高光谱实习报告

高光谱实习报告（精选6篇）

篇1：高光谱实习报告

高光谱遥感实习

报告

1、通过给定的数据1DATA（excel文档格式）建立光谱库，并将该光谱库数据重采样至TM传感器的光谱分辨率。

1.1光谱库重采样

使用“Spectral Libraries | Spectral Library Resampling”子菜单进行光谱库重采样。

在“Spectral Resampling Parameters”对话框里，选择 “Input Data File” 作为重采样方法, 第一步：出现“File Containing Output Wavelength”对话框时，点击需要的文件名。此时是can_tmr.img作为参考文件，也就是说光谱库中的光谱将以TM的波长范围进行重采样。如下系列图所示：

第二步：点击【OK】开始重采样过程。数据文件在它的相关文件头中，必须包含用于重采样的波长数值。如果在文件头中，出现 FWHM 值，它们也将用于重采样。

（1）在“Available Bands List”中出现重采样后的光谱库。（2）通过光谱库查看功能查看重采样后的光谱数据。

第三步：通过光谱库查看重采样后的结果

1.2光谱库建立

操作步骤：

第一步：选择“Spectral | Spectral Libraries | Spectral Library Builder”。

第二步：出现“Spectral Library Builder”对话框时，从 “Data File”(ENVI 图像文件)或ASCII File”、或“File Input Spectrum”，为新库选择数据源。第三步：出现“File Containing Output Wavelength”对话框时，用标准选择程序选择包含波长和可选项FWHM值的输入文件。

（1）当采用 “Data File”，波长和 FWHM 值（若存在）从 ENVI 头文件中读取。如图18.（2）当采用 “ASCII File”, 必须选上包含波长值与 FWHM(若存在)的列。（3）当采用“file input spectrum”时直接弹出Spectral Library Builder 对话框（4）点击【OK】。出现“Spectral Library Builder”对话框，允许选择光谱库。如图

第四步：“Spectral Library Builder”对话框运用这一对话框从各种数据源中收集端元光谱。所有光谱自动被重采样到选择的波长空间。这一对话框的个别部分见下面描述（参见错误！未找到引用源。节“端元收集”）。

第五步：此时例子选择的为野外采集光谱文件“ASD file”则根据选择的波长建立光谱库。由选择的光谱建立一个标准ENVI光谱库文件。可以看到，该光谱曲线已经被采样到can_tmr.img文件的波长范围了，即6个波段。这表明输入的ASD数据已经被ENVI识别并已经可以使用了。那么下一步就是将其保存为ENVI的光谱库文件。

第六步：在“Endmember Collection Spectra”对话框中选择“File | Output Spectra | Spectral Library”。

第七步：出现“Output Plots to Spectral Library”对话框时，输入输出文件名，此时该光谱库就已经被建立。

第八步：关闭“Spectral Library Builder”对话框，选择“File | Cancel”

2、对数据2构建三维影像立方体。

操作步骤：

第一步：选择“Spectral | Building 3D Cube”菜单

第二步：输入构建3维影像立方体文件，选择ENVI自带的cup95eff高光谱数据进行实验。第三步：弹出“3D Cube RGB Face Input Bands”对话框，输入影像RGB，用于影像立方体第一层显示。

第四步：弹出“3D Cube Parameters”对话框，选择色彩对应表，显示立方体其他部分的颜色对应表。

第五步：显示结果

3、对数据2的column=10的位置进行光谱切面。

3.1水平切面

操作步骤：

第一步：选择“Spectral | Spectral Slices | Horizontal Slice”。

第二步：出现“Spectral Slice Input File”对话框时，选择一个输入文件和需要的光谱子集 第三步：出现“Spectral Slice Parameters”对话框时，在标有 “Line” 的文本框里输入用

于水平切面的行数

第四步：选择输出到 “File” 或 “Memory”。如果选择输出到 “File”，输入一个输出文件名，或用【Choose】按钮选择一个输出文件名。

第五步：一旦所有参数都已经输入，点击【OK】继续。水平光谱切面图像将被添加到“Available Bands List”中，可以用标准 ENVI 功能显示和处理。

3.2垂直切面

操作步骤：

第一步：选择“Spectral | Spectral Slice | Vertical Slice”。

第二步：出现“Spectral Slice Input File”对话框时，选择一个输入文件和需要的光谱子集。

第三步：出现“Spectral Slice Parameters”对话框时，在标有 “Sample” 的文本框里，为垂直切面输入一个样本数。

第四步：选择输出到 “File” 或 “Memory”。如果选择输出到 “File”，输入一个输出文件名，或用【Choose】按钮选择一个输出文件名。

第五步：一旦所有参数都已经输入，点击【OK】继续。垂直光谱切面图像将被添加到“Available Bands List”中，可以用标准 ENVI 功能显示和处理。

