高光譜圖像組合光譜特征研究

摘 要： 在此分析了典型植被、巖礦、土壤和水體地物的光譜特性曲線及其一階和二階導數的特點與異同。研究表明通過光譜導數技術，可以快速分析出高光譜特性曲線的反射峰和吸收谷譜帶的相關特征，且不同類別地物目標在原始光譜曲線和各階光譜導數曲線上存在不同敏感波段。因此提出將高光譜原始數據和其各階導數曲線的敏感波段綜合起來構成組合光譜特征，以此達到優化高光譜特征性和降低分類難度，從而進一步提高分類性能的方法。實驗結果表明組合光譜特征可以實現高光譜圖像有效分類。

關鍵詞： 高光譜分類； 組合光譜特征； 光譜導數特征； 導數光譜技術

中圖分類號： TN919?34； TP751.1 文獻標識碼： A 文章編號： 1004?373X（2013）14?0104?04

Research on combinational spectral features of hyperspectral images

CHANG Wen?juan， HE Ming?yi

（Earth Observation Research Center， Shaanxi Key Lab of Information Acquisition and Processing， Northwestern Polytechnical University， Xi’an 710129， China）

Abstract： The spectral characteristic curves of typical vegetation， minerals， soil and water body， and similarities and differences of their first?order and second?order derivatives are analyzed. The research demonstrates that the relevant characteristics of the reflection peak and the absorption valley bands of hyperspectral spectral characteristic curves can be quickly obtained by analysis and spectrum derivative technology， and there are different sensitive bands between original spectral curve and various order spectral derivative curves of different categories objectives. Therefore， it is proposed that the composition of these sensitive bands of hyperspectral original data and each order derivative curve can constitute combinational spectral features to optimize the performance of hyperspectral features and reduce the classification difficulty. The experimental results show that this combinational spectral features can realize the effective classification of hyperspectral images.

Keywords： hyperspectral classification； combinational spectral feature； spectrum derivative feature； derivative spectrum technology

0 引 言

近年來，高光譜遙感數據處理受到特別關注，IEEE高光譜遙感圖像與信號處理?遙感進化（IEEE Workshop on Hyperspectral Image and Signal Processing ?Evolutional Remote Sensing，WHISPERS1）2009在法國召開首屆大會，第4屆大會于2012年6月在上海召開，IEEE遙感學報、傳感器學報及圖像處理學報等近來先后出版了有關高光譜遙感數據處理的多個專輯[1?4]。

高光譜遙感影像具有光譜分辨率高及圖譜合一等特點，包含了豐富的空間、輻射和光譜三類直接信息，提供了比多光譜傳感器更豐富和更精確的光譜信息，極大地提高了對目標與環境的識別能力，可有效地用于目標及環境的全像素、單像素、甚至亞像素級分類、識別與混合成分分析。

高光譜分類是高光譜數據分析和信息提取的重要工具，在當前乃至今后一段時間內都將是遙感領域的研究熱點。與傳統分類方法相比，高光譜分類面臨的兩個主要問題是：一是光譜分辨率高、光譜曲線近乎連續、數據量大、數據冗余嚴重、譜間相關性強；另一是空間分辨率有限、存在大量混合像元，“Hughes”現象凸現。影響目標分類與識別結果的主要因素包括3個方面：

（1）問題本身的復雜度，包括目標形態及尺寸，特別是目標材料對光譜的吸收、反射及散射特性，以及所處的時空、電磁及氣象等環境情況；

（2）描述目標的高光譜圖像特征的性能；

（3）分類器的分類能力與推廣性。因此，高光譜特征中新信息的挖掘和高性能計算的技術在高光譜圖像分析系統中變得非常重要。本文主要討論優化高光譜圖像特征的性能來提高高光譜遙感數據分類性能。

優化高光譜特征的方法有多種，其中一種有效的方法是從原始高光譜數據中尋找最有用的特征信息來挖掘有利于分類的光譜特征，譬如（1）采用從高光譜遙感數據中選擇或保留敏感的有代表性的波段形成的數據集，稱為特征選擇或波段選擇；（2）將高光譜遙感數據中經過某種測度指標和變換形成的新的數據集，稱為特征提取。

