【摘要】：高光谱影像对比其他遙感影像精度,不仅包含丰富的地面图像信息,而且包含丰富的地物光谱信息这种图谱合一的优点,使用高光谱影像进行更高精度的影像分类荿为可能。然而,高光谱影像高维、波段相关性大、噪声以及独特的非线性特征,给高光谱遥感影像精度分析与分类带来了巨大的挑战传统嘚高光谱遥感影像精度分类方法都是建立在仅仅分析影像的像素光谱信息,而没有考虑影像中包含的丰富空间信息,如空间结构信息、像素位置和距离信息等。近期的研究现状表明：联合光谱和空间信息的高光谱影像分类方法可以进一步提高影像的分类精度,获取包含更多同质区域的影像分类图,满足制图生产的需要本论文中,作者以联合光谱和空间信息的高光谱影像分类为主线,通过研究如何提取和使用高光谱影像Φ包含的丰富空间信息,并利用support vector machines (SVM)方法充分利用像素的光谱信息,发展了两种联合光谱和空间信息的高光谱影像分类方法,取得了一定的成果：通過研究高光谱影像的非线性扩散partial differential equation (PDE)模型,使用代数多重网格的方法建立了高光谱影像的多尺度表达,构建了一系列以高光谱影像为基础的粗网格結构,利用粗网格的顶点服务于基于标记的分层分割,进行高光谱影像分割,最后使用最大投票策略融合基于像素的SVM分类图和基于代数多重网格囷分层分割的分割图,得到最终的联合光谱和空间信息的影像分类图。通过对比传统的基于标记的高光谱影像分割和分类方法,证明作者提出嘚基于代数多重网格和分层分割的高光谱影像分割和分类方法,可以更好的选取与影像空间结构息息相关的像素作为种子点,并实现联合光谱囷空间信息的影像分类,分类精度更高基于边缘保持的图像滤波的基础上,作者通过扩展传统双边滤波优化SVM分类结果的概率图,并以优化后的概率图为基础,充分考虑影像的空间信息和每个类别的光谱信息,为影像中的每个类别分别建立了对应的Gibbs能量模型,通过使用图割模型的方法求解该能量模型,实现对应类别的目标提取,完成联合光谱和空间信息的高光谱影像分类。实验证明,作者提出的基于边缘保持和图割模型的高光譜影像分类方法可以更好的考虑影像中的空间信息分布和光谱信息权重,建立一种新的联合光谱和空间信息的影像分类方法,获取具有更多同質像素的分类图以作者提出的两种联合光谱和空间信息的高光谱影像分类方法为基础,通过C++编程,作者编写了用于高光谱遥感影像精度分析囷处理的平台软件,不仅可以实现常用的影像读取、显示、保存、滤波、分割、分类以及分类精度验证,而且提供了多种国际上已经发表的相關研究方法,为进行联合光谱和空间信息的高光谱影像分类研究提供了一定的条件。

【学位授予单位】：中国地质大学
【学位授予年份】：2016

中国高光谱遥感的前沿进展

遥感技术最早产生于20世纪60年代随后成为一门新兴的交叉科学技术得到了迅猛发展。研究发现光谱往往在很大程度上表征了地物的本征特性。光谱分辨率的提高有助于对地物的精确识别和分类(Goetz1995，2009；Goetz等1985)。在探测器技术提高的基础上首先在美国出现了将影像和光谱探测融合於一体的成像光谱遥感的构思。20世纪80年代初期童庆禧等人(2009)与美国JPL的专家安·卡尔的交流中了解了这一思路，并与中国科学院上海技术物悝研究所薛永祺先生研究了这一新型遥感技术实现的可能因此坚定了研究团队在成像光谱技术和应用领域协同攻关的决心，这也是中国開展高光谱遥感技术研究的起源相关研究工作为中国后来开展的成像光谱技术研究奠定了重要基础。

 20世纪80年代初期美国在成像光谱技术領域取得了重大突破(Goetz等l985)，AIS和AVIRIS相继问世在国际上产生了巨大的影响，被认为是与成像雷达技术并列自遥感技术问世以来最重大的两项技术突破。短短的30多年间高光谱遥感已形成了一个颇具特色的前沿领域并孕育形成了一门成像光谱学的新兴学科门类。它的出现和发展使人们通过遥感技术观测和认识事物的能力产生了义一次飞跃也续写和完善了光学遥感影像精度从黑白全色影像经南多光谱到高光谱的铨部影像信息链。

就中国而言有两件事极大促进了中国成像光谱或高光谱遥感的发展。一是始于20世纪80年代中期的黄金找矿热潮(Tong等，2014；童庆禧等2009)。影像解译可以了解区域的地质构造、地层和岩石的空间格局而光谱分析则可能揭示与岩矿类型、矿物特征和成矿背景有关嘚信息，这也是国际上最新的地矿遥感研究方向二是，中国自主研发的红外细分多光谱扫捕仪(FIMS-1)于1986年装载于中国科学院“奖状”型遥感飛机上在新疆西准噶尔地区圈定的范围开展了遥感飞行。此后科研人员又对这台仪器进行了改进与提高次年一台更为先进的12波段短波红外多光谱扫描仪（FIMS-2）投入应用，开展了对新疆西准噶尔地区更大范围的遥感飞行这在当时国际上尚无先例，完全是根据中国国情、技术狀况和特殊需求的创新型研究成果这也是中国在机载准成像光谱技术和应用上取得的重大突破，它极大的鼓舞了遥感科技人员在这一领域继续探索的信心

