高光譜遙感數據處理系列（一）

地表反射的太陽輻射包含著豐富的信息，從太陽外層大氣的吸收到地球大氣的吸收，經過與地物的相互作用反射回大氣，最 終被傳感器捕獲。高光譜遙感可以在每個像元獲取高分辨率的光譜數據，這些光譜信息提供了一種理解事物的新的維度。下圖展示了幾種典型地物的光譜?？梢钥闯霾煌匚镎宫F出顯著不同的光譜特征。除此之外，同種地物在不同狀態下，也可能在特定波段展現出顯著不同的光譜特征。通過比對光譜數據，可以實現對地物區分，狀態區分，異常監測等難以通過傳統遙感手段實現的應用。高光譜遙感被廣泛應用于農林業、礦業、環境、保險、等領域。

太陽輻射與典型地物反射率

通常彩色影像有紅綠藍三個波段，多光譜影像有幾到十幾個波段，而高光譜影像有著幾十到上百個波段。波段的增加除了提高了信息量，還使得數據量成比例增加。這種數據量對計算機的性能提出了較高的要求，更多的是要求對處理者新的思路和方法。在接下來的文章中，我們將詳細介紹高光譜數據的處理流程與方法，希望能在此過程中給讀者以新的思考。

Hyperspectral light sheet microscopy | Nature Communications

ENVI (The Environment for Visualizing Images) 是美國Exelis Visual Information Solutions 公司的旗艦產品。它是由遙感領域的科學家采用交互式數據語言IDL (Interactive Data Language) 開發的遙感圖像處理軟件。ENVI已經廣泛應用于科研、環境保護、氣象、石油礦產勘探、農業、林業、醫學、國防&安全、地球科學、公用設施管理、遙感工程、水利、海洋、測繪勘察和城市與區域規劃等領域。

雙擊ENVI圖標打開ENVI軟件，可以看到ENVI軟件的主界面由以下六個部分組成：①菜單欄、②工具欄、③圖層管理窗格、④圖像顯示部分、⑤工具箱、⑥狀態欄。

ENVI軟件的布局如圖所示，首先點擊 依次點擊①菜單欄->File->Open，在彈出的對話框中選取所需要的文件，

 一般的ENVI文件由兩部分組成，文件本體和頭文件（.hdr）。文件本體記錄了文件的數據信息，而頭文件中記錄了關于這些數據信息的描述。使用記事本文件可以直接打開hdr文件，可以看到其中包括了：

• 操作記錄

• Samples：柵格列數

• Lines：柵格行數

• Bands：波段數

• Header offset：文件開頭到實際數據起始位置的偏移量

• File type：文件類型

• Data type：數據存儲類型，用數字表示bit位數

• Interleave：存儲順序

• Map Info：圖像采用的投影系統參數，坐標系統及單位

• Coordinate System String：詳細的坐標系統信息

• Wavelength：每個波段所對應的波長

兩個文件應該放在同一目錄下面，ENVI在讀取時會自動進行關聯。

    任選其中一個文件都可以打開該文件，但是ENVI對兩個文件的處理方式有所不同。如果選擇.hdr文件，ENVI會直接載入顯示文件的第 一個波段，如下圖所示。使用鼠標滾輪可以對圖像進行縮放操作，使用②工具欄中的工具可以對圖像進行拖動縮放等一系列操作。加載成功的圖像會顯示在③圖層管理區，通過點擊圖像前面的勾選框來控制圖像在④圖像顯示區的顯示與否。

使用如果打開文件本體，ENVI會彈出Data Manager窗口

 該窗口包含三個部分，分別是①波段信息、②文件信息、③RGB波段選取。①中展示了所有波段的名稱，②中是經過處理后的頭文件信息，③是進行RGB合成的波段選取，點擊三種顏色的方框后，在①中單擊選擇波段，選擇完成后點擊Load Data。如果只想要顯示一個波段的灰度影響可以在①中選中目標波段后直接點擊Load Greyscale。

RGB 合成象素值的彩色圖，就是將三個波段的數據分別通過紅、綠、藍三個通道加載，然后進行渲染。

將多波段影像數據添加到地圖中之后，可使用多波段柵格數據集中的任意三個可用波段的組合來創建 RGB 合成圖。與僅處理一個波段相比，通過將多個波段共同顯示為RGB 合成圖通?？蓮臄祿占礁嘈畔?。

