高光谱遥感实习报告.docx
《高光谱遥感实习报告.docx》由会员分享，可在线阅读，更多相关《高光谱遥感实习报告.docx（22页珍藏版）》请在冰点文库上搜索。
高光谱遥感实习报告
高光谱遥感实习报告
一．数据预处理
1.数据说明
环境与灾害监测预报小卫星星座A、B星（简称环境小卫星，简写HJ-1A/1B）于2009年3月30日开始正式交付使用，HJ-1-A星搭载了CCD相机和超光谱成像仪（HSI），HJ-1-B星搭载了CCD相机和红外相机（IRS）。
HJ-1A/1B卫星是继我国继气象、海洋、国土资源卫星之后一个全新的民用卫星。
卫星投入使用后，对自然灾害、生态破坏、环境污染进行大范围、全天候、全天时的动态监测，对灾害和环境质量进行快速和科学评估，提高灾害和环境信息的观测、采集、传送和处理能力，为紧急救援、灾后救助及恢复重建和环境保护工作提高科学依据。
HSI对地成像幅宽为50km,星下点像元地面分辨率为100m，115个波段，工作谱段：
459~956nm。
具有30度侧视能力和星上定标功能。
HJ-1数据应用于自然灾害、生态环境之前，需要进行几何及光谱方面的预处理。
ENVI在数据读取、图像配准、精确大气校正等方面提供了非常好的工具。
2.数据转换
目前，网上免费获取的HJ-1A/1B卫星CCD和HSI影像的分发的格式主要有两种：
CCD为Geotiff，每一个波段为一个Geotiff文件，并提供一个元数据说明（.XML）;HSI为HDF5格式，也提供一个元数据说明（.XML）。
使用HJ-1数据读取补丁，启动ENVI->File->OpenExternalFile->HJ-1->HJ-1A/1BTools工具。
直接读取CCD、HIS、IRS数据，之后选择BasicTools->ConvertData（BSQ,BIL,BIP），将刚才生成的文件转成BIL储存顺序的文件。
至此，已经将HSI数据转成BIL储存顺序、带有中心波长信息、波段宽度信息的ENVI格式文件。
图1.1HJ-1A/1BTools面板
图1.2数据转换面板
图1.3转换后显示的图像
2.FLAASH大气校正
大气校正的目的是消除大气和光照等因素对地物反射的影响，获得地表的真实物理模型参数，如地物反射率、辐射率、地表温度等。
遥感影像的大气校正是预处理的重要组成部分。
大气对电磁辐射的影响主要是吸收和散射，并叠加在地物的反射信号上，使遥感像元处的图像清晰度和对比度下降。
大气校正可以去除大气及光照对地物反射的影响，从而提高图像质量并正确地显示地物波普信息。
ENVI中操作步骤：
①BasicTool>Preprocessing>CalibrationUtilities>FLAASH
②Spectral>FLAASH
③Spectral>Preprocessing>CalibrationUtilities>FLAASH
ENVI大气校正模块的高光谱处理主要有以下6个方面组成：
⑴输入文件准备⑵基本参数设置⑶高光谱数据参数设置⑷高级设置⑸输出文件⑹处理结果
1）HSI数据已经经过了定标，单位是100W/（m2*um*sr），启动FLAASH工具，在输入辐射率数据时候，缩放系数填写：
1000（即缩小1000倍），（符合FLAASH对辐射亮度单位的要求（μW）/（cm2*nm*sr））。
图1.4辐射率参数设置面板
2）选择传感器类型，成像中心点经纬度，成像时间，高度信息（成像区域和传感器飞行高度）等都可以在HDF5文件中获取。
选择ENVI->File->OpenExternalFile->GenericFormats->HDF5，打开.h5文件。
Latitude（°N）
Jan.
March
May
July
Sept.
Nov.
