❶ 成像光譜礦物識別技術
目前，基於成像光譜數據岩礦蝕變信息識別與提取的方法主要有：①基於光譜波形參數；②基於光譜相似性測度；③基於混合光譜模型；④基於地質統計規律；⑤基於光譜知識的智能識別等。
4.4.1.1 光譜波形參數提取與蝕變識別的技術方法
岩石礦物單個診斷性吸收特徵峰可以用吸收波段位置（λ）、吸收深度（H）、吸收寬度（W）、吸收面積（A）、吸收對稱性（d）、吸收的數目（n）和排序參數作一完整地表徵（陳述彭等，1998）。根據端元礦物的單個診斷性吸收波形，從成像光譜數據中提取並增強這些參數信息，可直接用於識別岩礦類型。如IHS編碼與吸收波段圖（Kruse，1988）是利用連續統去除後的光譜圖像，定義出波段吸收中心位置圖像、波段深度圖像以及波段半極值寬度（FWHM）圖像，並分別賦予HSI空間的明度（H）、強度（I）和飽和度（S），然後逆變換到RGB色度空間。
4.4.1.2 基於相似性測度的識別技術方法
成像光譜最大的優勢在於利用有限細分的光譜波段，去再現像元對應物的光譜曲線。這樣，利用整個光譜曲線進行礦物匹配識別，可以在一定程度上改善單個波形的不確定性影響（如光譜漂移、變異等），提高識別的精度（甘甫平等，2000）。基於整個波形的識別技術方法是在參考光譜與像元光譜組成的二維空間中，合理地選擇測度函數度量標准光譜或實測光譜與圖像光譜的相似程度。例如，光譜角識別方法 SAM（王志剛，1993；Spectral Angle Mapper）（Ben⁃Dor et al.，1995；Crosta et al.，1998；Drake et al.，1998；Yuhas et al.，1992）和光譜匹配SM（Spectral Matching）（Baugh et al.，1998），利用岩礦光譜矢量的歐氏距離測度函數，即求圖像像元光譜與參考光譜在光譜空間中的差異大小。距離愈小，表示圖像端元光譜或待識別的端元光譜與來自實驗室或野外實測的參考光譜之間擬合程度愈高。
4.4.1.3 基於光譜知識模型識別的技術方法
基於光譜知識模型識別的技術方法是建立在一定的光學、光譜學、岩礦結晶學和數學理論之上的信號處理技術方法。它不僅能夠克服利用單一譜形識別所存在的缺陷，而且從地物光譜學原理入手，從本質上理解認識岩礦光譜的物理機制與物理過程，建立光譜數學物理模型，識別並定量提取岩礦信息。這在一定程度上能精確地量化地表物質的組成以及深入描述地物組成的物理特性，以進一步探測地物所蘊藏的成生環境本質。例如，建立在Hapke（1981）光譜雙向反射理論基礎之上的線性混合光譜分解模型（SMA/SUM）（Adams et al.，1986；Mustard et al.，1987；Roberts et al.，1997；Sabol et al.，1992；Settle et al.，1993；Shipman et al.，1987；Shimabukuro et al.，1991；Smith et al.，1985），可以根據不同地物或者不同像元光譜反射率響應的差異，構造光譜線性分解模型，從而識別地物，量化地物成分，挖掘地物成生環境信息。
4.4.1.4 基於地質統計特徵的分類識別方法
該類方法是基於地物在圖像上的統計分布規律，建立地質模型進行圖像分類識別。比較典型的有（Icohku et al.，1996）：概率模型（Probabilistic Model），幾何光學模型（Geometric⁃opti⁃cal Model），隨機幾何模型（Stochastic Geometric Model）以及非參數地質統計模型（Non⁃para⁃metric Geostatistic Technique）（Var der Meer，1994a，1994b，1996）。
4.4.1.5 基於光譜知識的智能識別方法
傳統的以及上述的成像光譜識別方法利弊共存。對於高維與超大容量的成像光譜數據以及大量的實驗室光譜研究結果等迫切要求新的高效的遙感定量分析技術。因此，專家系統、人工神經網路、模糊識別等基於光譜知識的智能識別應運而生。神經網路技術是應用最廣泛的識別技術（Gong，1996；Jimenez et al.，1998；Benediktsson et al.，1995；Garcia⁃Haro et al.，1998）。Goetting和Lyon（1986）建立一個試驗性專家系統；Kruse等（1993）建立了基於知識的成像光譜礦物自動匹配製圖系統。以Dempster⁃Shafer證據理論為基礎格架的證據推理方法也得到了一定程度的應用。基於光譜知識的智能識別技術方法與系統將是成像光遙感地物信息識別、提取與量化以及實用化的最佳選擇與發展方向，極具潛力。
