光谱特征波段选取专利（成像光谱技术导论）
本文目录一览：
何为光谱特征选择？光谱特征选择的方法有哪些
原有的遥感数据处理算法在处理高光谱数据时，常遇到Hughes现象即“维数祸根“。为了有效地处理数据，“降维”就成为一个必然的选择；“降维”即在尽可能地保留信息的同时，对波段进行压缩。目前压缩波段有两种方法：①从众多波段中选择感兴趣的若干波段，或选择信息量大、相关性小的若干波段。②利用所有波段，通过数学变换压缩波段。如主成分分析法(PCA)等。本文主要介绍第一种压缩方法。
如何选择近红外光谱波段
你说的应该是波长选择吧.新型的近红外仪一般都有相应的波长选择软件.但好象不是特别受欢迎.
本人知道的波长选择法有,相关分析法(光谱与浓度做相关分析,选择相关系数相对大的波长区域),MOVING WINDOWS PLS法(假设一个波长窗口,将这个窗口移动与整个波长区域,建立校正模型并用于预测浓度,计算预测浓度与实际浓度的差,以波长为横坐标,差值项为纵坐标做图.取差值小的领域为建模波长).
方法的说明过与简单,初学者可能困难.下面接受几个可参考的文献
Wavelength Interval Selection in Multicomponent Spectral Analysis by Moving Window Partial Least-Squares Regression with Applications to Mid-Infrared and Near-Infrared Spectroscopic Data, Anal. Chem. 74, 3555-3565 (2002)
近红外分析中光谱预处理及波长选择方法进展与应用 褚小立* 袁洪福 陆婉珍
基于光谱特征的信息提取与分类过程
地物光谱特征研究是现代遥感技术的重要组成部分。它既是传感器波段选择和设计的依据，又是遥感数据分析解译的基础。遥感探测是成像空间地理实体的电磁波谱和辐射能特征。具有明确的物理意义，而基于光谱特征的信息提取与分类，是通过遥感光谱数据的变化规律来识别和研究地物类型。因此，研究不同地理实体的光谱表达模型，是有效地提取专题信息的关键。
1.金属硫化物矿床近矿围岩岩石光谱特征研究
图3.3.1是东秦岭地区比较有代表性的几种近矿蚀变岩及含矿体的反射波谱曲线。从波谱曲线形态可以看出，金属硫化物蚀变带在蓝绿波段（0.4～0.6μm）和近红外（0.85～1.1μm,2.2～2.4 μm）波段呈强吸收特征；在红光（0.6～0.85μm）波段和近红（1.28～1.46μm）波段出现强反射峰。硅化蚀变岩及含羟基的蚀变岩类反射波谱曲线形态比较接近，其吸收带仍然位于0.4～0.55μm、0.85～1.1μm、1.9～2.3μm波段内，而在0.6～0.85 μm、1.48～1.88 μm波段内出现反射肩。
图3.3.1 东秦岭地区近矿蚀变岩与矿化体反射波谱曲线
①高岭土化蚀变岩；②硅化蚀变岩；③金属硫化物蚀变岩
图3.3.2是东秦岭地区近矿蚀变带与近矿围岩的反射波谱对比曲线，成矿围岩与金属硫化物带波谱曲线相比，波谱响应趋向平缓，不出现大幅度跳跃的波峰或波谷。从波谱曲线形态可以看出，随金属硫化物带（矿体）的远离（矿化蚀变的减弱），波谱曲线走向平缓的趋势更加明显。其中安山岩类和大理岩类波谱形态相似，除在可见光蓝绿光段（0.4～0.6μm）出现一个较强吸收带外，红光到近红外光段基本是光滑的弧顶向上的曲线，虽然在1.4 μm、1.9μm处有弱吸收显示，但不出现明显的吸收谷和反射肩；片麻岩和花岗岩类为一条平滑的直线，基本无异常显示。从不同蚀变类型与不同近矿围岩的波谱对比中还可以看到，波谱曲线在0.4～1.4μm和1.9～2.5μm两个波段区间集约，仅在1.4～1.9 fμm波段区间呈离散状态，显示出较大的反射差。
