定量/高光谱遥感之——光谱分析技术



  在定量遥感或者高光谱遥感中，信息提取主要用到光谱/波谱分析技术。本专题对光谱/波谱分析中涉及的流程及一些技术进行讲解，包括以下内容：

• 基本概念
• 遥感反演
• 波谱识别

 

1 基本概念

 

     “光谱分析”在很多领域也有这个概念，比如医学、电子学、化学等。如其中一个概念为：“光谱分析主要是以光学理论为基础，以物质与光相互作用为条件，建立物质分子结构与电磁辐射之间的相互关系，从而进行物质分子几何异构、立体异构、构象异构和分子结构分析和鉴定的方法。”

    在遥感里面经常会看到光谱分析和波谱分析两个概念，可以将光谱分析视为在微观条件下定义；波谱分析在宏观上定义的。也就是光谱分析是广义定义，波谱分析是狭义定义，在不太严格的情况下，两个概念是一样的。

遥感中的光谱分析技术可以理解为基于电磁辐射与物质相互作用产生的波长与反射强度，即地物波谱特征，而进行物质分析的技术。在这个过程中，如果一种物质A中掺和其他物质B而造成物质A的波谱特征发生变化，可以建立物质A、物质B与波谱特征变化三者之间的关系，这个也是定量遥感中物质反演的一个基本过程之一；在这个过程中另外一个情况，地物波谱特征用图像或者波谱曲线表示，用已知的波谱曲线A和未知的波谱曲线B进行对比分析，从而得出波谱曲线A和B是否一致，或者占多大比重。这个是高光谱遥感中的波谱识别的基本原理。

    因此，从应用角度上看，光谱分析就是定量遥感或高光谱遥感中的图像信息提取技术。可分为遥感反演、地物识别和物质分类，后两个就是波谱识别范畴。

 

2 遥感反演

 

    遥感反演就是根据观测信息和模型，求解或推算描述地面实况的应用参数。可以看到遥感反演的基础是描述遥感信号或遥感数据与地表应用之间的关系模型。这种关系模型可以是遥感模型和应用模型，包括统计型和物理型：

• 统计模型基于陆地表面变量和遥感数据的相关关系，优点在于容易建立并且可以有效概括从局部区域获取的数据，缺点在于模型一般具有地域局限性，也不能解释因果关系；
• 物理模型遵循遥感系统的物理规律，可以建立因果关系，地域变化时候，也可以方便修改变量，缺点在于模型的建立过程漫长而曲折（梁顺林等）。

   可以看到，遥感反演需要具备多方面的知识，需要理解遥感成像机理、相关地学知识、数学知识等。比较成熟或者用的比较多的反演模型包括：植被生物参数反演模型（氮、叶绿素、水分等），水质参数反演模型（浑浊度、透明度、总悬移质泥沙含量、pH 值、总含氮量等），大气成分（臭氧、二氧化碳、二氧化硫、甲烷等痕量气体，气溶胶等）。应用包括植被盖度监测、作物长势监测、水华监测、大气环境监测等。

    反演涉及的关键部分是模型的构建，在模型构建好之后就是模型中参数的推算。下面以太湖叶绿素反演为例，数据使用环境小卫星的CCD多光谱数据，介绍在ENVI下的操作流程。

    

 

本例子使用一个比较通用的线性叶绿素反演模型：

Y=ax+b  即

Chla=a*B_RED/B_NIR+b

    主要技术路线就是利用实地调查的结果，结合影像上对应的像元反射率值，采用最小二乘法回归得到a和b参数，之后将这个模型应用到整个图像中。

一、传感器定标

    直接利用ENVI_HJ1A1B_Tools环境卫星数据读取扩展工具将图像有DN值转成辐射亮度值。（扩展工具下载地址：http://blog.sina.com.cn/s/blog_764b1e9d010195ej.html）

说明：先做传感器定标主要是为了避免在几何精校正过程中进行重采样时候产生一定的误差。

二、几何精校正

    这一步不用多讲了，由于HJ卫星数据提供的2级数据已经做过粗校正，可以选择地形图作为参考选择控制点进行几何精校正。在几何校正重采样输出时候，选择最邻近法（Nearest Neighbor）。

三、大气校正

    这个步骤可以参考：http://blog.sina.com.cn/s/blog_764b1e9d01019emt.html

四、图像裁剪

    用太湖地区的矢量裁剪大气校正结果，得到太湖水面区域影像。

五、样本选择

    这一步需要结合实地调查数据，将水面调查点与B_RED/B_NIR对应的值在空间上一一对应起来。实地调查数据包括：水面调查点的经纬度、叶绿素含量。以三列形式保存为.txt和Excel文件，以下格式：
     序号  纬度       经度       叶绿素含量（mg/L）

    1  31.516729  120.170916  0.078

    2  31.457287  120.048309 0.025

    3  31.454855  120.174078 0.056

(1) 使用Basic Tool->Bandmath，表达式为float(b3)/b4，计算得到比值图像。

(2) 在display中显示比值图像，选择overlay->Region Of Interest 打开ROI Tool。

(3) 在ROI Tool中，选择ROI_Type->Input Points from ASCII，选择文本格式的实地调查数据。注意参数选择，x：选择经度；y：选择纬度；These point comprise：Individual Points。这样将实地调查的点位置信息加载到图像中

