一种基于TM影像的高光谱重构方法及系统

摘要

本发明涉及一种基于TM影像的高光谱重构方法，包括：首先，根据获取的TM多光谱影像数据进行正交子空间投影变换，提取TM影像各像元的地物特征参量；然后，利用所述地物特征参量构建重构变换矩阵，进行光谱重构获取高光谱信息。本发明还涉及一种对应的高光谱重构系统。本发明基于TM影像的高光谱重构方法及系统，可以从TM及其它多光谱卫星遥感数据中重构得到连续的具有较高光谱分辨率的高光谱数据，在满足原始多光谱遥感数据具有的高空间分辨率、高信噪比的同时，提高了多光谱数据的光谱分辨率。

说明书

技术领域

本发明涉及遥感技术领域，尤其涉及一种从TM(ThematicMapper，专题制图仪)多光谱卫星遥感数据中重构得到高光谱遥感信息的方法及系统。

背景技术

高光谱遥感数据提供了地物大量光谱信息，有利于地物精细分类和定量遥感。然而，高光谱数据的获取成本高，设备庞大，航天获取大气窗口有限。光谱分辨率、空间分辨率、信噪比是遥感数据获取中三个不能同时满足的条件，光谱分辨率的提高，意味着要想保持足够的空间分辨率，信噪比必然下降；而要保持较高的信噪比和较高光谱分辨率，必然要牺牲空间分辨率。多光谱传感器可以快速获取地物遥感数据，而且可以精确设置通道位置，尽量选择理想的大气窗口位置，得到的数据质量较高。

现有技术中从TM多光谱影像得到高光谱的方法主要用于生成模拟数据，采用的方法主要是先进行遥感影像的分类，然后将分类数据用光谱库中的光谱代替，从而得到高光谱影像，具体方法可参见文献1：Borner，A.and Wiest，L.，2001.SENSOR：a tool for the simulationof hyperspectral remote sensing systems[J].ISPRS Journal ofPhotogrammetry and Remote Sensing，55(6)：299-312及文献2：Bartell，R.J.et al.，2003.Comprehensive hyperspectral system simulation：II.Hyperspectral sensor simulation and premliminary VNIR testing results.Proceedings of SPIE，4049：105。然而上述方法获取的影像是分类影像，只能用于模拟实验，其并非真实的遥感影像，仍需大量的地物光谱数据。

发明内容

(一)要解决的技术问题

本发明的目的是提供一种基于TM影像的高光谱重构方法及系统，以解决现有技术遥感数据的获取中由于受到太阳反射能量的限制，光谱分辨率、空间分辨率及信噪比不能同时保证的问题。

(二)技术方案

为了达到上述目的，本发明的技术方案提出一种基于TM影像的高光谱重构方法，包括：

根据获取的TM多光谱影像数据进行正交子空间投影变换，提取各像元的地物特征参量；

利用所述地物特征参量构建重构变换矩阵，进行光谱重构获取高光谱信息。

上述的高光谱重构方法中，所述根据TM多光谱影像数据进行正交子空间投影变换之前还包括：

利用TM传感器获取所述TM多光谱影像数据；

利用地面光谱仪获取不同种典型地物的连续光谱数据，作为所述正交子空间投影变换的基础。

上述的高光谱重构方法中，所述根据TM多光谱影像数据进行正交子空间投影变换具体包括：

利用太阳反射光谱范围内的所述地物连续光谱数据按式(1)进行归一化处理，得到不同种地物的标准化参考光谱，作为正交变换的高维标准基向量，

$P_k\left(\lambda \right)=\frac{\int \mathrm{d\lambda }}{\int \left|R_k\left(\lambda \right)\right|\mathrm{d\lambda }}{R}_k\left(\lambda \right)---\left(1\right)$

其中，k代表典型地物的种类，R_k(λ)为不同种标准地物光谱反射率，∫|R_k(λ)|dλ表示在连续波长范围求光谱反射率之和，P_k(λ)即为标准地物反射率在连续波段上的归一化结果；

从所述高维标准基向量中，按式(2)生成与所述TM传感器的波段对应的低维基向量，作为特征提取系数矩阵M_i×k，其矩阵元素为

$P_{\mathrm{ik}}=\frac{{\int }_{{\lambda }_{\mathrm{si}}}^{{\lambda }_{\mathrm{ei}}}{P}_k\left(\lambda \right)\mathrm{d\lambda }}{{\int }_{{\lambda }_{\mathrm{si}}}^{{\lambda }_{\mathrm{ei}}}\mathrm{d\lambda }}---\left(2\right)$

