基于光谱特征的遥感图像检索技术

在各种全局特征中，光谱特征是遥感图像区别于一般自然图像的重要特征，是多光谱、高光谱遥感图像检索的重要依据。

一、遥感图像的光谱特征提取

高光谱遥感兴起于20世纪80年代，是一种在电磁波谱的可见光、近红外、中红外和热红外波段范围内，用很窄而连续的光谱通道对地物进行连续成像的新型对地观测技术。高光谱遥感通过增加波段数目和减小每个波段的带宽来提高光谱分辨率，光谱分辨率可以达到纳米级别。

由电磁波理论可知，相同物体具有相同的电磁波谱特性，不同物体由于物质组成、内部结构、表面状态不同，而具有相异的电磁波谱特性。这是利用地物光谱特征进行遥感图像识别、分类和检索的理论基础。高光谱成像仪在空间成像的同时，记录下成百个连续光谱通道数据，高光谱遥感图像包含了非常丰富的地物光谱信息，每个像素都可以提取一条完整而连续的光谱曲线，如图3-1所示。图3-2给出植被、土壤、水体、冰雪、岩矿和人工目标等六类典型地物的光谱曲线，从图中可以清楚地看出，不同类型的地物具有不同的光谱曲线，地物的光谱曲线反映了地物独特的光谱特征。光谱分辨率越高，地物光谱曲线信息越丰富。从某种意义上讲，高光谱遥感图像分析的本质是对像元光谱曲线的定量化处理和分析，通过提取和度量不同地物光谱曲线的参量化指标或对比光谱曲线形态，可以实现高光谱遥感图像上地物的识别、分类和检索。

图3-1　高光谱遥感成像过程

1.光谱曲线参量化指标

光谱曲线的参量化指标包括光谱吸收特征参数、光谱吸收指数、导数光谱等。以美国约翰霍普金斯大学提供的光谱数据库为例，该光谱数据库由373种地物类型构成，其中岩矿324种、土壤25种、冰雪4种、植被3种、水体3种、人工目标14种。从中随机选取岩矿中的Acmite NaFe＋3 Si2O6、人工目标中的Pine Wood、土壤中的Dark Grayish Brown Silty Loam、植被中的Grass等四种地物，光谱曲线图如图3-3所示；提取光谱曲线对应的光谱吸收峰参数(波长位置、深度、宽度和吸收光谱指数等)作为参量化指标，如表3-1所示。由于一条光谱曲线可能有多个波谷波峰，特征参数计算均选取了具有最小波谷值的波谷和具有最大波峰值的波峰。

图3-2　典型地物的光谱曲线

图3-3　典型地物的光谱曲线

表3-1　原始光谱曲线的参量化指标

为了消除光谱数据之间的系统误差，减弱大气辐射、散射和吸收对目标光谱的影响，可以采用导数光谱(derivative spectrum)即光谱微分技术，计算地物原始光谱曲线的导数光谱(如一阶、二阶和三阶导数光谱)，再基于导数光谱提取地物的参量化指标。

2.光谱曲线形态简化

简化光谱曲线可以大大提高光谱曲线相似性度量的效率。以美国地质勘探局USGS光谱实验室提供的岩矿光谱数据库为例(包含481个波谱，光谱分辨率为4nm和10nm):选取其中的Ammonioalunite NMNH145596、Ammonio-Illite Smec GDS87、Ammonio-jarosite SCR-NHJ、Almandine WS476、Biotite HS28.3B等5种矿物的光谱曲线作形态简化(DP简化)，原始光谱曲线及对应的简化光谱曲线如图3-4所示，可以看出，简化曲线基本上保持了原始光谱曲线的形态。

图3-4　典型地物的原始光谱曲线及简化结果(DP简化)(1)

图3-4　典型地物的原始光谱曲线及简化结果(DP简化)(2)

二、光谱匹配

光谱匹配是基于某个距离函数衡量不同光谱向量(光谱曲线)之间相似程度的过程。地物光谱曲线反映了地物的吸收和反射特征，大多数地物具有典型的光谱波形特征。就地物反射光谱曲线而言，它反映了地物的反射率随入射波长变化的规律。地物反射率的大小，与入射电磁波的波长、入射角的大小以及地物表面颜色和粗糙度等性质有关。不同地物由于物质组成和结构的不同，而具有不同的反射光谱特性；不同地物在不同波段的反射率也存在着差异(谱特性)；同类地物的反射光谱是相似的，但随着该地物的内在差异或环境因子的变化而有所变化。通过光谱匹配，可以实现地物的识别、分类和检索。

