高光谱图像组合光谱特征研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇高光谱图像组合光谱特征研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘 要： 在此分析了典型植被、岩矿、土壤和水体地物的光谱特性曲线及其一阶和二阶导数的特点与异同。研究表明通过光谱导数技术，可以快速分析出高光谱特性曲线的反射峰和吸收谷谱带的相关特征，且不同类别地物目标在原始光谱曲线和各阶光谱导数曲线上存在不同敏感波段。因此提出将高光谱原始数据和其各阶导数曲线的敏感波段综合起来构成组合光谱特征，以此达到优化高光谱特征性和降低分类难度，从而进一步提高分类性能的方法。实验结果表明组合光谱特征可以实现高光谱图像有效分类。
关键词： 高光谱分类； 组合光谱特征； 光谱导数特征； 导数光谱技术
中图分类号： TN919?34； TP751.1 文献标识码： A 文章编号： 1004?373X（2013）14?0104?04
Research on combinational spectral features of hyperspectral images
CHANG Wen?juan， HE Ming?yi
（Earth Observation Research Center， Shaanxi Key Lab of Information Acquisition and Processing， Northwestern Polytechnical University， Xi’an 710129， China）
Abstract： The spectral characteristic curves of typical vegetation， minerals， soil and water body， and similarities and differences of their first?order and second?order derivatives are analyzed. The research demonstrates that the relevant characteristics of the reflection peak and the absorption valley bands of hyperspectral spectral characteristic curves can be quickly obtained by analysis and spectrum derivative technology， and there are different sensitive bands between original spectral curve and various order spectral derivative curves of different categories objectives. Therefore， it is proposed that the composition of these sensitive bands of hyperspectral original data and each order derivative curve can constitute combinational spectral features to optimize the performance of hyperspectral features and reduce the classification difficulty. The experimental results show that this combinational spectral features can realize the effective classification of hyperspectral images.
Keywords： hyperspectral classification； combinational spectral feature； spectrum derivative feature； derivative spectrum technology
0 引 言
近年来，高光谱遥感数据处理受到特别关注，IEEE高光谱遥感图像与信号处理?遥感进化（IEEE Workshop on Hyperspectral Image and Signal Processing ?Evolutional Remote Sensing，WHISPERS1）2009在法国召开首届大会，第4届大会于2012年6月在上海召开，IEEE遥感学报、传感器学报及图像处理学报等近来先后出版了有关高光谱遥感数据处理的多个专辑[1?4]。