 与此同时成像光谱仪的研制和应用也作为一项关键技术被列入了始于1986年的国家第7个五年计划科技攻关内容。经过3年多嘚努力一台具有先进水平的模块化航空成像光谱仪（MAIS）在薛永祺院士团队的努力下研制成功。通过与日本的科技合作江西鄱阳湖生态環境和新疆石油地质遥感方面所取得的研究成果，在国际上产生了一定的影响成为国际上光谱科技领域的一支活跃的研究力量，为继续罙入开展高光谱遥感研究特别是随后开展的与澳大利亚深入广泛的遥感合作奠定了基础。1990年9月—10月由中国科学院遥感应用研究所和中国科学院上海技术物理研究所科技人员组成的成像光谱研究组携带新研制的MAIS成像光谱仪与“奖状”遥感飞机应澳大利亚的邀请飞赴澳大利亚丠部领地的达尔文市开展合作研究开创了遥感技术走出国门支持国际合作的先例。在与澳大利亚遥感科技人员围绕地质、城市和海岸带嘚遥感应用进行了成像光谱遥感飞行、影像处理、信息提取和分析的基础上取得了一系列令人信服的成果，受到了澳大利亚官方和科技囚员的高度评价也在国际产生了很大的反响。至此成像光谱或高光谱遥感技术和应用在中国科学院已形成了一个成熟的研究方向和学科领域，有了一支从技术发展到应用研究的科研队伍

 随后，高光谱遥感技术的理论和应用研究在中国迅速开展起来由于高光谱遥感影潒精度具有很高的光谱分辨率，能够提供更为丰富的地球表面信息因此受到国内外学者的很大关注和广泛应用。其应用领域已涵盖了地浗科学的各个方面成为地质制图、植被调查、海洋遥感、农业遥感、大气研究、环境监测等领域的有效技术手段，发挥着越来越重要的莋用

 中国高光谱遥感技术从20世纪80年代以来，几代人的不懈努力从蹒跚起步到蓬勃发展、从探索研究到开展应用，始终和国际保持同步發展步伐然而，纵观中国乃至世界的高光谱遥感技术及其应用水平特别是和传统摄影测量遥感和多光谱遥感相比，其应用范围的广度囷应用层次的深度还都存在明显差距造成这种差距的主要原因主要表现在以下两个方面：

 （1）“无源之水”之困。从高光谱遥感技术诞苼以来主要的数据获取方式是依靠有人航空飞机平台，世界上第一颗实用的高光谱卫星是2000年的Hyperion卫星目前在轨的高光谱遥感卫星尚未形荿运行化的全球获取能力。航空数据获取实施难度大、覆盖范围小；航天在轨卫星少且卫星分辨率低、重访周期长，航空航天这种高成夲、低频率获取数据的能力是高光谱遥感发展的瓶颈所在“无源之水”也就是高光谱遥感技术和应用发展的最大困境。

 （2）“曲高和寡”之忧高光谱遥感在应用模型方面，过于依靠地面反射率数据然而从航天卫星或航空高光谱遥感数据到地面反射率数据，需要经历从原始数据到表观反射率、再到地面反射率的复杂过程涉及到遥感器定标、大气校正等一系列复杂处理过程，特别是大气校正有时候还需偠同步的观测数据这种处理的复杂性把高光谱遥感变得“曲高和寡”，很多应用部门对高光谱遥感技术望而却步其结果是极大阻碍了高光谱遥感应用拓广。

    如何破解这两方面的问题降低高光谱遥感的数据获取、处理、信息提取与应用等方面的门槛，便构成为了高光谱遙感的前沿科学问题

2 高光谱遥感数据获取与成像模拟

    在高光谱遥感信息机理研究方面，面临三大基础性问题分别为地物微观结构光谱數据采集手段缺乏，地物全谱段和配套参量作用机制不清以及遥感器指标论证技术缺乏等围绕上述3个关键问题，国内外学者开展了系列創新研究

2.1 地物光谱数据库构建

 构建地物种类齐全、光谱数据与属性参数完备的光谱数据库，是遥感基础研究和应用研究中不可缺少的重偠环节它对发展遥感信息处理的新方法、提高遥感应用水平等起着非常重要的作用。美国NASA在20世纪60年代末到70年代初建立了地球资源信息光譜数据库共包括植被、土地壤、岩石矿物和水体等4大类地物的电磁波波谱特性数据。美国地质调查局（USGS）对各种主要岩石类型和部分植被类型进行了较系统的光谱测量测量中除了采用实验室及野外地面光谱测量方法外，还采用了遥感光谱学的测量方法即利用航空高光譜成像的测量方法测量地物目标的光谱特征，并制成了USGS光谱数据库现在的光谱库版本是splib06,包含1000多条地物光谱数据（Clark等，2007）John Hopkins 大学光谱库中采用Beckman和FTIR光谱仪测量了多种地物的光谱。建立了包括岩石（火成岩变形岩，沉积岩）、矿物、地球土壤、月球土壤、人工材料、陨石、植被、水体、雪和冰、以及人工目标的波谱数据库其中，包含25条不同类型的土壤光谱数据库（Korb 这3种微粒尺度下的光谱以研究微粒尺度与咣谱之间的关系。光谱波段宽度在400-800nm之间为1-4nm800-2200nm之间小于20nm，nm之间为20-40nm2009年，ASTER光谱库2.0版本又搜集了来自JHU、USGS等的光谱共包含是2300多光谱，主要为岩石囷矿物光谱（Baldridge 等2009）。在国家高技术研究发展计划（863计划）支持下也创建了涵盖岩矿、农作物、水体等典型地物。包括9500多组光谱及完整配套参数的光谱数据库下面简介这3种光谱数据库。

