童庆禧
,
张兵
,
张立福
|
收稿日期: 2016-07-08; 修改日期: 2016-07-14;
优先数字出版日期: 2016-09-25
基金项目: 国家高技术研究发展计划(863计划)(编号: 2013AA12A302); 国家自然科学基金项目(编号: 41371362, 41371359, 41272364)
第一作者简介:
童庆禧(1935-),男,研究员,中国科学院院士,研究方向为高光谱遥感技术和应用。E-mail:tqxi@263.net
通讯作者简介: 张立福(1967-),男,研究员,研究方向为高光谱遥感技术和应用。E-mail:zhanglf@radi.ac.cn
中图分类号: TP79
文献标识码: A
文章编号: 1007-4619(2016)05-0689-19
|
摘要
高光谱成像技术具有光谱分辨率高、图谱合一的独特优势，是遥感技术发展以来最重大的科技突破之一。中国的高光谱遥感发展与国际基本同步，在国家和省部级科研项目的支持下，解决了高光谱遥感信息机理、图像处理和多学科应用等方面多项世界性难题，有效解决了高光谱遥感理论研究与多领域应用中的关键技术瓶颈，实现了在农业、地矿、环境、文物保护等多领域的成功应用，产生了显著的社会经济效益。本文回顾了中国高光谱遥感技术的前沿研究进展，总结分析了取得的主要创新性成果。
关键词
高光谱遥感 , 成像光谱 , 遥感技术 , 传感器 , 信息提取 , 遥感应用
TONG Qingxi
,
ZHANG Bing
,
ZHANG Lifu
Abstract
Hyperspectral Remote Sensing (HRS), also known as hyperspectral imaging, has been considered one of the greatest breakthroughs in the remote sensing science and technology, attributed to its unique advantages in very high spectral resolutions as well as allowing for the synchronous acquisition of both images and spectra of objects. China, as one of the pioneers in HRS technology development, has made great achievements in both hypersepctral image processing and subsequent applications to real world problems under the supports of national and ministerial and provincial-level governments. These advances have bridged the gap between the most advanced theoretical contributions and their actual use in a number of applications including agriculture, mineral and energy resource exploration, environment, preservation of cultural relics, producing really rare and invaluable societal and economical impacts. This paper reviews current progresses in HRS in China, presenting main innovative achievements.
Key words
hyperspectral remote sensing , imaging spectroscopy , remote sensing technology , sensor , information extraction , remote sensing applications
1 引 言
遥感技术最早产生于20世纪60年代，随后成为一门新兴的交叉科学技术得到了迅猛发展。研究发现，光谱往往在很大程度上表征了地物的本征特性。光谱分辨率的提高有助于对地物的精确识别和分类(Goetz, 1995, 2009；Goetz等，1985)。在探测器技术提高的基础上，首先在美国出现了将影像和光谱探测融合于一体的成像光谱遥感的构思。20世纪80年代初期，童庆禧等人(2009)与美国JPL的专家安·卡尔的交流中了解了这一思路，并与中国科学院上海技术物理研究所薛永祺先生研究了这一新型遥感技术实现的可能，因此坚定了研究团队在成像光谱技术和应用领域协同攻关的决心，这也是中国开展高光谱遥感技术研究的起源，相关研究工作为中国后来开展的成像光谱技术研究奠定了重要基础。
20世纪80年代初期美国在成像光谱技术领域取得了重大突破(Goetz等，1985)，AIS和AVIRIS相继问世，在国际上产生了巨大的影响，被认为是与成像雷达技术并列，自遥感技术问世以来最重大的两项技术突破。短短的30多年间高光谱遥感已形成了一个颇具特色的前沿领域，并孕育形成了一门成像光谱学的新兴学科门类。它的出现和发展使人们通过遥感技术观测和认识事物的能力产生了又一次飞跃，也续写和完善了光学遥感影像从黑白全色影像经由多光谱到高光谱的全部影像信息链。
就中国而言，有两件事极大促进了中国成像光谱或高光谱遥感的发展。一是，始于20世纪80年代中期的黄金找矿热潮(Tong等，2014；童庆禧等，2009)。影像解译可以了解区域的地质构造、地层和岩石的空间格局，而光谱分析则可能揭示与岩矿类型、矿物特征和成矿背景有关的信息，这也是国际上最新的地矿遥感研究方向。二是，中国自主研发的红外细分多光谱扫描仪(FIMS-1)，于1986年装载于中国科学院“奖状”型遥感飞机上在新疆西准噶尔地区圈定的范围开展了遥感飞行。此后科研人员又对这台仪器进行了改进与提高，次年一台更为先进的12波段短波红外多光谱扫描仪(FIMS-2)投入应用，开展了对新疆西准噶尔地区更大范围的遥感飞行。这在当时国际上尚无先例，完全是根据中国国情、技术状况和特殊需求的创新型研究成果，这也是中国在机载准成像光谱技术和应用上取得的重大突破，它极大鼓舞了遥感科技人员在这一领域继续探索的信心。
与此同时成像光谱仪的研制和应用也作为一项关键技术被列入了始于1986年的国家第7个五年计划科技攻关内容。经过3年多的努力，一台具有先进水平的模块化航空成像光谱仪(MAIS)在薛永祺院士团队的努力下研制成功。通过与日本的科技合作，江西鄱阳湖生态环境和新疆石油地质遥感方面所取得的研究成果，在国际上产生了一定的影响，成为国际上成像光谱科技领域的一支活跃的研究力量，为继续深入开展高光谱遥感研究，特别是随后开展的与澳大利亚深入广泛的遥感合作奠定了基础。1990年9月—10月由中国科学院遥感应用研究所和中国科学院上海技术物理研究所科技人员组成的成像光谱研究组携带新研制的MAIS成像光谱仪与“奖状”遥感飞机应澳大利亚的邀请飞赴澳大利亚北部领地的达尔文市开展合作研究，开创了遥感技术走出国门支持国际合作的先例。在与澳大利亚遥感科技人员围绕地质、城市和海岸带的遥感应用进行了成像光谱遥感飞行、影像处理、信息提取和分析的基础上，取得了一系列令人信服的成果，受到了澳大利亚官方和科技人员的高度评价，也在国际上产生了很大的反响。至此，成像光谱或高光谱遥感技术和应用在中国科学院已形成了一个成熟的研究方向和学科领域，有了一支从技术发展到应用研究的科研队伍。
随后，高光谱遥感技术的理论和应用研究在中国迅速开展起来。由于高光谱遥感影像具有很高的光谱分辨率，能够提供更为丰富的地球表面信息，因此受到国内外学者的很大关注和广泛应用。其应用领域已涵盖了地球科学的各个方面，成为地质制图、植被调查、海洋遥感、农业遥感、大气研究、环境监测等领域的有效技术手段，发挥着越来越重要的作用(Tong等，2014)。
中国高光谱遥感技术从20世纪80年代以来，几代人的不懈努力，从蹒跚起步到蓬勃发展、从探索研究到开展应用，始终和国际保持同步发展步伐。然而，纵观中国乃至世界的高光谱遥感技术及其应用水平，特别是和传统摄影测量遥感和多光谱遥感相比，其应用范围的广度和应用层次的深度还都存在明显差距。造成这种差距的主要原因主要表现在以下两方面：
(1)“无源之水”之困。从高光谱遥感技术诞生以来，主要的数据获取方式是依靠有人航空飞机平台，世界上第一颗实用的高光谱卫星是2000年的Hyperion卫星，目前在轨的高光谱遥感卫星尚未形成运行化的全球获取能力。航空数据获取实施难度大、覆盖范围小；航天在轨卫星少，且卫星分辨率低、重访周期长，航空航天这种高成本、低频率获取数据的能力是高光谱遥感发展的瓶颈所在，“无源之水”也就是高光谱遥感技术和应用发展的最大困境。
(2)“曲高和寡”之忧。高光谱遥感在应用模型方面，过于依靠地面反射率数据。然而从航天卫星或航空高光谱遥感数据到地面反射率数据，需要经历从原始数据到表观反射率、再到地面反射率的复杂过程，涉及到遥感器定标、大气校正等一系列复杂处理过程，特别是大气校正有时候还需要同步的观测数据，这种处理的复杂性把高光谱遥感变得“曲高和寡”，很多应用部门对高光谱遥感技术望而却步，其结果是极大阻碍了高光谱遥感应用拓广。
如何破解这两方面的问题，降低高光谱遥感的数据获取、处理、信息提取与应用等方面的门槛，便构成为了高光谱遥感的前沿科学问题。
2 高光谱遥感数据获取与成像模拟
在高光谱遥感信息机理研究方面，面临三大基础性问题，分别为地物微观结构光谱数据采集手段缺乏，地物全谱段和配套参量作用机制不清以及遥感器指标论证技术缺乏等。围绕上述3个关键问题，国内外学者开展了系列创新研究。
2.1 地物光谱数据库构建
