成像光譜方法技術
一方面，高光譜分辨率的成像光譜遙感技術是對多光譜遙感技術的繼承、發展和創新，因此，絕大部分多光譜遙感數據處理分析方法，仍然可用于高光譜數據；另一方面，成像光譜技術具有與多光譜技術不一樣的技術特點，即高光譜分辨率、超多波段（波段＜1000，通常為100～200個左右）和甚高光譜（Ultra Spectral）分辨率（波段＞1000，主要用于探測大氣化學成分）的海量數據。因此，常規多光譜數據處理方法不適合于成像光譜數據的定量分析，于是成像光譜數據處理和分析技術應運而生。在成像光譜數據處理和分析方法中，關鍵性的技術問題是地物光譜重建，光譜特征的量化及提取，混合像元的分解和定量分析及模型識別。
2.3.2.1 光譜重建技術
按照不同的模型及算法，從成像光譜數據中把地物的光譜特性反演出來的過程就是地物光譜重建技術。根據不同的工作情況及條件，采取不同反演模型來重建地物光譜，是實現成像光譜數據遙感定量化分析的第一步。若對其不進行反演，則沒有一個統一物理量進行對比。目前，光譜反演模型大體可分為三大類型：基于大氣傳輸理論的大氣傳輸模型，基于統計分析的統計模型以及基于地面地物同步觀測的經驗回歸模型。
2.3.2.1.1 基于大氣傳輸理論的模型
該模型實質上就是用理論模型消除大氣中氣體分子、水蒸氣、氣溶膠及塵埃等分子顆粒對地反射輻射能量吸收與散射以及大氣程輻射效應，并將其還原成地物的反射輻射光譜。這是一種比較復雜的同時必須進行地物光譜及大氣參量測量的絕對反射率生成方法，也就是對成像光譜數據進行絕對輻射標定的再反演。在這一反演過程中，關鍵是建立大氣傳輸的模型。自1960年，Chndrasekhar提出了輻射傳輸理論以來，相繼發展了許多方法，如Ordinate方法和Variational方法等來解決輻射傳輸問題。目前，常見的大氣傳輸模型有5 S（the Simulation of the Satellite Signal in the Solar Spectrum）、6S（the Second Simulation of the Satellite Signal in the Solar Spectrum）、LOWTRAN 7及MODTRAN（Teillet，P.M.，1989；Vermote，E.，Tanr?en，D.，Deuz?e，J.L.et al.，1994，1996；Bo?Cai Gao，K.B.Heidebrecht and A.F.H.Goetz，1997；Z.QIN，A.Karnieli and P.Berliner，2001）。其中，6S模型是由法國Tanré等人研究開發的，是目前世界上發展比較完善的大氣輻射校正模型算法之一。該算法既能合理地處理大氣散射、吸收，又能產生連續光譜，避免在光譜反演中較大的定量誤差。它還充分利用了分析表達式和預選大氣模式，使計算時間大大縮短。許多遙感專家使用此模式進行地物光譜反演后認為，該模型較其他模型計算精度高。不足之處是必須開展試驗區典型地物光譜反射率觀測以及大氣環境參量實測，如：大氣光學厚度、溫度、氣壓、水蒸氣含量、大氣分布狀況等。相對來說，盡管LOWT?RAN 7和MODTRAN模型計算精度低一些，但它不需要地面實測典型地物的反射率。這些模型一般用于對傳感器選定標定場，開展數據絕對輻射標定。
2.3.2.1.2 基于統計分析的模型