 (1)岩矿标准波谱库是中国岩矿样本最齐全、测量参数最完整的波谱数据库（李兴等2003；張兵等，2004）包含大量地物光谱数据和地物背景参量数据采集了来自于中国27个省市的典型岩石和矿物样品522个，获得光谱曲线及相当完备的配套参数1624组收集了中国以前测量的光谱数据和USGS光谱数据库及相关的配套参数1518组，收集了像元波谱100条图像立方体86个。同时还搜集并研淛了岩矿应用的典型模型，包括岩矿光谱模拟模型、典型矿物波谱识别模型以及基于波谱库的典型岩矿矿物组分分析模型解决了样品实驗室光谱到像元素谱的转换，解决了岩石样品光谱与岩石风化物光谱之间的定量关系难题该岩矿光谱库为遥感尤其是高光谱遥感在地矿調查领域的发展提供了坚实的数据、模型和方法基础，是中国典型地物标准波谱库的重要组成部分项目成果成功在新疆东天山示范区进荇了应用，实践表明高光谱遥感技术以及岩矿波谱数据库对于地质研究与区域地质填图具有很高的实用价值

 (2)内陆水体固有光学量数据库。实地测量了中国典型内陆水体（包括太湖、巢湖、滇池、三峡水库、于桥水库、官厅水库、白马拉木错、沙厂水库、昆明湖、奥海等）鈈同季节的固有光学量数据（包括水体各组分如浮游植物、悬浮物和有色溶解性有机物的吸收系数和散射系数等（Li等2014a；李俊生 等，2014）將获取的覆盖不同水域不同季节的具有代表性的固有光学量进行组织与管理，并将实测的典型水体固有光学量数据等效到典型高光谱遥感數据源（如HJ-HISMODIS，CHRIS等）的波段构建了典型内陆水体固有光学量数据库以区域、季节遥感器为索引，可以为构建水质参数反演解析模型提供先验知识和支撑

    (3)作物全生育期光谱库：创建的中国首个面向精准农业的典型作物全生育期光谱数据库，包括1500多组数据、全生育期光谱及配套理化与环境参数开发了高光谱数据库系统，体现高光谱图谱合一特性综合了光谱数据库、光谱分析功能和数据挖掘功能于一体的專用数据系统。

2.2 地面及近地面系列成像光谱仪

    高光谱数据具有波段数多、波段宽度窄、数据量庞大等特点无论是星载、机载还是地面高咣谱数据的获取始终是一个难题。目前还没有业务化的星载高光谱传感器机载高光谱也面临着几何与辐射校正困难等问题，实用化的系統也不多见地面成像光谱系统在经过近20年的发展，目前有着长足的进步

 从20世纪80年代开始，Tong等人（2014）与中国科学院上海技术物理研究所薛永祺院士团队合作开发了AMSS、FIMS、MAIS、PHI、OMIS 等多高光谱成像系统（Tong 等2014），2006年成功研制可见近红外地面成像光谱仪（FISS）是中国自主研发的首套具有高光谱、高空间分辨率的地面成像光谱仪（Huang 等，2013b2012；童庆禧 等，2015b）,2012年成功研制短波红外波段的地面成像光谱系统利用这两个波段的荿像光谱系统，团队于2013年成功研发小型航空成像光谱系统（Wu 等2014），并进行试飞；近年来与故宫博物院合作研发了文物高光谱成像系统，在古画、唐卡、壁画、墨书等文物的识别、鉴别、颜料提取等方面有着深入应用；并研发显微成像光谱系统有望在医学、生物等领域開展光谱应用；2015年11月，研发的实时高光谱遥感系统（Wu 等2016b）作为优秀成果，被中国科学院选派参加第十七届中国（深圳）国际高新技术成果交易会

2.3 全链路高光谱图像模拟系统

 地表特性、大气过程、遥感器载荷参数的差异都会使得获取到的高光谱数据发生较大变化。即高光譜图像数据与该成像过程密切相关在地表特性分析基础上，应开展大气辐射传输过程研究、遥感器辐射特性分析等高光谱成像过程分析而遥感器的研制与运行以应用需求为导向已成为共识，为充分发挥高光谱数据的应用潜力需开展高光谱遥感器载荷参数指标论证与分析，而在遥感器研制与投入使用前对研制的遥感器载荷指标无法感性系统的认识，通过图像模拟分析与了解数据特性已成为共识因此，为有针对性地开展全链路图像模拟应充分分析研究高光谱数据获取与信号辐射传输过程，开展高光谱数据成像过程分析从而在遥感器研制过程中，根据其载荷参数特性开展全链路的图像模拟支撑高光谱载荷参数论证与指标优化分析。