图3.3.2 东秦岭地区近矿蚀变岩及近矿围岩反射波谱曲线
①千枚岩；②片麻岩；③大理岩；④安山岩；⑤硅化蚀变岩
上述反射波谱曲线特征表明，蚀变岩与非蚀变岩类的反射波谱有较明显的差异，其中以1.4～1.9 μm波段离散程度最好，即Landsat-TM5波段应为提取矿化蚀变信息的最基本波段。1.9～2.4μm区段亦有一定的离散倾向，故Landsat-TM7可选作辅助波段；0.4～0.6μm波段相对1.4～2.5μm波段为强吸收带，Landsat-TM1、2可作为理想的匹配波段。
图3.3.3是阔叶林（接骨木）在不同状态下的反射波曲线。从曲线形态可以看出，随着植物病害程度的加重在0.6～0.7μm、1.4～1.6μm和1.9～2.4μm波段的吸收逐渐跃起，相反从0.7～1.4 μm段的反射峰跌落。从曲线的离散、集合特征来看，0.6～1.8μm、2.0～2.5μm波段离散程度最好。因此，处于其间的Landsat-TM4、7波段可作为基本应用波段，0.4～0.5μm波段相对为强吸收带，处于其中的Landst-TM1可作为基本匹配波段。
根据代数运算的原理，当波段间反射率差值相近而曲线斜率不同时，反射波段与吸收波段的比值处理，可在一定程度上扩展地物波谱的差异性，显示出动态范围。表3.3.1是根据地物反射波谱数据计算的不同组合比值数值表，从表中可以看出，作为提取蚀变岩带信息的基本应用波段、辅助波段和匹配波段Landsat-TM 5、7、1可以最大限度的显示出以铁帽、硅化、高岭土化、绢云母化为特征的蚀变岩与围岩背景的波谱差。如需要进一步区
图3.3.3 河南上宫金矿区植被（接骨木）不同状态下的反射波谱曲线
1—正常；2—弱毒化期；3—强毒化期
分蚀变带的类型，则以7/1、7/2、5/1、5/2的比值合成处理可在一定程度上突出以Fe3＋为主体的蚀变岩信息。据实验研究，混合比值处理［(TM3×TM4)-K]/TM7则极大地压缩非蚀变背景信息，比值合成TM5/1(R)＋TM7/1(B)＋［(TM3×TM4)－K]/TM7(G）可突出蚀变信息，特别是以羟基（OH）矿物为代表的蚀变岩信息。在比值合成图像上，金属硫化物带应为暗红色，高岭土、绢云母化带应为亮黄色，非蚀变背景接近青色（见彩图）。
表3.3.1 河南豫西地区遥感成矿特征波段比值一览表
表3.3.1是根据植被在不同状态下的反射波谱数据计算出的不同组合比值数值。从组合比值数值中可以看出，作为提取植被受重金属离子毒害信息在Landsat-TM4、7波段得到了比较好的波谱差。如果突出受害严重的区域，需要有混合波段比值处理，如COSTM4×TM7-K等。经实验研究，比值合成［COSTM4×TM3-K］(R)＋TM4/TM1(B)＋TM7/TM1(G）图像反映重害区为橘黄区，轻害区为接近白色，正常区接近青色；也可以用TM4(R)+TM7(B)+[COSTM4×TM7-K](G）图像，正常区为红色，轻害区接近粉红色，重害区接近白色。
2.反射波谱特征模式的应用原则
