高光谱遥感影像数据处理与分析

由于高光谱数据的高维特性，以及光谱与混合像素之间的相似性，高光谱图像技术仍然面临着许多问题，其中最紧迫的是以下几个问题:

(1)高光谱图像数据具有高维性。由于高光谱图像是由机载或星载成像光谱仪采集的数百个波段的光谱反射率数据组合而成，因此高光谱图像的光谱信息维度也可以是数百个维度；

(2) 缺失标记样品。在实际应用中，收集高光谱图像数据相当简单，但获取类似图像的标签信息却相当具有挑战性。因此，高光谱图片的分类有时会因标记样本的短缺而受到阻碍；

(3) 空间上光谱信息的可变性。高光谱图像的光谱信息会因大气条件、传感器、地物的组成和分布以及周围环境等因素而在空间维度上发生变化，导致每个像素对应的地物不是单一的；

(4)图像质量，即高光谱图像采集过程中噪声和背景元素的干扰，对采集数据的质量有重大影响。高光谱图像的分类精度直接受到图像质量的影响。

各种平台和传感器获得的高光谱图像通常以原始格式呈现，这需要对其进行预处理(例如大气、辐射和光谱校正)以纠正详细信息。组装高光谱数据比多光谱和 RGB 传感器更加复杂，因为它的辐射和大气校准工作流程更加复杂。因此，高光谱成像处理过程需要几个步骤才能获得精确的输出。高光谱成像的处理意味着计算机算法的利用。它包括从可见近红外 (VNIR) 或近红外 (NIR) 高光谱图像中提取、存储和伪造信息等任务。它还提供有关处理和数据挖掘任务的不同信息(例如，分析、分类、目标检测、回归和模式识别)。高光谱成像包括以像素形式存储的大量数据收集，而每个数据都与其相邻数据特别相关。高光谱成像还包括谱域信号，因为每个图像像素都包含光谱信息;因此，用于处理空间和光谱信息的特定工具和方法已得到扩展。如此大量的数据导致化学计量学和可视化设备的集成，以有效地挖掘重要且详细的信息。下面的图 2描述了普通的高光谱图像预处理过程。

图 1.高光谱图像预处理工作流程

高光谱成像设备产生的大量原始数据包含大量可以通过校准纠正的错误。空间校准是将每个图像像素与已知单位或特征相关联的步骤之一，提供有关空间维度的信息并校正光学像差(微笑和梯形失真效果)。然而，可能存在三种使校准模型无效的情况：(1) 样品中的化学或物理替代，(2) 由于固有的不确定性或部件老化而更换设备，以及环境/天气条件，例如温度或湿度。提到高光谱照片中常见有数百个波段，其中许多波段是高度相关的。因此，降维是预处理高光谱图像时需要考虑的重要步骤。降维是高光谱图像分类中至关重要的预处理步骤，可减少 HSI 的光谱冗余，从而实现更快的处理和更高的分类精度。降维方法将高维数据转换为低维空间，同时保留光谱信息。因此，预处理是提高高光谱图像质量并为后续分析做好准备的重要步骤。

高光谱成像从单个样本和需要日常分析的数千个样本中生成大量数据收集。与其他统计技术相比，高光谱图像分析使用物理和生物模型来吸收某些波长的光。例如，空气中的气体和气溶胶可以吸收特定波长的光。色散(向传感器透视区域添加外部光源)和吸收是大气减弱(辐射拒绝)的示例。结果，高光谱传感器无法区分在其他时间或地点生成的成像记录的辐射率。高光谱图像分析技术源自光谱学，它涉及某种材料的分子成分在不同波长下的不同吸收或反射模式。该图像必须采用适当的大气校正技术，以便将每个像素的反射特征与已知材料的光谱进行比较;在实验室和“图书馆”存储区域，已知的材料光谱信息包括土壤、矿物质和植被类型。