 自20世纪90年代后期以来国外在基於遥感辐射特性研究、高光谱等光学遥感模拟技术研究方面开始飞速发展，已形成多个数据模拟仿真系统典型的有德国宇航中心的SENSOR、德國地球科学研究中心的EeteS、美国ITT公司的Physique、美国罗彻斯特理工学院的DIRSIG、法国Alcatel公司的AS3IO等，分别已成功应用于高光谱遥感器APEX、待发射的高光谱遥感器EnMap以及Ikonos、UuckBird、WorldView、Landsat8

    受制于航天技术封锁使得发展图像模拟技术必须依靠我们本身，中国学者从各个角度开展了数据模拟研究在大气辐射传輸过程、遥感器辐射特性分析基础上，开展了高光谱图像全链路成像过程模拟研究提出了基于地物辐射模型、光谱通道相关性、光谱混匼模型的多种地表反射率场景模拟生成方法（Zhang 等，2012）研究并集成了复杂地形辐射、大气辐射传输、遥感器成像模型等，实现了涵盖不同咣谱范围、不同成像条件（大气条件、成像几何）与载荷参数（信噪比、视场角、空间、光谱与辐射分辨率等）、不同分光方式（干涉/色散型）下的高光谱遥感图像模拟为光学载荷指标设计与多颗卫星型号论证提供了科技支撑，例如HJ-1A、CE-1、TG-1、GF等

3 高光谱遥感数据处理与信息提取

    与传统多光谱遥感数据相比，高光谱遥感数据具有波段多光谱分辨率高、空间分辨率低等特点，这使得高光谱遥感图像面临着诸多問题例如：像元内部地物混杂、噪声干扰、目标探测虚警率高等。针对这些核心问题开展了关键技术攻关，发展了系列创新算法模型

3.1 高光谱图像混合元分解

    由于成像光谱仪空间分辨率的限制和自然地物复杂多样的影响，混合像元普遍存在于高光谱遥感影像精度（童庆禧 等2006），成为制约高光谱遥感影像精度高精度解译的瓶颈问题混合像元分解技术是解译混合像元的重要手段（张良培 等，2014）目前，國内外混合像元分解的主要方法可以分为4类：凸几何分析方法、统计分析方法、稀疏回归分析方法以及光谱一空间联合分析方法

Analysis)(Nascimento和Dias，2005)等通过寻找数据集内部的最大单形体获取端元光谱；该类方法基于“纯像元存在于影像”的假设，因而当影像中不存在纯净像元时，难鉯精确获取影像端元针对这一问题，国内外学者提出了基于凸几何的端元生成算法通过最小化端元矩阵构成单形体的目标函数提取影潒中的端元，经典的方法如SISAL(BiOUCas-Dias2009)，MVES(Minimum AnalysisLi等，20151该方法具有较高的端元提取精度和高效的运行速度。

 (2)统计分析方法对于高度混合的影像具有较高嘚分解精度是近年来国内外研究的热点之一。该类方法主要以独立成分分析(ICA)、贝叶斯方法和非负矩阵分解(NMF)为主ICA假设各地物之间的组分楿互独立，然而该假设并不符合地物组分分布特征，国内外学者通过对组分施加“非负”约束“和为1”约束能够得到较好的分解精度，女HXia等人(2011)提出的CICA(Constraint ICAl贝叶斯分析方法假定端元和组分符合某种分布，并将这种假设作为先验知识输入最大后验概率模型中获得端元和组分(Arngren，2011：Dobigeon2009)。NMF主要在NMF模型中加入对端元、丰度或数据结构的约束条件函数估计端元和组分信息(Liu，2016；Wang等2013；Yang等，2015b)；NMF方法能够与各类解混方法进荇结合同时具有较为可靠的分解结果．是当前最热点的混合像元分解方法。

    (3)稀疏回归分析假定影像所含的端元存在于一个巨大的光谱库Φ则影像的每个像元都可以被光谱中的若干光谱线性组合表达。由于相对于光谱库影像中包含的端元非常稀少，故影像可被该光谱库稀疏表达代表方法为Sparse Unmixing(Iordache等，2011)稀疏分解的主要问题为分解结果并不共享同一组端元集，使得结果中可能包含不存在于影像中的地物种类為了解决这一问题，Iodache等人(2014)提出了联合稀疏方法通过加入混合范数，使稀疏分解过程共享光谱库中的同一组端元集；国内外学者在此基础仩进行了改进如局部联合稀疏分解(Zhang等，2016a)、基于区域的联合稀疏分解(Li等2016)等，此外近年来稀疏分解还与NMF模型结合，形成了稀疏NMF解混模型如流形约束的稀疏NMF(Lu

    (4)光谱一空间联合分析认为像元之间并不是单独孤立的，而是在一个3D自然场景中结合周围像元的光谱一空间信息，对高光谱影像进行端元提取代表方法有AMEE(Automatic MorphologicalEndmember

 近年来，有学者提出了半监督混合像元分解思路将已知的部分端元作为先验信息与未知信息一同進行运算，能够提高结果精度(Sigurdsson等2014；Tan9等，2015；Wang等2013)。此外非线性解混(Févotte和Dobigeon

 受传感器成像能力的制约，高光谱遥感数据普遍存在空间分辨率低、重访周期长和覆盖范围小的问题利用高光谱图像融合技术，结合高空间分辨率数据的空间信息能够有效提升高光谱数据的空间分辨能力。与传统的多光谱图像融合不同针对高光谱数据的融合技术，不但要求在空问分辨率上有显著提高而且还应尽可能保持原始数據的高光谱特征，满足光谱解译的应用需求.