高光谱遥感影像具有光谱分辨率高及图谱合一等特点，包含了丰富的空间、辐射和光谱三类直接信息，提供了比多光谱传感器更丰富和更精确的光谱信息，极大地提高了对目标与环境的识别能力，可有效地用于目标及环境的全像素、单像素、甚至亚像素级分类、识别与混合成分分析。
高光谱分类是高光谱数据分析和信息提取的重要工具，在当前乃至今后一段时间内都将是遥感领域的研究热点。与传统分类方法相比，高光谱分类面临的两个主要问题是：一是光谱分辨率高、光谱曲线近乎连续、数据量大、数据冗余严重、谱间相关性强；另一是空间分辨率有限、存在大量混合像元，“Hughes”现象凸现。影响目标分类与识别结果的主要因素包括3个方面：
（1）问题本身的复杂度，包括目标形态及尺寸，特别是目标材料对光谱的吸收、反射及散射特性，以及所处的时空、电磁及气象等环境情况；
（2）描述目标的高光谱图像特征的性能；
（3）分类器的分类能力与推广性。因此，高光谱特征中新信息的挖掘和高性能计算的技术在高光谱图像分析系统中变得非常重要。本文主要讨论优化高光谱图像特征的性能来提高高光谱遥感数据分类性能。
优化高光谱特征的方法有多种，其中一种有效的方法是从原始高光谱数据中寻找最有用的特征信息来挖掘有利于分类的光谱特征，譬如（1）采用从高光谱遥感数据中选择或保留敏感的有代表性的波段形成的数据集，称为特征选择或波段选择；（2）将高光谱遥感数据中经过某种测度指标和变换形成的新的数据集，称为特征提取。
另外一种优化高光谱特征的方法是使用附加信息，通常组合多种特征都能得到良好的分类性能。大多数高光谱处理技术的传统方法通常仅仅使用图像的光谱强度信息。近年来，已有研究人员在高光谱数据处理中利用从高光谱遥感原始数据中通过导数光谱技术提取的光谱梯度特征。在高光谱遥感特征分析等数据处理中，利用光谱梯度特征作为附加信息可以提升高光谱处理的性能。Wessman等使用森林光谱的一阶、二阶导数对树冠化学成分进行研究，并确定树冠化学成分与生物量以及导数光谱数据相关最密切的波段组合[5?6]。Demetriades?shah等综述了遥感中高分辨率导数光谱的应用潜力[7]。童庆禧等利用导数光谱分析方法对鄱阳湖湿地进行了生物量填图[8]。Tsai等研究了在高光谱数据分析中应用导数信息探测光谱特征[9]。Chang等提出使用光谱导数来提高光谱识别和鉴定的性能，提出一种称作光谱导数特征编码的方法用于高光谱特征分析[10]。
1 组合光谱特征
1.1 导数光谱技术
导数光谱（Derivative Spectrum）技术来源于测谱学，利用相邻波段间的梯度变化特征化高光谱光谱的变化信息，是分析高光谱遥感数据较为常用的一种有效技术和强有力的波形分析手段。采用如下公式分别计算光谱反射率的一阶、二阶和三阶导数：
（1）
（2）
（3）
式中：是波段i的波长值；；；分别是波长处的一阶、二阶、三阶导数；是波长的光谱反射率；是波长到的波段间隔。导数光谱技术具有一系列优越性：
导数光谱技术通过数学模拟反射光谱，计算不同阶数的微分值以便迅速地确定光谱弯曲点及最大最小反射率的波长位置，强调曲线的变化和压缩均值的影响。一般用的较多的是一阶或二阶导数技术。利用不同阶数的导数光谱则可以提取吸收波段的位置信息。对原始光谱反射率求解一阶导数光谱，即光谱曲线的斜率值，可以反映原始光谱曲线的变化速率，正极值处代表的是反射率增速最大的波段，负极值则是反射率减速最大的波段。而在一阶导数的基础上可以进一步计算二阶导数光谱，反映原始光谱曲线的曲率变化，正值代表反射率吸收区域，即“凹形”光谱曲线处，负值代表反射率反射区域，即“凸形”光谱曲线处。
导数光谱技术可以消除光谱数据之间的系统误差、减弱大气辐射、散射和吸收对目标光谱特征的影响，以便提取可识别地物的光谱吸收峰参数；亦可分辨重叠光谱，减缓光谱失真，去除背景噪声或不理想的信息影响，因而可能得到更好的精度。
1.2 组合光谱特征
物质的光谱特性是由物质本身包含的原子、分子与电磁波的关系所决定的，因此分析物质的光谱特性曲线是识别物质的有效手段。地物光谱特性研究在高光谱遥感技术及应用的研究发展中占有重要地位。根据地物的光谱特性不同可将地物分成植被、岩矿、土壤、水体和人工地物五大类。在给定目标情况下，根据光谱曲线上各个物体的特点，例如吸收谱、峰值谱及敏感谱等特点，可以用较少的谱段来有效区分并鉴别出各种目标，通常把这样的谱段组合称为目标的光谱特征。
由于组合多种特征作为优化的特征通常可以取得更好的分类性能，而且导数光谱技术虽是高光谱特征分析的有效手段，但是光谱梯度特征通常包含的信息量较少，致使仅仅使用光谱梯度特征的高光谱图像分类性能较差。因此本文提出组合光谱强度特征和导数特征作为组合光谱特征来提升高光谱分类的性能。