該模型的建立是在分析不同地物光譜遙感信息在不同光譜波段的傳輸特點基礎上，利用計算機對典型地物的光譜特性進行統計分析后，得到的地物光譜特性反演模型。對成像光譜數據進行地物光譜反演常用模型有平滑域反射率模型 FFR（Flat Field Reflectance）（Goetz and Srivastava，1985；Conel，1985；Crowley at al.，1988；Rast et al.，1991），內在平均相對反射率模型IARR（Internal Average Relative Reflectance）（Kruse et al.，1985；Kruse，1988；Mackin and Munday，1988；Zamoudio and Atkinson 1990），對數剩余模型LRC（Logarithm Residual Correction）（Green，R.O.etal.，1985；Gower，J.F.R.etal.，1992）。在這3種模型中，FFR模型是在圖像上選取光譜和地貌特征都均勻平滑（平滑性是指地物無光譜吸收譜帶，光譜曲線平直）的地物平均值，來消除大氣輻射衰減和儀器的零響應；White模型是根據整幅圖像的平均光譜曲線平均值對圖像歸一化處理，然后計算每個像元光譜曲線與平均光譜曲線的比值，也就是地物光譜特性；LRC模型是經Lyon和Lanze修正后，對太陽輻射衰減、大氣效應及地形影響都有所消除。Green和Graige提出的對數剩余糾正公式如下：
lg（Rij）=lg（DNij）-lg（aveDNi）+lg（DNi）+lg（DNg）（2-3-1）
這里Rij是第i波段、第j個像元的剩余值；DNij是第i波段、第j個像元的亮度值；DNi是第i波段所有像元數據的平均值；DNj是第j像元在所有波段上數據的均值；DNg是所有波段及所有像元的均值。該方法完全基于圖像本身特征，不需要野外地物光譜測量。在前兩種模型中，FFR模型優于IARR模型，它克服了IARR模型因受像福強吸收特征的影響而出現的假反射峰的弱點，而且計算量較小。
2.3.2.1.3 經驗線性回歸模型
利用該方法重建地物光譜技術實質就是通過開展典型地物的同步反射率觀測，根據成像光譜數據DN值與地面實測地物反射率值，經最小二乘法求出回歸方程Rij=Aj·DNij+Bj（這里Aj，Bj是傳感器第j波段的線性回歸系數），然后，根據此方程反演地物的反射光譜。這種模型的數學和物理意義明確，方法簡便，運算量少，應用廣泛（Roberts et al.，1985；Conel et al.，1988；Elvidge，1988；Green et al.，1988；Kruse et al.，1990；Zamoudio and Atkinson 1990）。例如：美國JPL的Abrams利用該模型在美國Nevada州的Cuprite礦區進行礦物學填圖；美國科羅拉多大學的Zamudio等人，利用該模型在美國 Nevada 州東部進行礦物識別和巖相分析；日本Pasco公司的Mochizuki，利用該模型在美國Navada州進行蝕變礦物的反射光譜研究等。該模型的不足之處是要開展野外地物光譜觀測，成本比較高，回歸精度的高低依賴于對野外概實測的精度。
除上述這些典型光譜重建模型之外，還有 UA RT Code，JPL Code，連續內插波段比算法（CIBR），背景法等模型（De Jong，1998）。
2.3.2.2 巖礦光譜特征的量化、提取，定量分析及識別模型
成像光譜數據經過光譜重建模型處理后，獲得了地物的光譜特征譜線。不同地物光譜具有不同的診斷特征譜帶，如吸收譜帶，特征譜線的微積分變化，波形變化等等。如何有效地開展地物特征定量分析和識別地物，首先要弄清楚如何去量化及提取地物的光譜特征。因此，開展基于地物特征譜的量化提取是十分必要的。
2.3.2.2.1 地物光譜特征度量、提取與匹配識別模型
