您好,欢迎访问三七文档
当前位置:首页 > 行业资料 > 冶金工业 > 高光谱遥感数据的分析及未来挑战
高光谱遥感数据的分析及未来挑战JoséM.Bioucas-Dias,AntonioPlaza,GustavoCamps-Valls,PaulScheunders,NasserM.Nasrabadi,andJocelynChanussot摘要:在过去的20年,高光谱遥感技术的进步可谓引人注目,现流行的机载和星载的传感器通过以前未有的空间分辨率,光谱分辨率以及时间分辨率来覆盖大面积地表。这些特征能够满足无数的对地物物质的精细识别或物理参数估计的应用需求,往往这些应用依靠的是先验知识和复杂数据分析处理方法。困难来源有,也就是说,高光谱数据的高维数和极大数据量,光谱混合(线性和非线性),以及与注诸如受到噪声和大气作用影响的测量过程相关的降解机理。这篇文章展示了一部分有关高光谱数据的分析方法和算法的教程和概述,由三个主题构成,分别是:数据融合,混合像元分解,目标检测。在所有主题中,我们描述最先进的产品(科技),提供说明性的实例,并指出未来的挑战和研究方向。一、引言:高光谱遥感是关于实体对象或地表上场景的信息提取,基于它们的由星载或机载传感器获取的辐射[1],[2].。高光谱遥感,及成像方式为高光谱影像,被越来越多的应用于使用小的,商业的,搞空间高光谱分辨率仪器的实验室规模(例如:食品安全,药物过程监测和质量控制,生物医学,工业,生物和法医)[3]。图1通过比较每年在高光谱和雷达领域研究的论文,给出了部分与高光谱应用程序相关的报告。这些结果是通过检索ISI科学网的SCI扩展数据库得到,这个科学网的主题一方面是“(高光谱)和(遥感)”,另一方面是“(雷达)与(遥感)”,我们总结出2011年前后,每年在高光谱和雷达领域的项目数量大体相同,具有之前明显增加,之后稳定或者下降的趋势。在高光谱成像,也被称为成像光谱中[4],传感器从给定场景的每个像元中获取一个具有数百或数千个元素的光谱向量。这样得出的结果就是所谓的高光谱图像(HSI)。应当指出的是高光谱图像是频谱平滑并且空间分段平滑的;在相邻的位置和波长的值是高度相关的。可以通过极非对角协方差矩阵和广泛的自相关函数观察到[1]。分段平滑性也存在于时空光谱方向。它的特征与那些自然的摄影图片及视频类似,因此,一些在这些数据上做开发的工具可以扩展应用到高光谱图像的分析中。图1一个高光谱图像的等价解译是由一堆代表各个波段辐射(波长间隔)的图像的采集给定的。由于这种解译,高光谱影像也被称为高光谱数据立方体。这两个观点在图2的左上方有说明,即高光谱影像有nb个光谱波段和n1*n2个像素。右上角则显示了包含土壤,植被,水体的像元的光谱曲线。由于高光谱采样,光谱信息往往是高度相关的并且因此处在一个低维数的流形中。在图2的底部有对此的说明,即土壤,植被,水体的光谱向量以Rnb维点在平面显现。就一个遥感影像系统的几何性质而言,传感器的光谱分辨率是由它的视场(FOV)决定的,获得的光谱是视场中地物反射率的平均数。光谱分辨率是由光谱波段的宽度确定的。当空间和光谱式采集信息时(我们将假设采样表现在传感器的空间和光谱分辨率上),则获得了一个三维的“超立方体”X∈Rn1*n2*nb,包含n=n1*n2个像元和nb个波段(见图2)。不同的展现形式可以用于高光谱图像:图2在光谱表示中,每个像元都定义在这个光谱空间内。由于相邻的光谱对应类似的地物,光谱空间的分类就常常应用于地物的描述。这可以通过聚类相邻的光谱,或者通过监督分类(见分类)。由于光谱相关度高,数据可能留存在光谱空间的一个维数很低的子簇(子流形)中,数据在dnb维子空间的投影,采用,例如主成分分析(PCA)[3],是很常用的。在空间表示中,每个图像波段都是一个矩阵Xi∈Rn1*n2.因为空间的高度相关性,邻近的像元可能属于一种类似的地物,所以空间分类(例如,分割)是很常用的。在空间-光谱呈现中,每个像元的光谱处理都将邻近像元考虑在内,而图像波段的空间处理则还需考虑其他波段。