2.1　技術現狀與發展趨勢

2.1.1　技術現狀

2.1.1.1　高光譜遙感數據產品研究現狀

（1）高光譜遙感數據特點

高光譜遙感具有不同于傳統遙感的新特點，主要表現在如下方面：

①波段多：可以為每個像元提供幾十、數百甚至上千個波段；

②光譜范圍窄：波段范圍一般小于10nm；

③波段連續：有些傳感器可以在350～2500nm的太陽光譜范圍內提供幾乎連續的地物光譜；

④數據量大：隨著波段數的增加，數據量呈指數增加；

⑤信息冗余增加：由于相鄰波段高度相關，冗余信息也相對增加。

針對以上特點，高光譜遙感影像處理有其特殊性：數據量特別巨大，預處理算法復雜，需要很強的專業背景知識等。這就決定了高光譜遙感影像處理系統的復雜性和專業性，即要求強大的數據處理與分析能力和流程化的業務處理模式。這對系統的架構提出了更高的要求，是高光譜數據庫系統和圖像處理系統區別于一般通用系統的典型特征。

（2）高光譜遙感數據產品加工處理技術流程

從高光譜傳感器獲取遙感數據后，經過多種處理過程，最后得到適合應用者需要的優質圖像與有用信息，以達到對高光譜數據的有效應用。高光譜數據產品加工處理流程可分為如圖2-1所示的五個部分。

高光譜數據產品加工流程具體到每一部分的關鍵技術包括：數據存儲管理、數據預處理技術、信息提取技術和產品生產技術這幾個方面。首先，通過高光譜傳感器獲得航空高光譜及配套地面數據，然后通過數據庫技術及網絡技術，將航空高光譜數據保存到數據庫系統，遙感數據處理分析系統不僅可以進行本地的數據處理，還可以通過數據庫的標準接口協議和網絡協議實現分布式數據處理、遠程圖像處理與分析。航空高光譜數據的預處理技術包括：輻射定標、大氣校正和幾何校正等。影像完成預處理后可以進一步進行信息的提取，包括：特征提取、混合像元分解、目標探測與識別以及場景分類等。最后，輸出各級產品，生成產品質量報告等。

（3）高光譜遙感數據產品的應用

高光譜成像技術和高光譜遙感數據在研究地球資源、監測地球環境、地表物質的識別和分類等方面中發揮著越來越重要的作用（白繼偉，2002）。

在地質學領域中，礦物中金屬離子Fe3+、Fe2+、Mn的電子躍遷在可見光、近紅外光譜區域形成典型的光譜波形，礦物中分子團OH-、及Si-O鍵等的振動在短波紅外光譜區域形成一系列的吸收特征，這些診斷性的吸收特征構成成像光譜識別礦物的理論基礎（李薇薇，2012）。Goetz利用AIS 圖像在美國內華達州進行了礦物直接識別研究；Kruse在同一地區利用GERIS和AVIRIS圖像進行了高嶺土、明礬石、鈉長石、白云石、方解石等礦物的識別。一些學者利用GERIS數據在新疆阿克蘇西部進行了礦物光譜識別、填圖研究，利用MAIS數據在澳大利亞松谷鈾礦區發現了鈾礦的可能存在區。Clark研究了礦物在2.0～3.0μm范圍反射光譜隨光譜分辨率變化的表現，證明高光譜分辨率對礦物的識別是非常重要的。

在植被生態學的研究中，常規遙感技術主要是獲取植被指數、葉面積指數等信息，而成像光譜技術則通過對不同類型植被的生物化學成分含量的估算可以獲得更為詳細的植被生態學信息，包括葉子水分、葉綠素、纖維素、木質素及其他色素含量，以及葉子和樹冠結構等，尤其對“紅邊”位移的監測可獲得有關植被生態脅迫的信息。Elvidge等利用成像光譜數據證實能夠檢測低于5%覆蓋度的痕量植被；利用高信噪比和高定標精度的成像光譜圖像數據可以識別植被的類型和種類。童慶禧等利用MAIS成像光譜儀對鄱陽湖地區濕地植被生態進行了廣泛深入的研究。目前對植被光譜特征與葉片化學和結構特性以及群體樹冠的結構之間關系的研究還在不斷深入，這些研究對于利用定標的成像光譜數據進行生態定量化研究和應用具有非常重要的作用（童慶禧，2006）。

在大氣研究中，航空或航天高光譜遙感器記錄的太陽反射光譜可以反映出大氣層中分子和粒子成分的光譜信息，這些成分主要包括水蒸氣、二氧化碳、氧氣、氣溶膠、臭氧和其他大氣氣體。Gao等研究了從AVIRIS高光譜遙感數據中逐像元提取大氣中水蒸氣信息； Isakov等利用AVIRIS數據研究提取氣溶膠信息；Feind等利用AVIRIS圖像數據進行了提取云分量和云陰影性質信息的研究。

在土壤研究中，高光譜遙感數據提供了連續窄波段的短波紅外光譜信息，反映土壤有機質含量、離子含量、濕度及土壤侵蝕與退化等方面信息，使得土壤評價與監測有了更強有力的工具。AVIRIS數據被用來進行土壤分類、土壤與植被關系等研究，取得了較好的效果。

在水環境遙感中，高光譜遙感數據為近岸和陸地水質遙感監測帶來了契機，因為它可以捕捉到近岸和陸地水體復雜而且多變的光學特性，提高水質監測的精度。Hamilton等利用AVIRIS 數據研究美國加州-內華達州Tahoe湖的葉綠素濃度，并進行了湖底深度制圖。疏小舟等利用我國自行研制的OMIS-Ⅱ成像光譜儀在太湖地區進行地表水質遙感實驗，估算了研究區域內的葉綠素濃度分布，并將遙感估算值與地面采樣數據進行了比較；結果表明OMIS-Ⅱ能夠提高內陸水體藻類葉綠素的定量遙感精度。

