高光譜第二次實(shí)習(xí)

1、高光譜遙感實(shí)習(xí)報(bào)告姓 名： 郭士祥 學(xué)號(hào)：201310041414 院（系）： 地空學(xué)院 專業(yè)：地球信息科學(xué)與技術(shù)教 師： 吳柯 職稱：副教授 2015 年 11 月26日1、 對(duì)數(shù)據(jù)1的row=10，數(shù)據(jù)2的path=10的位置分別進(jìn)行光譜切面光譜切面包括水平切面，垂直切面和任意方向切面。是通過(guò)一副多光譜圖像合成一個(gè)空間或光譜剖面。ENVI中的切面被存為灰度圖像，行的方向（Y）與圖像被切面的空間維數(shù)相對(duì)應(yīng)，采樣的方向（X）與光譜維數(shù)（切面圖像中的波段數(shù)）相對(duì)應(yīng)，灰階顯示依賴于數(shù)據(jù)校正的光譜強(qiáng)度。最終的切面是一副ENVI圖像，沿水平方向的切面，樣本數(shù)等于光譜波段數(shù)，行數(shù)等于采樣數(shù)；沿垂直方向的

2、切面，樣本數(shù)等于行數(shù)；對(duì)于任意方向的切面，樣本數(shù)等于沿ROI折線的像元總數(shù)。操作步驟：（1） 選擇Spectral->SpecturalSlices->HorizontalSlices(水平方向切割)（2） 出現(xiàn)下面的對(duì)話框時(shí)，選擇一個(gè)進(jìn)行切面的圖像 （3） 出現(xiàn)下面的對(duì)話框時(shí)，在line里輸入10，行數(shù)設(shè)置為10，采樣數(shù)也為10（4） 在ENVI中顯示切面對(duì)數(shù)據(jù)2進(jìn)行垂直方向的切面（1） 選擇選擇Spectral->SpecturalSlices->VerticalSlices（垂直方向切割）（2） 出現(xiàn)下面的對(duì)話框時(shí)，選擇一個(gè)進(jìn)行切面的圖像（3） 出現(xiàn)下面的對(duì)話框時(shí)

3、，在sample里輸入10，樣本數(shù)數(shù)設(shè)置為10。（4） 垂直方向切面結(jié)果2、 對(duì)數(shù)據(jù)1，2進(jìn)行包絡(luò)線去除，指出包絡(luò)線去除后的光譜與原始光譜曲線的區(qū)別。實(shí)驗(yàn)原理：包絡(luò)線去除是將反射光譜標(biāo)準(zhǔn)化的一種方法，它允許從通過(guò)的基線對(duì)每個(gè)吸收特征進(jìn)行比較。包絡(luò)線去除是一個(gè)在光譜頂部的突起的外殼擬合，它用直線段鏈接局部的光譜最大值。第一個(gè)和最后一個(gè)光譜數(shù)據(jù)值在外殼上，因此在輸出的包絡(luò)線去除的數(shù)據(jù)文件中的首末波段將等于1.包絡(luò)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(gè)一致的光譜背景上，有利于和其他光譜曲線進(jìn)行特征數(shù)值的比較，從而提取出特征波段以供分類識(shí)別。用不

4、同的光譜子集將得到不同的結(jié)果，因此應(yīng)當(dāng)選取包含感興趣區(qū)的吸收特征的地方作為子集。連續(xù)統(tǒng)一體通過(guò)被分成對(duì)應(yīng)圖像每個(gè)像元的實(shí)際光譜而被消失。最終圖像中，在連續(xù)光譜和匹配光譜處，光譜等于1，出現(xiàn)吸收特征的地方光譜小于1.包絡(luò)線去除可以對(duì)數(shù)據(jù)文件或?qū)L圖窗口的單個(gè)光譜進(jìn)行。操作步驟：（1） 選擇Spectral->MappingMethods->ContinuumRemoval,進(jìn)行包絡(luò)線去除（2） 對(duì)數(shù)據(jù)1，在下面的窗口中選擇光譜子集，它的特征波段是183/193/297，所以，選擇光譜子集：band181-186，band191-196，band204-209，18個(gè)波段。（3） 去包