这些表现已被积极利用,即用于降维,特征提取,分解,分类,分割,和检测[1],[5]。仍然将光谱信息的高维数联系起来,最新的趋势是稀疏和冗余建模,目前可达到的领域例如复原,分解,分类,分割,和检测[6],[7]。由于高光谱传感器的输出提供了原像元亮度值(DN值),并且为达到量化的目的,在利用上述提到的先进的信息提取技术之前需要将其转换成表面反射率值。传感器自身的特征是由它的传递函数描述的[8]。考虑到这一点,第一个光谱辐射定标一般采用获取传感器上或者大气顶端(TOA)的辐射值。当反射的太阳光通过大气层,有一部分被吸收和散射。由于这些作用对光谱值有很大影响,所以它们需要被校正,从而获得离开地面的辐射值或反射值[9]。最后,必须考虑到光照的影响和视角和表面结构和光学性能,用来控制表面的反射率值。光与大气的相互作用极其复杂。辐射传输理论通常用于获得这些相互作用的模型[10]。模拟大气顶端辐射最初的开发是为了制备未来的卫星任务和允许有大气校正的模型的反演。双向反射分布函数(BRDF)将表面的反射光描述成光线方向的传入和传出功能。BRDF的第一近似值,即反照率,是反射率和太阳辐照度的比值。BRDF经常伴随着诸如叶冠层模型的复杂的表面结构模型。图3给出了高光谱数据光谱特性的图表式概念。我们指出,除了表面反射的转换,所有的模型都在定量分析上也相关。(见三)图3为了说明目的,表1显示八个高光谱仪器的空间和光谱参数:两个机载的(hydice1和aviris2)和六个星载的(hyperion3,enmap4,prisma5,chris6,hyspiri7和iasi8)。这些所列的仪器中,EnMAP,PRISMA和HyspIRI尚未运行。低空平台搭载的传感器空间分辨率高,反之亦然。AVIRISHYDICE,Hyperion,EnMAP,PRISMA和HyspIRI的光谱范围对应于可见光,近红外,和短波红外光谱波段,而CHRIS覆盖了可见光波段,IASI涵盖了中红外和长波红外波段。HYDICE,AVIRIS,Hyperion,EnMAP,PRISMA和HyspIRI的波段的数量大约是200,光谱分辨率是10纳米。CHRIS的波段数是63,光谱分辨率是4和12纳米(取决于光谱区域),IASI的波段数是8461,光谱分辨率是0.5cm到1cm。在任何情况下,就前七个传感器来说,分辨率很高(为区分地物提供巨大潜力),就IASI传感器而言,物理参数得以估计(温度,湿度,围绕在大气柱的微量气体)。对一些目前运行的,建设中的,以及规划阶段的高光谱成像仪器特性的综述近期已提供[11]。表1一些因素使得高光谱数据的应用变成一种复杂和困难的需要复杂的方法和算法的任务。在这些因素中,我们指的是(参考/涉及)光谱混合(线性和非线性)与在测量过程中相关的降解机制(例如:噪声和大气)。另一个重要的问题是数据的非常高的维数和大小,是由高光谱仪器提供的改进的空间,光谱和时间分辨率引起。这就需要一个快速计算的解决方案,这个方案可以加速解译且在各种各样的应用中的高光谱数据集的高效开发[12]。例如:由美国宇航局喷气推进实验室(JPL)估计,HyspIRI每日将产生4.5TB的数据(每年产生1630TB)。类似的数据量比率用于预计EnMAP和PRISMA。不幸的是,这些非凡的信息量危害了对最新一代的高光谱仪器的实时或近实时应用的使用,原因是从地球观测有效载荷数据到地面处理设施的高昂的传递延误[13]。在这方面,欧空局(ESA)已在2011年指出“有效载荷所产生的数据速率和数据量会继续增加,而到达地面站的可用的下行波段宽度比较稳定”[14]。在这样的背景下,在过去的十年中,针对近实时应用的且维数不断增加的遥感高光谱影像的利用的设计方案已取得显著地实用性和动力性(契机)[15],[16]。本文提出了相关的/确切的和独特的高光谱数据分析的主题的一种巡回,安排在六个主要题目:数据融合,混合像元分解,分类,目标检测,物理参数的检索和快速计算。这些分论题的框架大多数植根于信号和图像处理,统计推断和机器学习的领域。