來源：簡書

    通常我們選取650nm、550nm和450nm分別賦給RGB通道進行合成以獲得最 佳的顯示效果。顯示效果如下圖：

在②工具欄中選擇按鈕，ENVI會在圖上顯示框標，并彈出光譜特征（Spectral Profile)窗口。光譜特征窗口中顯示了框標中心白點所在像元的光譜曲線。如下圖所示：

點擊光譜特征窗口中的    ，可以對光譜曲線進行一些操作，如平滑，計算NDVI，顯示RGB波段所在位置等：

小結

    本文介紹了高光譜影像的基本原理以及簡單的讀取及可視化操作。使用ENVI軟件可以實現大部分簡單的高光譜數據處理。在接下來的教程中，我們將從植被指數提取、高光譜濾波、非監督分類與監督分類等方面介紹ENVI軟件的使用。除此以外，我們還將介紹基于Python的高光譜處理，從編程角度介紹高光譜相關知識，以及高光譜數據與大數據處理的結合。

參考：

【1】百度百科

【2】 www.jianshu.com/p/d0765ee89b86

高光譜遙感數據處理系列（二）

反射率與植被指數

來自地物反射/發射的光通過鏡頭被相機捕獲，使得傳感器被曝光。由于光電效應，傳感器上的每個像素傳感器上的電荷開始累計。經過相機芯片的轉換，這些光信號以數字的形式存儲下來，這些數字被稱為DN值。

輻射亮度 （Radiance），簡稱輻亮度 ， 指面輻射源在單位立體角 、 單位時間內 ， 在某一垂直于輻射方向單位面積 （法向面積） 上輻射出的輻射能量 ， 即輻射源在單位投影面積上 、 單位立體角內的輻射通量 。輻亮度是最常用的度量光強弱的物理量之一。輻亮度可以進一步用于反射率的計算。

DN值可以看作由輻亮度與相機屬性主導的變量。去除DN值中由于相機屬性引起的變化，將其轉化為輻亮度的過程稱為輻射定標。通常該過程由相機廠商進行處理，或者廠商會提供用于定標的關鍵參數。

物體反射的輻射能量占總輻射能量的百分比，稱為反射率。不同物體的反射率也不同，這主要取決于物體本身的性質(表面狀況），以及入射電磁波的波長和入射角度，反射率的大小范圍總是小于等于1，利用反射率可以判斷物體的性質。

在使用無人機進行實際觀測時，通常使用地物輻亮度除以白板或反射布所在像元的輻亮度作為反射率。

從空間量化植被覆蓋、生物化學、結構和功能是研究和理解全 球變化、生物多樣性和農業的關鍵。實際上，遙感在很大程度上依賴于使用源自光譜反射率的植被指數 (Vegetation Indices, VI)。VI 是幾個波段反射率的數學變換，旨在最 大限度地提高對特定生物物理現象（例如，綠度、含水量或光合作用活動）的敏感性，同時最 大限度地降低對土壤特性、太陽光照、大氣條件和傳感器觀察等因素的敏感性。

典型植物的反射光譜。

植物光譜最顯著的特這就是紅光范圍的強吸收與近紅外區域的強反射，兩個波段之間的快速上升波段稱為紅邊。

紅光波段的強吸收是由于植被葉綠素的吸收，而近紅外波段的強反射是由于植被的葉片結構導致的。

通過兩個波段進行差分或比值可以凸顯出植被在這兩個波段的反射特性的差別。同時，差分或比值運算可以去除兩個波段中包含的背景信號及噪聲。

不同的波段或組合形式側重展現了不同的植被特性。植被指數是對地表植被狀況的簡單、有效和經驗的度量。目前已經出現了上百種不同的植被指數。ENVI中包含了其中7類 27種植被指數。

主界面功能區

在主界面⑤工具箱中搜索欄中可以方便地對所有工具進行檢索，輸入 Vegetaton Indices Parameters ，打開該工具如下所示：

鼠標單擊所需要的植被指數，然后點擊 Choose 選擇文件的存儲位置。此外ENVI還提供了將數據存儲到內存的選項 Memeory，但是這些數據在ENVI關閉后會被刪除。所以選擇存儲到內存時，ENVI會彈出二次確認對話框，繼續選中Memeory確認即可。

ENVI的幫助文件中詳細展示了各種植被指數的公式及參考文獻。在菜單欄 Help 中打開-> 在左側 Contents 選項卡中的Vegetation Analysis。關于植被指數的發展和使用場景還可以參考 Xue J, Su B. Significant remote sensing vegetation indices: A review of developments and applications[J]. Journal of sensors, 2017.