由于岩石反射波谱测试大多是在室内条件下进行的，而遥感传感器所记录的岩石反射率则为自然条件下的反映。岩石的反射波谱特征在自然环境中受植被、土壤、水分等因素的干扰，往往会产生较强的畸变。对于近矿蚀变带来说，遥感卫星所提供的矿化蚀变信息，常常与矿化蚀变带的水、土及植被等信息有关。当矿化蚀变带中含有较高的As、Hg、Pb等有毒元素和重金属元素时，植被因此可以出现较大范围的毒化反映；当蚀变带遭受强烈的风化剥蚀时，残留在地表多是硅质和含羟基的粘土质矿物集合体，而这种风化残积物的规模可远远超过蚀变带的分布范围。因此，在蚀变信息的提取过程中必须考虑干扰因素的存在，根据当地矿化蚀变岩的出露特征确定提取的目标物（植被毒化、Fe3＋、OH－），根据反射波谱的特征模式采取不同的运算公式，加以补救和筛选。
如秦岭山地植被盖率在70%左右，林木繁盛地区可达90%以上。该区主要植被类型为栎类与油松、华山松、白桦等混交林及灌草丛。据区域地球化学研究，崤山、伏牛山地区有色金属、贵金属金矿床多伴生有以 As为主的有害元素和以Cu、Pb、Zn、Mo为主的重金属元素，这些元素会在金矿蚀变带的分散晕圈半径内产生植被的有限毒害晕。根据这一特征，选择在风化残积物较薄、植被受毒害相对明显的伏牛山北坡为试验区，以植被生长状态反应比较敏感的Landsat-TM3、4、5、7波段为基础进行混合比值处理，工作程序见图3.3.4。
图3.3.4 河南省伏牛山地区植被毒化晕的提取工作程序图
TM5/TM4、TM4/TM3比值是最佳的植被指数。它们对植被毒害程度的反映是一个反演序列，即植被从正常发育到毒害变态反射率分别在0.36～0.61～1.20(TM5/TM4）、6.25～3.3～1.3(TM4/TM3）降低（或称蓝移现象）。TM5/TM1对铁帽反应比较敏感，对植被中度以上毒害反应突出，它们的比值系数为3.38、2.90，分别高出背景值一倍以上。植被毒化区及蚀变区为高频域，通过滤波可压缩背景低频信息，高频域均可以鲜明的色调给以增高突出。
如图版Ⅰ.1所示，TM4/TM3(B）高值区位于植被毒害和蚀变岩区，R、G近等量合成后呈亮黄色调的局部斑块，即代表与矿化有关的信息。应指出的是，这种黄色斑并不确切指出矿化蚀变的现存位置，因分散晕的迁移造成的位置差，色斑往往位于矿化蚀变岩的下游。
熊耳山－外方山区，矿化蚀变均沿构造破碎带发育。构造破碎带在多数情况下为负地形，除硅化体矿化蚀变带有断续出露外，大部分地段被褐铁矿化及粘土质物质所充填。其主要成矿围岩为太古界太华群花岗－绿岩系和元古界熊耳群安山岩类。因此，需要增强的信息是发育在构造带中的富含羟基的粘土矿物集合体。
根据地物反射波谱资料，在Landsat-TM3、5、7波段目标物和背景的离散比较好。如进一步对蚀变带进行划分，还需要对以Landsat-TM3、5、7波段为基础进行混合像元处理，工作程序如下图3.3.5所示：
图3.3.5 羟基粘土矿物晕的提取工作程序图
从岩石反射波谱特征模式中可以了解到，TM7/TM1、TM5/TM4的比值结果突出了蚀变晕带中的核心——金属硫化物氧化铁帽，TM3/TM4的比值结果突出了植被受重金属毒害信息。傅氏变换将比值数据转成频率域，然后通过高滤波压抑低频背景，使蚀变信息得到很高的增强；经反变换（IFT）将信息还原到空间域，用已知蚀变区作为样本确定彩色分割的阀值，以此阀值为标准进行假彩色漫游或假彩色密度分割，即可得到反映图版Ⅰ.2。
在反射波谱特征模式中提出的压缩背景混合像元处理方法，即［(TM3×TM4)－K］和［COS-TM4×TM7]-K，这里的K值代表矿化蚀变带围岩的反射率（背景值）。压缩背景的方法在图像处理中叫“分段线性扩展”，即将图像亮度值的整个动态范围分成若干区段，按区段进行不同程度的扩展（图3.3.6）。