构建地物种类齐全、光谱数据与属性参数完备的光谱数据库，是遥感基础研究和应用研究中不可缺少的重要环节，它对发展遥感信息处理的新方法、提高遥感应用水平等起着非常重要的作用。美国NASA在20世纪60年代末到70年代初建立了地球资源信息光谱数据库，共包括植被、土壤、岩石矿物和水体等4大类地物的电磁波波谱特性数据。美国地质调查局(USGS)对各种主要岩石类型和部分植被类型进行了较系统的光谱测量，测量中除了采用实验室及野外地面光谱测量方法外，还采用了遥感光谱学的测量方法，即利用航空高光谱成像的测量方法测量地物目标的光谱特征，并制成了USGS光谱数据库。现在的光谱库版本是splib06，包含1000多条地物光谱数据(Clark等，2007)。John Hopkins大学光谱库中采用Beckman和FTIR光谱仪测量了多种地物的光谱。建立了包括岩石(火成岩，变形岩，沉积岩)、矿物、地球土壤、月球土壤、人工材料、陨石、植被、水体、雪和冰、以及人工目标的波谱数据库。其中，包含25条不同类型的土壤光谱数据(Korb等，1996；Salisbury等，1994)。美国喷气推进实验室(JPL)建立的ASTER光谱库采用Beckman5240光谱仪测量了包括160种矿物岩石在125—500 um，45—125 um，小于45 um这3种微粒尺度下的光谱，以研究微粒尺度与光谱之间的关系。光谱波段宽度在400—800 nm之间为1—4 nm，800—2200 nm之间小于20 nm，2200—2500 nm之间为20—40 nm。2009年，ASTER光谱库2.0版本又搜集了来自JHU、USGS等的光谱，共包含2300多光谱，主要为岩石和矿物光谱(Baldridge等，2009)。在国家高技术研究发展计划(863计划)支持下，也创建了涵盖岩矿、农作物、水体等典型地物，包括9500多组光谱及完整配套参数的光谱数据库，下面简介这3种光谱数据库。
(1)岩矿标准波谱库是中国岩矿样本最齐全、测量参数最完整的波谱数据库(李兴等，2003；张兵等，2004)，包含大量地物光谱数据和地物背景参量数据，采集了来自于中国27个省市的典型岩石和矿物样品522个，获得光谱曲线及相当完备的配套参数1624组，收集了中国以前测量的光谱数据和USGS光谱数据库及相关的配套参数1518组，收集了像元波谱100条，图像立方体86个。同时，还搜集并研制了岩矿应用的典型模型，包括岩矿光谱模拟模型、典型矿物波谱识别模型以及基于波谱库的典型岩矿矿物组分分析模型，解决了样品实验室光谱到像元光谱的转换，解决了岩石样品光谱与岩石风化物光谱之间的定量关系难题。该岩矿光谱库为遥感尤其是高光谱遥感在地矿调查领域的发展提供了坚实的数据、模型和方法基础，是中国典型地物标准波谱库的重要组成部分。项目成果成功在新疆东天山示范区进行了应用，实践表明高光谱遥感技术以及岩矿波谱数据库对于地质研究与区域地质填图具有很高的实用价值。
(2)内陆水体固有光学量数据库。实地测量了中国典型内陆水体(包括太湖、巢湖、滇池、三峡水库、于桥水库、官厅水库、白马拉木错、沙厂水库、昆明湖、奥海等)不同季节的固有光学量数据(包括水体各组分如浮游植物、悬浮物和有色溶解性有机物的吸收系数和散射系数等)(Li等，2014a；李俊生等，2013；申茜等，2014)。将获取的覆盖不同水域不同季节的具有代表性的固有光学量进行组织与管理，并将实测的典型水体固有光学量数据等效到典型高光谱遥感数据源(如HJ-HSI，MODIS，CHRIS等)的波段，构建了典型内陆水体固有光学量数据库。固有光学量数据库以区域、季节、遥感器为索引，可以为构建水质参数反演解析模型提供先验知识的支撑。
(3)作物全生育期光谱库：创建的中国首个面向精准农业的典型作物全生育期光谱数据库，包括1500多组数据、全生育期光谱及配套理化与环境参数。开发了高光谱数据库系统，体现高光谱图谱合一特性，综合了光谱数据库、光谱分析功能和数据挖掘功能于一体的专用数据库系统。
2.2 地面及近地面系列成像光谱仪
高光谱数据具有波段数多、波段宽度窄、数据量庞大等特点，无论是星载、机载还是地面高光谱数据的获取始终是一个难题。目前还没有业务化的星载高光谱传感器，机载高光谱也面临着几何与辐射校正困难等问题，实用化的系统也不多见，地面成像光谱系统在经过近20年的发展，目前有着长足的进步。
从20世纪80年代开始，Tong等人(2014)与中国科学院上海技术物理研究所薛永祺院士团队合作开发了AMSS、FIMS、MAIS、PHI、OMIS等多高光谱成像系统(Tong等，2014)，2006年成功研制可见近红外地面成像光谱仪(FISS)，是中国自主研发的首套具有高光谱、高空间分辨率的地面成像光谱仪(Huang等，2013b, 2012；童庆禧等，2010；Zhang等，2011；Zhang等，2015b)，如图 1(a)；2012年成功研制短波红外波段的地面成像光谱系统，如图 1(a)；利用这两个波段的成像光谱系统，团队于2013年成功研发小型航空成像光谱系统(Wu等，2014)，并进行试飞，如图 1(b)；近年来，与故宫博物院合作研发了文物高光谱成像系统，在古画、唐卡、壁画、墨书等文物的识别、鉴别、颜料提取等方面有着深入应用；并研发显微成像光谱系统，有望在医学、生物等领域开展光谱应用；2015年11月，研发的实时高光谱遥感系统(Wu等，2016b)作为优秀成果，被中国科学院选派参加第十七届中国(深圳)国际高新技术成果交易会。
2.3 全链路高光谱图像模拟系统
地表特性、大气过程、遥感器载荷参数的差异都会使得获取到的高光谱数据发生较大变化。即高光谱图像数据与该成像过程密切相关，在地表特性分析基础上，应开展大气辐射传输过程研究、遥感器辐射特性分析等高光谱成像过程分析。而遥感器的研制与运行以应用需求为导向已成为共识，为充分发挥高光谱数据的应用潜力，需开展高光谱遥感器载荷参数指标论证与分析，而在遥感器研制与投入使用前，对研制的遥感器载荷指标无法感性系统的认识，通过图像模拟分析与了解数据特性已成为共识。因此，为有针对性地开展全链路图像模拟，应充分分析研究高光谱数据获取与信号辐射传输过程，开展高光谱数据成像过程分析，从而在遥感器研制过程中，根据其载荷参数特性开展全链路的图像模拟，支撑高光谱载荷参数论证与指标优化分析。
自20世纪90年代后期以来，国外在基于遥感辐射特性研究、高光谱等光学遥感模拟技术研究方面开始飞速发展，已形成多个数据模拟仿真系统，典型的有德国宇航中心的SENSOR、德国地球科学研究中心的EeteS、美国ITT公司的Physique、美国罗彻斯特理工学院的DIRSIG、法国Alcatel公司的AS3IO等，分别已成功应用于高光谱遥感器APEX、待发射的高光谱遥感器EnMap以及Ikonos、QuickBird、WorldView、Landsat8、SPOT卫星以及等多颗卫星的数据模拟仿真(Börner等，2001；Guanter等，2009；Ientilucci和Brown，2003)。
受制于航天技术封锁，使得发展图像模拟技术必须依靠我们本身，中国学者从各个角度开展了数据模拟研究。在大气辐射传输过程、遥感器辐射特性分析基础上，开展了高光谱图像全链路成像过程模拟研究(图 2)，提出了基于地物辐射模型、光谱通道相关性、光谱混合模型的多种地表反射率场景模拟生成方法(Zhang等，2014；张明等，2012)，研究并集成了复杂地形辐射、大气辐射传输、遥感器成像模型等，实现了涵盖不同光谱范围、不同成像条件(大气条件、成像几何)与载荷参数(信噪比、视场角、空间、光谱与辐射分辨率等)、不同分光方式(干涉/色散型)下的高光谱遥感图像模拟，为光学载荷指标设计与多颗卫星型号论证提供了科技支撑，例如HJ-1A、CE-1、TG-1、GF等。
3 高光谱遥感数据处理与信息提取
与传统多光谱遥感数据相比，高光谱遥感数据具有波段多，光谱分辨率高、空间分辨率低等特点，这使得高光谱遥感图像面临着诸多问题，例如：像元内部地物混杂、噪声干扰、目标探测虚警率高等。针对这些核心问题，开展了关键技术攻关，发展了系列创新算法模型。
3.1 高光谱图像混合像元分解
由于成像光谱仪空间分辨率的限制和自然地物复杂多样的影响，混合像元普遍存在于高光谱遥感影像(童庆禧等，2006)，成为制约高光谱遥感影像高精度解译的瓶颈问题。混合像元分解技术是解译混合像元的重要手段(张良培等，2014)。目前，国内外混合像元分解的主要方法可以分为4类：凸几何分析方法、统计分析方法、稀疏回归分析方法以及光谱—空间联合分析方法。
(1)凸几何分析方法基于线性混合模型，认为包围数据集的单形体的顶点即为端元(图 3)。经典的凸几何分析方法有N-FINDR(Winter，1999)、VCA(Vertex Component Analysis)(Nascimento和Dias，2005)等，通过寻找数据集内部的最大单形体获取端元光谱；该类方法基于“纯像元存在于影像”的假设，因而，当影像中不存在纯净像元时，难以精确获取影像端元。针对这一问题，国内外学者提出了基于凸几何的端元生成算法，通过最小化端元矩阵构成单形体的目标函数提取影像中的端元，经典的方法如SISAL(Bioucas-Dias，2009)，MVES(Minimum Volume Enclosing Simplex，Chan等，2009)、SVMAX(Successive Volume Maximization，Chan等，2011)等；该类方法具有较高的端元提取精度，但需要较大的计算量。针对此有学者提出了快速分析方法—MVSA(Minimum Volume Simplex Analysis，Li等，2015)，该方法具有较高的端元提取精度和高效的运行速度。
(2)统计分析方法对于高度混合的影像具有较高的分解精度，是近年来国内外研究的热点之一。该类方法主要以独立成分分析(ICA)、贝叶斯方法和非负矩阵分解(NMF)为主。ICA假设各地物之间的组分相互独立，然而，该假设并不符合地物组分分布特征，国内外学者通过对组分施加“非负”约束“和为1”约束，能够得到较好的分解精度，如Xia等人(2011)提出的CICA(Constraint ICA)和Wang等人(2015)提出的ACICA(Abundance Characteristic ICA)。贝叶斯分析方法假定端元和组分符合某种分布，并将这种假设作为先验知识输入最大后验概率模型中，获得端元和组分(Arngren，2011；Dobigeon，2009)。NMF主要在NMF模型中加入对端元、丰度或数据结构的约束条件函数，估计端元和组分信息(Liu，2016；Wang等，2013；Yang等，2015b)；NMF方法能够与各类解混方法进行结合，同时具有较为可靠的分解结果，是当前最热点的混合像元分解方法。