另外一種優化高光譜特征的方法是使用附加信息，通常組合多種特征都能得到良好的分類性能。大多數高光譜處理技術的傳統方法通常僅僅使用圖像的光譜強度信息。近年來，已有研究人員在高光譜數據處理中利用從高光譜遙感原始數據中通過導數光譜技術提取的光譜梯度特征。在高光譜遙感特征分析等數據處理中，利用光譜梯度特征作為附加信息可以提升高光譜處理的性能。Wessman等使用森林光譜的一階、二階導數對樹冠化學成分進行研究，并確定樹冠化學成分與生物量以及導數光譜數據相關最密切的波段組合[5?6]。Demetriades?shah等綜述了遙感中高分辨率導數光譜的應用潛力[7]。童慶禧等利用導數光譜分析方法對鄱陽湖濕地進行了生物量填圖[8]。Tsai等研究了在高光譜數據分析中應用導數信息探測光譜特征[9]。Chang等提出使用光譜導數來提高光譜識別和鑒定的性能，提出一種稱作光譜導數特征編碼的方法用于高光譜特征分析[10]。

1 組合光譜特征

1.1 導數光譜技術

導數光譜（Derivative Spectrum）技術來源于測譜學，利用相鄰波段間的梯度變化特征化高光譜光譜的變化信息，是分析高光譜遙感數據較為常用的一種有效技術和強有力的波形分析手段。采用如下公式分別計算光譜反射率的一階、二階和三階導數：

（1）

（2）

（3）

式中：是波段i的波長值；；；分別是波長處的一階、二階、三階導數；是波長的光譜反射率；是波長到的波段間隔。導數光譜技術具有一系列優越性：

導數光譜技術通過數學模擬反射光譜，計算不同階數的微分值以便迅速地確定光譜彎曲點及最大最小反射率的波長位置，強調曲線的變化和壓縮均值的影響。一般用的較多的是一階或二階導數技術。利用不同階數的導數光譜則可以提取吸收波段的位置信息。對原始光譜反射率求解一階導數光譜，即光譜曲線的斜率值，可以反映原始光譜曲線的變化速率，正極值處代表的是反射率增速最大的波段，負極值則是反射率減速最大的波段。而在一階導數的基礎上可以進一步計算二階導數光譜，反映原始光譜曲線的曲率變化，正值代表反射率吸收區域，即“凹形”光譜曲線處，負值代表反射率反射區域，即“凸形”光譜曲線處。

導數光譜技術可以消除光譜數據之間的系統誤差、減弱大氣輻射、散射和吸收對目標光譜特征的影響，以便提取可識別地物的光譜吸收峰參數；亦可分辨重疊光譜，減緩光譜失真，去除背景噪聲或不理想的信息影響，因而可能得到更好的精度。

1.2 組合光譜特征

物質的光譜特性是由物質本身包含的原子、分子與電磁波的關系所決定的，因此分析物質的光譜特性曲線是識別物質的有效手段。地物光譜特性研究在高光譜遙感技術及應用的研究發展中占有重要地位。根據地物的光譜特性不同可將地物分成植被、巖礦、土壤、水體和人工地物五大類。在給定目標情況下，根據光譜曲線上各個物體的特點，例如吸收譜、峰值譜及敏感譜等特點，可以用較少的譜段來有效區分并鑒別出各種目標，通常把這樣的譜段組合稱為目標的光譜特征。

由于組合多種特征作為優化的特征通常可以取得更好的分類性能，而且導數光譜技術雖是高光譜特征分析的有效手段，但是光譜梯度特征通常包含的信息量較少，致使僅僅使用光譜梯度特征的高光譜圖像分類性能較差。因此本文提出組合光譜強度特征和導數特征作為組合光譜特征來提升高光譜分類的性能。