5、絡(luò)線后，在ENVI中顯示：原始圖像（183,193,207波段RGB合成）對(duì)數(shù)據(jù)1去包絡(luò)的圖像原圖像在（505，464）處的光譜曲線 去包絡(luò)線后的在相同位置光譜曲線（4） 對(duì)數(shù)據(jù)2去包絡(luò)，選擇光譜子集。因?yàn)樗奶卣鞑ǘ螢閎and10、39、64，所以光譜子集可選band8-13，band36-42，band61-67。（5） 得到的數(shù)據(jù)2的結(jié)果： 原圖像ita_100 去包絡(luò)后的圖像原圖像在（254,416）處的光譜曲線 去包絡(luò)后的圖像在相同位置的光譜曲線 結(jié)果分析：經(jīng)過(guò)包絡(luò)線去除后，不同地物光譜曲線的吸收特征更加明顯，而且光譜曲線都?xì)w一化到了0-1之間，首末位置為1.可以用來(lái)光譜特征分析和波

6、段選擇。3、 對(duì)數(shù)據(jù)1，2，3利用PCA以及MNF變換進(jìn)行特征提取，并比較提取后的特征光譜與原始光譜特征光譜的區(qū)別。 實(shí)驗(yàn)原理：PCA 變換，理論上它是最佳變換。它是建立在統(tǒng)計(jì)特征基礎(chǔ) 上的多維正交線性變換。也是基于均方誤差最小的變換，多波段圖像通過(guò)這種變換后產(chǎn)生一組新的組分圖像。組分圖像數(shù)目可以等于或少于原來(lái)圖像的波段數(shù)目。一幅高光譜圖像通過(guò)PCA 變換能夠把原來(lái)多個(gè)波段中的有用信息盡量集中到數(shù)目盡可能少的新的組分圖像中，使圖像數(shù)據(jù)得到有效的壓縮，而且還能夠使新的組分圖像中的組分之間互不相關(guān)。 MNF 變換，即最小噪聲分離法，使變換后各成分按照信噪比而不是方差從大到小來(lái)進(jìn)行排列。MNF 變換

7、用于確定固有特征的分布范圍，分離和平衡圖像數(shù)據(jù)中的噪聲，減低后續(xù)處理計(jì)算量。MNF 變換由兩個(gè)串聯(lián)的主成分變換來(lái)組成。第一個(gè)主成分變換基于噪聲的協(xié)方差矩陣進(jìn)行的，去除相關(guān)性，重新調(diào)節(jié)圖像中的噪聲分布。經(jīng)過(guò)這個(gè)處理以后，噪聲在各個(gè)波段之間沒(méi)有相關(guān)性。第二個(gè)主成分變換是標(biāo)準(zhǔn)的主成分變換。在變換后的前幾個(gè)分量圖像按照方差大小順序進(jìn)行排列，向后方差一次減少，噪聲逐步增大，甚至全部為噪聲。操作步驟：一、（1） 數(shù)據(jù)1PCA變換選擇Transforms->Principal Components->Forward PC Rotation->Compute New Statistics a

8、nd Rotate，進(jìn)行正向PCA 變換。（2） 點(diǎn)擊“Select Subset from Eigenvalues” 標(biāo)簽附近的按鈕，選擇“YES”。特征值將被計(jì)算，出現(xiàn)Select Output PC Bands 對(duì)話框，列表顯示著每一個(gè)波段和其相應(yīng)的特征值。同時(shí)也為所有波段顯示出每個(gè)波段中包含的數(shù)據(jù)變化的累積百分比。 （3） 選擇Transforms > Principal Components > Inverse PC Rotation，對(duì)正向變換后的結(jié)果進(jìn)行反向PCA 變換。選擇前四個(gè)波段為光譜子集（4） 當(dāng)出現(xiàn)標(biāo)準(zhǔn)ENVI 選擇文件或子集對(duì)話框時(shí)，選擇輸入文件，并用標(biāo)準(zhǔn)

