1、 高 光 谱 遥 感 实 习 报 告姓 名： 郭士祥 学号：201310041414 院 （ 系 ） ： 地空学院 专业：地球信息科学与技术教 师： 吴柯 职称：副教授 2015 年 11 月 26 日1、 对数据 1 的 row=10，数据 2 的 path=10 的位置分别进行光谱切面光谱切面包括水平切面，垂直切面和任意方向切面。是通过一副多光谱图像合成一个空间或光谱剖面。ENVI 中的切面被存为灰度图像，行的方向（Y）与图像被切面的空间维数相对应，采样的方向（X）与光谱维数（切面图像中的波段数）相对应，灰阶显示依赖于数据校正的光谱强度。最终的切面是一副 ENVI 图像，沿水平方向的切面，
2、样本数等于光谱波段数，行数等于采样数；沿垂直方向的切面，样本数等于行数；对于任意方向的切面，样本数等于沿 ROI 折线的像元总数。操作步骤：（1） 选择 Spectral-SpecturalSlices-HorizontalSlices(水平方向切割)（2） 出现下面的对话框时，选择一个进行切面的图像（3） 出现下面的对话框时，在 line 里输入 10，行数设置为 10，采样数也为 10（4） 在 ENVI 中显示切面对数据 2 进行垂直方向的切面（1） 选择选择 Spectral-SpecturalSlices-VerticalSlices（垂直方向切割）（2） 出现下面的对话框时，选择一
3、个进行切面的图像（3） 出现下面的对话框时，在 sample 里输入 10，样本数数设置为 10。（4） 垂直方向切面结果2、 对数据 1，2 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。实验原理：包络线去除是将反射光谱标准化的一种方法，它允许从通过的基线对每个吸收特征进行比较。包络线去除是一个在光谱顶部的突起的外壳拟合，它用直线段链接局部的光谱最大值。第一个和最后一个光谱数据值在外壳上，因此在输出的包络线去除的数据文件中的首末波段将等于 1.包络线消除法是一种常用的光谱分析方法，它可以有效地突出光谱曲线的吸收和反射特征，并且将其归一到一个一致的光谱背景上，有利于和其他光谱曲线
4、进行特征数值的比较，从而提取出特征波段以供分类识别。用不同的光谱子集将得到不同的结果，因此应当选取包含感兴趣区的吸收特征的地方作为子集。连续统一体通过被分成对应图像每个像元的实际光谱而被消失。最终图像中，在连续光谱和匹配光谱处，光谱等于1，出现吸收特征的地方光谱小于 1.包络线去除可以对数据文件或对绘图窗口的单个光谱进行。操作步骤：（1） 选择 Spectral-MappingMethods-ContinuumRemoval,进行包络线去除（2） 对数据 1，在下面的窗口中选择光谱子集，它的特征波段是 183/193/297，所以，选择光谱子集：band181-186，band191-196
5、，band204-209 ，18 个波段。（3） 去包络线后，在 ENVI 中显示：原始图像（183,193,207 波段 RGB 合成）对数据 1 去包络的图像原图像在（505，464 ）处的光谱曲线 去包络线后的在相同位置光谱曲线（4） 对数据 2 去包络，选择光谱子集。因为它的特征波段为band10、39、 64，所以光谱子集可选 band8-13，band36-42，band61-67。（5） 得到的数据 2 的结果：原图像 ita_100 去包络后的图像原图像在（254,416 ）处的光谱曲线 去包络后的图像在相同位置的光谱曲线 结果分析：经过包络线去除后，不同地物光谱曲线的吸收特征
6、更加明显，而且光谱曲线都归一化到了 0-1 之间，首末位置为 1.可以用来光谱特征分析和波段选择。3、 对数据 1，2，3 利用 PCA 以及 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。实验原理：PCA 变换，理论上它是最佳变换。它是建立在统计特征基础 上的多维正交线性变换。也是基于均方误差最小的变换，多波段图像通过这种变换后产生一组新的组分图像。组分图像数目可以等于或少于原来图像的波段数目。一幅高光谱图像通过PCA 变换能够把原来多个波段中的有用信息尽量集中到数目尽可能少的新的组分图像中，使图像数据得到有效的压缩，而且还能够使新的组分图像中的组分之间互不相关。