在獲取植被指數后，可以利用這些指數進行地表參數估算或者進一步進行實際應用，ENVI中提供了幾種植被指數的實際應用工具，包括林木健康分析（Forest Health Vegetation Analysis）、農作物脅迫（Agricultural Stress Vegetation Analysis）、易燃性分布分析（Fire Fuel Vegetation analysis），以及植被抑 制（Vegetation Suppression）。

這些應用工具結合幾類不同植被指數對植被進行評估，以林木健康分析為例，首先在主界面⑤中搜索欄中輸入 Forest Health Vegetation Analysis ，雙擊打開林木健康分析工具：

該工具通過三類不同的植被指數：綠度指數，葉色素指數，冠層水分或光能利用率指數。ENVI內置了模型進行閾值篩選，綜合分析多種指數，將植被的健康狀況分為9種。

波段運算

如果需要使用內置植被指數以外的指數進行運算，可以使用ENVI中的Band Math工具。這里分別對窄波段和寬波段植被指數的計算進行介紹。

窄波段歸一化植被指數：

首先在主界面⑤中搜索欄中輸入 Band Math，雙擊打開波段運算工具：

在Band Math中輸入所需要的表達式，這里需要注意的是，ENVI默認用b1，b2...來表示不同的變量，比如這里我們用到了兩個波段680nm和800nm，分別用變量b1和b2來表示。在Enter an expression中輸入(b2-b1)/(b2+b1)，點擊ok，會彈出變量與實際使用波段的匹配對話框。

首先在①中單擊選擇需要賦值的變量，接下來在②中選擇所對應的波段（如果不同波段是分開存儲的，選擇Map Variable to Input File可以將整個文件賦給某個變量）。在有所變量選擇完畢后，點擊OK。結果如下圖所示：

寬波段NDVI：

通常機載成像光譜儀的光譜分辨率可以達到亞納米/納米級。而常用的衛星數據如Landsat系列和MODIS產品的光譜分辨率較寬，針對這些衛星遙感產品開發的植被指數基本都是寬波段植被指數。為了使用機載成像光譜儀進行寬波段植被指數的計算需要先對波段進行聚合，這里我們以Landsat系列的寬波段為例進行手動寬波段NDVI計算（Vegetaton Indices Parameters中也提供了一些寬波段VI的計算，這里另外介紹手動波段聚合的操作方法）。

Landsat 9 的傳感器如下所示：

• Band 1 Visible (0.43 - 0.45 μm) 30-m.

• Band 2 Visible (0.450 - 0.51 μm) 30-m.

• Band 3 Visible (0.53 - 0.59 μm) 30-m.

• Band 4 Red (0.64 - 0.67 μm) 30-m.

• Band 5 Near-Infrared (0.85 - 0.88 μm) 30-m.

在⑤工具箱中搜索欄中Sum Data Parameters,打開波段聚合工具。

在①中選擇輸入文件，然后點擊 Spectral Subset ，在彈出的波段選擇窗格中，對要進行聚合的波段進行選?。ò醋hift進行連續多選，按住Ctrl進行多選）。

點擊OK進行確認。

Sum Data Parameters 提供了多種波段聚合函數，這里選擇Mean函數進行聚合。依次對幾個波段進行聚合后的，我們得到以下文件。

接下來可以用Band Math進行寬波段NDVI的計算，計算方法同上。

小結

自遙感領域出現以來，植被指數扮演著重要的角色，并且一直在發展完善。本文介紹了反射率和植被指數的概念，植被指數的原理，使用ENVI進行植被指數計算，以及手動窄/寬波段植被指數的計算。了解其背后的植物生理學知識，是正確使用這些指數的必要條件。

高光譜遙感數據處理系列（六）

非監督分類是一種面對數據本身的分類方法，與之相對應的：監督分類，則是面向先驗知識的分類方法。監督分類是指給定已知類型的數據，通過建模的方式將這些數據與對應的類型建立映射關系，并將這種關系應用到未知類型的數據上的過程。如果每種類型用一個數字來表示，分類任務可以看做回歸分析的一種特例。