在城市調查中，高光譜分辨率遙感技術使得機器能夠識別的光譜類別極大增多，有助于對地物覆蓋進行精細分類。通過光譜識別技術能夠區分光譜特征非常相似的城市地物與人工目標，包括水體、柏油路面、屋頂材料成分、陰影、植被種類等。土地覆蓋類型與土地利用類別間存在著一定的關系，由土地覆蓋類型有可能進行土地利用分類，這是城市遙感研究的一個可能途徑。

2.1.1.2　高光譜遙感數據產品處理算法

（1）航空高光譜數據輻射定標技術

成像光譜儀的定標就是要建立成像光譜儀每個探測元件輸出的數字量化值與它所對應像元內的實際地物的輻射亮度值之間的定量關系。成像光譜儀的定標對于定量遙感和高光譜遙感的應用具有十分重要的意義。遙感數據的可靠性及應用的深度和廣度在很大程度上取決于定標精度。因為只有經過了定標的高光譜遙感數據才能從輻射圖像中提取真實的地物物理參量，才能比較不同地區或不同時間獲取的高光譜遙感數據，才能將高光譜遙感數據與不同遙感器、光譜儀甚至系統模擬數據進行比較分析。

航空遙感中，成像光譜儀主要有兩個階段的定標：飛行前實驗室定標和機上定標。在遙感器從研制到投入運行的整個過程中，它們在不同階段分別發揮著一定的作用。成像光譜儀的實驗室內光譜定標用于確定系統各個波段的光譜響應函數；實驗室內輻射定標用于確定系統各個波段對輻射量的響應能力；機上實時定標用于波段的漂移和系統輻射響應率的變化。場地定標主要用于星載傳感器定標，也可應用于航空傳感器中。

（2）航空高光譜數據大氣校正技術

高光譜圖像反射率光譜反演是將遙感器獲得的輻射亮度DN值轉換為反射率值。高光譜遙感器在飛行平臺上獲取的地物輻射能量值可以表述為式（2-1）：

LO（λ）=Lsun（λ）T（λ）R（λ）cos（θ）+Lpath（λ） 　　（2-1）

式中，LO（λ）是入孔輻射能量，Lsun是大氣上層太陽輻射，T（λ）為整層大氣傳輸，R（λ）為不考慮地形影響的表觀（視）反射率（Apparent Reflectance），θ是太陽高度角，Lpath（λ）為程輻射。

由此可見，遙感器接收到的輻射是太陽輻射與大氣、地物復雜作用的結果。將地物的輻射能量值反演為光譜反射率值，是考慮不同大氣條件下太陽光譜的變化特性，反映了地物在各個不同光譜通道對不同入射能量的反射比率。顯然，高光譜圖像反射率的反演事實上就是通過大氣校正來實現定標，也是對遙感過程中大氣狀況的一種修正。

光譜反演基于不同的理論，發展出幾大類型的模型，主要包括：統計學模型、基于大氣輻射傳輸理論的光譜反演等模型。光譜反演的統計學模型主要有經驗線性法（Empirical Line，EL）、內部平均法（Internal Average Relative Reflectance，IARR）、平場域法（Flat Field，FF）。大氣削弱和散射的乘性和加性效應以及太陽光譜形狀等的影響可以利用輻射傳輸模型來確定。所謂基于大氣輻射傳輸理論的光譜反演模型就是基于各種大氣校正模型而完成的反射率圖像反演，包括5S、6S、LOWTRAN、MODTRAN、ATREM、ACORN、FLAASH等方法。

（3）航空高光譜數據幾何校正技術

1）高光譜圖像的系統級幾何校正

高光譜圖像的系統幾何校正一般是利用各種可以預測的參數，如成像光譜儀的校準數據、位置參數、平臺姿態等測量值（或預測值）代入理論校正公式，把原始圖像校正為所要求的地圖投影坐標系。其計算步驟為：

? 確定格網點的圖像坐標；

? 計算每個格網點對應像素被掃描的時刻（T）；

? 計算每個格網點（T時刻）對應的遙感器外方位元素（地理經緯度LT、BT，航高HT，姿態角φT、wT和kT）；

? 把格網點坐標轉換到地面直角坐標系；

? 把地面直角坐標轉換為地圖投影坐標；

? 建立起多項式糾正變換函數。

2）基于地面控制點的幾何精校正

常用于遙感圖像的幾何精校正方法是基于地面控制點（GCP）的多項式校正法。該方法的原理是用GCP數據對原始圖像的幾何畸變過程進行數學模擬，建立原始的畸變圖像空間與制圖用坐標空間（校正空間）之間的某種對應關系；再利用這種對應關系把畸變空間中的全部元素變換到校正圖像中去，實現幾何精校正。幾何精校正步驟為：

? 原始圖像空間與校正空間像元間的數學關系；

? 多項式擬合；

? 利用最小二乘原理解算多項式系數；

? 灰度重采樣。

3）基于姿態測量參數的幾何精糾正

基于地面控制點（GCP）的幾何精校正因為可以利用足夠數量的GCP對圖像的幾何畸變過程進行較精確的數學模擬，建立起畸變圖像和校正圖像的函數對應關系，實現畸變圖像的糾正投影，故而在實際工作中最常使用。但是，這種方法由于需要人為標定、甚至實地測定大量的地面控制信息，往往費時耗力，造成工作效率和經濟上的損失。

為了克服基于GCP幾何精糾正的缺陷，可以利用傳感器的姿態測量參數來對圖像進行幾何精糾正。但是，這要求在遙感器獲取圖像時必須精確地測得遙感器實時的坐標信息和姿態參數。以往由于硬件設備的限制，往往難于有效、可靠地測取這些數據。而基于POS/DG和IMU/DGPS的航空攝影測量系統正好滿足了需求，使我們可以基于飛機姿態測量的參數，對航空高光譜遙感圖像進行幾何校正。主要包括以下四個步驟：