9、ENVI 文件選擇程序建立需要的子集。出現(xiàn)另一個(gè)文件選擇對(duì)話框，在當(dāng)前輸入數(shù)據(jù)目錄中，列表顯示出了已經(jīng)存在的統(tǒng)計(jì)文件。經(jīng)過(guò)PCA反變換后的圖像 經(jīng)PCA反變換后的光譜曲線（529,474）原始圖像光譜曲線（529，474）（5） 對(duì)數(shù)據(jù)2進(jìn)行PC變換原始圖像 PC反變換后的圖像原始圖像光譜曲線（256，417）PC變換后的光譜曲線（256，417） （6） 對(duì)數(shù)據(jù)3進(jìn)行PC變換原始圖像變換后圖像 原始圖像光譜反射率曲線（221，3577） 變換后圖像光譜反射率（221，3577）二、（1）對(duì)數(shù)據(jù)1進(jìn)行MNF變換選擇Spectral->MNF Rotation->Forward MN

10、F->Estimate NoiseStatistics from Data ,進(jìn)行正向MNF 變換。（2）當(dāng)出現(xiàn)Forward MNF Transform Parameters 對(duì)話框時(shí)，在標(biāo)有“Enter Output Noise Stats Filename .sta” 的文本框里鍵入一個(gè)用于噪聲統(tǒng)計(jì)的文件名，在標(biāo)有“Enter Output Stats Filename .sta” 的文本框里，鍵入一個(gè)用于MNF 統(tǒng)計(jì)的輸出文件名。（3） 選擇Transforms > MNF Rotation> Inverse MNF Transform，進(jìn)行反向MNF 變換。（4）

11、出現(xiàn)標(biāo)準(zhǔn)ENVI 文件和子集選擇對(duì)話框時(shí)，用標(biāo)準(zhǔn)ENVI 文件選擇程序選擇并抽取正向MNF 變換圖像計(jì)算的子集。代表性地，根據(jù)正向MNF 變換部分描述的程序，波譜子集被用來(lái)消除來(lái)自反向變換的以噪聲為主的圖像。（5）得到MNF變換后的結(jié)果 原始圖像光譜曲線（531，483） MNF變換后光譜曲線（531，484）（6） 對(duì)數(shù)據(jù)2進(jìn)行MNF變換 MNF變換后的圖像 原始圖像光譜曲線（256，412） MNF變換后的光譜曲線（256，412）（7） 對(duì)數(shù)據(jù)3進(jìn)行MNF變換MNF變換后的圖像 原始圖像光譜曲線（273，3559） MNF變換后的光譜曲線（273，3559）結(jié)果分析：實(shí)驗(yàn)結(jié)果表明，經(jīng)過(guò)P

12、CA 和MNF 變換后的圖像光譜特征曲線較原圖像要更為平滑，特征更為明顯。4、 分別利用神經(jīng)網(wǎng)絡(luò)，光譜角，二值編碼三種方法對(duì)數(shù)據(jù)3進(jìn)行分類，并計(jì)算誤差矩陣與kappa系數(shù)實(shí)驗(yàn)原理：光譜角度匹配是比較待識(shí)別地物向量與已知地物向量的廣義夾角，來(lái)確定每類地物的歸屬。廣義夾角定義如下：Cos()=X·YX·|Y| 由于光譜角度匹配只利用了角度這一唯一的參數(shù)，只有當(dāng)待識(shí)別像元的類內(nèi)方差較小，類間方差較大，且矢量的模中的信息對(duì)分類影響不大時(shí)，才能得到較高的分類精度。 操作步驟：（1） 利用光譜角對(duì)數(shù)據(jù)3進(jìn)行分類和計(jì)算誤差矩陣與Kappa系數(shù)（2） 選擇感興趣區(qū)，然后保存。打開(kāi)ROI工具

13、，對(duì)感興趣區(qū)進(jìn)行選擇。（3） 選擇Classification->Supervised->Spectral Angle Mapper，進(jìn)行波譜角分類，得到分類圖像如下：（4） 采用地表真實(shí)感興趣區(qū)顯示一個(gè)混淆矩陣的記錄的方法，選擇Classification->Post Classification->Confusion Matrix-> Using Ground Truth ROIs。（5） 再次選取感興趣區(qū)，此時(shí)選的要與第一次選取的感興趣區(qū)不同。（6） 在分類后處理中選擇混淆矩陣分析，再選基于地表真實(shí)感興趣區(qū)，出現(xiàn)Match Classes Parameter