計算原始高光譜特性的一階導數，由于一階導數光譜曲線上量值為零的點，對應于原反射率光譜曲線上的極值點，由此可得出反射率光譜中極值點波長位置。在此基礎上進行二階微分處理后，可進一步區分原反射率光譜的極大值點與極小值點，即二階導數大于零的一階導數光譜過零點為原反射率光譜的極小值點，二階導數小于零的一階導數光譜過零點為原反射率光譜的極大值點。因此，利用不同階數的導數光譜便可以迅速確定原始光譜曲線的吸收谷和反射峰的位置信息和相關特征信息，獲得目標的敏感波段信息。而在給定目標的情況下，根據各個物體的吸收譜、峰值譜和敏感譜等特點，便可以用較少的譜段來有效區分、鑒定出各種目標。如此可將原始高光譜遙感特性曲線的敏感波段、一階導數特征的敏感波段、二階導數特征的敏感波段組合構成特征波段，有效實現高光譜遙感分類。

然而由于大量的光譜梯度特征附加在原始高光譜遙感數據上，簡單的組合這些特征必然加重高光譜遙感的維數災難，引起過維問題，因此須在分類之前，采用特征提取或特征選擇方法降低高光譜數據的維數，提升運算效率，利于后續高光譜分類。

2 實驗與結果分析

2.1 典型地物光譜特征分析

實驗說明：繪制典型植被、巖礦、土壤、水體的高光譜特性曲線及其一階導數和二階導數曲線，分析各類典型地物高光譜原始數據及一階、二階導數的特點。

如圖1所示，植被的光譜特征與其他地物迥然不同，有非常鮮明的特點，利用植被的光譜特征可以區分植被與其他地物。觀察不同植被的原始及其一階、二階導數光譜曲線，可以看出不同植被的光譜曲線雖形態各異，但植被的光譜特征及其一階和二階導數均呈現相似性。不同植被的反射率光譜曲線，光譜曲線總是呈現明顯的“峰和谷”的特征。植被一階、二階導數值雖各不相同，但是一階導數過零點的位置以及相應位置二階導數的正負值卻驚人的相似，說明原各植被光譜曲線的吸收谷和反射峰位置相近，即這些光譜曲線在0.55 μm，1.6 μm，2.2 μm左右存在反射峰，在0.65 μm，1.4 μm，1.9 μm左右存在吸收谷，0.7～1.3 μm范圍內反射率值較高，反映了植被的光譜特性的相似性。總之，不同植被之間的光譜變化主要體現在吸收谷、反射峰和反射率平臺的強度上的差別，然這些特征的反射峰、吸收谷所在的位置基本沒有變化。

不同礦物原始及其各階導數光譜曲線圖說明不同類型的礦物其反射率光譜曲線及其一階和二階導數曲線大不相同，吸收谷、反射峰所在位置及特性差別較大，通過主要特征和次要特征不同組合的分析比較，便可得到每類礦物區別于其他礦物的有效參數和無效參數。

不同土壤原始及其各階導數光譜曲線圖表明不同土壤的光譜反射率均隨著波長的增加而逐漸升高。二階導數基本圍繞零值上下波動，且波動幅度較小，無明顯規律。因此導數光譜技術能消除植被光譜分析中土壤成分的影響，土壤光譜的影響可在很大程度上得以消除，二階導數便可非常好的消除土壤背景。

不同水體原始及其各階導數光譜曲線圖表明水體的反射率總體上比較低，不超過10%，一般為4%～5%，并隨著波長的增大逐漸降低，二階導數基本為零。

綜上所述，通過導數光譜技術，可以快速分析出高光譜特性曲線的反射峰和吸收谷譜帶的相關特征，這些特征可作為附加信息與其他特征構成組合光譜特征應用于高光譜檢測、分類與識別中。

2.2 組合光譜特征的建立

實驗說明：采用原始、一階導數及二階導數光譜特征的組合光譜特征對斜輝石和天青石進行分類。實驗數據來自USGS光譜庫。實驗結果表明組合光譜特征可有效實現高光譜分類。圖2（a），（b）分別為斜輝石的反射率曲線和組合光譜特征，（c），（d）分別為天青石的反射率曲線和組合光譜特征。可見，組合光譜特征差異較大，易于分類。