 

(4) 在ROI TOOL中，选择File->Out ROIs to ASCII。在输出格式设置面板中（如下图），选择ID、经纬度、和波段像元值（Band Values）。

    这样就将水面调查点与B_RED/B_NIR对应的值导出来了，将B_RED/B_NIR值导入Excel表中，这样就将实测叶绿素含量值与B_RED/B_NIR值一一对应上了。

六、模型参数反演

    有了实测的叶绿素含量值与B_RED/B_NIR值的对应表，使用最小二乘法回归参数a和b。回归公式为：

                                               

    使用Excel的计算功能，很容易得到a=0.060583，b=0.004381

七、叶绿素反演

    有了参数a和b，反演模型可表达为：Chla=0.060583*B_RED/B_NIR+0.004381，利用bandmath很容易得到一个单波段的反演结果

八、反演结果输出

    在display中，选择Tools->Color Mapping->ENVI Color Tables，让结果以彩色方式显示。

    在打开Overlay->annotation 注记明白，添加Object->Color Ramp，添加一个色带。

 

 

3 波谱识别

 

    高光谱图像分类方法与传统的多光谱分类有本质的区别，从高光谱图像的每个像元均可以获取一条连续的波谱曲线，就可以考虑用已知的波谱曲线和图上每个像元获取的波谱曲线进行对比，理想情况下两条波谱曲线一样，就能说明这个像元是哪种物质。

    高光谱图像有这个特性，它除了应用于一般的图像分类，还应用于物质识别、目标探测等。图像分类更多关注的是地物覆盖和物质成分，目标识别和探测是对特定对象的搜索，其结果是“有”或者“没有”。因此我们把高光谱图像分类、物质识别、探测等称为波谱识别。

    如下图是一个波谱识别的典型流程，主要分为端元波谱选择、波谱识别和结果分析。

图：波谱识别流程

• 端元波谱选择

    端元波谱这个概念最常见于混合像元分解过程中，端元的物理意义就是指图像中具有相对固定光谱特征的地物类型，也就是图像中只有一种物质的像元。广义上讲，端元波谱就是“分类训练样本”，即应用于波谱识别的标准波谱。

    端元光谱的确定有两种方式：(1) 使用光谱仪在地面或实验室测量到的“参考端元”；(2) 在遥感图像上得到的“图像端元”。方法(1)一般从标准波谱库选择，方法(2)直接从图像上寻找端元，可选择的方法有：从二维散点图中基于几何顶点的端元提取，借助纯净像元指数（Pixel Purity Index——PPI）和n维可视化工具用于端元波谱收集，基于连续最大角凸锥（Sequential Maximum Angle Convex Cone——简称SMACC）的端元自动提取。

    流程图上标识了两种方法——基于PPI的端元提取和从外部源（如波谱库）获取。

    在目标识别中，我们往往是从图上选择一个目标所在区的像元的平均波谱作为目标识别。

• 识别波谱

    识别波谱可选的方法就很多，常用的是波谱角填图(Spectral Angle Mapper——SAM）。波谱角填图（SAM）使用n-维角度将像元与参照波谱进行匹配。该算法是将像元N个波段的光谱看做N维波谱向量，通过计算与端元波谱之间的夹角判定两个波谱间的相似度，夹角越小，说明越相似。

 

图：波谱角示意图

    有时候端元波谱的波谱分辨率、波段范围与图像不一样大小，就会需要用到波谱重采样，如ENVI中的Spectral -> Spectral Libraries -> Spectral Library Resampling就可以将波谱曲线进行重采样，使得与某一个图像具有相同的波谱分辨率和波段覆盖范围。

• 结果分析 

    波谱识别的结果就是一个分类结果，栅格或者矢量形式输出。

    这个流程中有一个是MNF变换和维度判断。MNF （Minimum Noise Fraction）最小噪声分离将一幅多波段图像的主要信息集中在前面几个波段中，主要作用是判断图像数据维数、分离数据中的噪声，减少后处理中的计算量。

    MNF也是一种线性变换，本质上是含有两次叠置的主成分分析：

•   第一次变换是利用主成分中的噪声协方差矩阵，分离和重新调节数据中的噪声（噪声白化——noise whitening）。使变换后的噪声数据只有最小的方差且没有波段间的相关。
•  第二次变换是对噪声白化数据进行主成分变换。为了进一步进行波谱处理，检查最终特征值和相关图像来判定数据的内在维数。数据空间被分为两部分：一部分是联合大特征值和相对应的特征图像，另一部分与近似相同的特征值和噪声图像。

    在ENVI中提供的工具可以组合完成上述波谱识别过程，其中波谱沙漏工具（Spectral ->Spectral Hourglass Wizard）将上述流程中的每一个步骤集中在一个界面下完成，由于采用向导式操作，这里就不举例子介绍。

 

4 总结

 

    可以看到光谱分析是基于光谱信息进行物质反演和识别，也就是波谱特征或者波谱曲线。这与我们常见影像分析方法区别较大，像物质的空间特征、纹理特征、空间关系等属性在光谱分析中不会重点考虑，甚至不作考虑。