80
SAW
SAW
SAW
MLW
MLW
SAW
70
SAW
SAW
MLW
MLW
MLW
SAW
60
MLW
MLW
MLW
SAS
SAS
MLW
50
MLW
MLW
SAS
SAS
SAS
SAS
40
SAS
SAS
SAS
MLS
MLS
SAS
30
MLS
MLS
MLS
T
T
MLS
20
T
T
T
T
T
T
10
T
T
T
T
T
T
0
T
T
T
T
T
T
-10
T
T
T
T
T
T
-20
T
T
T
MLS
MLS
T
-30
MLS
MLS
MLS
MLS
MLS
MLS
-40
SAS
SAS
SAS
SAS
SAS
SAS
-50
SAS
SAS
SAS
MLW
MLW
SAS
-60
MLW
MLW
MLW
MLW
MLW
MLW
-70
MLW
MLW
MLW
MLW
MLW
MLW
-80
MLW
MLW
MLW
SAW
MLW
MLW
表1.1六种标准的大气模型
图1.5大气校正参数设置面板
图1.6大气校正成功后生成的报告
图1.7经大气校正后的影像
3.图像裁剪
在全部做过许多遍后效果都不是很理想后，首先想到的第一个改进措施是裁剪，但在几次尝试后效果并没有很大提升，便想到了数据本身的质量问题，经调整波段后发现影像前几个波段噪声太大，便想到了第二个改进措施即在裁剪时舍去前30个波段对图像进行裁剪，效果要较之前的好很多。
图1.8裁剪后的影像
二．光谱识别与地物分析
1.波段相关性分析
在主图像窗口中选择：
Tools>2-DScatterPlots，在随即弹出的波段选择窗口中任意选择两个波段，点击OK构成2-D散点图。
这里选择的是第1、2波段。
图2.12-D散点图
在这幅2-D散点图上我们可以观察到，在由1和2波段组成的光谱特征空间中图像上的点大致呈线状点云分布，说明这两个波段的相关性比较强。
遥感图像的某些波段之间往往存在着很高的相关性，直观上波段图像彼此很相似，从提取有用信息的角度考虑，有相当一部分数据是多余和重复的，解决这一问题的有效方法是进行特征提取和特征选择，去相关和分离噪声。
在多光谱遥感图像处理中，我们会采取PC旋转，但是相比之下，MNF变换更适用于高光谱遥感数据。
下面我们就用MNF变换对图像进行处理。
最低噪声分数（MNF）变换用以确定图像数据的内在维度、隔离噪声以及降低后处理的计算要求。
MNF变换的本质就是两个叠置的主成分变换。
第一次变换（基于估计的噪声协方差矩阵）用于分离和重新调节数据中的噪声。
第一步导致了转换数据的噪声个体的变异和波段与波段的不相关。
第二步是标准主成分变换。
2.MNF变换
在ENVI主菜单下选择：
Transform>MNFRotation>ForwardMNF>EstimateNoiseStatisticsfromData。
图2.2MNF输入影像面板
、
图2.3MNF参数设置面板
变换完成后得到MNF特征值曲线，其横坐标为变换后的波段数，纵坐标为特征值。
图2.4MNF特征值曲线图2.5MNF变换后的散点图
把鼠标移到曲线上并点击左键，曲线上会出现一条以点击位置为交叉点的十字，同时在窗口左下角显示当前的波段数和其特征值。
特征值越高说明信息量越丰富。
另外，我们还可以利用2-D散点图检查去相关的情况。
以同样的方法打开2-D散点图，但需要注意的是我们要用MNF图像的第1、2波段，也就是信息最集中的两个波段构成散点图。
由图可见，经过MNF变换后的图像波段之间的相关性有效地降低了，并且出现了多个拐点，这些拐点就是我们要找的端元——Endmembers。
3.端元提取
3.12-D散点图法
在打开的散点图上点击鼠标中键会出现一个红色的小方块，在主图像窗口中对应这个小方块区域中的点同时呈现红色；在主图像窗口中点击鼠标左键，在散点图上对应点击位置的像素同时呈现红色。
这一功能方便我们察看图上像素点与散点图上的像素点的相互对应位置。
端元对应图像上的“纯”像元，是否能很好地提取它对于我们的分类是十分重要的。
下面的操作就是利用MNF处理后图像2-D散点图选择端元生成样本区用以分类的过程。
在打开的2-D散点图上利用ROI制图功能将点云拐角零散的几个点圈起来，并且不同的ROI用不同的颜色表示。
同时在图上这些ROIs也显示了出来。
图2.6在2D散点图上提取纯净像元图2.7主窗口中对应像元被标记
在散点图窗口中选择：
Options>ExportAll将选择的区域输出为ENVI的ROIs，显示如下窗口：
图2.8ROI窗口
在此为了便于区分，双击每个样本区的名称更名为其颜色的名称。
选好了样本区后还要对样本区中的点进行训练。