? 讀取POS/DG數據文件；

? 根據POS/DG數據確定精確的外方位元素；

? 基于連轉角系統的坐標計算；

? 基于地面高程的坐標調整。

（4）航空高光譜數據特征提取技術

特征是對象所表現出來的各種屬性與特點。模式識別中要識別和分類對象，首先需要采取各種信息獲取手段對特征進行測量，形成原始的特征空間。原始的特征需要經過加工處理和優化，產生有效的特征空間，使之能更好地反映對象本質，適合于分類器的處理。有效是指在特征減少到某個數量時仍能夠達到同等數目的特征所能達到的最佳分類精度。事實上分類器的性能在很大程度上依賴于特征選擇，依賴于特征是否能夠精確地描述對象的本質。

高光譜遙感數據大量的光譜波段為了解地物提供了極其豐富的遙感信息，這必然有助于完成更加細致的遙感地物分類和目標識別，然而波段的增多也必然導致信息的冗余和數據處理復雜性增加。當光譜特征維數增加時，其特征組合更是成指數方式增加。假設原始光譜波段數為N，優選后的光譜波段是M，N>M，則光譜特征組合的數目為：N！/（N-M）！M！。這個數目是巨大的，會導致運算效率的下降，為此，光譜特征空間的減少和優化顯得十分重要。特征空間優化的方式可以概括為兩種：特征選擇和特征提取。

1）特征選擇

特征選擇就是針對特定對象選擇特征空間中的一個子集，這個子集是一個簡化了的光譜特征空間，但它包括了該對象的主要特征光譜，并在一個含有多種目標對象的組合中，該子集能夠最大限度地區別于其他地物。通過特征選擇，可以強化那些最具可分性的光譜波段，特征選擇的方式可概括為兩種：光譜距離統計和光譜特征位置搜索。

特征選擇方法分為兩類：一是根據專家的知識挑選；二是根據類別可分性準則選擇。根據專家知識挑選特征，其經驗性和人為因素較多，本書不作討論。根據類別可分性準則挑選特征一般應該包括三個步驟：第一，選擇可分性準則；第二，確定使用可分性準則的策略；第三，確定選擇特征的算法。

①選擇可分性準則　從理論上分析，可分性準則中J-M距離和基于熵函數的可分性準則衡量類別可分性的效果是比較好的，但是由于熵函數完全基于后驗概率，可操作性不大，因此從某種意義上說，基于熵函數的可分性準則只具有理論上的指導意義。而J-M距離基于先驗概率和樣本分布，這些都是比較容易做到的，因此，五種可分性準則中，J-M距離可操作性和可分性效果兼備。

離散度衡量可分性的有效性總體來說不如J-M距離，但是，當各類模式分布相對集中，模式間的距離沒有超出致使離散度失效的臨界值時，它衡量類別可分性仍然是比較有效的。

歸一化距離（相對距離）衡量可分性的總體有效性又次之。假如樣本均值十分接近或者樣本分布十分離散都會使歸一化距離對于類別可分性的衡量失去有效性。

各類樣本均值距離的平均值衡量類別可分性的效果最差。只有當各類樣本的分布一致，且既不太離散也不太集中的特殊情況下，它才有效。

②可分性策略　選擇多類別可分性特征時，一般有兩個策略：一是選擇各類平均可分性最大的特征；二是選擇使所有類別中最難分的類別具有最大可分性的特征。

③特征選擇算法　對于高光譜遙感圖像來說，波段數往往很多，要從n個特征中找出具有m個特征的最優子集并不是一件容易的事。因此怎樣找一個較好的算法，以便在較短的時間內找出最優的那一組特征，也是一個很重要的問題。歸納起來，選擇特征的算法有如下幾種（尼曼，1988）：

a.單獨選擇法　根據可分性準則函數計算每一個特征的可分性，然后根據各個特征的可分性大小排序，選擇可分性最大的前m個特征。

b.擴充最優特征子集　基本步驟為：根據類別可分性準則函數計算每一個特征的對于所有類別的可分性，選擇可分性最大的那一個特征進入最優特征子集；增加一個特征，與最優特征子集中的特征形成新的組合，并計算新的特征組合的可分性，選擇可分性最大的特征組合作為新的最優特征子集；重復執行第二步，直到最優特征子集中的特征數達到m個為止。

c.對最難分類的類對的正確分類作出最大貢獻的特征　基本步驟為：根據類別可分性函數計算每一個類對的可分性，找出最難分的類對；計算各個特征對于最難分的類對的可分性，挑選可分性最大的特征進入最優特征子集；增加一個特征，與最優特征子集中的特征形成新的組合，并計算新的特征組合對于最難分的類對的可分性，選擇可分性最大的特征組合作為新的最優特征子集；重復執行第三步，直到最優特征子集中的特征數達到m個為止。

d.去掉對最難分類的類對的正確分類作出最小貢獻的特征　基本步驟為：根據類別可分性函數計算每一個類對的可分性，找出最難分的類對；計算各個特征對于最難分的類對的可分性，去掉可分性最小的特征，剩下的特征作為最優特征子集；從最優特征子集任意減少一個特征，作為新的特征組合，并計算新的特征組合對于最難分的類對的可分性，選擇可分性最大的特征組合作為新的最優特征子集；重復執行第三步，直到最優特征子集中的特征數達到m個為止。

e.搜索樹　搜索樹也叫分支定界法或分支估界法，是一種自上而下的搜索方法，但具有回溯功能，可使所有可能的特征組合都被考慮到。由于合理的地組織搜索過程，搜索樹必須具備一個先決條件：所采用的可分性準則函數必須具有單調性。即從n個特征中選出m個特征組成m維特征向量，再從這m個特征中選出K個特征組成K維特征向量，其準則函數應滿足Jn≥Jm≥Jk的條件。搜索樹正是利用了這種單調性，才可能減少了對一些特征組合的搜索。

f.動態規劃法　基本步驟為：初始化n個集合，使每個集合初始時僅包含一個特征；對一個確定的i，組成所有集合， 從中選擇出一個最優特征子集；對所有i=1，2，…，n，j=1，2，…，m-1執行第二步；這n個集合中含有m個特征。由中選出可分性最大的作為含有m個特征的最優特征子集。 