14、s 對(duì)話框時(shí)，可以在兩個(gè)列表中選擇匹配的名字，點(diǎn)擊“Add Combination”，將地表真實(shí)感興趣區(qū)與分類結(jié)果相匹配。Kappa系數(shù)為0.6931。用二值編碼的方法分類圖像：以相同的方法，在圖像上選定7個(gè)不同地物的感興趣區(qū)：可以看出，二值編碼后的Kappa系數(shù)為0.7600。神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行圖像分類：神經(jīng)網(wǎng)絡(luò)的Kappa系數(shù)為0.92405、 理解高光譜遙感圖像端元的含義，用兩種方法提取數(shù)據(jù)1，2，3的圖像端元實(shí)驗(yàn)原理：端元是影像所對(duì)應(yīng)區(qū)域內(nèi)大多數(shù)像元的一個(gè)有效組成成分；端元數(shù)量的確定，應(yīng)當(dāng)符合影像所對(duì)應(yīng)區(qū)域內(nèi)的大多數(shù)像元的實(shí)際，數(shù)量少會(huì)把非典型的端元分入分量中，產(chǎn)生分量誤差，增加RMS

15、；數(shù)量多又會(huì)使模型對(duì)設(shè)備噪聲、大氣污染及光譜本身的可變性敏感，導(dǎo)致分量誤差。在實(shí)際應(yīng)用中，端元的確定有監(jiān)督與非監(jiān)督、自動(dòng)與手工選取之分。操作步驟：PPI端元提取（1） 選擇Spectral->Pixel Purity Index->FAST New Output Band（2） 出現(xiàn)“Fast Pixel Purity Index Input File ”對(duì)話框時(shí)，選擇一個(gè)輸入文件或用標(biāo)準(zhǔn)ENVI 光譜和空間子集程序選擇子集。特別地，PPI 運(yùn)行MNF 轉(zhuǎn)換結(jié)果，光譜子集根據(jù)特征圖像和特征值圖排除噪聲波段。此時(shí)采用上一次MNF 變換后的例子，經(jīng)分析得知第20 個(gè)波段以后的特征值很小

16、，因此只需要選擇前20 個(gè)波段進(jìn)行處理。這樣做的優(yōu)點(diǎn)是可以在不影響精度的情況下加快PPI 的運(yùn)算速度。（3） 選擇Tools->Region of Interest->Band Threshold to ROI來(lái)生成一個(gè)只包含PPI 高值的像元。輸入一個(gè)最小值100，將選擇所有大于100的PPI 值的像元作為ROI 中包括的像元。保存該ROI。（4）將該ROI 覆蓋到原圖像上，顯示的高亮區(qū)就是純凈像元。SMACC 端元提取（1） 打開(kāi)Spectral->SMACC Endmember Extraction菜單（2） 彈出SMACC Endmember Extraction P

17、arameters 參數(shù)對(duì)話框，選擇參數(shù)。提取的端元數(shù)設(shè)為10。人工提?。?） 建立波普庫(kù)選擇感興趣區(qū)，將感興趣區(qū)保存，在構(gòu)建光譜庫(kù)選項(xiàng)中選擇First input spectrum,輸入建立的感興趣區(qū)，建立波普庫(kù)。對(duì)數(shù)據(jù)2：PPI端元提取結(jié)果：大于100PPI的像元值（圖中紅色）為感興趣區(qū)SMACC端元提取人工提取數(shù)據(jù)3：PPI: SMACC端元提取人工提取6、 通過(guò)給定的數(shù)據(jù)3DATA（excel文檔格式）建立光譜庫(kù)，并將該光譜庫(kù)數(shù)據(jù)重采樣至TM傳感器的光譜分辨率。實(shí)驗(yàn)原理：使用“Spectral Libraries | Spectral Library Resampling ”子菜單進(jìn)行光譜庫(kù)重采樣。ENVI 光