接下来要进行的操作就是要通过链接2-D散点图和Z-剖面图察看样本区中点的光谱特征曲线，删除差别显著的点，达到训练样本区的目的。
在2-D散点图窗口中选择Options>Z-Profile，在文件列表中选择反射数据BLC，随即显示一个空白波段图。
在2-D散点图窗口中点击鼠标右键，在空白的2-D散点图窗口中就会出现当前的像素剖面图及其坐标值，将差别显著的点删去（用白色画样本区即可删除）。
图2.9光谱特征曲线
训练完成后，在2-D散点图窗口中选择：
Options>MeanAll提取各样本区的平均波谱曲线
图2.10平均波谱曲线
我们现在已经得到了五类地物，但还没有确定它们的种类。
在此，我们可以运用ENVI的波谱分析功能来解决。
波谱分析首先需要打开一个波谱库，然后将未知波谱与波谱库中的波谱进行匹配处理，并得出一系列匹配系数，系数越大就说明与这种地物越匹配。
下面就进行具体的说明。
在ENVI主菜单下选择：
Spectral>SpectralAnalyst，在弹出的窗口中选择波谱库，在此我们选择USGS（美国地质调查局）波谱库，点击OK，在弹出的“EditIdentifyMethodsWeighting”窗口中设定计算参数后点击OK，随即弹出波谱分析窗口，点击Apply，在弹出的输入波段列表中选择我们要鉴别的波谱。
选择一个待鉴别的波谱后波谱分析窗口中就会显示这一波谱与波谱库中的波谱匹配分析的结果。
然而多次努力做出的结果都无法实现匹配，各种矿物得分都相同，努力了很久问题都没有得到解决，只好进行下面的操作。
图2.11分类结果
以上介绍的是通过2-D散点图定义样本区的方法，对于高光谱遥感来说由于其数据特点，考虑到运用n-D散点图分析效果可能会更好。
此外在得到MNF处理图像以后通常还用到其它一些处理方法，下面就一一介绍。
3.2基于PPI的端元提取（N维散点图法）
像素纯度指数（PPI）是一种在多光谱和高光谱图像中寻找波谱最纯的像元的方法。
波谱最纯像元与混合的端元相对应。
像素纯度指数通过迭代将N-D散点图影射为一个随机单位向量。
每次影射的极值像元被记录下来，并且每个像元被标记为极值的总次数也记下来。
一幅“像素纯度图像”被建立，在这幅图像上，每个像素的DN值与像元被标记为极值的次数相对应。
MNF变换后，在ENVI主菜单中，选择Spectral->PixelPurityIndex->[FAST]NewOutputBand。
在打开的PixelPurityIndexInputFile对话框中，选择MNF变换结果，单击SpectralSubset按钮，选择前面10个波段（MNF后面波段基本为噪声），单击OK。
图2.12PPI处理进程中
图2.13迭代过程中的PPI曲线
图2.13的PPI图像是前面的MNF图像经过一万次迭代得到的结果，图像上像素点的值表明了它在迭代过程中有多少次作为极值像元被记录下来。
这些数值显示了每个像素周围的数据云的局部突面程度以及每个像素和数据的突起外壳的亲近程度。
简言之，值越高越接近n-D散点图的数据源拐角，拥有这些值的数据，其纯度比值低的像素高。
零值像素是从未被作为极值的像素。
图2.13迭代后的PPI影像
越亮的像素说明它被标记为极值的次数越多相应地也越纯；相反，暗一些的图像纯度就低。
在主图像窗口中选择：
Enhance>InteractiveStretching尝试不同的交互式拉伸以理解PPI图像的直方图和数据分类。
图2.14输入和输出直方图的比较窗口
上图显示的是一个输入和一个输出直方图的比较窗口，在图中显示了当前的输入数据和各自拉伸的结果。
两条垂直的星布线标志着当前拉伸的最小值和最大值。
在窗口的底部列出了拉伸类型和直方图的来源。
拖拽星布线的最大值和最小值，然后点击“Apply”，拉伸将自动执行。
下面要执行的操作是由PPI图像生成样本区。
在ROIsTool对话框中选择Options>BandThresholdtoROI建立一个只包含拥有高PPI值像素的ROI。
选择输入的PPI文件，在弹出的对话框中输入最小极限值：
图2.15BandThresholdtoROI窗口
生成包含在迭代过程中100次以上作为极值的最纯像素的ROI。
从下图中可以看出有3290个符合条件的点被提取出来，生成了红色的样本区。
图2.16PPI图像图2.17ROI窗口
生成的ROI包含最纯像素的位置，但却没有区分它们相应的端元。
N维空间观察仪可以帮我们解决这个问题。
波谱可以被认为是n-D散点图中的点（其中n是波段数）。
n-D空间中的点坐标由n个值组成，它们只是一个给定像元的每个波段中波谱辐射或反射值。