2）特征提取

①基于K-L變換與MNF變換的特征提取　K-L變換，也稱為主成分變換，是將多個指標化為少數幾個綜合指標的一種統計分析方法。設p維隨機向量X的均值為E（X）=0，協方差矩陣為D（X）=∑>0。求第一主成分的問題就是求解a1=，使得在達最大，這是條件極值問題，可利用拉格朗日乘數法求解，令：

　　

（2-2）

考慮：

　　

（2-3）

因a1≠0，故，求解公式（2-3），其實就是求解∑的特征值和特征向量的問題。設λ=λ1是∑的最大特征值，則相應的單位特征向量a1即為所求。一般地，求X的第i主成分需先求∑的第i大特征值λi對應的單位特征向量a1，然后通過得到。

MNF變換利用信噪比信息發展了主成分分析方法。采用MNF（Minimum Noise Fraction）變換使變換后各成分按照信噪比而不是方差從大到小的順序來排列。高光譜圖像的每個觀測像元由理想狀況下的無噪聲信號向量和噪聲向量組成，與不相關，可以表示為：

　　（2-4）

MNF算法首先用低通濾波從原始圖像中分離出噪聲圖像，然后分別求出和的協方差矩陣和。

計算的特征值λi和相應的特征向量ui，假設這些特征值滿足λ1≥λ2≥…≥λL。令，則MNF變換最終可表示為。

②基于可分性準則的特征提取　基于可分性準則的特征提取方法也叫CA（Canonical Analysis）變換，前面介紹的可分性準則都可用于特征提取。這里以比較常用的可分性準則）為例，介紹基于可分性準則的特征提取的一般步驟。

采用變換y=ATx后，希望在m維的Y空間里，樣本的類別可分性好，即希望在Y空間里，準則函數J2達到最大值。

根據協方差傳播律，Y空間里的協方差矩陣Cy與X空間里的協方差矩陣Cx有如下關系：

　　（2-5）

這樣，Y空間里的類內離散度矩陣Syw可用X空間里的類內離散度矩陣Sxw計算得到：

　　（2-6）

　　（2-7）

因此，在Y空間中可分性準則函數為：

（2-8）

式（2-8）對A求導并令其為零：

（2-9）

由式（2-9）得：

　　（2-10）

利用線性變換z=BTy=（AB）Tx，可將對稱矩陣Syb、Syw同時對角化：

BTSybB=A，BTSywB=I　　（2-11）

式中，B是非奇異的m×m階方陣。

　　

（2-12）

設的本征值為λ1，λ2，…，λn，按大小順序排列為：

λ1≥λ2≥…≥λm≥λn　　（2-13）

選前m個本征值對應的本征向量構成變換矩陣：

AT=　　（2-14）

此時準則函數取最大值：

　　（2-15）

③基于光譜重排的特征提取　眾所周知，不同地物的光譜信息是不相同的，很多時候直接利用原始光譜信息進行特征提取都是可以的，比如利用紅邊、綠峰、NDVI等特征可以提取植被，很多種礦物也有自己明顯的吸收特征。但在更多的情況下，當不同地物之間的光譜在形狀、反射率（或DN值）、變化趨勢等指標大致相同的時候，從原始光譜上很難發現需要提取的地物的具有顯著特征的信息，也就是說，這時地物之間的不相關性均勻地分布在各個波段。針對這種情況耿修瑞提出了光譜重排的方法，打破光譜按波長排列的次序，根據光譜反射率或DN值的大小重新排列各個波段，通過大量的實驗發現任何兩種不同地物的光譜通過光譜重排之后，總有顯著的特征出現（而不是僅僅表現為幅度上的差別），并且不同地物的特征出現在不同的位置。通過光譜排序，基譜的光譜曲線將變為單調上升的重排曲線，而其他的光譜曲線在按相應的順序重排后一般都會有特征出現，而且選取不同的光譜曲線作為基譜，相應的特征位置會發生變化。為了免除或者減少噪聲對光譜的影響，可以先用小波變換（相當于波段合并）來對原始光譜進行平滑處理。

（5）航空高光譜混合像元分解技術

航空高光譜混合像元分解主要包括端元提取和像元解混兩個步驟，分別說明如下。

1）端元提取

高光譜數據端元的提取是對數據進行進一步分析（比如解混、填圖等）的前提條件。如何從高光譜圖像中提取端元，已經有很多成熟的方法被提出和應用。

①PPI　采用MNF變換對高光譜數據進行降維和噪聲白化處理。經過一系列的幾何變換，得到均值為零的數據，然后對該數據進行旋轉和縮放處理，使得最終結果數據每個波段的噪聲都不相關且方差為單位值。

當把光譜特征空間中的所有像元點往一個單位向量上投影時，端元就會投影到的兩側，而混合像元則會投影到中部。因此，可以讓圖像在n個隨機的單位向量上投影，并且記下每個像元被投影到端點的次數，即為純像元指數（Pixel Purity Index，PPI）。當被投影到隨機向量端點的次數越多時，此像元為純像元的概率就越大。

②N-FINDR　N-FINDR利用高光譜數據在特征空間中的凸面單形體的特殊結構，通過尋找具有最大體積的單形體從而自動獲取圖像中的所有端元。通過求最大單形體的體積而得到各個端元的單形體自動獲取圖像中的所有端元，其體積公式如下：

　　

（2-16）

　　

（2-17）

式中，為表征第i個端元的列向量，V是由，這N個端元所構成的單形體的體積，為行列式運算符。由于用到了求行列式的運算，所以要求必須為方陣，這樣向量的維數必須為N-1，但原始的高光譜數據往往是不滿足這個條件的，于是需要先對原始數據進行降維處理。