(3)稀疏回归分析假定影像所含的端元存在于一个巨大的光谱库中，则影像的每个像元都可以被光谱中的若干光谱线性组合表达。由于相对于光谱库，影像中包含的端元非常稀少，故影像可被该光谱库稀疏表达，代表方法为Sparse Unmixing(Iordache等，2011)。稀疏分解的主要问题为分解结果并不共享同一组端元集，使得结果中可能包含不存在于影像中的地物种类。为了解决这一问题，Iodache等人(2014)提出了联合稀疏方法(图 4)，通过加入混合范数，使稀疏分解过程共享光谱库中的同一组端元集；国内外学者在此基础上进行了改进，如局部联合稀疏分解(Zhang等，2016a)、基于区域的联合稀疏分解(Li等，2016)等，此外，近年来稀疏分解还与NMF模型结合，形成了稀疏NMF解混模型，如流形约束的稀疏NMF(Lu等，2013)、超图约束的稀疏NMF(Wang等，2016)等。
(4)光谱—空间联合分析认为像元之间并不是单独孤立的，而是在一个3D自然场景中，结合周围像元的光谱-空间信息，对高光谱影像进行端元提取。代表方法有AMEE(Automatic Morphological Endmember Extraction，Plaza等，2002)、Spatially-smooth piece-wise convex endmember detection(Zare等，2010)等。近年来，空间信息常被作为约束项与上述统计类方法和稀疏方法相结合，如光谱—空间约束的稀疏分解(Xu等，2016)、空间约束NMF(Goenaga-Jimenez和Vélez-Reyes，2014)等。
近年来，有学者提出了半监督混合像元分解思路，将已知的部分端元作为先验信息与未知信息一同进行运算，能够提高结果精度(Sigurdsson等，2014；Tang等，2015；Wang等，2013)。此外，非线性解混(Févotte和Dobigeon 2015；Halimi等，2015；Marinoni等，2015)和高性能计算(Sánchez等，2015；Sevilla等，2016；Torti等，2016)也逐渐成为混合像元分解领域的研究热点。
3.2 高光谱图像融合
受传感器成像能力的制约，高光谱遥感数据普遍存在空间分辨率低、重访周期长和覆盖范围小的问题。利用高光谱图像融合技术，结合高空间分辨率数据的空间信息，能够有效提升高光谱数据的空间分辨能力。与传统的多光谱图像融合不同，针对高光谱数据的融合技术，不但要求在空间分辨率上有显著提高，而且还应尽可能保持原始数据的高光谱特征，满足光谱解译的应用需求。
目前国内外典型的高光谱图像融合算法主要分为3类，第1类是利用频域滤波方法将高光谱数据的低频信息和高空间分辨率数据的高频信息相结合，得到包含更多空间和光谱信息的融合数据。例如Gomez等人(2001)将小波分析方法应用到多光谱数据与高光谱数据的融合研究中，利用小波变换将高光谱和多光谱数据的每个波段分解成高频分量和低频分量，然后进行分量的替换，最后经过小波逆变换得到融合图像。第2类是利用概率统计理论，结合高光谱数据和高空间分辨率数据之间的物理相关性，实现高空间高光谱数据的最优化拟合。例如，(Eismann和Hardie，2005；Hardie等，2004)提出基于最大后验概率MAP(Maximum A Posterior)的MAP/SMM算法，利用多光谱或全色数据与高光谱数据进行融合，达到高光谱图像空间分辨率提高的目的(Eismann和Hardie，2005；Hardie等，2004)。第3类是基于混合光谱解混理论，利用高空间分辨率数据的空间信息，辅助对高光谱数据进行光谱解混，得到高空间尺度下的像元光谱。例如，Yokoya等人(2012)提出的以非负矩阵分解理论为基础的多/高光谱数据融合算法，通过对高光谱和多光谱数据同时进行混合像元分解，得到高光谱数据的端元光谱信息和多光谱数据的端元丰度信息，然后将两者进行混合，得到高空间分辨率高光谱数据。
此外，为了融合宽覆盖和高时间分辨率数据以弥补高光谱数据时间分辨率和覆盖范围的不足，时—空—谱4维数据一体化融合及光谱信息的时空范围拓展逐渐得到重视，目前已有学者进行了初步研究，例如Huang等人(2013a)引入贝叶斯最大后验概率(MAP)准则，基于Landsat和MODIS两个传感器探索多时—空—谱图像一体化融合方法，融合后的结果是具有Landsat空间分辨率和MODIS光谱分辨率的遥感数据时间序列集。同样基于MAP原则，Meng等人(2015)提出了多个传感器的时—空—谱一体化融合框架。孙雪剑等人(Sun等，2015)提出了多光谱数据光谱分辨率增强融合算法(SREM)，构建了基于多/高光谱数据融合的宽幅及多时相高光谱数据重构模型。该模型能够获得光谱分辨率与原始高光谱图像一致，空间分辨率、时间分辨率和幅宽与原始多光谱图像一致的高光谱图像数据(图 5)。
目前高光谱图像融合技术的研究主要集中在高光谱图像与其他光学遥感数据的融合，而高光谱数据与激光雷达等多源遥感数据的融合应用也正逐步成为研究热点(Alonzo等，2014；Dalponte等，2012；Swatantran等，2011)。
3.3 高光谱图像目标探测
高光谱遥感目标探测是高光谱遥感技术研究中的一个重要领域(张良培，2014)，主要是依据感兴趣目标的反射光谱与其他地物的差异，对目标进行特定的区分和提取(Manolakis，2003)。相对于多光谱，高光谱遥感本身所具有的丰富的光谱信息，就成为了光谱维目标探测的重要信息支持，使得出现在图像中更精细、更微小的目标能够被探测，这也是高光谱目标探测近些年发展迅速的原因所在(Chang，2013)。
高光谱目标探测算法可简单分为两类：即异常探测和光谱匹配(Manolakis等，2014)。顾名思义，就是无需任何先验知识，仅仅找出图像中与大多数像元光谱分布规律不一致的“离群点”的探测问题，并不具有针对性。例如假设背景像元可以用其空间临近像元线性表示而异常像元则不能(Li和Du，2015)，通过包含一个代表邻近像元对该背景像元的贡献权重并规定权重和为1的矩阵，来求出当权重向量的均方根最小时图像的异常像元。光谱匹配从广义上来讲的，是指利用了目标或者背景的先验光谱知识，在图像中寻找高层次“匹配”关系的像元方法。这些先验知识可以是来自于实验室测得，也可以是从图像中提取的。这类算法具有一定的针对性，能够提取特定目标而排除一些信号较强的虚警目标。例如采用非线性压制算法对不同层次的约束能量最小化探测器的每一个输出光谱进行转换(Zou和Shi，2016)，并把转换结果看做下一轮探测时该光谱的系数，进而精准探测出已知光谱信息的目标而排除其他干扰信息。
目标的空间信息也是一种先验信息。近年来，随着高光谱影像的空间分辨率的提升，越来越多的空间信息被利用于结合光谱信息开展高光谱目标探测。由于基于概率统计的高光谱目标探测在估计背景信息时都直接或间接地采用了图像的二阶统计量，并且这类算法的推导往往是要基于某个特定分布假设的。于是有学者在这个方面将图像从空间上进行分割，利用图像的空间信息对图像背景像元进行提取之后，让背景更好地满足算法所基于的分布假设，以提高目标探测的精度。Messinger等人(2006)和刘凯等人(2013)都采用了这个思路。而Liu和Chang(2004)提出了一个基于嵌套空间窗口的目标探测方法NSWTD(Nested Spatial Window-based Target Detection)，该方法的思想是用一系列嵌套的窗口来提取在光谱信息和空间信息上都不相同的“目标”，由于不需要任何先验知识，这里的“目标”仅仅是图像中的异常。Li等人(2014b)提出了一种基于空间不连通支持的稀疏表示探测方法(sparse representation within disconnected spatial support)，该方法在常规的稀疏表示方法上基于“具有相同或相近光谱向量的像元往往分布在图像上空间不连通的区域”的假设支持，改进了常规的稀疏表示方法用于探测，利用了整幅图像的空间相关性和光谱相似性信息，并基于贪婪追踪算法(greedy pursuit algorithm)给出了在寻求理想稀疏表示问题上衍生出的优化问题的解决方案。高孝杰等将形态学算子引入高光谱异常探测算法中，避免了原有全局统计中无法去除目标像元影响的问题，并能预先排除一部分非感兴趣目标，提供了目标探测精度(图 6)，图 6中RXD(Reed-Xiaoli Detector)为RX异常探测器，LPTD(Low Probability Target Detector)为低概率目标探测器，UTD(Uniform Target Detector)为均衡目标探测器，M-UTD为使用形态学算子修订后的异常探测相应算法。
随着高光谱数据量的增大，以及对目标探测的时效性需求，例如，火灾的实时监测、移动目标探测、战场上军事目标探测等。实时处理成为高光谱目标探测方法所面临的主要问题。传统高光谱目标探测是对已获取的所有数据在室内进行处理，识别目标。而与传统目标探测方法不同，高光谱实时目标探测要求在数据获取的同时，对当前所获取数据进行快速在线处理，实时或准实时的判别出目标的位置以及响应强度，以利于瞬时性的决策分析(Chang等，2001)。以推扫式成像光谱仪为例，在逐行获取高光谱数据的同时，实时处理当前行数据，并在可接受的时间内得到探测结果，如图 7所示。
针对摆扫式点扫描成像光谱仪，借鉴卡尔曼滤波思想，以Woodbury矩阵引理作为基础，提出了一种新型高光谱实时异常目标探测方法(Zhao等，2015；赵春晖等，2015)。弥补了摆扫型成像光谱仪用于实时目标探测效率低的不足。主要改进了异常目标探测中背景矩阵的估计与压制过程
| $ \begin{equation} \begin{array}{*{20}{l}} {{{\boldsymbol R}^{ - 1}}\left(n \right)= {{\left[ {\left({1 - {\displaystyle \frac{1}{n}}} \right){\boldsymbol R}\left({n - 1} \right)} \right]}^{{ - 1}}}} - \\ {\frac{{\left\{ {{{\left[\displaystyle {\left({1 - \frac{1}{n}} \right){\boldsymbol R}\left({n - 1} \right)} \right]}^{{ - 1}}}{\displaystyle\frac{1}{\sqrt n }}{\displaystyle{\boldsymbol r}_n}} \right\}\left\{ {{\displaystyle\frac{1}{\sqrt n }}{\displaystyle{{\boldsymbol r}_n^{\rm T}}}{{\left[ {\left(\displaystyle{1 - \frac{1}{n}} \right)\displaystyle{\boldsymbol R}\left(\displaystyle{n - 1} \right)} \right]}^{{ - 1}}}} \right\}}}{{{\displaystyle 1 + \frac{1}{\sqrt n }}{\displaystyle{\boldsymbol r}_n^{\rm T}}{{\left[ {\left({\displaystyle {1 \!\! - \!\! \frac{1} n}} \right) {{\boldsymbol {\displaystyle R}}\left({n - 1} \right)}} \right]}^{{ - 1}}}{\displaystyle \frac{1}{\sqrt n }}{\displaystyle{\boldsymbol r}_n}}}} \end{array} \end{equation} $ | (1) |