❷ eo-1 高光譜成像光譜儀l1r和l1g數據有什麼區別
EO-1上搭載了3 種感測器，即：
1、高光譜成像光譜儀Hyperion
2、高級陸地成像儀ALI（Advanced Land Imager）
3、大氣校正儀AC（Atmospheric Corrector）
（一）Hyperion高光譜成像光譜儀
1、Hyperion簡介
本網站發布的Hyperion數據覆蓋范圍為北緯15°- 55°，東經70°-140°的矩形區域。共有兩種數據格式，分別是：
Hyperion高光譜成像光譜儀Level 1R數據產品（Hyp-L1R）
Hyperion高光譜成像光譜儀Level 1Gst數據產品（Hyp-L1G）
Hyperion感測器是第一台星載高光譜圖譜測量儀，也是目前唯一在軌的星載高光譜成像光譜儀和唯一可公開獲得的高光譜測量儀，意義重大。
波段：共有242個波段，光譜范圍為400——2500nm，光譜解析度達到10nm。
地面解析度：30m
幅寬：7.7km
數據級別：L1R & L1Gst
2、產品參數
圖投影：
UTM（以圖像中心點經緯度定義UTM區）
坐標系：
WGS84
波譜范圍：
0.4-2.5微米
全色波段：
0個
可見波段：
35個
近紅外：
35個
短波紅外：
172個
中紅外波段：
0個
熱紅外：
0個
掃描寬度：
7.5KM
時間解析度：
200天
像素大小：
30米
數據格式：
HDF & Tiff
3、數據組織
��
❸ 高光譜遙感的成像光譜特點
高光譜遙感技術是近些年來迅速發展起來的一種全新遙感技術，它是集探測器技術、精密光學機械、微弱信號檢測、計算機技術、信息處理技術於一體的綜合性技術。高光譜遙感實現了對地物的空間信息、輻射信息和光譜信息的立體同步獲取，從而大大提高了遙感影像獲取地面目標的能力。高光譜遙感的光譜信息反映了地物的物質結構，所以利用光譜信息可以定量地描述不同地物成分，從而達到利用光譜信息識別微量成分，甚至是地物化學成分。
高光譜遙感的成像光譜儀技術把成像技術和分光譜技術有機地結合起來（趙英時，2003）。由於成像光譜儀高光譜解析度的巨大優勢，光譜的覆蓋范圍從可見光到熱紅外，可獲取地表觀測數據中豐富的光譜信息，已成為人們利用高光譜遙感數據進行地物精確分類、地物特徵信息提取和識別的重要依據。成像光譜技術的興起與發展，極大地增強了遙感對地的觀測能力和對地物的鑒別能力，使遙感從鑒別發展到對地物的直接識別，使遙感工作方法由圖像分析轉變為以譜分析為主的圖譜結合模式，也使遙感應用逐漸擺脫 「看圖識字」 的階段，而越來越依賴於對地物波譜特徵定量分析和理解（Boardman，1994；王潤生等，2007）。成像光譜的突出特點在於：
（1）高光譜解析度
高光譜成像光譜儀可以同時獲取紫外線、可見光、紅外線、微波等波段的光譜信息，並且能夠將它們劃分成幾百個甚至上千個連續的波段間隔非常窄的光譜段。一般而言，目前的感測器能識別的波段間隔通常是10nm左右，甚至可以達到2.5nm。例如，美國的機載航空可見光/紅外成像光譜儀（AVIRIS）採集的數據，可以獲得224個連續的高光譜波段，波段范圍0.4～2.45μm，像元的空間解析度為3.5m，波段寬度為10nm。
（2）圖譜合一，多維表達
成像光譜儀在獲得數十、數百個光譜圖像的同時，可以顯示影像中每個像元的連續光譜。成像光譜儀把地表地物以光譜波段的形式顯示在高光譜影像上，使得高光譜影像同時具有光譜特徵和普通遙感影像的空間特徵，從而達到了 「圖譜合一」 的形式。
地物波譜研究表明，地表物質在0.4～2.5μm光譜區間內均有可以作為識別標志的光譜吸收帶，其帶寬約20～40nm，成像光譜儀的高光譜解析度可以捕捉到這一信息。它所提供的每個像元或像元組的連續光譜，較客觀地反映了地物光譜特徵以及光譜特徵的微弱變化，因此可以通過成像光譜儀獲得的光譜來精細地描述地物的細微差異，可以進行光譜波形形態分析，並與實驗室、野外及光譜資料庫的光譜匹配，從而檢測出具有診斷意義的地物光譜特徵（一些特殊的窄波長間隔的吸收/反射特徵），使利用光譜信息直接識別地物成為可能。
（3）數據量大，信息冗餘多，隱含特徵豐富
由於高光譜遙感具有成百上千的波段，因此一幅影像有著巨大的數據量。且在提供豐富詳細信息的同時，由於不同波段，特別是相鄰波段之間往往具有較強的相關性，導致信息冗餘。但不同波段具有不同的優勢應用方面，因此也不能簡單地應用某一波段取代其他波段，所以處理信息量與光譜信息的關系也是一個重要問題。又因為高光譜遙感影像從圖像、光譜兩個角度對地物進行表達，所以通過對影像和光譜向量的處理可以獲得大量隱含的、豐富的對地物識別與處理有用的特徵（陳志軍，2006）。因此，合理使用光譜維數據，有效地減少冗餘的信息，發掘隱含在光譜波段之間的信息對於地物微量信息識別具有重要的作用，也是目前研究的熱點之一。