（1）就地物光譜特征（這里指地物反射輻射光譜）而言，不外乎兩大類型：吸收譜帶（或反射谷）和光譜曲線的斜率變化（含波形變化）。針對這兩類光譜特征的形態、結構，分別采取不同的度量方式。目前，對吸收譜帶的分析度量方法是外殼系數法，它通過把光譜曲線歸一化后去測量吸收譜帶的波長位置（position）、吸收深度（depth）、吸收寬度（FWHM）和對稱性（sym?metry）（Lyon et al.，1985；F.A.Kruse，A.B.Lefkoff，1993）。這種外殼系數法可以由外殼凸形曲線與光譜之比來表示，也可以由外殼值去減相應波長上的光譜反射率值來求得。由于吸收峰的非對稱性，采用RBD方法難以準確描述其特征。連續插值小組段算法（CIBR，Continuun interpolated band algorithm）（De Jong，1998）和光譜吸收指數圖像（SAI，spectral absorption index image）（王晉年等，1996）與相對吸收深度圖方法類似，但引入了對稱度因子，使其對吸收特征的描述更為合理。除了這些測量參數外，對植被光譜有多種度量參量，如植被、綠度指數等等。對于光譜曲線斜率變化的特征，表征和提取的方法有基于地物光譜的總體波形特征度量，如傅里葉變換的波形分析方法是利用有限級次的諧波振幅和初位相度量地物波譜特征；基于切比雪夫多項函數的波形分析是利用多項式函數對地物光譜曲線進行擬合，提取有限項的系數來表示或組合特征，或用其比值來表示地物光譜波形特征的參量；基于波形相似性（總體或分段）分析的光譜角度量；還有光譜曲線特征的微分度量、積分度量及二值度量等等。當然，對吸收譜帶及斜率特征度量還可以用統計特征量去表征度量，如均值、方差、協方差矩陣、特征值、特征向量、特征因子及組內離差等。
（2）光譜匹配識別模型不同于多光譜的模式識別，它是根據光譜特征度量參數來進行匹配識別的，是成像光譜數據處理分析的特色之一。這種特色模型在處理過程中往往是采用可視化的交互式的圖像與光譜、光譜與標準光譜形式進行的。目前，光譜匹配識別模型有：編碼匹配識別法（均值編碼匹配法，坡向編碼匹配法，比值編碼匹配法L吸收峰編碼匹配法、波形匹配法和光譜角匹配法等等。在這些匹配識別模型中，編碼匹配基本上都是按二值（0和1）進行編碼、匹配與識別的；吸收特征編碼匹配是根據外殼系數法歸一化后，對每個特征的吸收深度與波長位置進行編碼；波形匹配包括相似度、傅里葉變換參量，切比雪夫等方法。近幾年發展起來的小波變換分析在成像光譜數據分析處理中應用相當多，尤其是對原始信號按不同小波尺度，分解成不同的小波進行波形分析，突出低頻弱信息，有利于信息增強，比如用小波變換進行圖形圖像插值、融合及混合像元分解等。
2.3.2.2.2 成像光譜數據的定量分析及識別模型
定量化分析及識別模型化是當今遙感技術的發展方向之一，應用于成像光譜數據處理。定量化分析與識別模型，除了不斷完善和改進已有基于統計分析的定量化及識別模型（如：改進的主成分分析、最佳波段組合、改模型最大似然法、基于決策邊界特征矩陣的變換和正交子空間投影），其他學科的新思想、新方法也在不斷地引人遙感數據分析和理解之中，如人工智能的專家系統，模糊邏輯映射，證據推理、神經網絡、分形和分維等。
人工智能專家系統技術是目前比較流行的信息處理技術，尤其對比較復雜問題的解決有獨到之處，Gotting和Lyon在1986年就已建立的光譜信息專家識別系統用于分析實驗室和野外光譜，它是結合已有的地物光譜特征知識，由專家確定判別規則決策樹（Decision Tree）以達到識別地物或地物類別目的。決策樹這一基于知識的判別準則層次是建立專家系統成敗的關鍵。通過這個系統進行編碼匹配，他們成功地從大量的實驗室光譜中識別出11種礦物。1993年，美國地球空間研究中心（CSES）和美國環境科學研究所的F.A.Kruse和A.B.Lefkoff研制了基于知識的成像光譜地質制圖專家系統。選定各種特征在識別過程中的作用并賦予相應的權值，或根據專家對判別知識和經驗建立判別準則進行識別。
目前，神經網絡模型在遙感地物分析和識別方面備受青睞，有著廣泛的應用（Golen Giser，1996；Giles，M.F.et al.，1995；郭小方，1998；王潤生等，2000）。由于神經網絡分類規則對訓練樣本的數量及分布特征沒有特定要求，因而可以在特征空間形成非線性判別邊界，并且還有一定的抗噪聲、抗干擾和自適應能力，適用于大數據量的分類研究，最為常用的分類準則是后向傳播（BP）網絡模型。