式中，rn为当前所采集的第n个像元矢量，R(n–1)为前(n–1)个像元的全局背景自相关矩阵，R(n)为当前n个像元的全局背景自相关矩阵。
利用当前点数据和之前已知的背景信息，来更新当前背景统计信息，避免了使用所有数据进行全局性重复计算，有效降低了实时处理过程中的时间复杂度。
考虑到高光谱数据光谱信息与空间信息冗余较大，采用空间采样以及波段选择的方法，有效降低高光谱数据量，结合目标探测算法的高度并行性，以多DSP为载体，实现高光谱目标探测的实时快速处理(Zhang等，2012)。结合并行可编程电子器件FPGA与基于Woodbury矩阵引理的实时处理结构，对每一次所获取的高光谱数据，采用卡尔曼滤波思想，对背景压制信息进行递归更新，更新过程采用FPGA进行并行化处理，将高光谱目标探测算法CEM与异常探测算法RXD同时集成到同一块FPGA电路板，在保证探测精度不变的情况下，进一步提高实时探测效率，实现了多模态并行实时高光谱目标或异常探测方法(Yang等，2015a)。FPGA具有重量小、能耗低、数据处理速度高、可编程、多模块等特点，适用于地面、机载、星载等在线实时处理。
此外，在国际上首次引入随机采样理论对背景信息进行估计(Du和Zhang，2011)。由于高光谱图像中异常或目标出现概率较小，重复多次进行随机采样，多次采样中命中异常或目标的概率将逐步减小，避免异常目标像元对背景估计的影响，如图 8所示。
针对推扫式成像光谱仪，在当前所获取的行数据中进行多次随机采样应用于背景估计，由于样本数量较小，背景信息估计耗时低，同时通过QR分解对背景矩阵进行快速压制，实现逐行实时异常目标探测。
3.4 高光谱图像精细分类
在遥感分类中，地物(特别是植被)类型丰富且光谱相似，高光谱数据相对于多光谱数据具有较高的光谱分辨率，能够更为全面、细致的获取地物光谱特征及其差异性，从而大幅度提高地物分类的类别精细度和准确度。但是，高光谱遥感精细分类中主要存在以下问题：第一、高光谱数据成百上千的光谱波段带来了巨大的运算量，分类Hughes现象不容忽视，而且对监督分类中训练样本的需求也大幅增加；第二、随着传感器空间分辨率的提高，分类结果中椒盐噪声严重影响分类结果的应用。
针对数据冗余问题，Shang等人(2015)提出了基于植被特征库构建与优化的植被分类策略，综合利用原始光谱特征、空间特征及植被生化参量敏感的光谱特征指数构建植被特征库，基于类对可分性(CPS)对植被特征库光谱维优化，主要指标为
| $ \begin{equation} \begin{split}\\[-13pt] {{{B}}_{ij}}= & \frac{1}{8}{\left({{{\boldsymbol u}_i} - {{\boldsymbol u}_j}} \right)^{\rm{T}}}{\left({\left({{{\boldsymbol C}_i} + {{\boldsymbol C}_j}} \right)/2} \right)^{ - 1}}\left({{{\boldsymbol u}_i} - {{\boldsymbol u}_j}} \right)+ \\ & \frac{1}{2}\ln \left[ {\left. {\left| {\frac{{{{\boldsymbol C}_i} + {{\boldsymbol C}_j}}}{2}} \right.} \right|/\left({{{\left| {\left. {{{\boldsymbol C}_i}} \right|} \right.}^{\frac{1}{2}}}{{\left| {\left. {{{\boldsymbol C}_j}} \right|} \right.}^{\frac{1}{2}}}} \right)} \right] \end{split} \end{equation} $ | (2) |
式中，B为Bhattachryya距离，ui和uj分别是类别i与类别j图像变量的均值矢量，Ci和Cj分别是类别i与类别j在波段子集上的协方差矩阵。
| $ \begin{equation} \begin{aligned} & J{M_{ij}} = {\left\{ {\int_x {{{\left[ {\sqrt {p\left({x/{W_i}} \right)} - \sqrt {p\left({x/{W_j}} \right)} } \right]}^2}} {\rm{{d}}}x} \right\}^{\frac{1}{2}}} \\ & JM = 2\left({1 - {{\rm{{e}}}^{ - B}}} \right) \end{aligned} \end{equation} $ | (3) |
式中，JM为J-M距离，p(x/Wi)为条件概率密度，也就是第i个像元属于第Wi个类别的概率。
| $ \begin{equation} {\rm{OIF = }}\left({\sum\limits_{i = 1}^n {{S_i}} } \right)/\left({\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^n {\left. {\left| {{R_{ij}}} \right.} \right|} } } \right) \end{equation} $ | (4) |
式中，OIF(Optimum Index Factor)为最优索引因子，i和j为波段号，Si为第i个波段的标准差，Rij为第i个波段与第j个波段的相关系数，n为从总的波段N中选择的波段数，1≤n≤N。
此外，还提出基于邻域光谱角距离的植被特征库空间维优化方法，对空间维进行滤波优化的同时，充分利用了植被光谱维特点。在有训练样本的情况下，该算法可基于训练样本自动选定阈值进行计算，在无训练样本的情况下，也可以根据用户手动设置阈值进行计算。
半监督分类算法同时利用了少量已标记样本和大量未标记样本，大幅度降低了分类器对已标记样本的需求，对高光谱遥感数据的小样本分类具有重要意义。利用直推支持向量机的方法进行样本增量，可实现半监督学习过程(Gomez-Chova等，2008；Tuia和Camps-Valls，2011)，也可通过基于主动学习策略的样本增量方法对高光谱影像进行半监督分类(Di和Crawford，2011；Li等，2011；Patra和Bruzzone，2012)。
尚坤(2014)提出了基于光谱角距离—欧氏距离双重判定的渐进直推支持向量机(SAD/ED-PTSVM)分类算法，有效利用高光谱数据的光谱维信息，降低未标记样本的误标记概率，进而降低标签重置带来的时间成本，并有效简化了传统直推支持向量机的参数设置，提高分类效率(图 9)。此外，提出结合混合像元分解进行主动学习的支持向量机(SUAL-SVM)分类方法，有效提高分布较少的植被类别的识别精度，利用更少的标记样本实现更高的总体分类精度，有效减轻样本标记工作量，减少分类器样本训练所需时间。
在基于植被特征库构建与优化的植被精细分类基础上，引入面向对象的方法以减弱椒盐噪声对分类结果的影响，提出了基于植被特征库构建和面向对象的半监督分类方法(Zhang等，2016b)，经过PHI航空高光谱数据的验证表明，该方法可得到较高的分类精度。
3.5 高光谱图像处理软件系统
为降低高光谱遥感技术应用的门槛，需要将高光谱图像处理与信息提取的算法模型固化，形成成熟的软件系统，例如广为大家熟知的ENVI遥感软件系统。在国家高技术研究发展计划支持下，国内开发了第一套具有完全自主知识版权、主要面向高光谱遥感图像数据的专业图像处理与应用软件系统HIPAS(Zhang等，2000)，它基于业界主流集成开发工具C++和Windows系列平台，具有强大的海量高光谱数据处理分析能力、直接面向用户的专业应用模块、一体化的数据处理流程和良好的可交互性，并为用户的二次开发提供了接口，是遥感工作者进行高光谱图像处理分析的有力工具。近几年，采用QT开发框架对HIPAS进行了升级，升级后软件系统具有跨平台运行的优势，图 10为升级后的HIPAS软件(HyLab)主界面。
HIPAS(HyLab)系统集成了自主创建的系列模型算法，包括光谱图像工具箱19个，光谱特征分析算法15种，像元解混算法9种，高光谱图像分类算法15种，高光谱图像目标探测算法8种，具有面向多种应用领域的专业模块，被欧盟行业调研报告列为国际六大顶尖高光谱图像处理软件之一。
4 高光谱遥感地表参数定量反演及应用
4.1 植被生态与农业高光谱遥感
植被是生物多样性的重要组成部分。植被遥感，从小的层面上，包括杂草识别、作物分类及长势监测等；从大的层面上，它关系到区域的生态评价、国家的粮食安全以及全球的气候变化。高光谱遥感应用于植被参数反演研究主要包括：生化组分参数反演，如叶绿素Chls(Chlorophylls)，类胡萝卜素Cars(Carotenoids)以及氮素N(Nitrogen)等；生物物理参数反演，如叶面积指数LAI(Leaf Area Index)；植被与环境相互作用因素反演，如光合有效辐射FPAR(Fraction of absorbed Photosynthetically Active Radiation)。