（4）空間解析度較高
航空成像光譜儀均具有較高的空間解析度。一般瞬時視場角（IFOV）為1.0～3.0mrad（毫弧度），個別小於1mrad等。
❹ 光譜與成像光譜學
1.1.1 光譜學
光譜學是光學的一個分支學科，研究各種物質光譜的產生及其同物質之間的相互作用，通過物質與不同頻率的電磁波之間的相互作用來研究其性質的一種方法。光譜是電磁輻射按照波長的有序排列。根據實驗條件的不同，各個輻射波長都具有各自的特徵強度。根據研究光譜方法的不同，習慣上把光譜學區分為發射光譜學、吸收光譜學與散射光譜學。
有的物體能自行發光，由它直接產生的光形成的光譜叫做發射光譜。發射光譜可分為三種不同類別的光譜：線狀光譜、帶狀光譜和連續光譜。線狀光譜主要產生於原子，由一些不連續的亮線組成；帶狀光譜主要產生於分子，由一些密集的某個波長范圍內的光組成；連續光譜則主要產生於白熾的固體、液體或高壓氣體受激發發射電磁輻射，由連續分布的一切波長的光組成。
當一束具有連續波長的光通過一種物質時，光束中的某些成分便會有所減弱，當經過物質而被吸收後所對應的光譜稱為吸收光譜。幾乎所有物質都有其獨特的吸收光譜。例如，在白光通過氣體時，氣體將從通過它的白光中吸收與其特徵譜線波長相同的光，使白光形成的連續譜中出現暗線。此時，這種在連續光譜中某些波長的光被物質吸收後產生的光譜被稱作吸收光譜。通常情況下，在吸收光譜中看到的特徵譜線會少於線狀光譜。
散射光譜方面，當光照射到物質上時，會發生非彈性散射，在散射光中除有與激發光波長相同的彈性成分（瑞利散射）外，還有比激發光波長長的和短的成分，後一現象統稱為拉曼效應。這種現象於1928年由印度科學家拉曼所發現，因此這種產生新波長的光的散射被稱為拉曼散射，所產生的光譜被稱為拉曼光譜或拉曼散射光譜。
通過光譜的研究，人們可以得到原子、分子等的能級結構、能級壽命、電子的組態、分子的幾何形狀、化學鍵的性質、反應動力學等多方面物質結構的知識。對於地質礦產遙感而言，光譜特徵與不同物質及其組合之間的特定對應關系是高光譜地質礦產資源遙感的重要基礎。
1.1.2 成像光譜學
成像光譜學（imaging spectros）是在20世紀80年代開始建立的，在傳統光譜學基礎上，將傳統的光譜學和成像技術結合起來，在電磁波的紫外、可見光、近紅外和中紅外區域，獲取許多非常窄且光譜連續的圖像數據的技術。這種技術設計出的新型遙感儀器，叫成像光譜儀（imaging spectrometer）。成像光譜儀通常以上百個光譜通道連續記錄影像數據。
光譜成像技術根據不同的方面可以分成不同的類型。依據波段數量與光譜解析度分類可分為：在可見光-近紅外區間只有幾個波段的多光譜成像技術、在可見光-近紅外區間有幾百個波段的高光譜成像技術以及在可見光-近紅外區間有數千個波段的超光譜成像技術；依據探測器工作方式可分為：撣掃式光譜成像、推掃式光譜成像及凝采式光譜成像。
❺ 什麼叫"成像無光譜,光譜不成像"
不太明白，如果說「成像無光譜」的話，那怎麼又會有「成像光譜儀」呢？ 分析測試網路網，分析行業的網路知道，有問題可找我，網路上搜下就有。
現在我們說的「發射光譜線」本身就是從入射狹縫透過的線形復色光的單色像啊，，，我也不太明白樓主的意思，現在用凹面光柵的光譜儀，凹面光柵本身就具備了成像的功能，原先使用平面光柵的，基本都需要其他有聚焦功能的暗箱物鏡或者球面聚焦鏡來成像的，除非能做到絕對的「點光源」模型，，，樓主能告訴下你說那句話的出處么？我也想了解一下
❻ 成像光譜數據的信噪比對比分析
5.6.3.1 數據信噪比的統計分析
在成像光譜遙感岩礦地質應用中，數據信噪比的高低直接決定數據的好壞，當然也決定礦物填圖的精度與效果。數據的信噪比越高，經過光譜重建後的岩礦光譜曲線光滑，附加的雜訊少，較弱的特徵譜帶越清晰，填出的礦物種類多，可信度高；反之，提取的岩礦光譜曲線附加的雜訊多，弱譜帶被雜訊淹沒，能識別礦物的種類自然也就少，識別的精度也會隨之降低。
通常結合各種典型地物光譜特徵抗噪性的模擬與評價，來確定感測器信噪比對地物識別的影響。機載AVIRIS感測器模擬研究表明，分辨植被葉綠素光譜在0.70μm附近大約10～40φ帶寬的特徵要求系統的信噪比至少要達到100：1；在2.20μm處分辨（20φ）高嶺土礦物的窄帶譜帶，信噪比應保證大於50：1，這些要求是在能見度為23km的標准大氣所觀測到的表面反射率為50%時模擬得到的（Swayze et al.，1997）。在同樣條件下，加拿大的機載成像光譜儀CASI信噪比約為420：1，澳大利亞的HyMap成像光譜儀信噪比在500：1（T.Cocks et al.，2003）以上（圖5-6-2）。