③IEA　迭代誤差分析（Iterative Error Analysis，IEA）也是一種不需要對原始數據進行降維或者去冗余而直接對數據進行處理的端元提取算法，它首先給定一個初始向量（一般為所有光譜的均值向量），然后對圖像逐次進行線性約束解混操作，每次解混操作均可從誤差圖像中得到一個端元，然后新的端元再加入到下一步的解混操作中，直至在某種準則條件下求出圖像中的所有端元。

④VCA　頂點成分分析（Vertex Component Analysis，VCA）是一種從高光譜影像提取端元的快速算法。它是在先驗知識很少的情況下，僅僅使用觀測到的混合像元的數據，來獲得端元的光譜信號。準確地說，VCA是從高光譜數據中非監督提取端元的算法。它應用了一個簡單的幾何事實：端元一定是單形體的端點。

⑤ORASIS　光學實時自適應光譜辨識系統（Optical Real-time Adaptative Spectral Identification System，ORASIS）是一種自動、實時地從圖像中提取端元的算法，它首先通過一個叫做示范選擇（Exemplar Selection）的過程根據一定的準則（比如光譜間的夾角）在保持光譜多樣性的同時給原始數據去冗余，然后通過一個改進的施密特正交化過程獲得一組比原始數據維數更低的一組基底，再把示范光譜投影到此基底所張成的子空間上，通過最小體積變換得到此空間上的一個單形體，從而獲得圖像中的所有端元。

⑥MESMA　為了解釋端元光譜的可變性，Roberts等提出了多端元光譜混合分析（Multiple Endmember Spectral Mixture Analysis，MESMA），其核心思想是：每一個端元均由一組向量而不是一個唯一的向量來表示，當解混的時候，對于每個像元，從代表各自端元的向量組中各選取一個最合適的向量，以使得均方誤差最小，其中端元可以從圖像中和該區域的光譜庫中選取。Bateson等人也注意到端元的可變性，提出了端元束（Bundles）的概念，并且利用模擬退火算法來生成端元束。

除上述算法外，Craig提出了最小體積變換（Minimum Volume Transform，MVT）通過求取包圍整個高光譜數據“云團”的具有最小體積的單形體來獲得端元；Bateson等利用主分量分析和多維可視化軟件提出了一種人機交互提取端元的算法（Manual Endmember Selection Tool，MEST）；Plaza等提出了一種利用形態學方法自動提取端元的算法（Automated Morphological Endmember Extraction，AMEE），算法的優點是在利用光譜信息的同時，很好地利用了像素在空間上的相關性。表2-1給出了上述各種端元提取算法的性能對照表。

2）像元解混方法

①最小二乘法　最小二乘法是迄今為止應用最為廣泛的算法，它給出了公式在無約束情況下均方誤差意義下的最佳解，但是由于其解的表達式多次用到矩陣的乘積及求逆，所以時間復雜度比較大；另外由于沒有用到任何約束條件，解混效果也不理想，會出現端元成分小于0大于1的情況。

②凸面幾何學分析　Boardman的凸面幾何學模型給出了一種線性解混的好思路，但是其算法需要高光譜數據的維數比端元的個數少一維，于是在解混之前必須對有效通道的選擇或者數據進行降維處理。

③濾波向量法　濾波向量法是一種快速的線性解混算法，它針對所有端元生成了一組匹配濾波器，其中的每個濾波器只與一個端元相匹配而不讓其他的所有端元通過（即與其他的所有端元均正交），但此算法的主要側重點是目標探測，而對解混結果的精度要求不高。

④投影尋蹤　Kruskal、Friedman和Tukey等人提出的投影尋蹤（Projection Pursuit，PP）的思想在高光譜特征提取與分類方面也有著廣泛的應用，其基本思想十分樸實，主要來源于人們對低維空間幾何圖形的直觀理解。它包含兩方面的含義，其一是投影，把高維空間中的數據投影到低維空間（三維以內）；其二是尋蹤，利用投影在低維空間中的投影數據的幾何形態，發現人們感興趣的數據內在結構和相應的投影方向。

⑤獨立成分分析　獨立成分分析（Independent Component Analysis，ICA）又是一種新穎的解混算法，它最早成功地應用于盲信號分離，它的思想與PP類似，可以認為是PP的一個特例。與PCA不同的是，ICA假設需要分離的各個信號之間是統計獨立的，另外它要用到信號的高階統計量，更為重要的一點是它需要一個線性模型去描述所處理的數據。ICA以各種信號源的統計意義下的相互獨立為前提，但高光譜數據的各個組分一般不滿足此要求。

⑥正交子空間投影　該方法建立在向量正交子空間投影的理論基礎上。采用正交投影的方法一方面可以抑制噪聲對信號的影響，另一方面還可抑制其他類別的信號而將所需檢測的信號提取出來，但是在投影以后的信號中隨機噪聲并沒有完全消除。這里進一步引入信號檢測理論的結果，將正交子空間投影后的信號通過一個匹配濾波器，就可以使信號與隨機噪聲的比值達到最大。將這種思路應用到成像光譜數據，基本做法是：將像元矢量投影到正交于干擾特征的子空間上去，這里干擾特征包括其他需抑制的類別的信號特征矢量以及噪聲，是一種在最小均方誤差意義上的干擾最優壓縮過程。一旦干擾被消除，將剩余的信號再投影到要檢識的特征上去，使信噪比達到最大，產生一個單一的圖像，可以作為目標檢識的依據。

