ENVI5.1高光谱物质识别工具
分享
-
2016-06-20
高光谱数据是遥感数据中比较重要的一类，被广泛应用与林业、农业、地矿、军事等行业。如何更有效的利用高光谱数据是高光谱数据研究的一个重要方向。ENVI是人们在处理影像数据最常用的遥感软件，在高光谱处理方面一直处于领先地位，在ENVI5.1的新版本更是增了物质识别工具THOR Material Identification和THOR Hyperspectral Material Identification（后者比前者在物质识别方面精度更高，效果更好，但前者由于运算量小，运算速度比较快），通过这两个工具增强了在多光谱数据处理时的交互性，提高了工作效率，下面以使用物质识别工具THOR Hyperspectral Material Identification进行矿产识别为例，使用到的数据为ENVI产品中自带数据（cup95eff.int）。cup95eff.int是经过大气校正的航空高光谱数据，使用到的波谱库为usgs_min.sli。
数据地址：..\Exelis\ENVI51\classic\data
波谱库地址：..\ Exelis\ENVI51\classic\spec_lib
1. 详细操作步骤
在本例中选择的数据是经过大气校正的数据结果，对于高光谱数据的后期处理流程如下：
高光谱数据处理流程
（一） MNF变换（MNF）
在ENVI主界面中加载高光谱影像数据cup95eff.int，在ENVI的file ->Data manager中会出现该高光谱数据的所有波段内容，如图：
图1 高光谱数据
对高光谱数据进行MNF变换，在/Transform/MNF Rotation/工具下选择Forward MNF Estimate Noise Statistics工具，对高光谱数据进行MNF变换，通过MNF变换，数据的主要部分会集中在前面的几个波段中。
图2 MNF面板
图3 MNF变换后的特征指数
（二）纯净像元提取（PPI）
在主模块中，选择Spectral->Pixel Purity Index-> [FAST] Existing Output Band,选择MNF变换得到的结果cup95_ff-mnf.img作为输入文件，单击Spectral Subset按钮，选择前面10个波段。
注：根据特征指数，MNF变化结果的主要信息量集中在前10个波段
在PPI计算参数面板中（如下图），设置迭代次数（Number of Iterations）：10000和阈值（Threshold Factor）：2.0，迭代次数越高，得到结果的精度越高，但是计算数据越慢，阈值越小，得到结果的精度越高，但是得到纯净数量越小。选择输入路径及文件名cup95_ff-mnf-ppi.img，单击OK计算结果。
图4 PPI计算参数
（三） 端元波谱选择
（1） 在主菜单中，选择/Spectral/n-Dimensional Visualizer/n-Dimensional Visualizer Auto Cluster，选择MNF变换结果以及PPI数据作为输入数据。
（2） 在N维散点图中可以看到，在散点图中已经完成自动聚合分类，分类的结果共35类，同时可以手动对散点图自动分类的结果进行修改。
注：理论上，端元数量m小于等于b+1（b表示波段数）
图5 n维散点图
（3） 使用n-Dcontrols->Option->mean all,将选择的所有的类的平均波谱输出至plot中。
（4） 在N_D Mean窗口中，删除一些波谱曲线，保留需要识别的地物波谱曲线，最后如下图所示：
图6 端元波谱曲线
（四） 端元波谱识别（Material Identification）
现在就可以使用ENVI5.1中提供的物质识别工具进行波谱的识别。
（1） 打开工具/THOR/THOR Hyperspectral Material Identification，打开物质识别工具界面。
图7 物质识别工具
（2） 在工具中的Add Library中添加已知的波谱库，本案例中使用的是ENVI自带的波谱库usgs_min.sli。
（3） 在Select Image中选择图像，这里选择MNF变换前的影像。
（4） Select new signature按钮中选择需要识别的波谱，使用这个工具前，需要在plot窗口中显示波谱曲线。选择其中的一个波谱，这个波段将于已知库中的波段进行匹配工作，匹配中将会对波谱的匹配状况打分：
1、ACE（Adaptive Coherence Estimator）：使用ACE对物质进行识别，ACE识别返回的值为-1到1之间，越接近1说明匹配效果越好。在得分表中，匹配的结果也按照从大到小的顺序排列，最后的匹配结果在最上面。为了更好的区分，对结果的颜色也做了限定：
2、似然法（Likelihood）：使用似然法匹配地物时，如果A物质波谱与原始的波谱相似度是B物质波谱的两倍，那么该原始波谱为A物质的可能性也远大于B物质，所有候选波谱的识别相似度和为1，相似度越高的值越大。
3、全像素相关性（FP Correlation）：使用这种方法区分候选物质，相关性的区间为-1到1，得分越靠近1，说明匹配度越高。
4、去背景相关性（knd-R Correlation）：去背景相关和全像素相关性相似，其结果越接近1说明匹配度越高。
通过以上四种算法综合得出，识别出波谱的名称。
对于后期的波段识别，还可对波谱进行优化，在物质识别工具中增加了波谱编辑工具。
图8 波谱编辑选项
选择Edit bad bands，开始编辑波谱，单击Good bands按钮会从波谱中选择好的波段，Bad Bands可以选择性的去除噪声的波谱点或者需要屏蔽的波谱段。
图9 波谱编辑
（五） 图像分类
选择识别精度比较高的波段，对未知波段进行重命名，并将这些波段放在一个空的Plot窗口中，作为后面波谱制图的端元波谱。
图10选择的端元波谱
对于选择好的波谱样本就可以进行波谱制图了，选择工具/Classification/Supervised Classification/Spectral Angle Mapper Classification，完成分类结果。
图11波谱角制图
图12波谱分类结果