圖5-6-2 成像光譜HyMap的實驗測試的信噪比曲線
（T.Cocks et al.，2003）
遙感數據的信噪比分析有多種方法：理論計演算法、試驗測量法、模型計算模擬法和統計法（陳秋林等，2000；劉建貴等，1999；Mark Folkman et al.，2001）。這里採用針對試驗區的遙感數據分別選用不同的均勻分布的地物光譜數據均值與標准方差之比進行統計分析，同時對美國的機載成像光譜儀AVIRIS數據的信噪比及其礦物識別制圖應用進行統計分析。
AVIRIS成像光譜儀波長范圍400～2500φ，光譜解析度10～15φ，220個波段。使用了1990年、1993年和1995年的數據，礦物識別的方法採用光譜特徵形態匹配法。通過對其數據的信噪比及其礦物識別制圖應用結果進行統計分析，分析的結果見表5-6-2。1996年，Rog⁃er N.Clark 等人對不同信噪比的AVIRIS 數據進行礦物種類的識別分析研究，結果表明AVIRIS成像光譜儀對礦物識別能力直接與其信噪比成正比。因此，隨著成像光譜儀的信噪比的提高，直接提高了礦物識別能力。
表5-6-2 AVIRIS數據的信噪比及其礦物識別結果對照表
（Roger N.Clark et al.，1996）
圖5-6-3為224波段的星載感測器Hyperion在可見光、近紅外和短波紅外上信噪比曲線（Stephen Ungor et al.，1999）。圖中的可見光、近紅外波段的綠色曲線的值可知，最大的信噪比值為150：1，最小值為30：1左右，平均約90：1；在短波紅外（1.00～1.80μm）上，最大的信噪比值約為135：1，最小值也在30：1左右，平均約為80：1；在短波紅外（2.00～2.50μm）上，最大的信噪比值約為65：1，最小值也在10：1左右，平均約為35：1。
圖5-6-4中的信噪比曲線是對試驗區地面分布均勻、且面積足夠大的黃色土壤地標的數據進行統計的。統計的面積約為40m×40m（8pixels×8pixels）。圖中原始DN值的信噪比曲線中，整體的信噪比值80～90之間。從圖可以看出0.40～2.50μm波長上，經過定標的反射率數據的信噪比（SNR）曲線（Ref）高於用原始數據作的信噪比曲線（紅色），尤其是在可見光波長上要高出40～50，但在近紅外卻較低（0.90～1.30μm），在短波紅外上二者大體一致；從原始數據計算的信噪比來看，信噪比值在90左右。
圖5-6-3 星載成像光譜儀Hyperion的信噪比曲線
（Stephen Ungor et al.，1999）
圖5-6-4 試驗區成像光譜HyMap數據統計信噪比曲線
5.6.3.2 信噪比對岩礦光譜識別的影響
5.6.3.2.1 AVIRIS 數據的礦物識別
表5-6-2列出了美國機載成像光譜儀AVIRIS三年的成像光譜數據的信噪比，信噪比值從可見光的1：180到1：800，短波紅外的1：80到1：360，識別的礦物種類從10種到25種。
5.6.3.2.2 HyMap 數據的礦物識別
圖5-6-4顯示成像光譜HyMap數據在2.0～2.5μm區間的信噪比為60～90之間，對應該波段的成像光譜數據，提取的岩礦光譜特徵曲線見圖4-2-7（a），從該圖提取的絹雲母礦物的光譜特徵曲線與實驗室測試絹雲母礦物的標准特徵曲線（圖4-2-7（b））對比可知，反射率曲線形態和吸收譜帶都十分接近，有利於從HyMap數據中通過光譜特徵匹配方法開展絹雲母礦物的識別與填圖。圖版7左邊是利用短波紅外區間的HyMap數據識別出的高嶺石、絹雲母、碳酸鹽、伊利石、綠泥石、埃洛石、黑雲母等9種礦物，右邊顯示的為礦物標准特徵曲線（右上角）和提取的礦物光譜曲線（右下角）。
5.6.3.2.3 OMIS-I數據的礦物識別
圖5-6-5 山東招遠地區成像光譜數據的信噪比
圖5-6-6 山東招遠地區成像光譜數據岩礦識別
圖5-6-5為山東招遠地區成像光譜OMIS-I數據的信噪比曲線。從曲線可見，該數據在短波紅外區間的信噪比較低，最大的值約50，平均在20左右，從圖5-6-6（a）也可知短波紅外區間提取的幾種地物光譜曲線上附加了大量的雜訊，使得提取的植被、水體和岩石在該波長區內的反射率雜訊明顯增大。利用該數據在山東玲瓏金礦區附近的進行了岩礦信息識別，結果為鉀花帶、褐鐵礦化代、方解石和高嶺石等四類岩礦地質體（見圖5-6-6（b））。