（6）航空高光譜數據分類技術

經過幾十年的發展，高光譜遙感圖像數據的處理和分析技術得到了長足的進步，在傳統分類算法的基礎上，形成一系列面向高光譜圖像特點的分類算法。這些方法可以總結為兩種思路（張兵 等，2011）：一種是基于地物物性的分類方法，主要是利用反映地物物理光學性質的光譜曲線來識別；另一種是基于圖像數據的分類方法，主要是利用數據的統計特性來建立分類模型。基于物性，即基于地物的光譜反射或發射曲線的分類識別方法最具特色。這種方法的特點是利用光譜庫中已知的光譜數據，采用匹配的算法來識別圖像中地面覆蓋類型。這種匹配可以是在全波長范圍內的比較，或基于整波形特征的光譜曲線匹配；也可以利用感興趣波段的光譜，進行部分波長范圍的光譜或光譜組合參量進行匹配，即基于光譜特征的光譜匹配，如特征優化的專家決策分類。

基于光譜間最小距離的匹配算法是計算未知光譜和參考光譜數值之間的距離，然后根據最小二乘原則進行分類的匹配方法。光譜間的距離可以是歐氏距離、馬氏距離和巴氏距離等。這種方法對噪聲最為敏感，所以在匹配前需要對光譜進行去噪聲處理。

光譜角度匹配（Spectral Angle Match，SAM）方法把光譜看作多維矢量，計算兩光譜向量的廣義夾角，夾角越小，光譜越相似，按照給定的相似性的閾值將未知光譜進行分類。SAM最大的特點是夾角值與光譜向量的模無關，也就是與光譜的絕對數值無關，即與圖像的增益系數無關，只比較光譜在形狀上相似性。這個特點也是SAM和最小距離分類方法的最大區別和優勢。基于光譜相似系數匹配的一個典型算法是Meer & Bakker（1997）建立的交叉相關光譜匹配技術（Cross Correlogram Spectral Matching，CCSM），這種算法考慮了圖像光譜和參考光譜之間的相關系數、偏度和相關顯著性標準，通過計算圖像光譜和參考光譜在不同光譜位置（波段波長位置）的交叉相關系數，繪制交叉相關曲線圖，相同地物的光譜曲線的交叉相關曲線匹配最好。

光譜匹配的另外一種形式是編碼匹配，比較簡單的編碼匹配是光譜二值編碼，包括分段二值編碼、單閾值編碼和多閾值編碼等。使用二值編碼匹配算法有助于提高圖像光譜數據的分析處理效率，但是由于這種技術在處理編碼過程中會失去許多細節光譜信息，因此只適用于粗略的分類和識別。所以編碼的方法有待改進。

基于整波形特征的光譜匹配算法不需要對光譜進行復雜的分析，也不必根據不同的地物而調整匹配方法，算法簡單且行之有效，但是光譜匹配算法的結果對噪聲敏感，要求圖像光譜有很高的信噪比。在實際的應用中，可以犧牲圖像的空間分辨率來提高圖像的信噪比。限制基于整波形特征的匹配方法廣泛應用的最大原因是：如果使用的參考光譜是實驗室光譜或者地面測量光譜，在匹配前必須對圖像進行光譜定標和反射率轉換；然而實際上，對圖像光譜進行定標和反射率轉換都很難達到光譜匹配的要求。

高光譜遙感圖像的光譜波段間隱含著特定的物理含義，光譜曲線的形狀特征是地物內在物理化學性質的外在反映。因此從光譜的特征分析入手，優化和構造具有排它性的光譜特征參量，通過分析、比較地物特定的光譜參量就能夠達到分類和識別。

基于整波形特征的光譜匹配沒有考慮到光譜的內在物理意義，而基于光譜特征參數的匹配算法從分析光譜特征入手，從光譜曲線上提取有意義的光譜特征參量，如吸收光譜的位置和吸收深度，通過少數的參數匹配來完成圖像像元的分類和識別的。比較典型的有王晉年等建立的光譜吸收指數（Spectral Absorption Index，SAI）技術，可進行高光譜遙感圖像處理和鑒別光譜吸收特征，也可以進行混合光譜分解，廣泛地應用于礦物的識別和提取。Kruse等人用光譜吸收特征的最深吸收的半波長寬（full width at half the maximum depth，FWHM）、波長位置和吸收深度來定義光譜吸收特征參數。光譜的發射特征同樣可以作為光譜的特征參量用于光譜識別。

基于光譜特征參量的匹配算法對有典型的光譜吸收或發射特征的光譜能夠有效的識別，尤其成功地應用在對礦物的分類和識別中。但是這種算法需要將光譜轉換成地物的反射率光譜，因為成像過程中的許多不確定因素造成反射率轉換的困難，嚴重限制了這種方法的使用。同基于整波形的光譜匹配算法一樣，對噪聲也是敏感的，要求圖像有很高的信噪比。

1）光譜角度填圖

光譜角度填圖將像元N個波段的光譜響應作為N維空間的矢量，則可通過計算它與最終光譜單元的光譜之間廣義夾角來表征其匹配程度：夾角越小，說明越相似。兩矢量廣義夾角余弦為：，即：

　　（2-18）

式中，θ值越小T和R的相似性越大。當用實驗測量光譜與圖像光譜比較時，須將測量光譜按照圖像光譜的波長進行重采樣，使得兩個光譜具有相同的維數。從公式可以看出，θ值與光譜向量的模是無關的，即與圖像的增益系數無關。

如果以圖像中已知類型的區域為參考光譜，將區域中光譜的幾何平均向量作為類中心。設已知某類中有M個點R1，R2，…，RM，則類中心為。

2）二值編碼匹配

對高光譜數據來說，由于存在較大的數據冗余度，為實施匹配，全部光譜數據的原始形式可能并不必要，所以Goetz提出了一系列對光譜進行二進制編碼的建議，使得光譜可用簡單的0～1來表述。最簡單的編碼方法是：

（2-19）

式中，x（n）是像元第n通道的亮度值，h（n）是其編碼，T是選定的門限值，一般選為光譜的平均亮度，這樣每個像元灰度值變為1bit。然而，二值編碼匹配是比較簡單的編碼匹配，有時這種編碼不能提供合理的光譜可分性，也不能保證測量光譜與數據庫里的光譜庫相匹配，所以需要更復雜的編碼方式，如分段編碼、多門限編碼等。