计算原始高光谱特性的一阶导数，由于一阶导数光谱曲线上量值为零的点，对应于原反射率光谱曲线上的极值点，由此可得出反射率光谱中极值点波长位置。在此基础上进行二阶微分处理后，可进一步区分原反射率光谱的极大值点与极小值点，即二阶导数大于零的一阶导数光谱过零点为原反射率光谱的极小值点，二阶导数小于零的一阶导数光谱过零点为原反射率光谱的极大值点。因此，利用不同阶数的导数光谱便可以迅速确定原始光谱曲线的吸收谷和反射峰的位置信息和相关特征信息，获得目标的敏感波段信息。而在给定目标的情况下，根据各个物体的吸收谱、峰值谱和敏感谱等特点，便可以用较少的谱段来有效区分、鉴定出各种目标。如此可将原始高光谱遥感特性曲线的敏感波段、一阶导数特征的敏感波段、二阶导数特征的敏感波段组合构成特征波段，有效实现高光谱遥感分类。
然而由于大量的光谱梯度特征附加在原始高光谱遥感数据上，简单的组合这些特征必然加重高光谱遥感的维数灾难，引起过维问题，因此须在分类之前，采用特征提取或特征选择方法降低高光谱数据的维数，提升运算效率，利于后续高光谱分类。
2 实验与结果分析
2.1 典型地物光谱特征分析
实验说明：绘制典型植被、岩矿、土壤、水体的高光谱特性曲线及其一阶导数和二阶导数曲线，分析各类典型地物高光谱原始数据及一阶、二阶导数的特点。
如图1所示，植被的光谱特征与其他地物迥然不同，有非常鲜明的特点，利用植被的光谱特征可以区分植被与其他地物。观察不同植被的原始及其一阶、二阶导数光谱曲线，可以看出不同植被的光谱曲线虽形态各异，但植被的光谱特征及其一阶和二阶导数均呈现相似性。不同植被的反射率光谱曲线，光谱曲线总是呈现明显的“峰和谷”的特征。植被一阶、二阶导数值虽各不相同，但是一阶导数过零点的位置以及相应位置二阶导数的正负值却惊人的相似，说明原各植被光谱曲线的吸收谷和反射峰位置相近，即这些光谱曲线在0.55 μm，1.6 μm，2.2 μm左右存在反射峰，在0.65 μm，1.4 μm，1.9 μm左右存在吸收谷，0.7～1.3 μm范围内反射率值较高，反映了植被的光谱特性的相似性。总之，不同植被之间的光谱变化主要体现在吸收谷、反射峰和反射率平台的强度上的差别，然这些特征的反射峰、吸收谷所在的位置基本没有变化。
不同矿物原始及其各阶导数光谱曲线图说明不同类型的矿物其反射率光谱曲线及其一阶和二阶导数曲线大不相同，吸收谷、反射峰所在位置及特性差别较大，通过主要特征和次要特征不同组合的分析比较，便可得到每类矿物区别于其他矿物的有效参数和无效参数。
不同土壤原始及其各阶导数光谱曲线图表明不同土壤的光谱反射率均随着波长的增加而逐渐升高。二阶导数基本围绕零值上下波动，且波动幅度较小，无明显规律。因此导数光谱技术能消除植被光谱分析中土壤成分的影响，土壤光谱的影响可在很大程度上得以消除，二阶导数便可非常好的消除土壤背景。
不同水体原始及其各阶导数光谱曲线图表明水体的反射率总体上比较低，不超过10%，一般为4%～5%，并随着波长的增大逐渐降低，二阶导数基本为零。
综上所述，通过导数光谱技术，可以快速分析出高光谱特性曲线的反射峰和吸收谷谱带的相关特征，这些特征可作为附加信息与其他特征构成组合光谱特征应用于高光谱检测、分类与识别中。
2.2 组合光谱特征的建立
实验说明：采用原始、一阶导数及二阶导数光谱特征的组合光谱特征对斜辉石和天青石进行分类。实验数据来自USGS光谱库。实验结果表明组合光谱特征可有效实现高光谱分类。图2（a），（b）分别为斜辉石的反射率曲线和组合光谱特征，（c），（d）分别为天青石的反射率曲线和组合光谱特征。可见，组合光谱特征差异较大，易于分类。
图2 组合光谱特征高光谱分类
3 结 语
本文研究了光谱一至三阶导数特征，分析了典型植被、岩矿、土壤和水体地物的特性曲线及其一阶和二阶导数的特点与异同。研究表明不同类别地物目标在原始光谱曲线和各阶光谱导数曲线上存在不同敏感波段。进而提出了将原始数据和各阶导数曲线的敏感波段综合起来构成组合光谱特征用于高光谱遥感分类的方法，实验表明综合利用这些特征波段可大大降低对分类器的要求并可提高分类性能。关于多类别组合光谱特征的建立等另文讨论。
参考文献
[1] CHANUSSOT J， CRAWFORD M M， KUO B C. Foreword to the special issue on hyperspectral image and signal processing [J]. IEEE Trans. on Geoscience and Remote Sensing， 2010， 48（11）： 3871?3876.