在植被生态监测方面，植被指数作为地表植被活动的度量指标之一，已经被广泛应用于地球环境监测，植被变化研究，各种自然灾害，如森林火灾，农作物病虫害，以及各种与环境变化有关的沙漠化，绿地减少，干旱等的研究。由于研究目的的不同，人们设计出了几十种植被指数。一种被普遍接受的植被指数是规格化差值植被指数NDVI，尽管NDVI克服了比值植被指数(RVI)(Jordan，1969)的弱点，将数值限定在[–1，1]之间，而且可以消除大部分与太阳角，地形，云/暗影和大气条件有关的辐照度条件的变化，但却带来了数值饱和问题。为改善NDVI受背景反射亮度影响的缺点，学者们也提出了各种方法，如垂直植被指数(PVI)，加权差分植被指数(WDVI)(Clevers，1989)，土壤调节植被指数(SAVI)(Huete，1988)，针对不同研究目的，这些植被指数显示出了各自的优势。但对于高光谱数据，有几十甚至上百个波段，除了起主要作用的红色波段和近红外波段外，其他波段在反映植被的某些生物物理特性的细微变化时，显示了其不可忽视的独特作用。因此，需要定义一种针对高光谱数据的新的植被指数算法。针对上述问题，提出了全谱段植被指数VIUPD(Zhang, 2006, 2007；Zhang等，2010)，其计算原理利用了整个波段的有效信息，更能够反应植被的细微变化，该植被指数与传感器无关，因此，基于VIUPD建立的模型，精度更高，有助于利用多源遥感数据构建长时间序列植被指数，满足全球变化研究需要。
在农业生产方面，高光谱遥感在作物长势监测、产量估计、品质监测以及病虫害监测预测方面得到了广泛应用。目前，国内外在作物病虫害遥感监测研究中，主要是针对受病虫害胁迫作物的光谱特征，开展病虫害胁迫的特征提取。常用的特征提取方法包括基本的光谱运算及变换方法，如敏感波段提取法，光谱植被指数法，微分光谱分析法，吸收谷/反射峰等光谱位置参数提取法等)和光谱数据知识挖掘方法，如主成分分析法，小波分析法，神经网络法，支持向量机，偏最小二乘回归等。为开展作物不同病虫害区分研究，研究者提出了新型病害识别光谱指数。如通过引入RELIEF-F特征提取算法，阐明了小麦条锈病，白粉病以及蚜虫的光谱特征，并构建定量区分特定病害的新型光谱指数NSIs(New Spectral Indices)，包括HI(Health-Index)，PMI(Powdery Mildew-Index)，YRI(Yellow Rust-Index)，AI(Aphids-Index)(Huang等，2014)，将这些新型植被指数用于叶片和冠层尺度病虫害区分均取得满意的结果。
4.2 岩矿高光谱遥感
高光谱遥感最先是由地质学家在研究矿物和演示的光谱特性时提出的，经过30年的发展，在岩矿光谱库构建、光谱机理、矿物混合模型、岩矿信息提取技术等方面取得了长足的进步(Tong等，2014)。高光谱遥感技术最初发展于矿产资源勘查领域，但现已进入一个全新的发展阶段。例如，在信息提取方法方面，充分考虑了遥感数据异源空间与光谱融合的手段提取蚀变信息，结果表明在识别种类、相对精度等方面均较融合前有较大幅度提升；在数据源方面，基于新型卫星高光谱载荷数据提出了岩矿高光谱识别与定量反演系列模型，如利用中国天宫一号高光谱卫星数据进行蚀变信息的有效提取与矿物填图工作，利用中国嫦娥一号数据制作了全月表典型造岩矿物与太空风化分布图(Shuai等，2013)，如图 11所示。
4.3 内陆水体高光谱遥感
内陆水体光学特性复杂，且随区域和季节变化大。波段较宽的多光谱遥感很难探测到水体组分的光谱信息，因此具有很大的局限性。高光谱遥感具备捕捉细微光谱特征的能力，一方面能够解决多光谱无法解决的某些问题，如蓝藻水华与水草的区分、藻蓝素浓度探测等；另一方面丰富的光谱信息能够提高内陆水体水质参数的反演精度。内陆水体高光谱遥感涉及3个关键问题：即内陆水体光场二向性测量与分析、水质参数高光谱遥感反演，蓝藻水华高光谱遥感监测等。目前，国际上能够测量水体光场二向性的主要就是水下鱼眼相机(Voss，1989；Voss和Chapin，2005)，但是它只能测量水下光场。与之相对的水上光场二向性的测量具有更加重要的现实意义。在水质参数高光谱遥感反演方面，通常有3种方法，即经验方法、半经验方法和分析方法(Dekker，1993)，目前国际上仍是以经验模型为主，还没有形成模型库及自动化模型选择策略，针对此问题，Zhang等人(2015a)以中国典型内陆水体为研究区，首次建立了覆盖不同季节典型内陆水体的水质参数反演经验模型库以及模型自动选择机制。在蓝藻水华高光谱遥感提取技术方面，水草对蓝藻水华的干扰最大，传统方法利用FAI指数很难避免水草的干扰，为此，学者在蓝藻水华和水草光谱特征分析的基础上构建了叶绿素a光谱指数和藻青蛋白光谱指数，发展了基于光谱指数的蓝藻水华与水草高光谱遥感精细识别技术；构建了基于梯度复杂度的蓝藻水华阈值确定方法，实现了蓝藻水华分布的自动化提取(张兵等，2012)。此外，为提高环保业务部门对中国内陆水体开展大范围、快速水环境遥感监测的能力，在此基础上开发了地表水环境遥感监测系统，促进了高光谱遥感在水环境中的广泛应用，如图 12所示为中国十大湖水色参量FU(Forel-Ule)值年均值图像。
5 结 语
自20世纪80年代高光谱遥感技术诞生以来，中国紧跟前沿技术发展，不断创新并持续快速发展，始终与国际保持同步发展步伐，在高光谱遥感理论、机理与技术验证机典型应用等方面均取得了创新性成果，并已在农业、地矿、环境、文物保护等多领域得到了成功应用，产生了显著的社会经济效益。
然而，纵观中国乃至全世界范围的高光谱遥感的应用情况，由于技术起步较晚、数据规模化获取效率低、数据处理复杂度高等原因，导致高光谱遥感技术的应用广度和深度相对多光谱遥感明显落后，现阶段的应用还局限在专业人员主导下的范围，普通大众难以享受高光谱遥感技术快速发展所带来的便利。
近年来全球新科技革命，特别是空间科学、电子科学、计算机科学的快速发展，为解决高光谱遥感数据高效获取与快速处理提供机遇。借助这些相关技术最新发展成果，研发新型光谱成像设备和星上实时处理系统，构建智能型高光谱对地观测系统，实现面向观测对象的星上空间—光谱—辐射资源的自适应调节和数据快速处理，改变传统固定成像模式所带来的数据针对性差、处理效率低等问题，从数据源头出发，面向观测对象和用户建立精准、快速的数据获取和专题产品生产直接通道，将会降低高光谱遥感技术的应用门槛。
另外，大数据、云计算等新兴技术的出现，特别是互联网快速发展所产生的服务模式变革，为高光谱遥感技术快速向各个行业拓展应用提供了发展机遇。借助互联网平台和云服务技术，构建高光谱遥感应用云服务平台，在专业人员和普通大众之间建立一条桥梁，把专业人员在高光谱数据处理和信息提取方面的技术与用户对具体生产和应用的需求通过网络平台结合起来，实现产学研的真正结合；同时，借助“互联网+”的服务模式和理念，面向行业形成包括数据获取与处理，信息提取和应用的整套解决方案，并建立基于互联网的应用拓展渠道，将有利于推动高光谱遥感便捷地服务于大众。
参考文献(References)
-
Alonzo M, Bookhagen B, Roberts D A.2014.Urban tree species mapping using hyperspectral and lidar data fusion. Remote Sensing of Environment, 148 : 70–83. DOI: 10.1016/j.rse.2014.03.018.
-
Arngren M, Schmidt M N, Larsen J.2011.Unmixing of hyperspectral images using bayesian non-negative matrix factorization with volume prior. Journal of Signal Processing Systems, 65 (3): 479–496. DOI: 10.1007/s11265-010-0533-2.
-
Baldridge A M, Hook S J, Grove C I, Rivera G.2009.The ASTER spectral library version 2. 0.Remote Sensing of Environment, 113 (4): 711–715. DOI: 10.1016/j.rse.2008.11.007.
-
Bioucas-Dias J M.2009.A variable splitting augmented Lagrangian approach to linear spectral unmixing//Proceedings of the 1st Workshop on Hyperspectral Image and Signal Processing:Evolution in Remote Sensing.Grenoble:IEEE:1-4
-
Börner A, Wiest L, Keller P, Reulke R, Richter R, Schaepman M, Schläpfer D.2001.SENSOR:a tool for the simulation of hyperspectral remote sensing systems. ISPRS Journal of Photogrammetry and Remote Sensing, 55 (5/6): 299–312. DOI: 10.1016/S0924-2716(01)00022-3.
-
Chan T H, Chi C Y, Huang Y M, Ma W K.2009.A convex analysis-based minimum-volume enclosing simplex algorithm for hyperspectral unmixing. IEEE Transactions on Signal Processing, 57 (11): 4418–4432. DOI: 10.1109/TSP.2009.2025802.
-
Chan T H, Ma W K, Ambikapathi A, Chi C Y.2011.A simplex volume maximization framework for hyperspectral endmember extraction. IEEE Transactions on Geoscience and Remote Sensing, 49 (11): 4177–4193. DOI: 10.1109/TGRS.2011.2141672.