4、对数据2进行包络线去除，指出包络线去除后的光谱与原始光谱曲线的区别。

操作步骤：

第一步：选择“Spectral | Mapping Methods | Continuum Removal”。

第二步：出现“Continuum Removal Input File”对话框时，选择输入文件，选取的空间或光谱子集或掩模。

第三步：点击【OK】。

第四步：出现“Continuum Removal Parameters”对话框，选择输出到“Memory”或“File”。如果选择输出到“File”，输入一个输出文件名。第五步：点击【OK】，开始处理。出现一个状态窗口，显示处理的进度。最终结果将出现在“Available Bands List”里。

5、对数据2利用MNF变换进行特征提取，并比较提取后的特征光谱与原始光谱特征光谱的区别。

MNF变换（MNF Rotation）实现对遥感数据进行最小噪声分离，具体实现参见下面步骤：

第一步：选择“Spectral | MNF Rotation | Forward MNF | Estimate Noise Statistics from Data”菜单进行MNF变换。

第二步：在“MNF Transform Input file”中选择进行MNF变换的影像，此处选择的是ENVI自带的cup95eff AVIRIS高光谱影像，为了运算速度，本次实验只选择了该影像的子集（通过“Basic Tools | Resize Data”工具进行）。

第三步：弹出“Forward MNF Transform Parameters”对话框，输入MNF变换所需要的参数。输出噪声统计文件；输出MNF统计文件；选择输出到 “File” 或 “Memory”。如果选择输出到 “File”，输入一个输出文件名，或用【Choose】按钮选择一个输出文件名；选择是否通过特征值选择子集；输出MNF文件的波段数的选择。

第四步：在波段列表中输出MNF影像以及特征值曲线图，从图中可以看出大约在第20个波段以后的MNF波段的特征值很小，因此如果进行降维的话可以选择20左右，此例选择20。

6、利用PPI算法对数据2提取像元的纯净指数，解释结果图像的意义，并通过设置阈值提取端元。

像元纯净指数（Pixel Purity Index，PPI）是一种在多光谱和高光谱图像中寻找光谱纯净像元的方法。

6.1 [Fast] New Output Band

操作步骤：

第一步：选择“Spectral |Pixel Purity Index | [FAST] New Output Band”。第二步：出现“Fast Pixel Purity Index Input File”对话框时，选择一个输入文件或用标准ENVI 光谱和空间子集程序选择子集。PPI 运行 MNF转换结果，光谱子集根据特征图像和特征值图排除噪声波段。此时采用上一节MNF变换后的例子，经分析得知第20个波段以后的特征值很小（如图），因此只需要选择前20个波段进行处理。这样做的优点是可以在不影响精度的情况下加快PPI的运算速度。点击【OK】后，ENVI会提示用户需要的内存数。

第三步：点击【OK】继续。出现“Pixel Purity Index Parameters”对话框，进行PPI参数设置

第四步：在同一地方重新开始，选择“Spectral | Pixel Purity Index | Existing Output Band” 第五步：显示PPI处理结果。如所示。结果图中的每个像元被标记为极值的总次数，也就是说图中像素越多，它被标记为极值的总次数也越多，像元越纯的可能性就越大。

6.2用PPI图像进行端元（Endmember）选择 操作步骤：

第一步：用标准 ENVI 显示程序显示图像比较亮的像元表示采用的光谱极值较多，光谱比较纯。较暗的像元表示光谱纯度较低。

第二步：在 ENVI主窗口处选择“Tools | Cursor Location/Value”以判定图像中值的范围。

第三步：选择“Tools | Region of Interest | Band Threshold to ROI”来生成一个只包含 PPI 高值的像元。

9、利用线性混合分解技术（linear spectral unmixing）对数据3进行混合像元分解。

操作步骤：

第一步：选择“Spectral | Mapping Methods | Linear Spectral Unmixing”。第二步：出现“Unmixing Input File”对话框，选择一个输入文件，（若需要）用标准ENVI光谱和空间子集以及掩模程序选取的空间子集或用一个掩模。选择进行分解的影像为ENVI自带的高光谱影像“wuhanTM”影像。通过ROI选择了6个端元

第三步：点击【OK】继续。出现“Endmember Collection：Unmixing”对话框。选择“Import from ROI/EVF file”。当所有需要的端元都已经选上以后，点击“Endmember Collection:Unmixing”对话框底部的【Apply】按钮。

第四步：弹出“Unmixing Parameters”对话框。如果用户想在分解过程中运用限制性条件则用箭头切换按钮选择【Yes】。如果选择了【Yes】，在“Weight”文本框里输入一个权重。这一权重被添加在分解倒置过程中的联立方程里。权重越大，所进行的分类就越满足设定的限制条件。