7、MNF 变换，即最小噪声分离法，使变换后各成分按照信噪比而不是方差从大到小来进行排列。MNF 变换用于确定固有特征的分布范围，分离和平衡图像数据中的噪声，减低后续处理计算量。MNF 变换由两个串联的主成分变换来组成。第一个主成分变换基于噪声的协方差矩阵进行的，去除相关性，重新调节图像中的噪声分布。经过这个处理以后，噪声在各个波段之间没有相关性。第二个主成分变换是标准的主成分变换。在变换后的前几个分量图像按照方差大小顺序进行排列，向后方差一次减少，噪声逐步增大，甚至全部为噪声。操作步骤：一、（1） 数据 1PCA 变换选择Transforms-Principal Components-Forwa
8、rd PC Rotation-Compute New Statistics and Rotate，进行正向 PCA 变换。（2） 点击“Select Subset from Eigenvalues” 标签附近的按钮，选择“YES”。特征值将被计算，出现Select Output PC Bands 对话框，列表显示着每一个波段和其相应的特征值。同时也为所有波段显示出每个波段中包含的数据变化的累积百分比。（3） 选择Transforms Principal Components Inverse PC Rotation，对正向变换后的结果进行反向 PCA 变换。选择前四个波段为光谱子集（4） 当出现
9、标准ENVI 选择文件或子集对话框时，选择输入文件，并用标准ENVI 文件选择程序建立需要的子集。出现另一个文件选择对话框，在当前输入数据目录中，列表显示出了已经存在的统计文件。经过PCA反变换后的图像经PCA反变换后的光谱曲线（529,474）原始图像光谱曲线（529，474）（5） 对数据2进行PC变换原始图像PC反变换后的图像原始图像光谱曲线（256，417）PC变换后的光谱曲线（256，417）（6） 对数据3进行PC变换原始图像变换后图像原始图像光谱反射率曲线（221，3577）变换后图像光谱反射率（221，3577）二、（1）对数据1进行MNF变换选择Spectral-MNF Ro
10、tation-Forward MNF-Estimate NoiseStatistics from Data ,进行正向MNF 变换。（2）当出现Forward MNF Transform Parameters 对话框时，在标有“Enter Output Noise Stats Filename .sta” 的文本框里键入一个用于噪声统计的文件名，在标有“Enter Output Stats Filename .sta” 的文本框里，键入一个用于MNF 统计的输出文件名。（3） 选择Transforms MNF Rotation Inverse MNF Transform，进行反向MNF 变换。
11、（4） 出现标准ENVI 文件和子集选择对话框时，用标准ENVI 文件选择程序选择并抽取正向MNF 变换图像计算的子集。代表性地，根据正向MNF 变换部分描述的程序，波谱子集被用来消除来自反向变换的以噪声为主的图像。（5）得到MNF变换后的结果原始图像光谱曲线（531，483）MNF变换后光谱曲线（531，484）（6） 对数据2进行MNF变换MNF 变换后的图像原始图像光谱曲线（256，412）MNF 变换后的光谱曲线（ 256，412）（7） 对数据3进行MNF变换MNF变换后的图像原始图像光谱曲线（273，3559）MNF变换后的光谱曲线（273，3559）结果分析：实验结果表明，经过P
12、CA 和MNF 变换后的图像光谱特征曲线较原图像要更为平滑，特征更为明显。4、 分别利用神经网络，光谱角，二值编码三种方法对数据 3 进行分类，并计算误差矩阵与 kappa 系数实验原理：光谱角度匹配是比较待识别地物向量与已知地物向量的广义夹角，来确定每类地物的归属。广义夹角定义如下：Cos()=X|由于光谱角度匹配只利用了角度这一唯一的参数，只有当待识别像元的类内方差较小，类间方差较大，且矢量的模中的信息对分类影响不大时，才能得到较高的分类精度。操作步骤：（1） 利用光谱角对数据3进行分类和计算误差矩阵与Kappa系数（2） 选择感兴趣区，然后保存。打开ROI工具，对感兴趣区进行选择。（3）
13、 选择Classification-Supervised-Spectral Angle Mapper，进行波谱角分类，得到分类图像如下：（4） 采用地表真实感兴趣区显示一个混淆矩阵的记录的方法，选择Classification-Post Classification-Confusion Matrix- Using Ground Truth ROIs。（5） 再次选取感兴趣区，此时选的要与第一次选取的感兴趣区不同。（6） 在分类后处理中选择混淆矩阵分析，再选基于地表真实感兴趣区，出现Match Classes Parameters 对话框时，可以在两个列表中选择匹配的名字，点击“Add Combination”，将地表真实感兴趣区与分类结果相匹配。
