
