第五步：选择输出到“Memory”或“File”。如果选择输出到“File”，输入一个文件名。第六步：点击【OK】，开始光谱分解。出现一个显示处理状态的窗口。

第七步：混合光谱分解的结果。光谱分解的结果将以一系列灰度图像的形式出现，每个端元对应一幅丰度图像，并加上一个平方根误差图像。较高的丰度（RMS误差图像的较大误差）对应较亮的像元。例如，在下图中，较亮的像元代表了在该图中该端元的丰度较高。丰度值在0~1的数据范围内，但是也有可能出现负值和大于1的值。错误的丰度象征着错误的端元。结果由输入的端元决定，且随端元的变化而变化。

10、利用光谱沙漏向导（spectral hourglass wizard）实现对光谱角分类（SAM）制图。

操作步骤：

第一步：打开“Spectral | Spectral Hourglass Wizard”菜单

第二步：打开向导对话框，该对话框为介绍对话框，选择“Next”进行下一步。

第三步：在下一个对话框中点击【Select Input File】和【Select Output Root Name】选择输入输出文件。选择“Next”进行下一步。如图

第四步：进行MNF变换，选择输出MNF波段的数目。此处可以选择一个空间子集进行操作，选择“Next”进行下一步。如图

第五步：得到MNF结果，被保存且在波段列表中可以显示。选择是否查看和动画显示。如果不满意结果可以选择“Prev”返回之前的操作重新进行，否则选择“Next”进行下一步。第六步：计算数据维数，通过MNF变换可以降低数据维数，点击【Calculate Dimensionality】，弹出“Spatial Coherence Threshold”对话框，根据空间相关性阈值确定其数据维数为23（图中红线表示）。如果不满意结果可以选择“Prev”返回之前的操作重新进行，否则选择“Next”进行下一步。

第七步：选择是否从影像获取端元。从影像获取端元如下所示，手动方式请参见错误！未找到引用源。节“端元收集”。如果不满意结果可以选择“Prev”返回之前的操作重新进行，否则选择“Next”进行下一步

第八步：进行PPI计算。该步采用PPI获取纯净端元选择，设置PPI相关参数，参数含义参

见像元纯净指数

四、节“像元纯净指数”功能，如果不满意结果可以选择“Prev”返回之前的操作重新进行，否则选择“Next”进行下一步

第九步：得到PPI结果，选择在n维可视化仪显示的最大PPI的像素数，如果不满意结果可以选择“Prev”返回之前的操作重新进行，否则“Next”进行下一步

第十步：利用N维可视化界面进行端元选择，该功能首先自动聚类选择相应的端元供用户参考，如此时选择了23个端元。点击【Retrieve Endmember】将n维可视化仪获得的端元列于“Endmember list”列表中。可以通过【Plot Endmember】查看端元光谱曲线，还可以点击【Start Spectral Analyst】按钮进行光谱分析。

第十一步：选择是否采用n-维可视化仪获得端元进行下一步操作还是用户自己选择端元，本例用n-维可视化仪获得端元，选择NO，如果不满意结果可以选择“Prev”返回之前的操作重新进行，否则选择“Next”进行下一步。

第十二步：选择处理方法及参数，有三种制图方法：光谱角；混合调制匹配滤波；分解。设置相关的参数

第十三步：此时计算出了制图的结果，列于波段列表中。其中SAM结果可以直接通过下图进行查看。

第十四步：任务完成点击【finish】得到总结报告。此时的中间结果都在波段列表中显示。

如图：

小结：

通过这次高光谱遥感实习，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。在实习中，对于基本的功能我能够摸索出来，其中，在操作中出现了一些问题，不过，经过与同学的探讨交流，最终基本的实现了结果，但还有许多应改进之处。但是对于这个软件还是有一些不熟悉的地方，以后如有机会还是要再次认真的学习。唯一让我后悔莫及的是考试之前没有好好做这个实习，以至于当时好多内容都没有很好的掌握。总之，通过这次实习，学到了不少东西，虽然以前对遥感进行过ENVI的实习，但是这次实习使我对高光谱遥感有了全新的认识，通过实践对理论知识有了更加深刻的理解，受益颇多。