圖2 組合光譜特征高光譜分類

3 結 語

本文研究了光譜一至三階導數特征，分析了典型植被、巖礦、土壤和水體地物的特性曲線及其一階和二階導數的特點與異同。研究表明不同類別地物目標在原始光譜曲線和各階光譜導數曲線上存在不同敏感波段。進而提出了將原始數據和各階導數曲線的敏感波段綜合起來構成組合光譜特征用于高光譜遙感分類的方法，實驗表明綜合利用這些特征波段可大大降低對分類器的要求并可提高分類性能。關于多類別組合光譜特征的建立等另文討論。

參考文獻

[1] CHANUSSOT J， CRAWFORD M M， KUO B C. Foreword to the special issue on hyperspectral image and signal processing [J]. IEEE Trans. on Geoscience and Remote Sensing， 2010， 48（11）： 3871?3876.

[2] PLAZA A， DU Q， BIOUCAS?DIAS J M， et al. Foreword to the special issue on spectral unmixing of remotely sensed data [J]. IEEE Trans. on Geoscience and Remote Sensing， 2011， 49（11）： 4103?4110.

[3] CAMPS?VALLS G， BENEDIKTSSON J A， BRUZZONE L， et al. Introduction to the issue on advances in remote sensing image processing [J]. IEEE Journal of Selected Topics in Signal Processing， 2011， 5（3）： 365?369.

[4] JENSEN J O， TREW R J， WOOLARD D L， et al. Editorial special issue on enhancement algorithms， methodologies and technology for spectral sensing [J]. IEEE Journal of Sensors， 2010， 10（3）： 373?378.

[5] WESSMAN C A， ABER J D， PETERSON D L. An evaluation of imaging spectrometry for estimating forest canopy chemistry [J]. Int. J. of Remote Sensing， 1989， 10（8）： 1293?1316.

[6] WESSMAN C A， ABER J D， PETERSON D L， et al. Remote sensing of canopy chemistry and nitrogen cycling in： temperate forest ecosystems [J]. Nature， 1988， 335： 154?156.

[7] DEMETRIADES?SHAH T H， STEVEN M D， CLARK J A. High resolution derivative spectra in remote sensing [J]. Remote Sensing of Environment， 1990， 33（1）： 55?64.

[8] 童慶禧，鄭蘭芬，王晉年，等.濕地植被成像光譜遙感研究[J].遙感學報，1997（1）：50?57.

[9] TSAI F， PHILPOT W D. Derivative analysis of hyperspectral data for detecting spectral features [C]// IEEE Geoscience and Remote Sensing. Singapore： IGARSS， 1997： 1243?1245.

[10] CHANG C I， CHAKRAVARTY S. Spectral derivative feature coding for hyperspectral signature analysis [J]. Proceedings of the SPIE， 2006， 6302： 1?12.

[11] TSAI F， PHILPOT W D. A derivative?aided hyperspectral image analysis system for land?cover classification [J]. IEEE Transactions on Geoscience and Remote Sensing， 2002， 40（2）： 416?425.

[12] DEMIR B， ERTRUK S. Spectral magnitude and spectral derivative feature fusion for improved classification of hyperspectral images [C]// Proc. of IEEE Geoscience and Remote Sensing. Boston， MA： IGARSS， 2008， 3： 1020?1023.

[13] WANG Qing?yan， ZHANG Jun?ping， CHEN Jia?wei， et al. An improved spectral reflectance and derivative feature fusion for hyperspectral image classification [C]// IEEE Geoscience and Remote Sensing Symposium. Vancouver： IGARSS， 2011： 1696?1699.

[14] 蘇紅軍，杜培軍.高光譜數據特征選擇與特征提取研究[J].遙感技術與應用，2006，21（4）：288?293.

[15] 蘇紅軍，杜培軍，盛業華.高光譜遙感數據光譜特征提取算法與分類研究[J].計算機應用研究，2008，25（2）：390?394.