主界面分區

ROI工具

監督分類需要有已知類型的數據集作為先驗知識進行訓練，稱為訓練集。一般可以通過目視解譯，或者實地樣方調查的方式獲取訓練集。構建訓練集的方法如下：

在主菜單②工具欄中點擊打開Region of Interest（ROI) Tool，進行興趣區選?。?/p>

ROI工具

最基本的ROI選取過程如上圖所示，首先選擇①工具添加新的ROI范圍，在②中調整ROI的名稱和顏色，在③中選擇繪制ROI的圖形形狀，④在圖上繪制ROI，完成后右鍵Accept shape type。如果想要繪制帶有空洞的圖形，可以點擊復選框⑤所示的Multi Part復選框，然后在影像上繪制兩個疊加的圖形，完成后右鍵 Accept。

使用File可以進行ROI圖層的讀取與保存

如果選取好了ROI可以使用Options可以利用對ROI本身進行融合（Merge（Union/Intersection）ROI）,計算離散度（Compute ROI Separability），或者使用對ROI范圍內的圖像進行統計（Compute Statistics from ROIs）。另外也可以使用ROI對圖像進行裁剪。

除了使用不同形狀進行框選，還可以使用像元，自動區域生長，閾值選取等方式產生ROI。

在ENVI的幫助文件中詳細介紹了這些工具的使用方法。在主界面①菜單欄 Help 中打開-> 在左側Contents選項卡中的:book:ROIs, Vectors, Annotations，請讀者自行查閱。

監督分類

在訓練集選擇完畢后就可以進行監督分類，ENVI中提供了多種監督分類的工具，包括：

• 平行六面體（Parallelepiped）

• 最 小距離（Minimum Distance）

• 馬氏距離（Mahalanobis Distance）

• 最 大似然（Maximum Likelihood）

• 神經網絡（Neural Net）

• 支持向量機（Support Vector Machine）

• 波譜角（Spectral Angle Mapper）

這里我們介紹兩種監督分類方法，最 大似然法和波譜角方法。

01最 大似然法

在ENVI的幫助文件中詳細介紹了各種分類方法的原理。在主界面①菜單欄 Help 中打開-> 在左側Contents選項卡中Classification->Supervised Methods中，最 大似然法定義為:

最 大似然分類假設每個波段中每個類別的統計數據呈正態分布，并計算給定像素屬于特定類別的概率。每個像素被分配到具有最 高概率（即最 大似然）的類別。

根據該定義，最 大似然法將每個類別投影到特定的分布上，分類問題被轉化為分布相似性問題。

在主界面⑤中搜索Maximum Likelihood打開最 大似然分類工具。首先要選擇進行訓練的數據，需要強調的是，我們選擇在上篇文中生成的主成分分析的結果進行分類，而不是影像本身，具體原因在上篇文章中有詳細描述。

分類結果如下所示：

02波譜角方法

光譜角映射器 (SAM) 是一種基于物理的光譜分類，它使用 n 維角度將像素與參考光譜進行匹配。該算法通過計算光譜之間的角度并將它們視為維數等于波段數的空間中的向量來確定兩個光譜之間的光譜相似性。SAM 使用的端元光譜可以來自 ASCII 文件或光譜庫，或者您可以直接從圖像中提取它們（作為 ROI 平均光譜）。SAM 比較端元譜向量與 n 維空間中每個像素向量之間的角度。較小的角度代表與參考光譜更接近。

在主界面⑤中搜索Spectral Angle Mapper打開光譜角工具，在端元集合（Endmember Collection：SAM）中導入選取的ROI，將上一步選取的ROI所在范圍的光譜均值作為特定類別的標準光譜。SAM的本質是將分類問題轉化為對比未知類別數據與標準光譜的余弦距離的問題。需要強調的是，我們選擇主成分分析的結果進行分類，而不是影像本身，具體原因在上篇文章中有詳細描述。

分類結果如下所示：

小結

本文中我們介紹了兩種監督分類的方法，相對于非監督分類，監督分類通過融入先驗知識，提供了有明確類別的結果，這大大減少了進行后續處理的成本。但是對于遙感應用來說，獲取地面真值的成本較高，通過目視解譯的方式會不可避免地引入人為誤差，給結果帶來不確定性。正如上一篇文章提到，數據和特征決定了分類的上限，而分類的方法只能逼近這個上限。如何構建質量高、數量多的訓練集，權衡成本是監督分類需要考慮的問題。