目前，從成像光譜遙感數據分析與識別的各種新理論、新方法的引入來看，大多數模型的研究和應用還是一種嘗試，在如何將模型與成像光譜數據相結合的研究方面，分析不夠深入。
2.3.2.3 混合像元分解模型
由于空間分辨率不高的原因，在圖像像元內會出現不同成分（end member）的地物，即混合像元。不同的地物具有不同光譜特征，因此需要通過混合光譜分解技術來提高識別精度。混合像元問題是遙感技術的研究難點和熱點。由于成像光譜技術的光譜分辨率已從微米（μm）提高到納米級（nm），因此，其混合像元分析、分解及其模型研究就顯得更為重要。
目前，開展高光譜遙感混合像元研究的方法技術，首先從實驗著手，進行地物混合光譜的測試、分析、數字模擬、分解模型開發研究，然后將其外推到遙感圖像上，進行典型地物混合像元分析，主要包括空-地同步觀測獲取典型地物（或可通過人工布標）數據，經模型分析后，對混合像元的地物進行分解，或混合光譜模擬合成。在實驗室里，通過對不同礦物光譜混合含量測試發現，不透明礦物或暗色礦物，其光譜按比例混合到其他礦物中，混合的反射率急劇下降，而不是逐漸下降，說明其混合光譜與其混合的端員礦物光譜是非線性關系（磁鐵礦和橄欖石）。當兩種礦物的色調相近時，實驗測試的混合光譜與線性模型合成的混合光譜都呈線性逐漸變化，說明混合光譜可以按線性模型分解端員礦物光譜，如橄欖石和紫蘇輝石，且吸收譜帶的波長位置也是逐漸從一個波長位置逐漸過渡到另一波長位置。不僅如此，還發現在可見光、近紅外這一波長上，低成分端員混合時呈線性趨勢，當成分增加時，線性關系劇烈變成非線性關系。在這三種情況中，第一種非線性關系是由于組合混合光譜的端員成分之間互相作用、互相影響后光譜被光譜儀檢測到；第二種線性關系是由于各端員成分之間無互相影響作用，各自獨立地反射電磁波能量貢獻于混合光譜；第三種情況是兩種關系都存在，二者之間存在臨界條件（邊界條件）。目前，有關此方面的研究極少。根據這些分析，混合像元分解模型大體分為線性模型和非線性模型。在遙感混合像元中，絕大多數反射率相似的地物，可以用線性模型來分解端員成分，如：土壤與植被、不同含水量的耕地、巖石露頭與草地、荒地等等。在一幅圖像中，事先知道有N種端員（地物種類），并且也知道各種端員的光譜反射率，那么就可以用線性模型：
成像光譜巖礦識別方法技術研究和影響因素分析
這里DNc是波段C上混合像元的DN值或反射率；Fi是第i種端員在混合像元中所占比例（或權系數）；DNi，c是C波段上第i種端員的DN值（或反射率）；Ec是C波段上擬合誤差。對每個像元都按照最小二乘法解方程，進行分解。在圖像中，端員的DN值（或反射率值）要么可以從訓練區取值，要么在地面實測。端員成分的確定過程實質上是一個迭代過程，迭代結果使M個波段上總誤差ε最小（且N≤M）。
成像光譜巖礦識別方法技術研究和影響因素分析
求得版中各種端員成分之后，就可以定量或半定量地對端員豐度制作豐度等專題圖件。
用非線性模型開展混合像元分解不多見，但已有這方面的研究，如模糊分割模型（Jin Ⅱkim，1996），概率鵬模型，幾何光學模型（Charles Ichoku，1996）及基于神經網絡模型的混合像元分解（王喜鵬，張養貞等，1998）等等。
目前開發的模型有：
——光譜吸收指數模型SAI（王晉年，童慶禧等，1996）：
SAI=∑fiSAIi，∑fi=1，fi＞0 （2-3-4）
——高斯模型法MGM：該模型是基于礦物和巖石的反射、吸收光譜性質模擬反射光譜的各種模擬方法。它是一種確定性的而不是統計性的方法。高斯改進模型MGM 是近幾年在分析反射光譜的基礎上發展起來的分析技術（Cloutis，1989，Veverka，J.et al.，2000）。