-
Chang C I. Hyperspectral Data Processing:Algorithm Design and Analysis. Hoboken,NJ,USA: John Wiley and Sons 2013 .
-
Chang C I, Ren H, Chiang S S.2001.Real-time processing algorithms for target detection and classification in hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 39 (4): 760–768. DOI: 10.1109/36.917889.
-
Clark R N,Swayze G A,Wise R,Livo E,Hoefen T,Kokaly R and Sutley S J.2007.USGS digital spectral library splib06a.U.S.Geological Survey,Digital Data Series 231
-
Clevers J G P W.1989.Application of a weighted infrared-red vegetation index for estimating leaf area index by correcting for soil moisture. Remote Sensing of Environment, 29 (1): 25–37. DOI: 10.1016/0034-4257(89)90076-X.
-
Dalponte M, Bruzzone L, Gianelle D.2012.Tree species classification in the Southern Alps based on the fusion of very high geometrical resolution multispectral/hyperspectral images and LiDAR data. Remote Sensing of Environment, 123 : 258–270. DOI: 10.1016/j.rse.2012.03.013.
-
Dekker A G. Detection of Optical Water Quality Parameters for Eutrophic Waters by High Resolution Remote Sensing. Amsterdam: Vrije Universiteit Amsterdam 1993 .
-
Delaney J K, Thoury M, Zeibel J G, Ricciardi P, Morales K M, Dooley K A.2016.Visible and infrared imaging spectroscopy of paintings and improved reflectography. Heritage Science, 4 : 6 DOI: 10.1186/s40494-016-0075-4.
-
Di W, Crawford M M.2011.Active learning via multi-view and local proximity co-regularization for hyperspectral image classification. IEEE Journal of Selected Topics in Signal Processing, 5 (3): 618–628. DOI: 10.1109/JSTSP.2011.2123077.
-
Dobigeon N, Moussaoui S, Coulon M, Tourneret J Y, Hero A O.2009.Joint bayesian endmember extraction and linear unmixing for hyperspectral imagery. IEEE Transactions on Signal Processing, 57 (11): 4355–4368. DOI: 10.1109/TSP.2009.2025797.
-
Du B, Zhang L P.2011.Random-selection-based anomaly detector for hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 49 (5): 1578–1589. DOI: 10.1109/TGRS.2010.2081677.
-
Eismann M T, Hardie R C.2005.Hyperspectral resolution enhancement using high-resolution multispectral imagery with arbitrary response functions. IEEE Transactions on Geoscience and Remote Sensing, 43 (3): 455–465. DOI: 10.1109/TGRS.2004.837324.
-
Févotte C, Dobigeon N.2015.Nonlinear hyperspectral unmixing with robust nonnegative matrix factorization. IEEE Transactions on Image Processing, 24 (12): 4810–4819. DOI: 10.1109/TIP.2015.2468177.
-
Goenaga-jimenez M A and Vélez-Reyes M.2014.Integrating spatial information in unmixing using the nonnegative matrix factorization//Proceedings of SPIE 9088,Algorithms and Technologies for Multispectral,Hyperspectral,and Ultraspectral Imagery XX.Baltimore,Maryland,USA:SPIE:908811[DOI:10.1117/12.2053401]
-
Goetz A F H.1995.Hyperspectral imaging and quantitative remote sensing.Land Satellite Information in the Next Decade,E1-E10,180
-
Goetz A F H.2009.Three decades of hyperspectral remote sensing of the Earth:a personal view. Remote Sensing of Environment, 113 (S1): S5–S16. DOI: 10.1016/j.rse.2007.12.014.
-
Gomez R B,Jazaeri A and Kafatos M.2001.Wavelet-based hyperspectral and multispectral image fusion//Proceedings of the SPIE 4383,Geo-Spatial Image and Data Exploitation Ⅱ.Orlando,FL:SPIE:36-42[DOI:10.1117/12.428249]
-
Goetz A F H, Vane G, Solomon J E, Rock B N.1985.Imaging spectrometry for earth remote sensing. Science, 228 (4704): 1147–1153. DOI: 10.1126/science.228.4704.1147.
-
Gomez-Chova L, Camps-Valls G, Munoz-Mari J, Calpe J.2008.Semisupervised image classification with Laplacian support vector machines. IEEE Geoscience and Remote Sensing Letters, 5 (3): 336–340. DOI: 10.1109/LGRS.2008.916070.
-
Guanter L, Segl K, Kaufmann H.2009.Simulation of optical remote-sensing scenes with application to the EnMAP hyperspectral mission. IEEE Transactions on Geoscience and Remote Sensing, 47 (7): 2340–2351. DOI: 10.1109/TGRS.2008.2011616.
-
Halimi A,Honeine P and Bioucas-Dias J.2015.Hyperspectral unmixing in presence of endmember variability,nonlinearity or mismodelling effects.Statistics
-
Hardie R C, Eismann M T, Wilson G L.2004.MAP estimation for hyperspectral image resolution enhancement using an auxiliary sensor. IEEE Transactions on Image Processing, 13 (9): 1174–1184. DOI: 10.1109/TIP.2004.829779.
-
Huang B, Zhang H K, Song H H, Wang J, Song C Q.2013a.Unified fusion of remote-sensing imagery:generating simultaneously high-resolution synthetic spatial-temporal-spectral earth observations. Remote Sensing Letters, 4 (6): 561–569. DOI: 10.1080/2150704X.2013.769283.
-
Huang C P, Zhang L F, Fang J Y, Tong Q X.2013b.A radiometric calibration model for the field imaging spectrometer system. Geoscience and Remote Sensing,IEEE Transactions on Geoscience and Remote Sensing, 51 (4): 2465–2475. DOI: 10.1109/TGRS.2012.2211026.
-
Huang C P,Zhang L F and Tong Q X.2012.Sensitivity analysis of radiometrical calibration model to system settings based on field imaging spectrometers//Proceedings of the International Geoscience and Remote Sensing Symposium (IGARSS).Munich:IEEE:4801-4804[DOI:10.1109/IGARSS.2012.6352539]
-
Huang W J, Guan Q S, Luo J H, Zhang J C, Zhao J L, Liang D, Huang L S, Zhang D Y.2014.New optimized spectral indices for identifying and monitoring winter wheat diseases. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (6): 2516–2524. DOI: 10.1109/JSTARS.2013.2294961.
-
Huete A R.1988.A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25 (3): 295–309. DOI: 10.1016/0034-4257(88)90106-X.
-
Ientilucci E J and Brown S D.2003.Advances in wide-area hyperspectral image simulation//Proceedings of the SPIE 5075,Targets and Backgrounds IX:Characterization and Representation.Orlando,FL:SPIE:110-121[DOI:10.1117/12.488706]
-
Iordache M D, Bioucas-Dias J M, Plaza A.2011.Sparse unmixing of hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 49 (6): 2014–2039. DOI: 10.1109/TGRS.2010.2098413.
-
Iordache M D, Bioucas-Dias J M, Plaza A.2014.Collaborative sparse regression for hyperspectral unmixing. IEEE Transactions on Geoscience and Remote Sensing, 52 (1): 341–354. DOI: 10.1109/TGRS.2013.2240001.
-
Jordan C F.1969.Derivation of leaf-area index from quality of light on the forest floor. Ecology, 50 (4): 663–666. DOI: 10.2307/1936256.
-
Korb A R, Dybwad P, Wadsworth W, Salisbury J W.1996.Portable Fourier transform infrared spectroradiometer for field measurements of radiance and emissivity. Applied Optics, 35 (10): 1679–1692. DOI: 10.1364/AO.35.001679.
-
Li J, Bioucas-Dias J M, Plaza A.2011.Hyperspectral image segmentation using a new bayesian approach with active learning. IEEE Transactions on Geoscience and Remote Sensing, 49 (10): 3947–3960. DOI: 10.1109/TGRS.2011.2128330.
-
Li J, Agathos A, Zaharie D, Bioucas-Dias J M, Plaza A, Li X.2015.Minimum volume simplex analysis:a fast algorithm for linear hyperspectral unmixing. IEEE Transactions on Geoscience and Remote Sensing, 53 (9): 5067–5082. DOI: 10.1109/TGRS.2015.2417162.
-
Li J J,Du Q and Li Y S.2016.Region-based collaborative sparse unmixing of hyperspectral imagery//Proceedings of the SPIE Remotely Sensed Data Compression,Communications,and Processing XⅡ,98740S.Baltimore,Maryland,United States:SPIE[DOI:10.1117/12.2224489]
-
Li J S, Shen Q, Zhang B, Zhang F F, Zhang H.2014a.Measurements and analysis of in situ multi-angle reflectance of turbid inland water:a case study in Meiliang Bay,Taihu Lake,China. International Journal of Remote Sensing, 35 (13): 5167–5185. DOI: 10.1080/01431161.2014.935832.
-
Li J S, Zhang B, Shen Q, Zhang H, Zhang F F, Wang Q.2013.Analysis of directional reflectance properties of lake Taihu using multi-angle measurments. Spectroscopy and Spectral Analysis, 33 (9): 2506–2511. DOI: 10.3964/j.issn.1000-0593(2013)09-2506-06. ( 李俊生, 张兵, 申茜, 张浩, 张方方, 王桥. 2013. 太湖水面多角度遥感反射率光谱测量与方向特性分析. 光谱学与光谱分析, 33 (9): 2506–2511. DOI: 10.3964/j.issn.1000-0593(2013)09-2506-06. )
-
Li W, Du Q.2015.Collaborative representation for hyperspectral anomaly detection. IEEE Transactions on Geoscience and Remote Sensing, 53 (3): 1463–1474. DOI: 10.1109/TGRS.2014.2343955.