2. 总结
通过上面ENVI5.1物质识别工具的测试，说明ENVI5.1在高光谱物质识别的精细化，增加的更多的交互操作功能，增加了对波谱信息的控制，可以非常方便的剔除其中的噪声波段，多种算法的相互比对，增强了物质识别结果的可信度，很大程度上可以减轻外业调会的工作量。
文章来源：http://blog.sina.com.cn/s/blog_764b1e9d0101c99n.html
数据地址：..\Exelis\ENVI51\classic\data
波谱库地址：..\ Exelis\ENVI51\classic\spec_lib
1. 详细操作步骤
在本例中选择的数据是经过大气校正的数据结果，对于高光谱数据的后期处理流程如下：
高光谱数据处理流程
（一） MNF变换（MNF）
在ENVI主界面中加载高光谱影像数据cup95eff.int，在ENVI的file ->Data manager中会出现该高光谱数据的所有波段内容，如图：
图1 高光谱数据
对高光谱数据进行MNF变换，在/Transform/MNF Rotation/工具下选择Forward MNF Estimate Noise Statistics工具，对高光谱数据进行MNF变换，通过MNF变换，数据的主要部分会集中在前面的几个波段中。
图2 MNF面板
图3 MNF变换后的特征指数
（二）纯净像元提取（PPI）
在主模块中，选择Spectral->Pixel Purity Index-> [FAST] Existing Output Band,选择MNF变换得到的结果cup95_ff-mnf.img作为输入文件，单击Spectral Subset按钮，选择前面10个波段。
注：根据特征指数，MNF变化结果的主要信息量集中在前10个波段
在PPI计算参数面板中（如下图），设置迭代次数（Number of Iterations）：10000和阈值（Threshold Factor）：2.0，迭代次数越高，得到结果的精度越高，但是计算数据越慢，阈值越小，得到结果的精度越高，但是得到纯净数量越小。选择输入路径及文件名cup95_ff-mnf-ppi.img，单击OK计算结果。
图4 PPI计算参数
（三） 端元波谱选择
（1） 在主菜单中，选择/Spectral/n-Dimensional Visualizer/n-Dimensional Visualizer Auto Cluster，选择MNF变换结果以及PPI数据作为输入数据。
（2） 在N维散点图中可以看到，在散点图中已经完成自动聚合分类，分类的结果共35类，同时可以手动对散点图自动分类的结果进行修改。
注：理论上，端元数量m小于等于b+1（b表示波段数）
图5 n维散点图
（3） 使用n-Dcontrols->Option->mean all,将选择的所有的类的平均波谱输出至plot中。
（4） 在N_D Mean窗口中，删除一些波谱曲线，保留需要识别的地物波谱曲线，最后如下图所示：
图6 端元波谱曲线
（四） 端元波谱识别（Material Identification）
现在就可以使用ENVI5.1中提供的物质识别工具进行波谱的识别。
（1） 打开工具/THOR/THOR Hyperspectral Material Identification，打开物质识别工具界面。
图7 物质识别工具
（2） 在工具中的Add Library中添加已知的波谱库，本案例中使用的是ENVI自带的波谱库usgs_min.sli。
（3） 在Select Image中选择图像，这里选择MNF变换前的影像。
（4） Select new signature按钮中选择需要识别的波谱，使用这个工具前，需要在plot窗口中显示波谱曲线。选择其中的一个波谱，这个波段将于已知库中的波段进行匹配工作，匹配中将会对波谱的匹配状况打分：
1、ACE（Adaptive Coherence Estimator）：使用ACE对物质进行识别，ACE识别返回的值为-1到1之间，越接近1说明匹配效果越好。在得分表中，匹配的结果也按照从大到小的顺序排列，最后的匹配结果在最上面。为了更好的区分，对结果的颜色也做了限定：
- Green: 0.9-1
- Yellow: 0.75-0.9
- Red: 0.5-0.75
- Gray: <0.5
2、似然法（Likelihood）：使用似然法匹配地物时，如果A物质波谱与原始的波谱相似度是B物质波谱的两倍，那么该原始波谱为A物质的可能性也远大于B物质，所有候选波谱的识别相似度和为1，相似度越高的值越大。
3、全像素相关性（FP Correlation）：使用这种方法区分候选物质，相关性的区间为-1到1，得分越靠近1，说明匹配度越高。
4、去背景相关性（knd-R Correlation）：去背景相关和全像素相关性相似，其结果越接近1说明匹配度越高。
通过以上四种算法综合得出，识别出波谱的名称。
对于后期的波段识别，还可对波谱进行优化，在物质识别工具中增加了波谱编辑工具。
图8 波谱编辑选项
选择Edit bad bands，开始编辑波谱，单击Good bands按钮会从波谱中选择好的波段，Bad Bands可以选择性的去除噪声的波谱点或者需要屏蔽的波谱段。
图9 波谱编辑
（五） 图像分类
选择识别精度比较高的波段，对未知波段进行重命名，并将这些波段放在一个空的Plot窗口中，作为后面波谱制图的端元波谱。
图10选择的端元波谱
对于选择好的波谱样本就可以进行波谱制图了，选择工具/Classification/Supervised Classification/Spectral Angle Mapper Classification，完成分类结果。
图11波谱角制图
图12波谱分类结果
2. 总结
通过上面ENVI5.1物质识别工具的测试，说明ENVI5.1在高光谱物质识别的精细化，增加的更多的交互操作功能，增加了对波谱信息的控制，可以非常方便的剔除其中的噪声波段，多种算法的相互比对，增强了物质识别结果的可信度，很大程度上可以减轻外业调会的工作量。
文章来源：http://blog.sina.com.cn/s/blog_764b1e9d0101c99n.html