其中，i代表所述TM传感器的不同波段，λ_si和λ_ei分别为波段i的起始波长和终止波长，为波段i的波长宽度；

将所述特征提取系数矩阵与所述TM多光谱影像数据按式(3)进行矩阵伪逆运算，提取所述TM多光谱影像数据中各像元的地物特征参量，

C_k×n＝(M_i×k^TM_i×k)^-1M_i×k^TR_i×n           (3)

其中，R_i×n为所述TM多光谱影像数的反射率矩阵，列数n为影像的总像素数，C_k×n即为得到的地物特征参量矩阵。

上述的高光谱重构方法中，所述进行光谱重构获取高光谱信息具体包括：

将所述地物特征参量矩阵与所述高维标准基向量按式(4)进行矩阵运算，得到与所述TM多光谱影像数据中各像元对应的高光谱信息，

R_m×n＝H_m×kC_k×n                            (4)

其中，H_m×k为由所述高维标准基向量组成的矩阵，m代表高光谱传感器的波段数，R_m×n即为重构后得到的m个波段n个像素的高光谱影像立方体。

上述的高光谱重构方法中，在350～2500nm的所述太阳反射光谱范围内去除四个水汽强吸收波段：900～990nm、1100～1190nm、1300～1520nm、1750～2080nm。

上述的高光谱重构方法中，所述不同种类的典型地物包括水、植被和土壤三种。

本发明的技术方案还提出一种基于TM影像的高光谱重构系统，包括：

TM传感器，用于获取TM多光谱影像数据；

地面光谱仪，用于获取不同种类典型地物的连续光谱数据；

数据处理装置，利用所述地物连续光谱数据在所述TM多光谱影像数据中提取各像元的地物特征参量，再利用所述地物特征参量构建重构变换矩阵，进行光谱重构，获取高光谱信息。

上述的高光谱重构系统中，所述数据处理装置进一步包括：

标准化单元，利用太阳反射光谱范围内的所述地物连续光谱数据进行归一化处理，得到不同种地物的标准化参考光谱，作为正交变换的高维标准基向量；

低维处理单元，根据所述高维标准基向量生成与所述TM传感器的波段对应的低维基向量，作为特征提取系数矩阵；

伪逆运算单元，将所述特征提取系数矩阵与所述TM多光谱影像数据进行矩阵伪逆运算，得到地物特征参量矩阵；

光谱重构单元，将所述地物特征参量矩阵与所述高维标准基向量进行矩阵运算，得到与所述TM多光谱影像数据中各像元对应的高光谱信息。

上述的高光谱重构系统中，在350～2500nm的太阳反射光谱范围内去除四个水汽强吸收波段：900～990nm、1100～1190nm、1300～1520nm、1750～2080nm。

上述的高光谱重构系统中，所述不同种类的典型地物包括水、植被和土壤三种。

(三)有益效果

本发明的技术方案可以从TM及其它多光谱卫星遥感数据中重构得到连续的具有较高光谱分辨率的高光谱数据，在满足原始多光谱遥感数据具有的高空间分辨率、高信噪比的同时，提高了多光谱数据的光谱分辨率。

附图说明

图1为本发明基于TM影像的高光谱重构方法实施例流程图；

图2为原始TM影像某一像元的光谱；

图3为利用图1的方法实施例后对应像元的重构光谱；

图4为本发明基于TM影像的高光谱重构系统实施例结构图。

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。

图1为本发明基于TM影像的高光谱重构方法实施例流程图，如图所示，本实施例的高光谱重构方法包括以下步骤：

S101、获取原始的TM多光谱影像数据及不同种类的典型地物连续光谱数据；

利用TM传感器获取的原始的TM多光谱影像数据，并利用地面光谱仪获取水、植被及土壤三种典型的地物连续光谱数据。图2为原始TM影像数据中某一像元的光谱，由于TM原始影像只有6个波段，因此其光谱表现为折线形式，且图中横轴表示波长(nm)，纵轴表示反射率(数据处理过程中放大10000倍，变为整型数据)。

S102、利用获取的地物连续光谱数据建立正交变换的高维标准基向量；

对波长范围为350～2500nm的地物连续光谱数据进行标准化处理：

∫|P_k(λ)|dλ＝∫dλ(k＝w，v，s；分别代表水、植被、土壤)

上式中，P_k(λ)的计算方法如下：

$P_k\left(\lambda \right)=\frac{\int \mathrm{d\lambda }}{\int \left|R_k\left(\lambda \right)\right|\mathrm{d\lambda }}{R}_k\left(\lambda \right),(k=w,v,s)$