一旦完成編碼，則可利用基于最小距離的算法來進行匹配識別。使用二值編碼匹配算法有助于提高圖像光譜數據的分析處理效率。但是由于這種技術在處理編碼過程中會失去許多細節光譜信息，因此只適用于粗略的分類和識別。所以編碼的方法有待改進。

3）基于包絡線去除的圖像分類

包絡線消除法是一種常用的光譜分析方法，它可以有效地突出光譜曲線的吸收和反射特征，并且將其歸一到一個一致的光譜背景上，有利于和其他光譜曲線進行特征數值的比較，從而提取出特征波段以供分類識別。但該方法主要應用于對單個像元的光譜分析、提取特征波段這一階段，在后期的分類識別中用到的數據仍然是原來的高光譜圖像數據。基于包絡線去除的算法正是根據上述原理對包絡線消除法進行了改進：先使用包絡線消除算法對整個高光譜圖像進行處理生成新的圖像文件，以突出光譜維上的特征信息；再使用光譜分析的方法提取出不同典型地物類型的特征波段；最后再使用光譜角度匹配法進行圖像的分類和識別，并對原來的高光譜圖像和處理后的高光譜圖像用最大似然法和光譜角度匹配法進行了分類試驗比較。

（7）航空高光譜數據目標探測與識別

高光譜圖像目標識別與高光譜圖像分類的最大不同就在于，無論是監督分類還是非監督分類，類別的樣本光譜均來源于圖像自身。如非監督分類，事先需要假定圖像區域內類別可能存在的數量，然后基于數學模型，在像元光譜空間完成一種理想的區域劃分。而監督分類就需要一定的先驗知識，確認待分類別并從圖像中提取樣本光譜，分類集合（類集）是固定的，類集中各地物光譜的準備也是有針對性的，并且分類的重點是將類別與其他地物相區分。而目標識別是一種對特定對象的搜索，其結果可能是“有”，也可能是“沒有”，所以其光譜匹配樣本不能來自圖像自身。

由于高光譜遙感圖像能夠同時提供地物目標的輻射、幾何和光譜信息，所以和其他遙感方式相比，高光譜遙感科學技術最大的優點體現在對地物的識別能力上。高光譜圖像目標識別的實質上就是光譜識別（Spectrum Identification），光譜識別可以概括為確定某一未知光譜屬于某一種已知光譜的確認概率（Certainty Probability）。確認概率就是要量測兩條光譜之間若干特征（Features）或規則（Rules）的滿足數量。光譜識別要求地物具有排它性的光譜特征，并且這種特征在經過遙感信息在空間的傳輸后能被圖像信號所保留。因此目標識別中兩個最重要的環節，一是標準光譜數據庫的建立，二是高光譜圖像的定量化處理。

總體上講，利用高光譜遙感圖像進行目標識別要經過以下幾個關鍵處理過程：

①從數字信號到輻射值的轉換，這個過程要求在輻射和光譜上有高精度的定標；

②剔除大氣效應：從輻射值到地面視反射率；

③糾正光照幾何因素和地形影響：視反射率到反射率；

④波段選擇、特征選擇、特征提取、數據空間轉換（如反射率變為MNF），將高光譜圖像從高維降到低維；

⑤提取光譜端元、識別和確認所找出的純端元；

⑥光譜匹配和識別，可以采用光譜角度填圖等光譜匹配算法；也可以混合光譜分解的方法進行識別，即用提取出的純端元，分解每一像元光譜，得出每像元中各端元組分的相對含量。

2.1.1.3　高光譜數據處理軟件系統

高光譜遙感應用的普及和深入在很大程度上與處理分析軟件的發展息息相關。伴隨著航空遙感的不斷發展，國際上遙感商業軟件的市場競爭也日益激烈。到目前為止，國際上已經開發了十余套專用的高光譜圖像處理與分析軟件系統，對高光譜遙感技術應用的普及和發展起到了很大的推動作用。目前，國內外高光譜數據處理軟件系統主要以兩種方式呈現：業務部門或研究機構針對高光譜數據應用需求獨立開發的專業性軟件；商業公司針對高光譜數據應用需求在現有遙感圖像處理軟件基礎上開發的算法模塊。前者可以針對具體需求從底層架構上靈活設計，實現一些商用軟件不具備的特色功能；后者大多集成比較成熟的算法功能，以滿足商用軟件穩定可靠的需求。具有高光譜圖像分類和目標探測能力的代表性軟件有ENVI、ERDAS Imagine、PCI Geomatica、ISDAS，國產高光譜遙感處理系統HIPAS（Hyperspectral Image Processing and Analyzing System）系統。

通用的高光譜數據處理軟件系統通常將高光譜圖像處理算法、數據模型庫、數據存取和可視化等技術進行整合，實現對海量高光譜數據的定性和定量處理和分析，為用戶運行提供可靠的技術支撐和數據產品服務。表2-2給出了通用的高光譜數據處理軟件系統應該具備的基本功能。

2.1.1.4　高光譜數據處理存在問題

（1）傳感器性能種類指標差異較大

高光譜傳感器的成像過程十分復雜。從成像機理的方面可分為光柵分光型和傅里葉干涉型。兩類傳感器在光譜曲線數據生成過程上差異較大。即便同一類別傳感器，由于成像波段和指標性能的差異，都直接從源頭影響后續數據處理和產品加工。隨著高光譜遙感應用的不斷擴展，國內外不同廠家不同類型的儀器設備都可能進入市場，這些問題對高光譜數據處理加工規范的制定提出了挑戰。