篇2：高光谱实习报告

《高光谱遥感》上机实习报告

学 号： 20141000360 班级序号： 113142 姓 名：林浩 指导老师：沈永林

实习一

1.高光谱数据的基本信息查询：

（1）打开数据

（2）鼠标放在cup95eff.Int左键点击->edit header，查看头文件信息

2.数据分析

（1）在ENVI主菜单下选择：File>OpenImageFile，在打开的文件选择窗口中选择图像文件cup95eff，点击OK打开图像。

（2）打开它的2-D散点图Tools>2-DScatterPlots,并且选择band172、173

（3）得到2d散点图

3.高光谱数据MNF变换以及纯净端元提取

样本的选取与分类

（1）在ENVI主菜单下选择Transform>MNFRotation>ForwardMNF>EstimateNoiseStatisticsfromData

：

（2）进行mnf变换设置

（3）得到特征值曲线

（4）查看mnf变换后band1和band2的2d散点图

（5）在散点图中用ROI制图功能将点云拐角零散的几个点圈起来

（6）在2-D散点图窗口中选择：Options > Export All 提取各样本区

（7）点击Select ALL 然后点击stats

（8）在ENVI主菜单下选择：Spectral > Spectral Analyst，我们选择USGS（美国地质调查局）波谱库

（9）选择红色区域 得到匹配结果

得出红色区域为明矾石。

（10）同理得到绿色区域结果

判断该为锂辉石

蓝色区域

判断该为高岭石

黄色区域

判断该为赤铁矿

青色区域

判断该为黄钾铁矾

洋红区域

判断该为黄钾铁矾

褐红色区域

判断该为白云石

（11）通过分析是否有两类极其相似，于是我把这两类合并。在ROIs Tools窗口中选择Option > Merge Regions

得到分类好的样本区域

分类

（1）在ENVI主菜单下选择：Pixel Purity Index > [FAST]New Output Band

进行10000次迭代

（2）得到的PPI图像如下所示：

（3）由PPI图像生成样本区。

在ROIs Tool对话框中选择Options > Band Threshold to ROI 建立一个只包含拥有高PPI值像素的ROI

（4）在弹出的对话框中输入最小极限值100，提取训练样本。

（5）在ENVI主菜单中选择Spectral > n-Dimensional Visualizer > Visualize with New Data

（6）选择其前十个波段进行观察

（7）使用n维空间观察仪

（8）选择其中5个波段进行模拟

（9）在ENVI主菜单下选择：Classification > Supervised > Spectral Angle Mapper。选择原始图像作为待分类图像。

（10）在此窗口中选择：Import > form ROI from Input File

（11）选择我们刚才定义好的样本区

（12）这些样本区就出现在端元收集器中了

（13）设置分类参数

篇3：高光谱图像技术检测柑橘果锈

柑橘是我国南方区域农业经济中的一大支柱产业,其品质特性倍受关注。果实生长发育过程中,受到潜隐性病毒的侵害,柑橘表皮上会产生痕斑、网纹和锈螨蚧类等附着物,形成柑橘表面的果锈,严重影响水果的洁净度。在柑橘等级分类的国家标准中,果锈总面积的大小是柑橘分级的重要指标之一。机器视觉技术已经成功地应用到柑橘在线分级,但由于果锈和正常区域的色差不大,容易造成传统视觉系统的漏判。

高光谱图像技术[1]集图像信息与光谱信息于一身,在农畜产品品质无损检测中得到了越来越广泛的应用[2]。如Qiao[3]和Lauren[4]分别利用高光谱图像技术检测猪肉和牛肉的品质,Park[5]、Mahesh[6]和陈全胜[7]分别利用高光谱图像技术对动物排泄物、小麦质量和茶叶质量等级进行分类。但利用高光谱图新技术检测柑橘果锈未见报道。主成分分析算法可以克服高光谱图像数据量大和相邻波段之间的强相关性等缺点,实现对高维数据的降维。但针对全光谱图像数据的主成分分析算法耗时长,影响检测的速度,无法满足实时在线检测的需求。因此,在前人研究的基础上试验尝试利用两步主成分分析的方法,优选特征波长,以提高检测的速度,满足实时在线检测柑橘果锈需求。

1 材料与方法

1.1 试验材料

试验采用的研究对象为永春柑橘,产地福建永春。购自镇江当地超市,共100个柑橘样本,包括50个果锈样本和50个的正常样本。

1:CMOS camera; 2:Optical fiber; 3:Power supply; 4:Computer; 5:Motorized positioning table

1.2 高光谱图像系统

高光谱图像数据是利用图1所示基于光谱仪的高光谱图像系统采集得到的。它是由基于光谱仪的高光谱摄像机(ImSpector,V10E,Finland),一个150 W的光纤卤素灯(DC-950A,Dolan-Jenner Co.,USA)、一套高精度输送装置(北京卓立汉光仪器有限公司)和一台高性能计算机等部件组成。其中,光纤卤素灯是通过一个Y型的光纤来提供两个对称的光源。高光谱摄像机的光谱采集范围为408~111 7 nm,光谱分辨率为2.8 nm,光谱的采样的平均间隔为0.69 nm,这样在408~111 7 nm波长范围内有1 024个波段。

1.3 图像采集

图像数据采集前,首先确定高光谱摄像机的曝光时间以保证图像的清晰;然后,根据相机的扫描频率确定输送装置的速度以避免图像尺寸和空间分辨率失真。利用150 W光纤卤素灯对称式照射,在柑橘表面形成足够的光照强度,在此条件下对相机的曝光时间进行优化,最终确定为30 ms。根据实际测量,摄像机的视野范围为170 mm,而其线状空间上的像素数为1 280,所以采集得到的图像中每一个像素对应的实际长度为170 mm/1 280=0.133 mm。