这些点在n-D空间中的分布可以用来估计波谱的端元数以及它们的纯波谱信号数。
N维观察仪为N维空间中选择端元提供了一个交互式工具。
n-D观察仪用于连接最小噪声分数转换（MNF）和要定位、识别的纯净像元指数，并收集数据集中最纯的像元和极值波谱反应。
n-D观察仪允许数据在N维空间中交互式旋转，选择像元组进行分类，以及聚集类，使其它类的选择更容易。
选择的类可以输出到ROIs，并用作分类、不混溶和匹配的滤波技术的输入。
在ENVI主菜单中选择Spectral>n-DimensionalVisualizer>VisualizewithNewData，在弹出的对话框中选择前面处理好的MNF文件，选择其前十个波段进行观察。
这里默认使用刚才生成的只拥有高PPI值的ROI。
如果有多个可选择的ROIs，它会让你选择用哪一个。
点击ROI后将弹出可以选择1到10波段的N维控制对话框和N维散点图窗口。
选择前五个波段构成n-D散点图。
并选择n-D控制对话框中的Options>ShowAxes选项。
随后在n-D控制窗口中点击Start进行旋转：
图2.18N维空间散点图
这是一个N维空间散点图的任意位置的动态显示功能，在这个模型中，小于输入波段数的任意多的波段都能同时被检查。
在这一过程中我们可以切实感受到N维数据在空间中的分布，可以确定数据真的是高维的，可见对于处理高光谱图像数据二维散点图是无法满足要求的。
（1）在n-DControls面板中，设置适当的速度（Speed），单击Start按钮，在n-DVisualizer窗口中的点云随机旋转，当在n-DVisualizer窗口中的点云有部分聚集在一块时，单击Stop按钮。
（2）在n-DVisualizer窗口中，用鼠标左键勾画“白点”集中区域，选择的点被标示颜色。
（3）在n-DControls面板中，选择Class->Items1:
20->White（用于删除点），单击Start按钮，当看到有部分选择的点云分散时候，单击Stop按钮，在n-DVisualizer窗口中选择分散的点，自动会将选择的点删除。
借助<-，->，New按钮可以一帧帧从不同视角浏览以辅助删除分散点。
（4）在n-DVisualizer窗口中，单击右键选择NewClass快捷菜单，重复
（1）~（3）选择其他“白点”集中区域。
运用Z-剖面图进行样本区的训练，之后输出样本区。
（1）在n-DControls面板中，选择Options->MeanAll，在InputFileAssociatedwithn-DScatterPlot对话框中选择原图像，单击OK。
（2）获取的平均波谱曲线绘制在n_DMean绘图窗口中。
（3）识别每条波谱曲线对应的地物类型。
（4）在n_DMean绘图窗口中，选择File->SavePlotAs->SpectralLibrary（或者ASCII），将端元波谱保存为波谱库文件或者文本文件。
图2.19波谱曲线
在分类的过程中又遇到了和第一种方法同样的问题，无法从光谱库中匹配到相应的矿物且不同矿物出现得分相等的情况。
在n-D控制窗口中选择Options>ClassControls弹出n-D分类控制窗口，在窗口中可以任意改变每一类的颜色，开启或关闭类，以及对类值片断的控制。
点击窗口中的颜色块可以激活此类，并可对此类的显示符号进行修改，同时可以对其进行计算统计图表、平均波谱、划分类、清除或输出操作。
四、丰度解混（以线性光谱解混为例）
（1）Spectral->MappingMethod->spectralanglemapper打开要分类的图像
图2.20输入影像
（2）在端元选择器中打开光谱库Import->formROI/EVFfrominputFile
（3）选择所有端元
（4）Apply后，填写保存路径即可。
图2.21结果影像
三．实习心得
在实习过程中，在全部做过许多遍后效果都不是很理想后，首先想到的第一个改进措施是裁剪，但在几次尝试后效果并没有很大提升，便想到了数据本身的质量问题，经调整波段后发现影像前几个波段噪声太大，便想到了第二个改进措施即在裁剪时舍去前30个波段对图像进行裁剪，效果要较之前的好很多。
但是多次尝试后都没有与矿物匹配成功，只好简单的进行了分类工作。
通过这次高光谱遥感实习，使我较为熟练的掌握了ENVI这个软件的使用，这次实习题目都是对我们上高光谱遥感课程的知识的巩固和动手能力的提高，让我对高光谱遥感的基本知识和操作有了更深层次的认识。
通过实践对理论知识有了更加深刻的理解，受益颇多。
感谢沈老师对我们的指导和帮助。
升级会员 