5.6.3.2.4 小結
根據上述對信噪比的概念理解並結合幾種感測器的信噪比模擬分析以及試驗數據的統計分析可知，基於高光解析度的岩礦光譜特徵信息遙感對成像光譜感測器數據的信噪比要求很高；信噪比的高低直接影響成像光譜岩礦信息的提取；成像光譜儀設計與研製的實驗測試的信噪比數據遠遠高於實際運行所獲取數據統計出的信噪比值；從數據統計的信噪比來看，在可見光、近紅外譜段上應都能達到1：100以上；在1.00～2.00μm短波紅外上，信噪比在1：80左右；而在短波紅外（2.00～2.50μm）上，信噪比普遍較低，在1：50左右。
❼ 成像光譜儀的性能參數和原理
成像光譜儀主要性能參數是：（1）雜訊等效反射率差（NEΔp ），體現為信噪比（SNR）；（2）瞬時視場角（IFOV），體現為地面解析度；（3）光譜解析度，直觀地表現為波段多少和波段譜寬。
高光譜解析度遙感信息分析處理，集中於光譜維上進行圖像信息的展開和定量分析，其圖像處理模式的關鍵技術有：⑴超多維光譜圖像信息的顯示，如圖像立方體的生成；⑵光譜重建，即成像光譜數據的定標、定量化和大氣糾正模型與演算法，依此實現成像光譜信息的圖像-光譜轉換；⑶光譜編碼，尤其指光譜吸收位置、深度、對稱性等光譜特徵參數的演算法；⑷基於光譜資料庫的地物光譜匹配識別演算法；⑸混合光譜分解模型；⑹基於光譜模型的地表生物物理化學過程與參數的識別和反演演算法。
高端的成像光譜儀採用了透射型體相全息衍射光柵，其在可見光到近紅外波段具有低雜散光、低吸收率特點；由於核心部分密封在玻璃或其它透明材質中，因此壽命長、容易清潔、抗刮檫，非常適合各種苛刻的野外的應用環境。
成像光譜儀工作方式主要為推掃式，為了實現掃描過程，一般利用外接掃描平台帶動光譜儀運行；由於掃描平台比較笨重，且增加了耗電量，給野外工作帶來諸多不便，所以現在最新型的成像光譜儀取消了掃描平台，改為內置式掃描設計，減輕了整機重量和能耗，而且可以直接進行垂直向下測量，更利於野外使用。
❽ 成像光譜儀的特點是什麼啊急！！！
高光譜成像是一種新興的技術，可以在儀器的視場范圍內同時快速測量和分析多個物體的光譜構成。這些成像系統用在多個工業和商業領域，比如高速在線檢測和嚴密的質量控制工序。
一般說來，在加工應用中捕捉精確的光譜信息，面臨著機器視覺系統簡單或單點光譜（single-point）測量的問題。這些儀器系統的成本很高，且它們只可以在整個產品中進行小范圍采樣，導致了采樣率較低。
然而高光譜成像不同，可以進行大批量檢查。並且可以偵查出任何產品的化學組成或光譜信號，只要在它的視場范圍內。並且在圖像中，可以根據已經建立起來的譜庫，用不同顏色標識出存在或者不存在的材料。
❾ 成像光譜數據
本書的研究數據利用了國家「863」計劃「對地觀測技術在國土資源調查中的應用」研究課題中的「機載成像光譜應用技術服務系統（2001AA130033-5）」子課題和「新疆東天山土屋東三岔口地區航空成像光譜調查（200115100004）」項目等提供的成像光譜數據。
1.4.2.1 HyMap數據
對新疆東天山土屋東-三岔口試驗區利用澳大利亞HyVista最新研製的成像光譜儀Hy⁃Map（光學-機械掃描成像）獲取了可見光、近紅外和短波紅外波長上128波段3000km2的高光譜、高空間解析度的成像光譜數據。數據獲取日期為2002年10月10～23日。試驗區范圍：N42°12.65′，E93°12.58′，N 42°23.08′，E 95°20.00′；N 42°02.85′，E 93°12.58′，N 42°12.00′，E 95°20.00′。數據獲取時的主要技術參數為：波長0.40～2.50μm，波段128個，光譜帶寬可見光、近紅外為15φ，短波紅外為15～20φ，相對航高為2400m，空間解析度為6m×6m，掃描速率12～16掃/m，視場角FOV=60°，瞬時視場角IFOV為2.5mrad。
1.4.2.2 OMIS-I數據
對山東招遠試驗區利用成像光譜儀OMIS-I（光學-機械掃描成像）（「九五」期間國家「863」計劃308主題支持，上海技術物理研究所研製）獲取的可見光、近紅外和短波紅外112波段1500km2的高光譜、高空間解析度（見表1-3-1）的長光譜數據。數據獲取日期為2002年9月20～27日。數據獲取時的主要技術參數為：波長0.40～2.50μm，波段112個，光譜帶寬可見光、近紅外分別為10和40φ，短波紅外為15φ，相對航高為2400m，空間解析度為7m×7m。掃描速率10掃/m，視場角FOV為70°，瞬時視場角IFOV為3.0mrad。