在所有问题中,我们描述了国家的最先进的发展并指出最可能的未来的挑战和研究方向。一些论题中还提供了具有真实数据的说明性例子。本文的其余部分安排如下。第二部分讨论针对多重观察和来源的光谱和空间信息的融合处理技术。第三部分解决了线性和非线性光谱混合分解问题。第四部分解决高光谱图像目标检测问题。二、数据融合在本节中,我们将讨论高光谱处理技术(图像进出),融合空间和光谱信息,这些信息从一个或多个光谱的观测得到,或结合高光谱图像和其他的图像来源。我们将把这种处理叫做数据融合。在图4中,给出一个不同策略的原理概述。图4A、复原(恢复)信号处理技术可用于恢复(复原)或提高信噪比(SNR)和/或空间分辨率。在灰度图像的情况下,许多去噪与反褶积技术开发出来,用于恢复(复原)信噪比和空间分辨率。显然,在高光谱图像中按一个波段接着一个波段处理恢复(复原)问题,不能受益于高的光谱冗余。传统的图像恢复(复原)技术已经扩展到处理光谱冗余。在这种方式中,高光谱图像去噪技术是最近开发的,例如,采用空间光谱信息[17]或采用张量分解和多重线性代数法[18]。在[19],高光谱图像的恢复(复原)是基于各向异性扩散滤波方法提出的。备注:以上方法保留了原有的空间和光谱采样,从而不提高空间分辨率。B、光谱数据融合在这里,我们讨论的高光谱图像光谱波段的融合,用这种方法去除高的光谱冗余。由于很多的光谱带导致了维数问题,高光谱向量的一个降维可以高度便于事后分析。目标是获得一个波段数减少的图像,同时试图尽可能地保护最有用的光谱信息。最简单的方法是选择几个可用的波段,但是显然,当波段融合在一起时能获得更好的呈现。传统上,基于主成分分析的方法可应用于去相关的波段。在许多场合,这种降维应用于事后的一个改进分类。光谱数据融合的一个特定的应用程序是高光谱图像的可视化。用户可能需要可视化的高光谱图像数据进行探索(目的),例如,用于生成地面参考数据。然而,一个高光谱图像包含了太多图像条带,以至于不可以显示在一个标准的三色显示。通过光谱波段的融合,可以产生有限的波段数的图像,例如,一个全色图像或RGB图像;如何融合保留尽可能多的信息是一个问题。在[20],高光谱图像被线性地投影到颜色匹配的基础函数上,这个功能专门设计成一个标准三色显示的RGB三原色。一个时空光谱方法也允许保留空间细节,往往会产生高对比度的图像。时空谱的方法被开发利用在例如小波变换融合图像的波段[21]的多分辨率信息,马尔可夫随机领域,即在相邻像素之间模仿(仿真)空间关系[22]或约束优化实施空间平滑[23]。AVIRIS高光谱图像的四种不同的颜色的可视化可以显现,这个图像有224个光谱波段(谱带),分别用主成分分析和[20],[22]方法得到的。C.空间数据融合(多帧图像的超分辨率)术语(几何)的超分辨率(SR)是指成像传感器的空间分辨率增强,在亚像素级水平上推断信息。亚像素图像信息,例如可以作为多个低分辨率观测的亚像素位移(复SR)。在实践中,图像的二次抽样是将每个像素分为m×m亚像素和像素灰度值的插值。然后,在多个观测之间的对应区域的被检测,几何注册和结合,以产生一个高空间分辨率的图像。当SR应用在高光谱图像上时,每个图像波段可以单独处理,但是显然所有波段的共同处理是较好的。[24]从同一场景观测的多个低分辨率高光谱的获得是通过例如重叠的飞行路线,多角度数据[25]或实时多帧实例。[26]D.空间光谱数据融合超分辨率进行超分辨的另一种方式是通过融合一个单一的图像(单帧)的不同部分,这在高光谱遥感数据量到空间光谱融合的情况下。在[27],带间的空间的子像素位移用于获得一个SR图像,这个子像素位移本质上是存在于高光谱数据立方体的。由于一个低分辨率的高光谱像素包含一个不同地物的混合光谱,超分辨率可以由该地物小部分(分数)在子像素级的水平上的空间定位来实现。如何获得现有地物的微小部分(分数),将在第六节得到解释,致力于混合像元分解。这个微小部分(分数)
本文标题:高光谱遥感数据的分析及未来挑战
链接地址:https://www.777doc.com/doc-1949268 .html