光谱匹配的方法有很多，包括基于二值编码、光谱角(spectral angle mapper，SAM)、光谱信息散度(spectral information divergence，SID)、光谱吸收特征参数、光谱吸收指数、导数光谱、交叉相关系数(cross correlogram spectral matching，CCSM)等的匹配。

1.二值编码匹配(www.xing528.com)

基于二值编码技术的光谱匹配(Goetz，1990)是一种通过设置阈值将地物光谱曲线匹配转化为二值编码向量匹配的技术，它可以在保持光谱波形形态重要特征的同时，有效提高计算效率，缺点是编码过程中容易丢失光谱细节信息。

2.光谱角匹配

光谱角匹配通过计算样本光谱曲线与光谱库目标光谱曲线之间的“角度”θ(广义夹角余弦)来衡量二者之间的相似性，计算公式为

式中，N为波段数，ti和ri分别表示目标光谱和样本光谱。当θ＝0时，表示两个光谱曲线完全相似；当θ＝π/2时，两个光谱曲线完全不同。

3.光谱信息散度匹配

光谱信息散度匹配通过计算目标光谱和参考光谱之间的光谱信息散度来确定二者之间的相似性。它是从信息论的角度提出的一种光谱相似性度量指标，将每一个像素看作一个随机变量，使用光谱直方图定义其概率分布。光谱信息散度的计算公式如下:

4.光谱吸收特征匹配

光谱吸收特征匹配是指采用光谱吸收特征参数或者光谱吸收指数来实现高光谱图像处理和地物识别。光谱吸收特征参数包括吸收波段波长位置(P)、波段深度(H)、波段宽度(W)、斜率(K)、吸收峰对称度(S)、吸收峰面积(A)和光谱绝对反射值等指标。光谱吸收指数包含4个指标:吸收位置(Absorption Postion，AP)、吸收深度(Absorption Depth，AD)、吸收宽度(Absorption Width，AW)和对称性(Absorption Asymmetry，AA)。吸收位置、吸收深度和吸收宽度分别表示在光谱吸收谷中反射率最低处的波长、在某一波段吸收范围内反射率最低点到归一化包络线的距离以及最大吸收深度一半处的光谱带宽。

光谱吸收指数的计算公式如下:

式中，λm是吸收位置(反射率最低点)的波长值，λ1和λ2分别是吸收位置左右相邻的两个波峰对应的波长值，ρm是吸收位置的光谱反射率，ρ1和ρ2分别是吸收位置左右相邻的两个波峰对应的光谱反射率，d为吸收波谷对称度。

5.光谱微分匹配

光谱微分(又称为导数光谱)匹配是采用光谱微分技术实现光谱匹配的方法。需要对反射光谱进行数学模拟和计算不同阶数的微分值，以迅速确定光谱弯曲点及最大最小反射率的波长位置。采用光谱微分技术可以消除光谱数据之间的系统误差，减少大气散射和吸收对目标光谱特征的影响，可以有效提取地物的光谱吸收峰参数(波长位置、深度、宽度等)，光谱的低阶微分处理可以消除背景噪声。一阶、二阶导数光谱的近似计算方法如下:

式中，λi表示每个波段的波长；ρ′(λi)和ρ″(λi)分别表示波长λi的一阶和二阶微分光谱；Δλ表示波长λi－1到λi的间隔。

6.基于交叉相关系数的匹配

基于交叉相关系数的光谱匹配通过比较目标地物光谱与样本地物光谱在不同光谱位置的交叉相关系数来实现地物光谱匹配，综合考虑了不同地物光谱之间的相关系数、偏度和相关显著性标准。计算公式如下:

式中，Rr和Rt分别表示样本光谱和目标光谱，n表示两光谱重合波段数，m表示光谱匹配位置。

以USGS光谱库的Ammonioalunite NMNH145596、Ammonio-Illite Smec GDS87、Ammonio-jarosite SCR-NHJ、Almandine WS476、Biotite HS28.3B等5种不同种类矿物为例(图3-4)，表3-2给出基于简化光谱曲线的光谱角匹配(SAM)和光谱信息散度(SID)匹配结果。根据定义可知，SAM值越大，SID值越小，光谱曲线越相似。可以看出，SCR-NHJ与NMNH145596的相似度最大，而HS28.3与其他4种矿物的相似度均较低，这与简化光谱曲线形态的表现一致。

表3-2　基于简化光谱曲线形态的SAM和SID匹配