高光谱遥感-064112-读书报告

读书报告院系：地空学院专业：地球信息科学与技术班级：064112姓名：刘玮指导老师：吴柯提交日期：2014.01.01本文是一篇关于高光谱遥感的空间领域指数的文献。通过引言的阅读我了解到高光谱遥感强调地物所特有的光谱特征,凭借足够的光谱分辨率来区分这些具有诊断性光谱特征的地物。大多数方法由于在降维、线性光谱解混的过程中,会损失一部分图像信息(尤其当维度大幅度减少时),或引入新的误差(如光谱解混的误差),这将影响后续图像分析的精度。因此,本文考虑直接在图像高维特征空间当中,提取图像空间维的信息,以避免各种处理所造成的影响。这一方面,Bakker和Schmidt(2002)把常用的欧氏距离、角度度量以及强度差异成功引入到了加权拉普拉斯边缘检测算子当中。以这一技术为例本文首先引入了邻域内光谱度量的空间函数,阐述了一类更具一般意义的邻域光谱度量指数。并进一步从高光谱遥感图像线性混合模型(LinearMixtureModel,LMM)的角度,通过邻域内独立的端元光谱与周围地物光谱间的差异,以达到凸显端元地物的目的,从而提出了邻域独立端元指数。本文讲了两种空间领域指数：1领域光谱度量指数光谱度量随着图像像元的空间位置不同而发生变化,体现为光谱度量的空间函数。以SSM为基础,通过光谱度量的空间函数能够表达邻域内光谱特征的变化情况,进而反映图像的空间细节信息。2领域独立端元指数CDI（独立端元指数）的定义容易看出,CDI综合考虑了邻域内所有像元的端元光谱投影距离变化情况。当邻域内地物类型越多、光谱差异越大,则CDI越大。相反,如果邻域内地物均匀单一,则CDI越小,从而突出了图像的细节。通过对此文献的阅读我知道了光光谱遥感图像的两种空间领域指数:邻域光谱度量指数和邻域独立端元指数。在邻域光谱度量指数中,SDM（光谱距离度量）有利于对线状(如机场跑道)轮廓的提取,但对于点状地物这类小目标的效果不如SID以及CDI;SAM（光谱角度度量）所提取的轮廓较细,但对线状、较大的面状地物(如跑道、操场),不建议使用SAM进行提取;SID（光谱信息散度）能较好地提取点状小目标,对线状轮廓的提取效果也较好,但SID受噪声的影响较大,当图像存在较大的噪声时,使用该指数前,建议先进行有效的去噪预处理。在邻域独立端元指数中,EBDI容易受邻近相似地物光谱的干扰,因此,对于具有空间连续性的地物,包括线状、面状连续性以及辐射能量的影响范围超过一个像元的目标,均不建议采用该指数进行提取;CDI对于飞机、点状地物等小目标具有较强的提取能力,线状(如跑道)、较大面积的块状(如操场)以及结构较复杂的地物(如各种形状的房屋)的提取效果也较好,因此,该指数具有较好的适应性,可应用于对各种地物的提取。读过此文献后我了解了高光谱遥感技术和高光谱遥感图像的价值及作用，使我以后更有兴趣学习更多有关知识。最后感谢吴柯老师在这门课程上对我的教导。