此时摄像机的扫描频率为9.2 frame/s,为避免图像垂直方向上的空间分辨率失真,设定图像采集过程中输送装置的前进速度为0.133 mm/frame×9.2 frame/s=1.22 mm/s。

数据采集时,线阵的探测器在光学焦面的垂直方向作横向扫描(x轴方向),获得一个线状空间,在这个线状空间中,每一个像素具有不同波长下光谱信息;同时随着样品的前进(y轴方向),线阵探测器就好像扫帚扫地一样扫出整个平面从而完成整个图像数据的采集,得到一个大小为1 280×Y×1 024的高光谱图像块(Y据样品的宽度而定),如图2所示,高光谱图像既有特定像素下的光谱信息又有特定波长下的图像信息[8]。

1.4 图像标定

由于各波段下光源强度分布不均匀及传感器中暗电流的存在,导致光照强度分布较弱的波段下,获得的图像含较大噪声,须进行标定。在与样品采集相同的系统条件下,首先,扫描反射率为99%标准白色校正板(Spectralon®,Labsphere Co.,England)得到全白的标定图像W;然后,关闭摄像机快门进行图像采集得到全黑的标定图像B;最后,按照式(1)完成图像标定,使采集得到的绝对图像I变成相对图像R[7,9,10]。

式中:I为原始的高光谱图像,B为全黑的标定图像,W为全白的标定图像,R为标定后的高光谱图像。

2 结果与讨论

2.1 数据预处理

由高光谱的原理知道,柑橘图像上的每个像素点都存在不同波长下的光谱信息。图3表示柑橘正常区域与果锈区域在408~1 117 nm范围内的光谱曲线。图中,上面的三条曲线是柑橘正常区域的光谱曲线,下面的三条是柑橘果锈区域的光谱曲线。从图中可看出,果锈区域与正常区域的光谱曲线在波长570~750 nm之间区别较大,而在570 nm以下和750nm以上的光谱曲线噪声明显。因此,在后期的数据处理过程中,选取570~750 nm范围内的高光谱图像数据进行分析。

为了减少噪声和数据冗余,并降低数据处理过程中的运算量,将标定后的图像块在光谱轴方向每5个像素取平均值,在条状空间(X轴方向)中选取281~800范围内的像素,以保证样品图像完整为准,就得到一个520×Y×51的图像块,大大减少了数据量。

2.2 主成分分析

主成分分析[11]是一种十分有效的多维数据降维方法。主成分分析沿着协方差最大的方向由高维数据空间向低维数据空间投影,将原变量线性组合为一些新变量,这些新变量(又称主成分)是不相关的,并且最大限度地表征了原始数据的信息,既实现数据的降维,又能消除原始数据中的冗余信息。所以本试验通过主成分分析来优选特征波长,根据方差贡献率的大小提取前面几个主成分图像,从中找到最容易检测柑橘果锈的主成分图像;然后根据这一主成分权重系数的大小,选择能够表征柑橘果锈的特征波长。

图4为对标定后的高光谱图像进行主成分分析得到的前三个主成分图像。其中,PCⅠ、PCⅡ和PCⅢ分别为第一、第二和第三主成分图像。由图中可以明显看出,第三主成分图像中果锈区域具有很高的灰度值,与周围区域的灰度差异最大,为试验寻找的主成分图像。

2.3 特征波长的选取

如果能使用最少的波数进行主成分分析,就能接近图4中PCⅢ的表征效果,这样就能大大提高数据处理速度,因此特征波长的选择很关键。由主成分分析的概念可以知道,主成分图像是由原始高光谱图像数据中所有波段下的图像经过线性组合而形成的,如式(2)所示。

式中:PCm为第m个主成分,αi为该主成分的权重系数,Ιi为单个波段的原始图像。

比较该线性组合中的权重系数αi,如果权重系数绝对值越大,对主成分图像贡献就越大。为了选取最佳的波长组合,必须保证它们的权重系数绝对值尽可能大,同时还要保证它们之间有一定的波长间隔。试验通过考察PCⅢ线性组合中的权重系数,优选571、652和741 nm作为3个特征波长,其对应的图像如图5所示。

2.4 目标提取

柑橘是个球状物体,容易形成光照不均匀,在其最上部接受到的光照强度最强,在图像的中心形成一个高亮区域,如图5所示。高亮区域对图像处理和特征提取造成一定的影响,因此必须消除高亮区域对图像处理的影响,通常情况下消除高亮区域的方法可以从两个方面着手:1)通过改善光照的方式,如采用漫反射式光照环境来消除高亮区域的影响;2)采用不均匀二次差分和两步主成分分析等算法来消除亮斑影响。本研究是通过第二种方法来消除高亮区域影响。试验表明,在不均匀二次差分算法中,波长间隔需要通过反复尝试来确定,主观性大。因此,本试验最终采用两步主成分分析算法来消除光照不均匀的影响。将上述三个特征波长图像组合成一个新三维数据块,再进行第二步主成分分析,仍可得到三个主成分图像(PC1、PC2和PC3),如图6所示。从图中可看出,第三主成分图像(PC3)已有效地消除了高亮区域,而且与PCⅢ图像十分相似,说明在果锈特征的表达上,三个特征波长图像包含了原始数据中的大部分特征信息,因此选取PC3图像作为目标检测图像。PC3图像存在很大的噪声,如图6(c),因此,首先对其进行中值滤波(3×3模板)处理,结果如图7(b);为了更容易检测到果锈区域,有必要对图7(b)进行平方根变换,结果如图7(c);再选择适当的阈值进行二值化处理,得到的二值图像如图7(d)。最后进行2次腐蚀(3×3模板)和两次膨胀(3×3模板)处理,以去除图像上存在的零碎亮斑,完成柑橘果锈的提取,结果如图7(e)。