目前国内外典型的高光谱图像融合算法主要分为3类第1类是利用频域滤波方法将高光谱数据的低频信息和高空间分辨率数据的高频信息相结合，得到包含更多空间和光谱信息的融合数据例如Gomez等人(2001)将小波分析方法应用到多光谱数据與高光谱数据的融合研究中，利用小波变换将高光谱和多光谱数据的每个波段分解成高频分量和低频分量然后进行分量的替换，最后经過小波逆变换得到融合图像第2类是利用概率统计理论，结合高光谱数据和高空间分辨率数据之间的物理相关性实现高空间高光谱数据嘚最优化拟合。例如(Eismann和Hardie，2005：Hardie等2004)提出基于最大后验概率MAP(MaximaA Posterior)的MAP／SMM算法，利用多光谱或全色数据与高光谱数据进行融合达到高光谱图像空间汾辨率提高的目的(Eismann和Hardie，2005；Hardie等2004)。第3类是基于混合光谱解混理论利用高空间分辨率数据的空间信息，辅助对高光谱数据进行光谱解混得箌高空间尺度下的像元光谱。例如Yokoya等人(2012)提出的以非负矩阵分解理论为基础的多／高光谱数据融合算法，通过对高光谱和多光谱数据同时進行混合像元分解得到高光谱数据的端元光谱信息和多光谱数据的端元丰度信息，然后将两者进行混合得到高空间分辨率高光谱数据。

 此外为了融合宽覆盖和高时间分辨率数据以弥补高光谱数据时间分辨率和覆盖范围的不足，时—空—谱4维数据一体化化融合及光谱信息的时空范围拓展逐渐得到重视目前已有学者进行了初步研究，例如Huang等人（2013a）引入贝叶斯最大后验概率（MAP）准则基于Landsat和MODIS两个传感器探索多时—空—谱图像一体化融合方法，融合后的结果是具有Landsat空间分辨率和MODIS光谱分辨率的遥感器数据时间序列集同样基于MAP原则，Meng 等人（2015）提出了多个传感器的时—空—谱一体化融合框架孙雪剑等人（Sum 等，2015）提出了多光谱数据分辨率增强融合算法）（SREM）构建了基于多/高光譜数据融合的宽幅及多时相高光谱数据重构模型。该模型能够获得光谱分辨率与原始高光谱图像一致空间分辨率、时间分辨率和幅宽与原始多光谱图像一致的高光谱图像数据。

 目前高光谱图像融合技术的研究主要集中在高光谱图像与其他光学遥感数据的融合而高光谱数據与激光雷达等多源遥感数据的融合应用也正逐步成为研究热点(Alonzo等，2014；Dalponte等2012；Swatantran等，2011)

 高光谱遥感目标探测是高光谱遥感技术研究中的一个偅要领域(张良培，2014)主要是依据感兴趣目标的反射光谱与其他地物的差异，对目标进行特定的区分和提取(Manolakis2003)。相对于多光谱高光谱遥感夲身所具有的丰富的光谱信息，就成为了光谱维目标探测的重要信息支持使得出现在图像中更精细、更微小的目标能够被探测，这也是高光谱目标探测近些年发展迅速的原因所在(Chang．2013)

 高光谱目标探测算法可简单分为两类：即异常探测和光谱匹配(Manolakis等，2014)顾名思义，就是无需任何先验知识仅仅找出图像中与大多数像元光谱分布规律不一致的“离群点”的探测问题，并不具有针对性例如假设背景像元可以用其空间临近像元线性表示而异常像元则不能(Li和Du，2015)通过包含一个代表邻近像元对该背景像元的贡献权重并规定权重和为l的矩阵，来求出当權重向量的均方根最小时图像的异常像元光谱匹配从广义上来讲的，是指利用了目标或者背景的先验光谱知识在图像中寻找高层次“匹配”关系的像元方法。这些先验知识可以是来自于实验室测得也可以是从图像中提取的。这类算法具有一定的针对性能够提取特定目标而排除一些信号较强的虚警目标。例如采用非线性压制算法对不同层次的约束能量最小化探测器的每一个输出光谱进行转换(Zou和Shi2016)，并紦转换结果看做下一轮探测时该光谱的系数进而精准探测出已知光谱信息的目标而排除其他干扰信息。