图中的L1为原图像的亮度值变量，L2为变换后影像的亮度值变量。a1、a2、a3分别为所选择的分段断点。断点之间的斜率，控制区段内亮度值的变换。
图中k1、k2、k3分别为对应区段内变换曲线的斜率。适当选择断点和斜率，可以获得特定亮度值区内目标图像的对比度增强，或者压缩某些目标的对比度。
图3.3.6 分段线性扩展示意图
图版Ⅰ.3是为提取导矿断裂信息而设计的图像处理程序得到的图像。为了突出断裂构造带中不同地段的植被富水性及蚀变等特征信息，分别应用TM4/TM3、TM5/TM1、TM5/TM2进行比值处理。对比值图像数据进行例拉伸（SCALE）得到灰阶为0～255的灰度图像。然后分别在比值图像中找出断裂特征信息的亮度值区间（192、128、115）为断点，将非目标区压缩为0，将目标区给予较大的扩展斜率，将扩展后的图像合成具断裂构造意义的线性体，以鲜明色调给以确切的显示。如将蚀变晕斑叠加其上，该断裂的控矿意义更加明确。
光谱维特征提取方法
特征是对象所表现出来的各种属性与特点。在遥感图像分析中特征提取可以从两个意义上来实施：一种是按照一定的准则直接从原始空间中选出一个子集（即子空间），实践中的波段选择即属于此类；另一类是在原始特征空间和新特征空间之间找到某种映射关系P，P：x→y，将原始特征空间x=｛x1，x2…，xn｝ 映射到维数降低了的特征空间y中去，y=｛y1，y2…，ym｝，m＜n。对于用于分类目的的特征提取，好的特征提取方法能使同类物质样本的分布具有密集性，而不同类物质的样本在特征空间中能够隔离分布，为进一步分类打下良好基础。因为高光谱数据具有波段多、波段间相关性高及数据冗余度高等特点，所以对高光谱遥感数据的特征提取具有特殊意义。遥感图像特征提取包含的内容非常广泛，提取方法也很多，光谱维特征提取和空间维特征提取是表现图像特征提取的两种主要方法。这里主要介绍适用高光谱数据的一些光谱维特征提取方法，主要涉及主成分分析法，典范变量分析法及改进的CA方法。
主成分分析是一种把原来多个指标化为少数几个相互独立的综合指标的一种分析技术。对波段间高度相关的数据非常有效（Cloutis，1996）。PCA技术已被用在不同的地质遥感项目，包括宽波段和高光谱数据（Lee等，1990；Resmini等，1997，Fujimura ＆ Kiyasu，1994）。由于高光谱数据波段间的相关性、高冗余度，直接利用所有的原始波段作分类或特征提取显得很不经济。因此先对原始数据作PCA变换，然后对少数几个综合指标（成分）分析将会收到事半功倍的效果。在高光谱数据分析中，PCA技术可将总体大部分方差集中在前面少数几个主成分中。于是，人们利用这少数几个主成分做一些地质分析，如利用前3个主成分的假彩色合成图判读地质矿物信息，进而成图。但在主成分合成图上的彩色在不同的图像上是变化的，并不代表一定的地质矿物成分，除非有相似的地质露头和覆盖，更困难的是，我们不能根据岩石、土壤和矿物等反射光谱作指示来判读主成分合成图上的彩色。另外，确定每个主成分的物理意义也相当困难。再者，矿物的显著变异可能仅引起光谱的细微差异，这种细微差异常被淹没在高方差的主成分中而被忽略。因此PCA可能较适宜用来粗略地识别光谱差异显著的矿物和岩性类别，而不是定量的矿物识别和制图（Coutis，1996）。