2.5 检测结果

按照以上步骤,对100个柑橘样本进行检测,结果如表1所示。由表1可知,50个正常柑橘样本中,46个样本正确检测,4个检测误差;50个果锈柑橘样本中,44个正确检测,6个检测误差;100个样本的总体检测率为90%。经进一步分析,将正常柑橘样本误判为果锈柑橘的原因很复杂,主要是有些正常柑橘样本的表面不是很光滑,这种凹凸不平的表面容易被误判为果锈;而将果锈柑橘误判为正常柑橘的原因主要是果锈区域过小,进行形态学变换时容易将这些过小的区域腐蚀掉,导致误检。

3 结论

试验利用高光谱图像新技术检测柑橘果锈进行了初步研究,并利用两步主成分分析实现高光谱数据有效的降维。研究结果验证了基于高光谱图像技术及两步主成分分析方法检测柑橘果锈的可行性;根据主成分的权重系数,确定的特征波长能够充分反应其它波段的信息,实现多维数据的有效降维;采用两步主成分分析法可以降低光照不均匀的影响,并可利用试验得到的三个特征波长(571 nm、652 nm和741 nm),选取相应的滤波片,设计基于滤波片的高光谱图像采集系统以实现生产过程中对柑橘果锈的在线快速无损检测;可以利用高光谱图像技术的图像和光谱两方面信息,检测其它水果的品质。

摘要：高光谱图像技术作为农产品无损检测的新技术,探讨了其在柑橘外部品质检测的可行性。以检测柑橘果锈为目的,首先对经预处理的高光谱图像数据进行主成分分析,优选出571nm、652nm和741nm三个特征波长组成新的图像块;再进行第二步主成分分析,得到的第三主成分图像为最适宜检测柑橘果锈的图像;最后对该图像进行中值滤波、平方根变换、阈值分割和数字形态学运算完成特征提取。试验结果表明,此算法对柑橘果锈检测的正确率可达到90%。研究表明,利用高光谱图像技术结合两步主成分分析算法检测柑橘果锈是可行的。

关键词：高光谱图像技术,主成分分析,柑橘,果锈检测

参考文献

[1]Johnson III Owen N,Slidell Mark,Kreishman Peter,et al.Hyperspectral imaging:An emerging technology as a potential novel adjunct in assessing peripheral perfusion deficits and success of lower extremity revascularizations[J].Journal of the American College of Surgeons(S1072-7515),2008,207(3):S114.

[2]Gowen A A,O'Donnell C P,Cullen P J,et al.Hyperspectral imaging–an emerging process analytical tool for food quality and safety control[J].Trends in Food Science&Technology(S0924-2244),2007,18(12):590-598.

[3]Qiao Jun,Ngadi Michael O,Wang Ning,et al.Pork quality and marbling level assessment using a hyperspectral imaging system[J].Journal of Food Engineering(S0260-8774),2007,83(1):10-16.

[4]Govindarajan Konda Naganathan,Lauren M Grimes,Jeyamkondan Subbiah,et al.Visible/near-infrared hyperspectral imaging for beef tenderness prediction[J].Computers and Electronics in Agriculture(S0168-1699),2008,64(2):225-233.

[5]Park B,Windham W R,Lawrence K C,et al.Contaminant classification of poultry hyperspectral imagery using a spectral angle mapper algorithm[J].Biosystems Engineering(S1537-5110),2007,96(3):323-333.

[6]Mahesh S,Manickavasagan A,Ayas D S,et al.Feasibility of near-infrared hyperspectral imaging to differentiate Canadian wheat classes[J].Biosystems Engineering(S1537-5110),2008,101(1):50-57.

[7]陈全胜,赵杰文,蔡健荣,等.利用高光谱图像技术评判茶叶的质量等级[J].光学学报,2008,28(4):669-674.CHEN Quan-sheng,ZHAO Jie-wen,CAI Jian-rong,et al.Estimation of tea quality level using hyperspectral imaging technology[J].Acta Optica Sinica,2008,28(4):669-674.