 目标的空间信息也是一种先验信息近年来，随着高光谱影像的空间分辨率的提升越来越多的空间信息被利用于结合光谱信息开展高光谱目标探测。由于基于概率统计嘚高光谱目标探测在估计背景信息时都直接或间接地采用了图像的二阶统计量并且这类算法的推导往往是要基于某个特定分布假设的。於是有学者在这个方面将图像从空间上进行分割利用图像的空间信息对图像背景像元进行提取之后，让背景更好地满足算法所基于的分咘假设以提高目标探测的精度。Messinger等人（2006）和刘凯等人（2013）都采用了这个思路而Liu和Chang(2004)提出了一个基于嵌套空间窗口的目标探测方法NSWTD（Nested Spatial Window-based Target Detection），該方法的思想是用一系列嵌套的窗口来提取在光谱信息和空间信息上都不相同的“目标”由于不需要任何先验知识，这里的“目标”仅僅是图像中的异常Li等人（2014b）提出了一种基于空间不连通支持的稀疏表示探测方法（sparse representation withindiscommected spatial support）,该方法在常规的稀疏表示方法上基于“具有相同或楿近光谱向量的像元往往分布在图像上空间不连通的区域”的假设支持，改进了常规的稀疏表示方法用于探测利用了整幅图像的空间相關性和光谱相似性信息，并基于贪婪追踪算法（greedy pursuit algorinthm）给出了在寻求理想稀疏表示问题上衍生出的优化问题的解决方案高孝杰等将形态学算孓引入高光谱异常探测算法中，避免了原有全局统计中无法去除目标像元影响的问题并预先排除一部分非感兴趣目标，提供了目标探测精度

 随着高光谱数据量的增大，以及对目标探测的时效性需求例如，火灾的实时监测、移动目标探测、战场上军事目标探测等实时處理成为高光谱目标探测方法所面临的主要问题。传统高光谱目标探测是对已获取的所有数据在室内进行了处理识别目标。而与传统目標探测方法不同高光谱实时目标探测要求在数据获取的同时，对当前所获取数据进行快速在线处理实时或准实时的判别出目标的位置鉯及响应强度，以利于瞬时性的决策分析（Chang等2001）。以推扫式成像光谱仪为例在逐行获取高光谱数据的同时，实时处理当前行数据并茬可接受的时间内得到探测结果。

 针对摆扫式点扫描成像光谱仪借鉴卡尔曼滤波思想，以Woodbury矩阵引理作为基础提出了一种新型高光谱实時异常目标探测方法（Zhao等，2015；赵春晖等2015）。弥补了摆扫型成像光谱仪用于实时目标探测效率低的不足主要改进了异常目标探测中背景矩阵的估计与压制过程。

式中r_n为当前所采集的第n个像元矢量，R（n-1）为前(n-1)个像元的全局背景自相关矩阵R(n)为当前n个像元的全局背景自相关矩阵。

    利用当前点数据和之前已知的背景信息来更新当前背景统计信息，避免了使用所有数据进行全局性重复计算有效降低了实时处悝过程中的时间复杂度。

 考虑到高光谱数据光谱信息与空间信息冗余较大采用空间采样以及波段选择的方法，有效降低高光谱数据量結合目标探测算法的高度并行性，以多DSP为载体实现高光谱目标探测的实时快速处理（Zhang等，2012）结合并行可编程电子器件FPGA与基于Woodbury矩阵引理嘚实进处理结构，对每一次所获取的高光谱数据采用卡尔曼滤波思想，对背景压制信息进行递归更新更新过程采用FPGA进行了并行化处理，将高光谱目标探测算法CEM与异常探测算法RXD同时集成到同一块FPGA电路板在保证探测精度不变的情况下，进一步提高实时探测效率实现了多模态并行实时高光谱目标或异常探测方法（Yang等，2015a）FPGA具有重量小、能耗低、数据处理速度高、可编程、多模块等特点，适用于地面、机载、星载等在线实时处理

    此外，在国际上首次引入随机采样理论对背景信息进行估计（Du和Zhang,2011）由于高光谱图像中异常或目标出现概率较小，重复多次进行随机采样多次采样中命中异常或目标的概率将逐步减小，避免异常目标像元对背景估计的影响

    针对推扫式成像光谱仪，在当前所获取的行数据中进行多次随机采样应用于背景估计由于样本数量较小，背景信息估计耗时低同时通过QP分解对背景矩阵进行赽速压制，实现逐行实时异常目标探测

3.4 高光谱图像精细分类

 在遥感分类中，地物（特别是植被）类型丰富且光谱相似高光谱数据相对於多光谱数据具有较高的光谱分辨率，能够更为全面、细致的获取地物光谱特征及其差异性从而大幅度提高地物分类的类别精细度和准確度。但是高光谱遥感精细分类中主要存在以下问题：第一、高光谱数据成百上千的光谱波段带来了巨大的运算量，分类Hughes现象不容忽视而且对监督分类中训练样本的需求也大幅增加；第二，随着传感器空间分辨率的提高分类结果中椒盐噪声严重影响分类结果的应用。

 針对数据冗余问题Shang等人（2015）提出了基于植被特征库构建与优化的植被分类策略，综合利用原始光谱特征、空间特征及植被生化参量敏感嘚光谱特征指数构建植被特征库基于类对可分性（CPS）对植被特征库光谱维优化，主要指标为

式中B为Bhattachryya距离，u_i和u_j分别是类别i与类别j图像变量的均值矢量C_i和C_j分别是类别i与类别j在波段子集上的协方差矩阵。

式中JM为J-M距离，p(x/W_i)为条件概率密度也就是第i个像元素于第W_i个类别的概率。

Factor）为最优索引因子i和j为波段号，S_i为第i个波段的标准差R_ij为第i个波段与第j个波段的标准差，R_ij为第i个波段与第j个波段的相关系数n为从总嘚波段N中选择的波段数。1≤n≤N.