其中，R_k(λ)为三种标准地物光谱反射率；分母∫|R_k(λ)|dλ表示在连续波长范围求光谱反射率的和；P_k(λ)即为标准地物反射率在连续波段上的归一化结果，适用于任何传感器。

归一化后的三种标准参考向量的维数为1260，即在350～2500nm的太阳反射光谱范围，光谱间隔为1nm，并去掉水汽强吸收的四个波段：900～990nm、1100～1190nm、1300～1520nm、1750～2080nm，剩余波段数量为1260。

本实施例中，以从TM影像中重构Hyperion高光谱影像为例，因此，上述1260维的标准基向量需要进行处理，与Hyperion高光谱传感器的波段特性对应，考虑到水汽强吸收波段的去除，最后Hyperion的波段数量选择为120波段，即得到的高维标准基向量的维数为120。

S103、根据高维标准基向量生成与TM传感器波段对应的低维基向量，作为特征提取系数矩阵；

从步骤S102得到的120维标准基向量集合中，生成与TM传感器波段对应的6维基向量组成的矩阵M，作为TM数据特征提取的系数矩阵。

$P_{\mathrm{ik}}=\frac{{\int }_{{\lambda }_{\mathrm{si}}}^{{\lambda }_{\mathrm{ei}}}{P}_k\left(\lambda \right)\mathrm{d\lambda }}{{\int }_{{\lambda }_{\mathrm{si}}}^{{\lambda }_{\mathrm{ei}}}\mathrm{d\lambda }}$

式中，λ_si和λ_ei分别为波段i的起始波长和终止波长，是波段i的波长宽度。本实施例中，波段数量为6，波段特性与TM传感器波段特性一致，并且根据发明人实测三种标准地物的光谱数据计算得到的特征提取系数矩阵如下：

$M=\left(\begin{array}{ccc}3.277077& 0.175195& 0.545911\\ 2.672011& 0.384025& 0.786754\\ 1.449789& 0.171269& 0.925836\\ 0.817368& 2.311455& 0.979686\\ 0.219794& 0.961035& 1.251477\\ 0.205009& 0.332513& 1.164075\end{array}\right)$

S104、将特征提取系数矩阵与TM多光谱影像数据进行矩阵伪逆运算，得到与原始TM影像各像元对应的地物特征参量矩阵；

如下式所示，

C_3×n＝(M_6×3^TM_6×3)^-1M_6×3^TR_6×n

式中，R为原始TM多光谱影像数据的反射率矩阵，矩阵行数为6，列数为影像的总像素数；C为变换后的特征值矩阵，其行数为3，即标准基向量的个数，列数与R相等，为影像的总像素数。

S105、将地物特征参量矩阵与高维标准基向量进行矩阵运算，重构得到与TM多光谱影像数据中各像元对应的高光谱信息。

如下式所示，

R_120×n＝H_120×3C_3×n

式中，H_120×3为步骤S102所得到高维标准基向量组成的120行3列矩阵，经重构后得到120个波段的Hyperion高光谱影像立方体R_120×n，n为影像总像素数。图3即为与图2中对应像元的重构光谱，如图所示，原来的6波段多光谱经重构后成为120个波段的Hyperion高光谱影像，其中四条直线部分表示未经重构的水汽强吸收波段。

图4为本发明基于TM影像的高光谱重构系统实施例结构图，如图所示，本实施例的高光谱重构系统包括：TM传感器41，用于获取TM多光谱影像数据；地面光谱仪42，用于获取不同种典型的地物连续光谱数据；数据处理装置43，分别与TM传感器41及地面光谱仪42连接，并利用地物连续光谱数据在TM多光谱影像数据中提取各像元的地物特征参量，再利用该地物特征参量构建重构变换矩阵，进行光谱重构，获取高光谱信息。

其中，数据处理装置43进一步包括：标准化单元431，其利用350～2500nm波长范围内的地物连续光谱数据进行归一化处理，得到不同种类地物的标准化参考光谱，作为正交变换的高维标准基向量；低维处理单元432，则根据高维标准基向量生成与TM传感器41的波段对应的低维基向量，作为特征提取系数矩阵；伪逆运算单元433，将特征提取系数矩阵与TM多光谱影像数据进行矩阵伪逆运算，得到地物特征参量矩阵；光谱重构单元434，则将上述地物的特征参量矩阵与高维标准基向量进行矩阵运算，得到与TM多光谱影像数据中各像元对应的高光谱信息。

以上为本发明的最佳实施方式，依据本发明公开的内容，本领域的普通技术人员能够显而易见地想到一些雷同、替代方案，均应落入本发明保护的范围。