（2）預處理環節復雜

輻射校正和幾何校正是遙感應用研究的必要之路。相對幾何校正，實際應用中高光譜數據面臨的最大困難是精確的輻射校正。輻射校正可分為輻射定標、大氣校正、地形輻射校正等。輻射定標一般采用專業團隊提供的定標常數計算，針對一個傳感器有專門定標研究人員提供定期更新的常數，針對航空應用，通常需要在使用前進行輻射定標，以確保后續處理的精確性；大氣校正目前存在的最大障礙就是同步大氣參數的獲取問題，另外基于輻射傳輸方程的建模方式可以對不同季節的大氣參數開展模擬，建立查找表。礙于大氣參數的動態變化及其可獲取性，大氣校正的提升空間受到限制。好的預處理可以確保遙感數據比較真實地反映地物本身特征，為后續應用研究提供重要保障；差的預處理工作保證不了應用研究的輻射、幾何精度，從而在真實地物和圖像數據之間產生了第一層誤差，并傳遞到后期應用研究中。如何結合實際應用經驗，對輻射校正的各個環節進行規范，實現對誤差進行測量、記錄、跟蹤和控制，有著較大的挑戰。

（3）后端應用需求差異大

高光遙感器區別于傳統多光譜遙感器的關鍵在于窄波段成像，在可見光-近紅外區域光譜分辨率達到納米級。對不同的應用目的，選擇適當的波段，可以取得研究對象詳細而精確的光譜信息，因而應用范圍極廣。然而，不同的領域應用需求有著很大差異，如何從眾多的應用中，針對高光譜數據處理本身，設計共性的數據產品，成為高光譜數據處理產品加工規范的一個重點和難點。

2.1.2　發展趨勢

20多年來，航空高光譜遙感已經成為遙感技術與應用的重要組成部分。1983年，世界第一臺成像光譜儀AIS-1在美國研制成功，并在礦物填圖、植被生化特征等研究方面取得了成功，初顯了高光譜遙感的魅力。在此后，許多國家先后研制了多種類型的航空成像光譜儀。20世紀80年代初、中期，在國家科技攻關項目和863計劃的支持下，我國也開展了高光譜成像技術的獨立發展計劃。我國高光譜儀的發展，經歷了從多波段到成像光譜掃描，從光學機械掃描到面陣推掃的發展過程。根據我國海洋環境監測和森林探火的需求，研制發展了以紅外和紫外波段以及以中波和長波紅外為主體的航空專用掃描儀。80年代中期，面向地質礦產資源勘探，又研制了工作在短波紅外光譜區間（2.0～2.5mm）的6～8波段細分紅外光譜掃描儀和工作波段在8～12mm光譜范圍的航空熱紅外多光譜掃描儀。在此基礎上于80年代后期又研制和發展了新型模塊化航空成像光譜儀。這一成像光譜系統在可見-近紅外-短波紅外具有64波段，并可與6～8波段的熱紅外多光譜掃描儀集成使用，從而使其總波段達到70～72個。這一系列高光譜儀器的研制成功，為中國遙感科學家提供了新的技術手段。 此后，中國又自行研制了更為先進的推帚式成像光譜儀和實用型模塊化成像光譜儀等，并在國內外得到多次應用，成為世界航空成像光譜儀大家庭中的一員。新的成像光譜系統不僅繼續在地質和固體地球領域研究中發揮作用，而且在生物地球化學效應研究、農作物和植被的精細分類、城市地物甚至建筑材料的分類和識別方面都有很好的結果（童慶禧，2008）。

當前，國內高光譜航空遙感在不同領域的應用還主要依賴少數專業人員進行指導實施。一方面由于能夠實用化的國產高光譜傳感器種類較少以及性能指標較低，另一方面由于國內高光譜領域的專業技術人員相對缺乏，這使得國內航空高光譜主要停留在科學研究的應用中。因此，相關的研究主要針對一個高光譜數據加工中的具體環節，以學術文章形式提出一些技術流程，比如傳感器/數據定標、大氣校正、特征提去和地物精細分類等。

盡管不斷地將新的數學物理模型及方法應用到高光譜數據處理當中，相對于儀器的研制技術的發展，高光譜數據數據處理技術比較滯后。通過對國內外高光譜數據處理技術進行調研，其未來的發展趨勢分為以下幾方面。

（1）高精度的數據預處理技術

高光譜數據中包含地物的特征光譜信息為地物的識別提供了最有力的證據。但數據的獲取過程中存在很多不確定性因素，如大氣的影響，太陽光譜的影響，測量幾何關系的影響，地表狀況的影響，儀器的影響等。這些因素導致了地物光譜的變化，若不能消除會給高光譜數據應用帶來很多困難。

不斷進行高精度的光譜數據反演技術，高精度的儀器定標技術、高精度的大氣校正技術、高精度的幾何校正技術等預處理技術的探索，獲取高質量的高光譜數據，將成為數據處理技術發展的一個重要方向。

（2）多源信息輔助下的高光譜數據分析技術

由于技術條件的限制，任何單一遙感器都不可能全面反映目標的特征。多遙感器、多波段、多分辨率，多時相遙感數據的快速有效融合，將促進高光譜數據分析精度的進一步提高。

高光譜數據本身除了光譜信息之外，還包含了豐富的空間和時間信息，時空信息輔助下的高光譜數據分析處理技術也將成為一個重要研究方向。

（3）面向應用的高光譜數據處理技術

高光譜數據為地物目標的定性定量分析提供了可能，但它的大數據量也給應用帶來了巨大困難，特別是時效性較差。從海量數據中快速提取到有用信息，進行相關處理后迅速給出應用結果，將成為促進未來高光譜應用發展的關鍵因素之一。 

為了達到這一技術目標，需要開展面向應用的高光譜數據選擇和提取方法研究，同時簡化數據處理流程，優化處理方法。可展開面向信息挖掘的高光譜數據庫技術的研究，綜合光譜數據庫，光譜分析和信息挖掘功能的數據庫系統，建立信息挖掘系統，更深層次地使用高光譜數據庫隱含的，未知的、具有潛在應用價值的信息，形成戰略層面上的應用。