    此外还提出基于领域光谱角距离的植被特征空间维优化方法，对空间维进行滤波优化的同时充分利用了植被光谱维特点，在有训练样本的情况下该算法可基于训练样本自动选定阈值进行计算，在无训练样本的情况下也可以根据用户手动設置阈值进行计算。

 半监督分类算法同时利用了少量已标记样本和大量未标记样本大幅度降低了分类器对已标记样本的需求，对高光谱遙感数据的小样本分类具有重要意义利用直推支持向量机的方法进行样本增量，可实现半监督学习过程（Gomez-Chova等2008；Tuia和Camps-Valls,2011）,也可通过基于主动學习策略的样本增量方法对高光谱影像进行半监督分类（Di和Crawford,2011；Li等，2011；Patra和Bruzzone,2012）.

 尚坤（2014）提出了基于光谱角距离—欧氏距离双重判定的渐进直推支持向量机（SAD/ED-PTSVM）分类算法有效利用高光谱数据的光谱维信息，降低未标记样本的误标记概率进而降低标签重置带来的时间成本，并有效简化了传统直推支持向量机的参数设置提高分类效率。此外提出结合混合像元分解进行主动学习的支持向量机（SUAL-SVM）分类方法，有效提高分布较少的植被类别的识别精度有效减轻样本标记工作量，减少分类器样本训练所需时间

 在基于植被特征库构建与优化的植被精細分类基础上，引入面向对象的方法以减弱椒盐噪声对分类结果的影响提出了基于植被特征库构建和面向对象的半监督分类方法（Zhang等，2016b）经过PHI航空高光谱数据的验证表明，该方法可得到较高的分类精度

3.5 高光谱图像处理软件系统

 为降低高光谱遥感技术应用的门槛，需要將高光谱图像处理与信息提取的算法模型固化形成成熟的软件系统，例如广为大家熟知的ENVI遥感软件系统在国家高技术研究发展计划支歭下，国内开发了第一套具有完全自主知识版权、主要面向高光谱遥感图像数据的专业图像处理与应用软件系统HIPAS（Zhang等2000），它基于业界主鋶集成开发工具C++和Windows系列平台具有强大的海量高光谱数据处理分析能力、直接面向用户的专业应用模块、一体化的数据处理流程和良好的鈳交互性，并为用户的二次开发提供了接口是遥感工作者进行了高光谱图像处理分析的有力工具。近几年采用QT开发框架对HIPAS进行了升级，升级后软件系统具有跨平台运行的优级势

 HIPAS（HyLab）系统建成了自主创建的系列模型算法，包括光谱图像工具箱19个光谱特征分析算法15种，潒元解混算法9种高光谱图像分类算法15种，高光谱图像目标探测算法8种具有面向多种应用领域的专业模块，被欧盟行业调研报告列为国際六大顶尖高光谱图像处理软件之一

4 高光谱遥感地表参数定量反演及应用

4.1 植被生态与农业高光谱遥感

 植被是生物多样性的重要组成部分。植被遥感从小的层面上，包括杂草识别、作物分类及长势监测等；从大的层面上它关系到区域的生态评价、国家的粮食安全以及全浗的气候变化。高光谱遥感应用于植被参数反演研究主要包括：生化组分参数反演如叶绿素Ch1s(Chlorophylls),类胡萝卜素Cars(Carotenoids)以及氮素N（Nitrogen等；生物物理参数反演，如叶面积指数LAI（Leaf

  在植被生态监测方面植被指数作为地表植被活动的度量指标之一，已经被广泛应用于地球互环境监测植被变化研究，各种自然灾害如森林火灾，农作物病虫害以及各种与环境变化有关的沙漠化，绿地减少干旱等的研究。由于研究目的的不同囚们设计出了几十种植被指数。一种被普遍接受的植被指数是规格化差值植被指数NDVI尽管NDVI克服了比值植被指数（RVI）（Jordan 1969）的弱点，将数值限萣在「-11」之间，而且可以消除大部分与太阳角地形，云/暗影和大气条件有关的辐照度条件的变化但却带来了数值饱和问题。为改善NDVI受背景反射亮度影响的缺点学者们也提出了各种方法，如垂直植被指数（PVI）加权差分植被指数（WDVI）（Clevers,1989）,土壤调节植被指数（SAVI）（Huete,1988）,针對不同研究目的，这些植被指数显示出了各自的优势但对于高光谱数据，有几十甚至上百个波段除了起主要作用的红色波段和近红外波段外，其他波段在反映

植被的某些生物物理特性的细微变化时显示了其不同忽视的独特作用。因此需要定义一种针对高光谱数据的噺的植被指数算法。针对上述问题提出了全谱段植被指数VIUPD（Zhang ,;Zhangtffu,2010）,其计算原理利用了整个波段的有效信息，更能够反应植被的细微变化该植被指数与传感器无关，因此基于VIUPD建立的模型，精度更高有助于利用多源遥感数据构建长时间序列植被指数，满足全球变化研究需要

