高光谱遥感是一种光学成像手段，本质上是模拟人和动物的眼睛。人的眼睛能够感知物体的颜色、纹理，从而辨识物体的材质；响尾蛇的热眼能够感知高温物体向外释放的红外线，从而快速定位猎物。而高光谱成像则是一套光谱维度的电磁波显微镜，它用纳米级的分辨率覆盖了从可见光到红外光范围内物体反射或者辐射的电磁波。遥感应用中的光谱感知，就像是给无人机、卫星等遥感平台装上了一双具有光谱探测功能的眼睛。高光谱遥感的核心思想是每种物质均有自己独特的“光谱指纹”。早在19世纪初，人们在研究太阳光谱时，发现太阳内部发出的强光经过温度比较低的太阳大气层时，部分特定波长的电磁波会被大气吸收。通过对太阳光的光谱进行分析，科研人员估算出太阳大气层中含有氢、氦、氮等几十种元素。近年来，随着传感器技术的发展，通过光谱分析与成像技术的结合，高光谱遥感已可实现地物光谱和空间信息的同时远距离探测，被认为是遥感技术诞生以来最重要的技术突破之一。高光谱遥感的发展得益于图谱合一的光谱成像技术的发展与成熟。光谱成像技术不仅对目标的空间特征成像，同时对每个空间像元经过色散形成的几十个乃至数百个波段的光谱进行成像。高光谱图像的每个像素均可表示为一条独特的光谱曲线，能够反映不同物质的光谱特征。根据物质的光谱可以鉴别物质并确定它的化学组成和相对含量，因此，高光谱遥感在精准农业、资源调查、军事侦察等领域均具有重大应用需求。遥感应用中的光谱感知与实验室里的光谱分析存在很大差别。在实验室环境下，研究人员可以构建固定的光源与探测传感器，严格设计拍摄环境，使得测得的光谱纯净可靠。然而，在遥感应用环境下，光谱成像仪测得的地物光谱会受到大气、光照气候条件、拍摄环境等诸多因素的影响。高光谱遥感图像中的光谱反射值往往难以真实反映地物的光谱反射率，甚至可能包含严重的失真与畸变，获取地物纯净的光谱特征极其困难。如何准确感知地物的真实光谱是高光谱遥感技术发展的核心难题之一。地物纯净光谱的精确提取是实现地物光谱准确感知的前提。尽管现有高光谱本征分解方法能较好地抑制图像噪声、光照变化等因素对地物光谱的影响，但考虑到不同外界干扰因素对高光谱图像地物光谱的影响机理不同，现有的本征光谱特征提取方法无论是在模型还是在方法上仍存在诸多局限性。地物纯净光谱特征的提取仍面临如下挑战性难题。1.在光照不均、云雾遮挡、噪声干扰、分辨率下降、图像模糊等不同因素影响下，地物的光谱退化机理不清；现有高光谱图像本征分解方法仅能在一定程度上克服光照不均导致的光谱变化问题。针对其他不同类型的图像退化因素，分析不同干扰因素对地物纯净光谱的影响机理，是准确构建高光谱图像光谱退化模型的前提。2.单一的本征分解乘性模型无法对不同干扰因素导致的地物光谱变化准确建模。不仅场景亮度、地物的纹理和三维结构会对地物光谱造成影响，图像噪声、云雾等因素的干扰同样会导致获取的地物光谱信息发生变化。传统的本征分解乘性模型无法对不同类型因素导致的光谱变化进行建模，导致在复杂成像环境与场景下，地物纯净光谱的提取仍存在诸多难题。构建更复杂的图像光谱退化模型，是设计高光谱图像光谱准确表征方法的基础。3.近年来，深度学习不仅在模式识别、人工智能领域取得了广泛应用，在图像去雾、去噪等图像处理任务中同样获得了很好的性能。但是传统基于深度学习的图像复原方法，在未结合高光谱图像自身特性的情形下，难以直接应用于高光谱图像本征分解。高光谱图像自身的空间与光谱结构先验在本征光谱特征提取过程中发挥了至关重要的作用。因此，如何构建知识引导与数据驱动相结合的高光谱图像本征特征提取网络，是高光谱图像本征分解领域的重要发展方向。高光谱图像的光谱特征提取具有十分重要的意义。传统的光谱特征提取方法主要分为两种，一种是选取一些具有辨识度的谱段来描述典型地物的光谱特性，如植被覆盖指数、水体指数等；另一种是通过主成分分析、独立成分分析、流形学习等手段对光谱特征进行变换，提升特征的可分性。这些方法的问题是没有考虑到地物的光谱在遥感成像的过程中会受到场景光照、地物形状与纹理、图像噪声以及云雾遮挡等因素的干扰。因此，传统的高光谱图像特征提取方法均难以从根本上解决“同物异谱”“同谱异物”的难题。近年来，研究人员发现通过高光谱图像本征分解，能够将高光谱图像分解为纯净的光谱反射率图与亮度图。亮度图包含了场景的光照变化、地物的纹理结构等会对地物光谱产生影响的干扰信息，将亮度图从原始高光谱图像中分离出来，得到的光谱反射率图作为地物的纯净光谱特征，能够显著提升遥感图像地物分类的精度。本征分解为遥感应用中地物光谱的准确感知提供了新的研究思路，但仍存在诸多挑战难题。
转载请注明：http://www.0431gb208.com/sjszjzl/8148.html