[2] PLAZA A， DU Q， BIOUCAS?DIAS J M， et al. Foreword to the special issue on spectral unmixing of remotely sensed data [J]. IEEE Trans. on Geoscience and Remote Sensing， 2011， 49（11）： 4103?4110.
[3] CAMPS?VALLS G， BENEDIKTSSON J A， BRUZZONE L， et al. Introduction to the issue on advances in remote sensing image processing [J]. IEEE Journal of Selected Topics in Signal Processing， 2011， 5（3）： 365?369.
[4] JENSEN J O， TREW R J， WOOLARD D L， et al. Editorial special issue on enhancement algorithms， methodologies and technology for spectral sensing [J]. IEEE Journal of Sensors， 2010， 10（3）： 373?378.
[5] WESSMAN C A， ABER J D， PETERSON D L. An evaluation of imaging spectrometry for estimating forest canopy chemistry [J]. Int. J. of Remote Sensing， 1989， 10（8）： 1293?1316.
[6] WESSMAN C A， ABER J D， PETERSON D L， et al. Remote sensing of canopy chemistry and nitrogen cycling in： temperate forest ecosystems [J]. Nature， 1988， 335： 154?156.
[7] DEMETRIADES?SHAH T H， STEVEN M D， CLARK J A. High resolution derivative spectra in remote sensing [J]. Remote Sensing of Environment， 1990， 33（1）： 55?64.
[8] 童庆禧，郑兰芬，王晋年，等.湿地植被成像光谱遥感研究[J].遥感学报，1997（1）：50?57.
[9] TSAI F， PHILPOT W D. Derivative analysis of hyperspectral data for detecting spectral features [C]// IEEE Geoscience and Remote Sensing. Singapore： IGARSS， 1997： 1243?1245.
[10] CHANG C I， CHAKRAVARTY S. Spectral derivative feature coding for hyperspectral signature analysis [J]. Proceedings of the SPIE， 2006， 6302： 1?12.
[11] TSAI F， PHILPOT W D. A derivative?aided hyperspectral image analysis system for land?cover classification [J]. IEEE Transactions on Geoscience and Remote Sensing， 2002， 40（2）： 416?425.
[12] DEMIR B， ERTRUK S. Spectral magnitude and spectral derivative feature fusion for improved classification of hyperspectral images [C]// Proc. of IEEE Geoscience and Remote Sensing. Boston， MA： IGARSS， 2008， 3： 1020?1023.
[13] WANG Qing?yan， ZHANG Jun?ping， CHEN Jia?wei， et al. An improved spectral reflectance and derivative feature fusion for hyperspectral image classification [C]// IEEE Geoscience and Remote Sensing Symposium. Vancouver： IGARSS， 2011： 1696?1699.
[14] 苏红军，杜培军.高光谱数据特征选择与特征提取研究[J].遥感技术与应用，2006，21（4）：288?293.
[15] 苏红军，杜培军，盛业华.高光谱遥感数据光谱特征提取算法与分类研究[J].计算机应用研究，2008，25（2）：390?394.