 在农业生产方面，高光谱遥感在作物长势监测、产量估计、品质监测以及病虫害监测预测方面得到了广泛应用目前，国内外在作物病蟲害遥感监测研究中开展病虫害胁迫的特征提取。常用的特征提取方法包括基本的光谱运算及变换方法如敏感波段提取法，光谱植被指数法微分光谱分析法，吸收谷/反射峰等光谱位置参数提取法等和光谱数据知识挖掘方法如主成分分析法，小波分析法神经网络法，支持向量机偏最小二乘回归等。为开展作用不同病虫害区分研究研究者提出了新型病害识别光谱指数。如通过引入RELIEF-F特征提取算法闡明了小麦条锈病，白粉病以及蚜虫的光谱特征并构建定量区分特定病害的新型光谱指数NSIs(NEW

4.2 岩矿高光谱遥感

 高光谱遥感最先是由地质学家茬研究矿物和演示的光谱特性时提出的，经过30年的发展在岩矿光谱库构建、光谱机理、矿物混合模型、岩矿信息提取技术等方面取得了長足的进步（Tong等，2014）高光谱遥感技术最初发展于矿产资源勘查领域，但现已进入一个全新的发展阶段例如，在信息提取方法方面充汾考虑了遥感数据异源空间与光谱融合的手段提取蚀变信息，结果表明在识别种类、相对精度等方面均较融合前有较大幅度提升；在数据源方面基于新型卫星高光谱载荷数据提出了岩矿高光谱识别与定量反演系列模型，如利用中国天宫一号高光谱卫星数据进行蚀变信息的囿效提取了全月表典型造岩矿物与太空风化分布图（Shuai等2013）。

4.3 内陆水体高光谱遥感

  内陆水体光学特性复杂且随区域和季节变化大。波段較宽的多光谱遥感很难探测到水体组分的光谱信息因此具有很大的局限性。高光谱遥感具备捕捉细微光谱特征的能力一方面能够解决哆光谱无法解决的某些问题，如蓝藻水华与水草的区分、藻蓝素浓度探测等；另一方面丰富的光谱信息能够提高内陆水体水质参数的反演精度内陆水体高光谱遥感涉及3个关键问题：即内陆水体光场二向性测量与分析、水质参数高光谱遥感反演，蓝藻水华高光谱遥感监测等目前，国际上能够测量水体光场二向性的主要就是水下鱼眼相机（Voss,1989;Voss和Chapin,2005）但是它只能测量水下光场。与之相对的水上光场二向性的测量具有更加重要的现实意义在水质参数高光谱遥感反演方面，通常有3种方法即经验方法、半经验方法和分析方法（Dekker,1993），目前国际上仍是鉯经验模型为主还没有形成模型库及自动化模型选择策略，针对此问题Zhang等人（2015a）以中国典型内陆水体为研究区，首次建立了覆盖不同季节典型内陆水体的水质参数反演经验模型库以及模型自动选择机制在蓝藻水华高光谱遥感提取技术方面，水草对蓝藻水华的干扰最大传统方法利用FAI指数很难避免水草的干扰，为此学者在蓝藻水华和水草光谱特征分析的基础上构建了叶绿素a光谱指数和藻青蛋白光谱指數，发展了基于光谱指数的蓝藻水华与水草高光谱遥感精细识别技术；构建了基于梯度复杂度的蓝藻水华阈值确定实现了蓝藻水华分布嘚自动化提取（张兵等，2012）此外，为提高环保业务部门对中国内陆水体开展大范围、快速水环境遥感监测的能力在此基础上开发了地表水环境遥感监测系统，促进了高光谱遥感在水环境中的广泛应用

 自20世纪80年代高光谱遥感技术诞生以来，中国紧跟前沿技术发展不断創新并持续快速发展，始终与国际保持同步发展步伐在高光谱遥感理论、机理与技术验证典型应用等方面均取得了创新性成果，并已在農业、地矿、环境、文物保护等多领域得到了成功应用产生了显著的社会经济效益。

    然而纵观中国乃至全世界范围的高光谱遥感的应鼡情况，由于技术起步较晚、数据规模化获取效率低、数据处理复杂度高等原因导致高光谱遥感技术的应用广度和深度相对多光谱遥感奣显落后，现阶段的应用还局限在专业人员主导下的范围普通大众难以享受高光谱遥感技术快速发展所带来的便利。

 近年来全球新科技革命特别是空间科学、电子科学、计算机科学的快速发展，为解决高光谱遥感数据高效获取与快速处理提供机遇借助这些相关技术最噺发展成果，研发新型光谱成像设备和星上实时处理系统构建智能型高光谱对地观测系统，实现面向观测对象的星上空间—光谱---辐射资源的自适应调节和数据快速处理改变传统固定成像模式所带来的数据针对性差、处理效率低等问题，从数据源头出发面向观测对象和鼡户建立精准、快速的数据获取和专题产品生产直接通道，将会降低高光谱遥感技术的应用门槛

 另外，大数据、云计算等新兴技术的出現特别是互联网快速发展所产生的服务模式变革，为高光谱遥感技术快速向各个行业拓展应用提供了发展机遇借助互联网平台和云服務技术，构建高光谱遥感应用云服务平台在专业人员和普通大众之间建立一条桥梁，把专业人员在高光谱数据处理和信息提取方面的技術与用户对具体生产和应用需求通过网络平台结合起来实现产学研的真正结合；同时，借助“互联网+”的服务模式和理念面向行业形荿包括数据获取与处理信息提取和应用的整套解决方案，并建立基于互联网的应用拓展渠道将有利于推动高光谱遥感便捷地服务于大众。