m（x）=S*exp（-（xn-μn）2/2σ2）， （2-3-5）
通常取n=-1。
光譜識別與分類技術（Spectral Classification）：主要是利用地物高光譜特征的量化參數，結合其在圖像空間上分布進行提取有利的信息，達到分類的目的。主要的分類方法有：
——最大似然法MLC：
g（x）=-ln｜∑i｜+（x-mi）t∑i-1（x-mi），（2-3-6）
——人工神經網絡技術ANN：一般采用前饋網絡模型，即第一隱層的節點輸入等于輸入層諸節點輸出的加權和。迭代的次數以系統的平均誤差為最小時為準。
成像光譜巖礦識別方法技術研究和影響因素分析
——光譜角制圖法SAM（Spectral Angle Mapper）：該方法是通過計算測試樣本光譜矢量（像元光譜）與參考光譜矢量（訓練的端員樣品光譜，或標準光譜庫的光譜），在n維空間（n波段）上的角度來確定它們兩者的相似度。一般兩矢量之間的角度越小，兩光譜向量越相似，進而可識別兩種地物為同類，否則視為異類。數學模型是：
成像光譜巖礦識別方法技術研究和影響因素分析
這里i=1，2，3，……，n，n為波段數。
——光譜維特征提取法（Spectral Dimension Feature Extraction）：在高光譜遙感分類中，使用該方法對多波段、高相關、數據冗余度高的數據進行降維處理。相關的有統計方法，如主成分、典型變量及改進的PCA法等。
——光學模型（Optical Modeling）：除了前述的數據分析及模型外，植被因其特有反射性質，還有獨特分析模型（光學模型）。該模型主要利用高光譜遙感數據預測或估計植被的多種生物物理、化學參量，如葉面指數LAI、總生物量、覆蓋度等；葉綠素、水分、N、P、K含量等。該模型也屬于經驗性的統計模型方法。一般性通用模型為：
S=f（λ；θs，Φs；θv，Φv；С）， （2-3-9）
這里S為預測的生物物理、化學參數；λ是波長；θs，Φs，θv，Φv是入射光和傳感器探測幾何位置參數，C是描述植被冠層為特性參數。依靠法的模型有葉子光學性質光譜模型PROSPECT，葉子的任意斜散射模型SAIL，即生化參量反演的LIBERTY模型等。
高光譜在植被應用中除了生物、化學參量的反演分析外，還注重利用植被光譜特性譜線的藍邊、反射峰、黃邊、紅光吸收谷、紅邊、近紅外反射高原區等變化及數據的歸一化、對數、微分等變換，來監測植被的長勢及病蟲害，進行森林識別、分類、制圖（Clark，R.N.，Roush.T.L.，1984）。
2.3.2.4 光譜數據應用處理分析軟件
通過開展巖礦高光譜特性測試分析和成像光譜方法技術及應用分析研究，已發展并開發了如下數據處與分析軟件：
2.3.2.4.1 光譜數據庫及分析軟件（400～2500φ）
國外：美國地質調查所USGS和JPL的標準礦物光譜庫（含機載光譜）及光譜分析管理軟件SPAM，IRIS，日本地調所的巖石礦物光譜庫等（http://speclib.jpl.nasa.gov；http://speclab.cr.usgs.gov；Kruse F A et al.1993）。
國內：中國科學院安徽光學研究所、中國科學院遙感應用研究所、原地質礦產部航空物探遙感中心等科研單位都已建自己的光譜庫（王潤生等，2000）。
2.3.2.4.2 圖像處理分析軟件
目前國內外常用的光譜圖像處理分析軟件有：Erdas、PCI、ENVI等。其中PCI和ENVI都有高光譜分析處理功能（ENVI User’s Guide.，2000）。此外，還有像Tetricorder（Clark，R.N.，G.A.Swayze，K.E.Livo，2003）。國內通過高光譜遙感方法技術及示范應用研究，中國科學院遙感應用研究所、國土資源部航空物探遙感中心相繼建立了成像光譜數據分析處理系統，如：HIPAS，ISDPS等。
-
科技前沿
-
技術原理