1.4.2.3 CBERS-1（中巴地球資源衛星一號）和ETM+數據等
本研究所使用的CBERS-1數據是2001年9月26日獲取的CCD二級圖像產品（Path/row=25/53），共有2、3、4三個波段。太陽高度角是45.2°，方位角是161.1°。為了與陸地衛星專題制圖儀（ETM+）進行對比，選用了1999年8月27日的ETM+圖像（PATH/ROW=138/31）。太陽高度角是53.1°，方位角是142.6°。
❿ 成像光譜方法技術
一方面，高光譜解析度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，仍然可用於高光譜數據；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，即高光譜解析度、超多波段（波段＜1000，通常為100～200個左右）和甚高光譜（Ultra Spectral）解析度（波段＞1000，主要用於探測大氣化學成分）的海量數據。因此，常規多光譜數據處理方法不適合於成像光譜數據的定量分析，於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，光譜特徵的量化及提取，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
按照不同的模型及演算法，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，採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：基於大氣傳輸理論的大氣傳輸模型，基於統計分析的統計模型以及基於地面地物同步觀測的經驗回歸模型。
2.3.2.1.1 基於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，並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.，Tanṙen，D.，Deuże，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演算法之一。該演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後認為，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。這些模型一般用於對感測器選定標定場，開展數據絕對輻射標定。
2.3.2.1.2 基於統計分析的模型
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後，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），對數剩餘模型LRC（Logarithm Resial 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徵都均勻平滑（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，然後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修正後，對太陽輻射衰減、大氣效應及地形影響都有所消除。Green和Graige提出的對數剩餘糾正公式如下：
lg（Rij）=lg（DNij）-lg（aveDNi）+lg（DNi）+lg（DNg）（2-3-1）
這里Rij是第i波段、第j個像元的剩餘值；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。該方法完全基於圖像本身特徵，不需要野外地物光譜測量。在前兩種模型中，FFR模型優於IARR模型，它克服了IARR模型因受像福強吸收特徵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是感測器第j波段的線性回歸系數），然後，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岩相分析；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於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，連續內插波段比演算法（CIBR），背景法等模型（De Jong，1998）。
