高光谱数据降维
原文链接：https://www.nv5geospatialsoftware.com/Learn/Blogs/Blog-Details/hyperspectral-data-reduction
22456 文章评分：
未评分
高光谱数据降维
光谱沙漏系列：第3部分
匿名 2014年12月2日，星期二
在开始之前，我们必须重申此流程的最终目标：在数据集中找到光谱最纯净或最具光谱独特性的像元（端元），并绘制其位置和亚像元丰度图。继大气校正步骤之后，我们进入光谱数据降维。确定数据集的固有维度将使分析人员能够忽略“噪声”数据，并通过信息与噪声的分离来识别光谱可区分端元的数量。
高光谱图像包含极其海量的信息，高效、准确地识别包含最多信息的光谱波段是必要的第一步。之后，我们才能利用我们的专业知识和 ENVI® 的其他工具来识别端元。此步骤可以理解为清除一些杂乱信息，以便更清晰地观察数据。
为了专注于数据集中发现的纯端元，我们执行最小噪声分离变换。MNF 变换会改变数据，使分析人员能够筛选掉大量的光谱波段，因为绝大多数独特的光谱信息将包含在前几个 MNF 变换波段中 (Boardman, J.W., 1993, "Automating Spectral Unmixing of AVIRIS DATA Using Geometry Concepts," In Summaries of the Fourth Annual JPL Airborne Geoscience Workshop, JPL Publ. 93-26, Vol. 1, Jet Propulsion Laboratory, Pasadena, CA, pp. 11-14)。为了描述如何在 ENVI 中运用此方法，我将由我们出色的文档中心来提供关于MNF 变换及其在 ENVI 中实现的更详细解释。
可以通过 ENVI 界面完成光谱数据降维任务。此变换的第一步包括使用偏移差值技术从数据中估计噪声统计量。您可以在 ENVI 中选择一个光谱均匀数据的空间子集来计算噪声统计基线，从而完成此操作。一组同质的像元应表现出相似的光谱特征；光谱内的方差被假定为噪声的结果，因此可以计算噪声统计基线。
经过片刻处理，ENVI 将显示 MNF 变换后的图像，并显示包含 MNF 特征值的曲线图。具有较大特征值（大于 1）的波段包含数据，而特征值接近或小于 1 的波段包含噪声。回想一下我们正在使用的文件 cup95eff.int，它是一个仅包含 50 个光谱波段的高光谱图像。这一点很重要，因为数据中的光谱波段数量将始终等于最高的特征值编号。
显示的 MNF 特征值图表明，我们将能够筛选掉大量光谱波段。在第 30 个特征值之后，特征值降至 1 以下，我们知道基本上可以丢弃近一半的数据，如果您在图像中寻找的目标在场景中相对丰富，甚至可以丢弃更多。请注意，许多人认为高特征值编号很重要，因此 ENVI 不会丢弃任何信息，由用户决定什么对其研究重要或不重要。
MNF 波段 1 包含最大的特征值，因此也包含最大的方差量。有必要目视检查变换波段，波段动画工具使这项任务变得非常容易。在波段动画工具中，您可以循环浏览所有变换波段，以确定哪些波段仅包含噪声，无助于端元识别。前几个波段看起来类似于灰度图像，当您看到 MNF 波段 15 和 20 时，可以看到图像更接近于信号不佳的电视屏幕。
MNF 波段 1
通过查看 MNF 变换工具创建的波段，我们可以开始剔除多余的数据，只关注最有趣的信息。
MNF 波段 20
尽管 MNF 波段 20 中的绝大多数像元似乎噪声很大，但暗色区域可能突出了具有独特光谱的同质像元组。进一步研究这些像元的光谱曲线并与光谱库进行比较，将使我们能够识别明矾石的存在，这将在光谱沙漏工作流程的后续部分进行。
借助一些功能强大的 ENVI 工具，我们正顺利地从数据集中提取最纯净的端元。接下来的几个步骤将开始更多地依赖用户的专业知识以及 ENVI 中的 n-D 可视化工具。
您也可以通过编程方式，使用 ENVIForwardMNFTransformTask 和 ENVIInverseMNFTransformTask 例程编写脚本来执行 MNF 变换。