隨著國內高光譜研究的推進及國產高光譜儀的研制，高光譜技術在地物檢測的應用日益廣泛，如在農業上根據作物的光譜可以監控氮、磷、鉀、水分等營養元素的豐缺、可以判別農作物的種類和生長期、可以觀察農作物是否有病蟲害;在礦業中可根據礦石的光譜特征判斷其組分;在水體研究中可根據水域的光譜研究其含沙量、營養化以及受污染程度等。

利用高光譜進行地物識別，首先看植被，它們之間的光譜曲線具有一定的相似性，但在550nm、850nm兩反射峰處可以分辨出不同樹種與不同植被類型之間的細微區別。不同地物的光譜曲線各自具備獨特的光譜特征，水體具有相較于其他地物更低的反射率;土壤的在可見光波段的反射率與波長有正相關關系;植被在700nm附近反射率急劇上升，形成植被獨特的紅邊特征。

光譜曲線的分析一般是差異性分析，比如采用最小距離、光譜角度匹配、光譜相似度等模型算法。但在實際應用時，會出現同類型地物的不同種類的光譜之間差異太小，導致曲線相似性度量類方法失效。這時，可以從光譜曲線的波峰、波谷、拐點等特征點著手進行光譜曲線特征分析，這些特征點蘊含了大量的信息，決定了曲線的形狀，在利用高光譜進行地物識別領域具有重要的物理意義。

1、反射峰、反射谷的提取

光譜反射率曲線由眾多連續排列的離散點組成，其波峰值要大于兩肩的數值，所以判斷波峰的條件為：Ri > Ri-1 且 Ri > Ri+1.

其中，Ri是波長為i時的反射率。這個判斷方法適用于絕對平滑的曲線，但是大多數反射率曲線都帶有噪音，利用這個方法將會把噪音形成的波峰也提取出來，這不是理想的結果。噪音造成局部振動的幅度較小，遠低于主體曲線的振幅。為了消除它的影響，可以設定一個振幅閥值，在眾多的波峰點和波谷點中，振動幅度大于閥值的點予以保留，作為特征點，振動幅度小于或等于閥值的點不予記載，當作是噪音。具體的實現在后面給予說明。如圖2，假定閥值為0.01，A為谷點或起始點，A，B，C，D，E的反射率分別為0.385，0.405，0.402，0.437，0.391。由于RB - RC= 0.003，小于閥值0.01，并且RD > RB，故而判斷B，C兩點為噪音所致，予以排除。由于RD - RA= 0.052> 0.01，RD - RE= 0. 046 > 0.01，故而判斷D點為真正的波峰。

2、提取弧段頂點

光譜曲線近似的可看成是由分段的凸、凹弧曲線組成。某一段弧線的頂點是此段上曲率最大的點，它對確定曲線的形狀有重要作用。曲率的計算公式為

k= | Ri" | / (1 + Ri2′ )3/2

其中Ri"為波長為i時的二階導數，k為此點曲率。曲率的計算由于用到一階和二階導數，所以受噪音的影響極大。曲線上的“毛刺”段導數的變化極大，曲率值遠超于弧線的頂點，所以上式適用于平滑曲線，對于不穩定的波段需加強去噪處理。

3、光譜差異性分析

地物光譜曲線分辨率較高，一般不同的地物在曲線中呈現出不同的反射特征，這些差異在特征點上表現的比較明顯。即使是同一植物，在不同的生長期內其光譜也會發生有規律的變化，這些變化能夠被特征點準確地記錄下來。

利用高光譜進行地物識別，那么我們就會知道，當小麥開始灌漿時，其光譜曲線在627nm處出現了一個小反射峰，振幅約為0.003，這說明小麥已微微變黃，肉眼難以直接觀察到的變化在曲線上已體現出來。

4、曲線擬合

無論是地物光譜數據庫，還是高光譜遙感影像，光譜維數的增加都導致了數據量的急劇膨脹，而我們則希望能用較少的數據表示較多的信息。就試驗所用的手扶式光譜儀來說，一次測量就收集了從325nm到1075nm共750組數據點。大量的數據不僅占用了硬盤空間而且不利于網絡上的傳輸，所以在一定的條件下對光譜數據進行壓縮是有必要的。選點是壓縮的關鍵，既要使點盡可能的少，也要能夠表達出足夠的信息。本文將曲線的起點和末點以及波峰波谷作為選定點，另外加上其它一些特征點作為壓縮曲線的節點。點選定之后用分段三次多項式的方法進行插值，然后與原曲線對比，進行誤差分析。分段三次多項式法是在每兩個節點之間都擬合一條三次曲線，要求曲線通過這兩個節點，并且在節點處的導數等于給定的已知值，因而是一種比較精密的插值方法。

好啦，以上就是有關高光譜如何進行地物識別：光譜曲線特征的提取介紹，希望對大家有所幫助~

審核編輯：湯梓紅