-
Li X, Zhang B, Zhang X, Li J S.2003.Hyperspectral data warehouse model design. Journal of Remote Sensing, 7 (增刊): 61–68. ( 李兴, 张兵, 张霞, 李俊生. 2003. 高光谱数据仓库模型设计. 遥感学报, 7 (增刊): 61–68. )
-
Li X H,Zhao C H and Wang Y L.2014b.Sparse representation within disconnected spatial support for target detection in hyperspectral imagery//Proceedings of the 12th International Conference on Signal Processing (ICSP).Hangzhou,China:IEEE:802-806[DOI:10.1109/ICOSP.2014.7015114]
-
Liu J J.2016.A robust endmember constrained non-negative matrix factorization method for hyperspectral unmixing//Proceedings of the 2nd ISPRS International Conference on Computer Vision in Remote Sensing.Xiamen,China:SPIE[DOI:10.1117/12.2234687]
-
Liu K, Zhang L F, Yang H, Zhu H T, Jiang H L, Li Y.2013.Hyperspectral unstructured background target detection approach based on object-oriented analysis. , 33 (6): 1653–1657. DOI: 10.3964/j.issn.1000-0593(2013)06-1653-05. ( 刘凯, 张立福, 杨杭, 朱海涛, 姜海玲, 李瑶. 2013. 面向对象分析的非结构化背景目标高光谱探测方法研究. 光谱学与光谱分析, 33 (6): 1653–1657. DOI: 10.3964/j.issn.1000-0593(2013)06-1653-05. )
-
Liu W M and Chang C I.2004.A nested spatial window-based approach to target detection for hyperspectral imagery//Proceedings of the 2004 IEEE International Geoscience and Remote Sensing Symposium.Anchorage,AK:IEEE[DOI:10.1109/IGARSS.2004.1369012]
-
Lu X Q, Wu H, Yuan Y, Yan P K, Li X L.2013.Manifold regularized sparse NMF for hyperspectral unmixing. IEEE Transactions on Geoscience and Remote Sensing, 51 (5): 2815–2826. DOI: 10.1109/TGRS.2012.2213825.
-
Manolakis D.2003.Detection algorithms for hyperspectral imaging applications:a signal processing perspective//Proceedings of Workshop on Advances in Techniques for Analysis of Remotely Sensed Data.Greenbelt,MD,USA:IEEE:378-384[DOI:10.1109/WARSD.2003.1295218]
-
Manolakis D, Truslow E, Pieper M, Cooley T, Brueggeman M.2014.Detection algorithms in hyperspectral imaging systems:an overview of practical algorithms. IEEE Signal Processing Magazine, 31 (1): 24–33. DOI: 10.1109/MSP.2013.2278915.
-
Marinoni A, Plaza J, Plaza A, Gamba P.2015.Nonlinear hyperspectral unmixing using nonlinearity order estimation and polytope decomposition. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8 (6): 2644–2654. DOI: 10.1109/JSTARS.2015.2427517.
-
Meng X C,Shen H F,Zhang L P,Yuan Q Q and Li H F.2015.A unified framework for spatio-temporal-spectral fusion of remote sensing images//Proceedings of the 2015 IEEE International Geoscience and Remote Sensing Symposium.Milan:IEEE:2584-2587[DOI:10.1109/IGARSS.2015.7326340]
-
Messinger D,West J and Schott J.2006.Improving background multivariate normality and target detection performance using spatial and spectral segmentation//Proceedings of the 2006 IEEE International Symposium on Geoscience and Remote Sensing.Denver,CO:IEEE:371-374[DOI:10.1109/IGARSS.2006.100]
-
Nascimento J M P, Dias J M B.2005.Vertex component analysis:a fast algorithm to unmix hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 43 (4): 898–910. DOI: 10.1109/TGRS.2005.844293.
-
Patra S, Bruzzone L.2012.A batch-mode active learning technique based on multiple uncertainty for SVM classifier. IEEE Geoscience and Remote Sensing Letters, 9 (3): 497–501. DOI: 10.1109/LGRS.2011.2172770.
-
Plaza A, Martinez P, Perez R, Plaza J.2002.Spatial/spectral endmember extraction by multidimensional morphological operations. IEEE Transactions on Geoscience and Remote Sensing, 40 (9): 2025–2041. DOI: 10.1109/TGRS.2002.802494.
-
Rosi F, Miliani C, Braun R, Harig R, Sali D, Brunetti B G, Sgamellotti A.2013.Noninvasive analysis of paintings by mid-infrared hyperspectral imaging. Angewandte Chemie, 125 (20): 5366–5369. DOI: 10.1002/ange.201209929.
-
Sánchez S, Ramalho R, Sousa L, Plaza A.2015.Real-time implementation of remotely sensed hyperspectral image unmixing on GPUs. Journal of Real-Time Image Processing, 10 (3): 469–483. DOI: 10.1007/s11554-012-0269-2.
-
Salisbury J W, D'Aria D M, Wald A.1994.Measurements of thermal infrared spectral reflectance of frost,snow,and ice. Journal of Geophysical Research, 99 (B12): 24235–24240. DOI: 10.1029/94JB00579.
-
Sevilla J, Martín G, Nascimento J M P.2016.Parallel hyperspectral unmixing method via split augmented lagrangian on GPU. IEEE Geoscience and Remote Sensing Letters, 13 (5): 626–630. DOI: 10.1109/LGRS.2016.2522561.
-
Shang K. Research on semi-supervised precision classsification algorithm of detailed vegetation using Hyperspectral remote sensing data. Beijing: University of Chinese Academy of Sciences 2014 . ( 尚坤. 2014. 高光谱遥感植被半监督精细分类算法研究. 北京: 中国科学院大学 . )
-
Shang K, Zhang X, Sun Y L, Zhang L F, Wang S D, Zhuang Z.2015.Sophisticated vegetation classification based on feature band set using hyperspectral image. Spectroscopy and Spectral Analysis, 35 (6): 1669–1676. DOI: 10.3964/j.issn.1000-0593(2015)06-1669-08.
-
Shen Q, Li J S, Wu Y F, Zhang B.2014.Review of spectral curve fitting and analysis of inherent optical parameters in lakes. Remote Sensing Information, 29 (4): 112–125. DOI: 10.3969/j.issn.1000-3177.2014.04.023. ( 申茜, 李俊生, 吴远峰, 张兵. 2014. 湖泊水体固有光学量光谱拟合与分析研究综述. 遥感信息, 29 (4): 112–125. DOI: 10.3969/j.issn.1000-3177.2014.04.023. )
-
Shuai T, Zhang X, Zhang L F, Wang J N.2013.Mapping global lunar abundance of plagioclase,clinopyroxene and olivine with interference imaging spectrometer hyperspectral data considering space weathering effect. Icarus, 222 (1): 401–410. DOI: 10.1016/j.icarus.2012.11.027.
-
Sigurdsson J,Ulfarsson M O and Sveinsson J R.2014.Semi-supervised hyperspectral unmixing//Proceedings of the IEEE Geoscience and Remote Sensing Symposium.Quebec City,QC:IEEE:3458-3461[DOI:10.1109/IGARSS.2014.6947226]
-
Sun X J, Zhang L F, Yang H, Wu T X, Cen Y, Guo Y.2015.Enhancement of spectral resolution for remotely sensed multispectral image. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8 (5): 2198–2211. DOI: 10.1109/JSTARS.2014.2356512.
-
Swatantran A, Dubayah R, Roberts D, Hofton M, Blair J B.2011.Mapping biomass and stress in the Sierra Nevada using lidar and hyperspectral data fusion. Remote Sensing of Environment, 115 (11): 2917–2930. DOI: 10.1016/j.rse.2010.08.027.
-
Tang W, Shi Z W, Wu Y, Zhang C S.2015.Sparse unmixing of hyperspectral data using spectral a priori information. IEEE Transactions on Geoscience and Remote Sensing, 53 (2): 770–783. DOI: 10.1109/TGRS.2014.2328336.
-
Tong Q X, Xue Y Q, Wang J N, Zhang L F, Fang J Y, Yang Y D, Liu X, Qi H X, Zheng L F, Huang C P.2010.Development and application of the field imaging spectrometer system. Journal of Remote Sensing, 14 (3): 409–422. DOI: 10.11834/jrs.20100301. ( 童庆禧, 薛永祺, 王晋年, 张立福, 方俊永, 杨一德, 刘学, 亓洪兴, 郑兰芬, 黄长平. 2010. 地面成像光谱辐射测量系统及其应用. 遥感学报, 14 (3): 409–422. DOI: 10.11834/jrs.20100301. )
-
Tong Q X, Xue Y Q, Zhang L F.2014.Progress in hyperspectral remote sensing science and technology in China over the past three decades. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (1): 70–91. DOI: 10.1109/JSTARS.2013.2267204.
-
Tong Q X, Wang J N, Zhang B, Zheng L F.2009.Three decades of hyperspectral remote sensing in the Institute of Remote Sensing Applications,Chinese Academy of Sciences. Journal of Remote Sensing, 13 (S1): 21–33. DOI: 10.11834/jrs.20090004. ( 童庆禧, 王晋年, 张兵, 郑兰芬. 2009. 立足国内开拓创新走向世界——中国科学院遥感应用研究所高光谱遥感发展30年回顾. 遥感学报, 13 (S1): 21–33. DOI: 10.11834/jrs.20090004. )
-
Tong Q X, Zhang B, Zheng L F. Hyperspectral remote sensing-principle,technology and applications. Beijing: Higher Education Press 2006 . ( 童庆禧, 张兵, 郑兰芬. 2006. 高光谱遥感——原理、技术与应用. 北京: 高等教育出版社 . )
-
Torti E, Danese G, Leporati F, Plaza A.2016.A hybrid CPU-GPU real-time hyperspectral unmixing chain. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9 (2): 945–951. DOI: 10.1109/JSTARS.2015.2485399.
-
Tuia D, Camps-Valls G.2011.Urban image classification with semisupervised multiscale cluster kernels. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 4 (1): 65–74. DOI: 10.1109/JSTARS.2010.2069085.
-
Voss K J.1989.Electra-optic camera system for measurement of the underwater radiance distribution. Optical Engineering, 28 (3): 283241 DOI: 10.1117/12.7976940.