Jia＆Richards（1999）发展的分块主成分分析法用于特征提取，取得了一定的分类和显示效果。类似3.3，4中建立的SMLDF判别函数的思想，他们将全部波段的相关阵按照相邻波段的相关性分成若干块。一般高度相关的块沿对角线分布，而相关性低的块远离对角线。块矩阵本身集合了相邻波段间相关性高的波段。因此沿相关矩阵对角线可分成若干块（波段组），并对每组进行主成分变换，最后将每组的重要特征（主成分）再重新组合在一起作为进一步主成分分析与特征选择之用。
典范分析也是将较多的变量化为少数几个典范变量，通过这较少的典范变量之间的相关性来综合地描述两个多元随机变量之间关系的一种数学方法（唐守正，1986）。假如我们有两个多元随机变量（设x为p维随机变量，y是q维随机变量），如何描述这两个多元随机变量之间关系的紧密程度呢？直接的方法就是逐一计算两个多元随机变量各分量之间的相关系数或其他相似系数，可计算出p×q个相关系数。但这样做既繁琐，也不能本质地说明这两个随机变量总体相关水平。类似主成分分析，从每个多元随机变量中造就数个“综合变量”——典范变量。在求算两随机变量各自典范变量过程中得到的特征根即为对应典范变量对的典范相关系数。如果将非零特征根按从大到小排列，则最大的特征根即为第一对典范变量（分别对应x和y）的相关系数，如果典范相关系数越大，则说明这一对典范变量关系越紧密。一般在实践中只取前面k（k＜p，q）个典范相关系数和典范变量进行分析，舍去后面的典范变量已无关紧要，这达到了特征提取的目的。在利用高光谱数据进行岩性识别分类时，首先可以将高光谱图像数据分成若干未知岩性的类别，然后在每个类别中抽取一定的样本（象元）数，同时抽取已知岩性一定的样本数，组成两个类似前述的多元随机变量（一个为已知岩性，另一个为未知岩性）的样本并计算它们前面数对典范变量。如前面数对典范变量（通常为3对）关系紧密（反映在它们相应的特征根上），这个未知岩性的类别就很有可能与已知岩性为同类岩性，反之就可能不是。实践中前面数对典范变量关系紧密程度靠经验裁定。以此类推，可以将研究区内所有未知岩性的类别与已知岩性的类别求算两两典范变量对，并根据它们各自的相关紧密程度和判据决定未知岩性类别的归属。
PCA主要想最大限度地将不同类别分开，而典范分析则是在低维变量间寻找能代表高维变量的相关性，以达到分类、识别目标物的目的。典范分析在高光谱地质应用中潜在的功用与PCA技术大部分是一致的。
刘建贵（1999）在分析K-L变换性质的基础上，根据高光谱数据用于城市目标物识别提取的特点，提出了面向分类的特征提取的CA改进方法。选择适当的变换矩阵，同时考虑类内与类间距离的CA方法，设法使原特征空间的各类的样本点在光谱维上的投影能使类间距离与类内距离的比值达到最大。这种比值称为广义瑞利商。根据这一原则来决定变换矩阵的选择。刘建贵（1999）用这种改进的方法实施对北京市沙河镇城市地物特征的提取。具体处理过程：①对原始高光谱图像进行预处理，得到相对反射率图像；②选择最终成分光谱，即需要分类的类别数，最终成分光谱根据图像及地面调查的情况进行，共找出11个类别；③对每一类统计出均值向量和协方差阵；④求出每两个类别对之间的类间和类内距离，利用CA变换方法求出变换特征；⑤求出该两个类别对应于每个原始波段的巴氏距、加载系数（刘建贵，1999）以及变换域每个特征的巴氏距、每个特征度量维上的类间类内距离比，加载系数可通过CA变换成分与波段间的相关性求算；⑥找出最优特征。实验结果表明这种特征提取方法非常有效。采用这种方法，提取的特征能够增加样本的类内凝聚度和扩大类间距离，同时消除波段问的相关性，因而能改善分类性能。