[8]李庆利,肖功海,薛永祺,等.基于显微高光谱成像的人血细胞研究[J].光电工程,2008,35(5):98-101.LI Qing-li,XIAO Gong-hai,XUE Yong-qi,et al.Microscopic hyperspectral image study of human blood cells[J].Opto-Electronic Engineering,2008,35(5):98-101.

[9]Polder G,Wam G,Heijden V D,et al.Calibration and characterization of imaging spectrographs[J].Journal of Near Infrared Spectroscopy(S0967-0335),2003,11(3):193-210.

[10]Guerric le Maire,Christophe Fran-ois,Kamel Soudani,et al.Calibration and validation of hyperspectral indices for the estimation of broadleaved forest leaf chlorophyll content,leaf mass per area,leaf area index and leaf canopy biomass[J].Remote Sensing of Environment(S0034-4257),2008,112(10):3846-3864.

篇4：高光谱遥感的应用

关键词：高光谱；遥感

【中图分类号】 G642.4 【文献标识码】 B【文章编号】 1671-1297（2012）09-0198-01

一 地物光譜重建技术

按照不同的模型及算法，从成像光谱数据中把地物的光谱特性反演出来的过程就是地物光谱重建技术。根据不同的工作情况及条件，采取不同反演模型来重建地物光谱，是实现成像光谱数据遥感定量化分析的第一步。若对其不进行反演，则没有一个统一物理量进行对比。

1.基于大气传输理论的模型

自1960 年，Chandrasekhar 提出了辐射传输理论以来，相继发展了许多方法，如： Ordinate 方法和Variational 方法等来解决辐射传输问题。该算法既能合理地处理大气散射、吸收，又能产生连续光谱，避免在光谱反演中较大的定量误差。它还充分利用了分析表达式和预选大气模式，使计算时间大大缩短。

2.基于统计分析的模型

该模型的建立是在分析不同地物光谱遥感信息在不同光谱波段的传输特点基础上，利用计算机对典型地物的光谱特性进行统计分析后，得到地物光谱特性反演模型。对成像光谱数据进行地物光谱反演常用模型有平滑域反射率模型FFR（ Flat Field Reflectance） ，内在平均相对反射率模型IARR（ Interal Average Reletive Reflectance） ，对数剩余模型LRC（Log ResidualCorrection） 。Gree 和Graig 提出的对数剩余纠正公式如下：

3.经验线性回归模型

利用该方法重建地物光谱技术实质就是通过开展典型地物的同步反射率观测，根据成像光谱数据DNij值与地面实测地物反射率值Rij ，经最小二乘法求出回归方程： Rij=Aj ·DNij+Bj （这里Aj ， Bj是传感器第j 波段的线性回归系数） ， 然后，根据此方程反演地物的反射光谱。这种模型的数学和物理意义明确，方法简便，运算量少，应用广泛。

二 地物光谱特征的量化、提取，定量分析及识别模型

1.地物光谱特征度量、提取与匹配识别模型

（1） 就地物光谱特征（这里指地物反射辐射光谱） 而言，不外乎2 大类型：特征吸收峰（即反射谷） 和光谱曲线的斜率变化（含波形变化） 。目前，对特征吸收峰的分析度量方法是外壳系数法，它通过把光谱曲线归一化后去测量特征吸收峰的波长位置（ Position） 、吸收深度（Depth） 、吸收宽度（FWHM） 和对称性（Symmet ry） 。 （2） 光谱匹配识别模型是不同于多光谱的模式识别的，它是根据光谱特征度量参数来进行匹配识别，是成像光谱数据处理分析的特色之一。

2.成像光谱数据的定量分析及识别模型

定量化分析及识别模型化是当今遥感技术的发展方向之一。应用于成像光谱数据处理、分析的定量化分析与识别模型，除了不断完善和改进已有基于统计分析的定量化及识别模型，其它学科的新思想、新方法也在不断地引入遥感数据分析和理解之中，如人工智能的专家系统，模糊逻辑映射，证据推理、神经网络、分形和分维等（郭小方，1998 年） 。

3.混合像元分解模型

目前，开展高光谱遥感混合像元研究的方法技术，首先从实验着手，进行地物混合光谱的测试、分析、数字模拟、分解模型开发研究，然后将其外推到遥感图像上，进行典型地物混合像元分析，主要包括空- 地同步观测获取典型地物（或可通过人工布标） 数据，经模型分析后，对混合像元的地物进行分解，或混合光谱模拟合成。在实验室里，通过对不同矿物光谱混合含量测试发现，不透明矿物或暗色矿物，其光谱按比例混合到其它矿物中，混合的反射率急剧下降，而不是逐渐下降，说明其混合光谱与其混合的端元矿物光谱是非线性关系（磁铁矿和橄榄石） ，当2 种矿物的色调相近时，实验测试的混合光谱与线性模型合成的混合光谱都呈线性逐渐变化，说明混合光谱可以按线性模型分解端元矿物光谱，在这3 种情况中，第一种非线性关系是由于组合混合光谱的端元成分之间互相作用，互相影响后光谱被光谱仪检测到，第二种线性关系是由于各端元成分之间无互相影响作用，各自独立地反射电磁波能量贡献于混合光谱，第三种情况是2 种关系都存在，二者之间存在临界条件（边界条件） 。在一幅图像中，事先知道有N 种端元（地物种类） ，并且也知道各种端元的光谱反射率，那么就可以用线性模型：