-
Voss K J, Chapin A L.2005.Upwelling radiance distribution camera system,NURADS. Optics Express, 13 (11): 4250–4262. DOI: 10.1364/OPEX.13.004250.
-
Wang N, Du B, Zhang L P.2013.An endmember dissimilarity constrained non-negative matrix factorization method for hyperspectral unmixing. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6 (2): 554–569. DOI: 10.1109/JSTARS.2013.2242255.
-
Wang N, Du B, Zhang L P, Zhang L F.2015.An abundance characteristic-based independent component analysis for hyperspectral unmixing. IEEE Transactions on Geoscience and Remote Sensing, 53 (1): 416–428. DOI: 10.1109/TGRS.2014.2322862.
-
Wang W H, Qian Y T, Tang Y Y.2016.Hypergraph-regularized sparse NMF for hyperspectral unmixing. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9 (2): 681–694. DOI: 10.1109/JSTARS.2015.2508448.
-
Winter M E.1999.N-FINDR:an algorithm for fast autonomous spectral end-member determination in hyperspectral data//Proceedings of SPIE,3753,Imaging Spectrometry V,266.Denver,CO,USA:SPIE:266-275[DOI:10.1117/12.366289]
-
Wu T,Li G,Yang Z,Zhang H,Lei Y,Wang N and Zhang L.2016a.Shortwave infrared imaging spectroscopy for analysis of ancient paintings.Applied Spectroscopy,accepted
-
Wu T X,Zhang L F,Cen Y,Wang J N and Tong Q X.2014.Light weight airborne imaging spectrometer remote sensing system for mineral exploration in China//Proceedings of SPIE 9104,Spectral Imaging Sensor Technologies:Innovation Driving Advanced Application Capabilities,910406.Baltimore,Maryland,USA:SPIE[DOI:10.1117/12.2053098]
-
Wu T X,Zhang L F,Peng B,Zhang H M,Chen Z F and Gao M.2016b.Real-time progressive hyperspectral remote sensing detection methods for crop pest and diseases//Proceedings of SPIE 9874,Remotely Sensed Data Compression,Communications,and Processing XⅡ,987410.Baltimore,Maryland,United States:SPIE[DOI:10.1117/12.2225874]
-
Xia W, Liu X S, Wang B, Zhang L M.2011.Independent component analysis for blind unmixing of hyperspectral imagery with additional constraints. IEEE Transactions on Geoscience and Remote Sensing, 49 (6): 2165–2179. DOI: 10.1109/TGRS.2010.2101609.
-
Xu N, Xiao X Y, Geng X R, You H J, Cao Y G.2016.Spectral-spatial constrained sparse unmixing of hyperspectral imagery using a hybrid spectral library. Remote Sensing Letters, 7 (7): 641–650. DOI: 10.1080/2150704X.2016.1177240.
-
Yang B, Yang M H, Plaza A, Gao L R, Zhang B.2015a.Dual-mode FPGA implementation of target and anomaly detection algorithms for real-time hyperspectral imaging. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8 (6): 2950–2961. DOI: 10.1109/JSTARS.2015.2388797.
-
Yang S Y, Zhang X T, Yao Y G, Cheng S Q, Jiao L C.2015b.Geometric nonnegative matrix factorization (GNMF) for hyperspectral unmixing. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8 (6): 2696–2703. DOI: 10.1109/JSTARS.2015.2417574.
-
Yokoya N, Yairi T, Iwasaki A.2012.Coupled nonnegative matrix factorization unmixing for hyperspectral and multispectral data fusion. IEEE Transactions on Geoscience and Remote Sensing, 50 (2): 528–537. DOI: 10.1109/TGRS.2011.2161320.
-
Zare A,Bchir O,Frigui H and Gader P.2010.Spatially-smooth piece-wise convex endmember detection//Proceedings of the 2nd Workshop on Hyperspectral Image and Signal Processing:Evolution in Remote Sensing.Reykjavik:IEEE:1-4[DOI:10.1109/WHISPERS.2010.5594897]
-
Zhang B, Li X, Yan S S, Gan F P, Qin S, Yi W N.2004.Chinese typical mineral spectral data and applications. Journal of Remote Sensing, 8 (增刊): 36–41. ( 张兵, 李兴, 燕守勋, 甘甫平, 秦善, 易维宁. 2004. 我国典型岩矿波谱数据及其应用. 遥感学报, 8 (增刊): 36–41. )
-
Zhang B, Wang X J, Liu J G, Zheng L F, Tong Q X.2000.Hyperspectral image processing and analysis system (HIPAS) and its applications. Photogrammetric Engineering and Remote Sensing, 66 (5): 605–609.
-
Zhang B, Yang W, Gao L R, Chen D M.2012.Real-time target detection in hyperspectral images based on spatial-spectral information extraction. EURASIP Journal on Advances in Signal Processing, 2012 : 142 DOI: 10.1186/1687-6180-2012-142.
-
Zhang B, Li J S, Wang Q, Shen Q. Inland water hyperspectral remote sensing. Beijing: Science Press 2012 . ( 张兵, 李俊生, 王桥, 申茜. 2012. 内陆水体高光谱遥感. 北京: 科学出版社 . )
-
Zhang B, Liu Y, Zhang W J, Gao L R, Li J, Wang J, Li X.2014.Analysis of the proportion of surface reflected radiance in mid-infrared absorption bands. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (6): 2639–2646. DOI: 10.1109/JSTARS.2013.2272633.
-
Zhang F F, Li J S, Shen Q, Zhang B, Wu C Q, Wu Y F, Wang G L, Wang S L, Lu Z Y.2015a.Algorithms and schemes for chlorophyll a estimation by remote sensing and optical classification for Turbid Lake Taihu,China. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8 (1): 350–364. DOI: 10.1109/JSTARS.2014.2333540.
-
Zhang L F, Furumi S, Muramatsu K, Fujiwara N, Daigo M, Zhang L P.2006.Sensor-independent analysis method for hyperspectral data based on the pattern decomposition method. International Journal of Remote Sensing, 27 (21): 4899–4910. DOI: 10.1080/01431160600702640.
-
Zhang L F, Furumi S, Muramatsu K, Fujiwara N, Daigo M, Zhang L P.2007.A new vegetation index based on the universal pattern decomposition method. International Journal of Remote Sensing, 28 (1): 107–124. DOI: 10.1080/01431160600857402.
-
Zhang L F, Huang C P, Wu T X, Zhang F Z, Tong Q X.2011.Laboratory calibration of a field imaging spectrometer system. Sensors, 11 (12): 2408–2425. DOI: 10.3390/s110302408.
-
Zhang L F, Liu B, Zhang B, Tong Q X.2010.An evaluation of the effect of the spectral response function of satellite sensors on the precision of the universal pattern decomposition method. International Journal of Remote Sensing, 31 (8): 2083–2090. DOI: 10.1080/01431160903246675.
-
Zhang L F, Sun X J, Wu T X, Zhang H M.2015b.An analysis of shadow effects on spectral vegetation indexes using a ground-based imaging spectrometer. IEEE Geoscience and Remote Sensing Letters, 12 (11): 2188–2192. DOI: 10.1109/LGRS.2015.2450218.
-
Zhang L P.2014.Advance and future chanllenges in hyperspectral target detection. Geomatrics and Information Science of Wuhan University, 39 (12): 1387–1394,1400. DOI: 10.13203/j.whugis20140642. ( 张良培. 2014. 高光谱目标探测的进展与前沿问题. 武汉大学学报(信息科学版), 39 (12): 1387–1394,1400. DOI: 10.13203/j.whugis20140642. )
-
Zhang L P, Du B, Zhang L F. Hyperspectral remote sensing imaging processing. Beijing: Science Press 2014 . ( 张良培, 杜博, 张乐飞. 2014. 高光谱遥感影像处理. 北京: 科学出版社 . )
-
Zhang M, Zhang X, Zhao D, Huang C P, Zhang L F.2012.An approach to generate synthetic hyperspectral data used for evaluating linear spectral unmixing algorithms. Remote Sensing Technology and Application, 27 (5): 680–685. DOI: 10.11873/j.issn.1004-0323.2012.5.680. ( 张明, 张霞, 赵冬, 黄长平, 张立福. 2012. 一种用于线性光谱解混算法验证的模拟数据生成方法. 遥感技术与应用, 27 (5): 680–685. DOI: 10.11873/j.issn.1004-0323.2012.5.680. )
-
Zhang S Q, Li J, Liu K, Deng C Z, Liu L, Plaza A.2016a.Hyperspectral unmixing based on local collaborative sparse regression. IEEE Geoscience and Remote Sensing Letters, 13 (5): 631–635. DOI: 10.1109/LGRS.2016.2527782.
-
Zhang X, Sun Y L, Shang K, Zhang L F, Wang S D.2016b.Crop classification based on feature band set construction and object-oriented approach using hyperspectral images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing : DOI: 10.1109/JSTARS.2016.2577339.
-
Zhao C H, Wang Y L, Qi B, Wang J.2015.Global and local real-time anomaly detectors for hyperspectral remote sensing imagery. Remote Sensing, 7 (4): 3966–3985. DOI: 10.3390/rs70403966.
-
Zhao C H, Wang Y L, Li X H.2015.A real-time anomaly detection algorithm for hyperspectral imagery based on causal processing. Journal of Infrared and Millimeter Waves, 34 (1): 114–121. DOI: 10.3724/SP.J.1010.2015.00114. ( 赵春晖, 王玉磊, 李晓慧. 2015. 一种新型高光谱实时异常检测算法. 红外与毫米波学报, 34 (1): 114–121. DOI: 10.3724/SP.J.1010.2015.00114. )
-
Zou Z X, Shi Z W.2016.Hierarchical suppression method for hyperspectral target detection. IEEE Transactions on Geoscience and Remote Sensing, 54 (1): 330–342. DOI: 10.1109/TGRS.2015.2456957.