2.3.2.2 岩礦光譜特徵的量化、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後，獲得了地物的光譜特徵譜線。不同地物光譜具有不同的診斷特徵譜帶，如吸收譜帶，特徵譜線的微積分變化，波形變化等等。如何有效地開展地物特徵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徵。因此，開展基於地物特徵譜的量化提取是十分必要的。
2.3.2.2.1 地物光譜特徵度量、提取與匹配識別模型
（1）就地物光譜特徵（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）。針對這兩類光譜特徵的形態、結構，分別採取不同的度量方式。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後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。由於吸收峰的非對稱性，採用RBD方法難以准確描述其特徵。連續插值小組段演算法（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，使其對吸收特徵的描述更為合理。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。對於光譜曲線斜率變化的特徵，表徵和提取的方法有基於地物光譜的總體波形特徵度量，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徵；基於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徵，或用其比值來表示地物光譜波形特徵的參量；基於波形相似性（總體或分段）分析的光譜角度量；還有光譜曲線特徵的微分度量、積分度量及二值度量等等。當然，對吸收譜帶及斜率特徵度量還可以用統計特徵量去表徵度量，如均值、方差、協方差矩陣、特徵值、特徵向量、特徵因子及組內離差等。
（2）光譜匹配識別模型不同於多光譜的模式識別，它是根據光譜特徵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採用可視化的互動式的圖像與光譜、光譜與標准光譜形式進行的。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；吸收特徵編碼匹配是根據外殼系數法歸一化後，對每個特徵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，有利於信息增強，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，應用於成像光譜數據處理。定量化分析與識別模型，除了不斷完善和改進已有基於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、基於決策邊界特徵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，如人工智慧的專家系統，模糊邏輯映射，證據推理、神經網路、分形和分維等。
人工智慧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於分析實驗室和野外光譜，它是結合已有的地物光譜特徵知識，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。決策樹這一基於知識的判別准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研製了基於知識的成像光譜地質制圖專家系統。選定各種特徵在識別過程中的作用並賦予相應的權值，或根據專家對判別知識和經驗建立判別准則進行識別。
目前，神經網路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）。由於神經網路分類規則對訓練樣本的數量及分布特徵沒有特定要求，因而可以在特徵空間形成非線性判別邊界，並且還有一定的抗雜訊、抗干擾和自適應能力，適用於大數據量的分類研究，最為常用的分類准則是後向傳播（BP）網路模型。
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