这里DNc 是波段C 上混合像元的DN 值或反射率； Fi 是第i 种端元在混合像元中所占比例（或权系数） ； DNi ， c 是C波段上第i 种端元的DN 值（或反射率） ； Ec 是C波段上拟合误差。对每个像元都按照最小二乘法解方程，进行分解。在图像中，端元的DN 值（或反射率值） 要么可以从训练区取值，要么地面实测。端元成分的确定过程实质上是一个迭代过程，迭代结果使M个波段上总误差ε最小（且N F M） 。

求得像元中各种端元成分之后，就可以定量或半定量地对端元分类，制作丰度等专题图件。

三 总结

成像光谱技术以其高光谱分辨率，超多波段以及图像和光谱（曲线） 合二为一的特点，在数据处理分析以及光谱信息的提取上向模型化、交互可视化、人工智能-专家系统化的技术方向发展，在应用上向定量化、模型化和精细化地分析地物成分和结构的方向发展。

参考文献

[1] Gao B C ， Goetz A F H. Column Atmospheric Water Vapour Retrievals from Airborne Imaging Spectrometer Data[J] . J GR，1990 ， 95D ： 3549～3564.

篇5：高光谱实习报告

高光谱图像模糊识别分类及其精度评价

高光谱遥感是在特定光谱域以高光谱分辨率同时获取连续波长的地物光谱图像,并能提供更多的精细光谱信息,有利于选择各种单一地物光谱差异明显的`波段,使得高光谱遥感应用于更广的地物识别中.文中采用模糊识别的绝对值指数法对高光谱图像进行识别分类,并对分类结果进行像元级的评价.

作 者：闫永忠 万余庆 YAN Yongzhong WAN Yuqing  作者单位：中国煤炭地质总局航测遥感局遥感应用研究院,西安,710054 刊 名：地球信息科学  ISTIC PKU英文刊名：GEO-INFORMATION SCIENCE 年，卷(期)：2005 7(4) 分类号：X87 关键词：高光谱遥感   模糊识别   绝对值指数   精度评价  

篇6：高光谱实习报告

海冰高光谱辐射测量系统的设计及应用

摘要：海冰是地球气候系统中的关键要素之一,为此设计了用于测量海冰光学特性的海冰高光谱辐射测量系统,可实现3个通道的同时测量,设计了2种类型的光学探头,解决了探头水密性的问题,搭配L型支架实现冰下辐射的.现场测量.设计了双向反射率支架,搭配角度传感器可实现探头于任一角度位置对海冰双向反射率的测量.系统积分时间智能设定,实现了积分时间设定的最优化和自动化.解决了低温工作的难题.另外系统还集成了4个温度探头和1个全球定位系统GPS.通过在辽东湾附近海域对海冰的现场实验,验证了系统的可靠性及准确性. 作者： 杨跃忠[1]  许占堂[2]  孙兆华[2]  曹文熙[1]  卢桂新[1] Author： YANG Yue-zhong[1]  XU Zhan-tang[2]  SUN Zhao-hua[2]  CAO Wen-xi[1]  LU Gui-xin[1] 作者单位： 中国科学院南海海洋研究所热带海洋环境动力学重点实验室,广东,广州,510301中国科学院南海海洋研究所热带海洋环境动力学重点实验室,广东,广州,510301;中国科学院研究生院,北京,100049 期 刊： 光谱学与光谱分析   ISTICEISCIPKU Journal： SPECTROSCOPY AND SPECTRAL ANALYSIS 年，卷(期)： , 30(6) 分类号： P733 关键词： 光谱仪    光学探头    积分时间    透过率    机标分类号： TN9 TN2 机标关键词： 海冰    高光谱    辐射测量系统    设计及应用    Sea Ice    Application    双向反射率    温度探头    积分时间    全球定位系统    地球气候系统    角度传感器    智能设定    支架    现场实验    现场测量    同时测量    时间设定    角度位置    光学特性 基金项目： 国家自然科学基金，国家(863计划)探索性项目 海冰高光谱辐射测量系统的设计及应用[期刊论文]  光谱学与光谱分析 --2010, 30(6)杨跃忠  许占堂  孙兆华  曹文熙  卢桂新海冰是地球气候系统中的关键要素之一,为此设计了用于测量海冰光学特性的海冰高光谱辐射测量系统,可实现3个通道的同时测量,设计了2种类型的光学探头,解决了探头水密性的问题,搭配L型支架实现冰下辐射的现场测量.设计...