由於空間解析度不高的原因，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徵，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。由於成像光譜技術的光譜解析度已從微米（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，然後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，經模型分析後，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於組合混合光譜的端員成分之間互相作用、互相影響後光譜被光譜儀檢測到；第二種線性關系是由於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於混合光譜；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、岩石露頭與草地、荒地等等。在一幅圖像中，事先知道有N種端員（地物種類），並且也知道各種端員的光譜反射率，那麼就可以用線性模型：
成像光譜岩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佔比例（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）要麼可以從訓練區取值，要麼在地面實測。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）。
成像光譜岩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後，就可以定量或半定量地對端員豐度製作豐度等專題圖件。
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）及基於神經網路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：該模型是基於礦物和岩石的反射、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徵的量化參數，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）
——人工神經網路技術ANN：一般採用前饋網路模型，即第一隱層的節點輸入等於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准。
成像光譜岩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，或標准光譜庫的光譜），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：
成像光譜岩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。
——光譜維特徵提取法（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、數據冗餘度高的數據進行降維處理。相關的有統計方法，如主成分、典型變數及改進的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。該模型也屬於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是入射光和感測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體
通過開展岩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，已發展並開發了如下數據處與分析軟體：
2.3.2.4.1 光譜資料庫及分析軟體（400～2500φ）
國外：美國地質調查所USGS和JPL的標准礦物光譜庫（含機載光譜）及光譜分析管理軟體SPAM，IRIS，日本地調所的岩石礦物光譜庫等（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 圖像處理分析軟體
目前國內外常用的光譜圖像處理分析軟體有：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範應用研究，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。