包絡(luò)線消除法是一種常用的光譜分析方法，它可以有效地突出光譜曲線的吸收和反射特征，并且將其歸一到一個一致的光譜背景上，有利于和其他光譜曲線進行特征數(shù)值的比較，從而提取出特征波段以供分類識別。但目前該方法僅僅局限于對單個像元的光譜分析、提取出特征波段這一階段，在后期的分類識別中用到的數(shù)據(jù)仍然是原來的高光譜圖像數(shù)據(jù)。該文正是基于此對其進行了改進：先使用包絡(luò)線消除算法對整個高光譜圖像進行處理生成新的圖像文件，以突出光譜維上的特征信息，再使用光譜分析的方法提取出不同典型地物類型的特征波段，最后再使用光譜角度匹配法進行圖像的分類和識別，并對原來的高光譜圖像和處理后的高光譜圖像用最大似然法和光譜角度匹配法進行了分類試驗比較。

包絡(luò)線消除算法及其實現(xiàn)

一般來說，由于地物組成復(fù)雜，每個圖像像元點對應(yīng)的地物并不純粹，它的光譜通常是多種物質(zhì)光譜的合成，因此直接從光譜曲線上提取光譜特征不便于計算，還需對光譜曲線進行進一步的處理以突出光譜的吸收和反射特征。為此，引入了包絡(luò)線消除算法。

光譜曲線的包絡(luò)線從直觀上來看，相當(dāng)于光譜曲線的“外殼",如圖2所示。因為實際的光譜曲線由離散的樣點組成，所以用連續(xù)的折線段來近似光譜曲線的包絡(luò)線。

求光譜曲線包絡(luò)線的算法描述如下：

設(shè)有反射率曲線樣點數(shù)組；r(i),i=0,1,…,k-1;波長數(shù)組：w(i),i=0,1,…,k-1;

(1)i:=0,將r(i),w(i),加入到包絡(luò)線節(jié)點表中；

(2)求新的包絡(luò)節(jié)點。如i=k-1則結(jié)束，否則j:=i+1;

(3)連接ij;檢查(ij)直線與反射率曲線的交點，如果j=

k-1,則結(jié)束，將w(j),r(j)加入到包絡(luò)線節(jié)點表中，否則：

①m:=j+1;

②若m=k-1則完成檢查，j是包絡(luò)線上的點，將w(j),r(j)

加入到包絡(luò)線節(jié)點表中，閆，轉(zhuǎn)到(2);

③否則，求i與w(m)的交點r1(m),如圖5所示。

④如果r(m)<1(m),則j不是包絡(luò)線上的點j:=j+1,轉(zhuǎn)到

(3);如果r(m)≤r1(m),則ij與光譜曲線最多有一交點，m:=

m+1,轉(zhuǎn)到②。

(4)得到包絡(luò)線節(jié)點表后，將相鄰的節(jié)點用直線段依次相連，求出w(i),i=0,1,…,k-1所對應(yīng)的折線段上的點的函數(shù)值

h(i),i=0,1,…,k-1;從而得到該光譜曲線的包絡(luò)線。顯然有：

h(i)≥r(i)

(5)求出包絡(luò)線后對光譜曲線進行包絡(luò)線消除：

r(i)r'(i)=,i=0,1,…,k-1;

h(i)

如圖3所示，左邊為原光譜曲線，右邊為包絡(luò)線消除后的光譜曲線。進行包絡(luò)線消除后的反射率歸一化到0~~1,光譜的吸收和反射特征也歸一到一個一致的光譜背景上，并且得到了很大的增強，因此可以更加有效地和其他光譜曲線進行光譜特征數(shù)值的比較，進行光譜的匹配分析。

該文用VC++語言實現(xiàn)了以上算法，對高光譜圖像逐像元地進行包絡(luò)線消除，從而得到新的圖像文件，并在此基礎(chǔ)上對圖像中的典型地物直接進行光譜分析，提取出特征波段，如在某一閾值以上的波峰、波谷波段等，并據(jù)此進行圖像的分類和識別。

包絡(luò)線消除前后圖像的對比分類試驗

為了對比包絡(luò)線消除處理前后的高光譜圖像的分類效果，本文選取了一塊日本長野的PHI成像高光譜圖像進行監(jiān)督分類試驗。PHI圖像像元有244個波段，包括可見光和近紅外，波長范圍為400——850nm,光譜分辨率小于5nm;其地面分辨率

為1.5m。該文選取2000年8月下旬獲取的一幅圖像，選擇其中信噪比較高的76個波段，共400 X 372個像元的數(shù)據(jù)。該圖像已經(jīng)過幾何校正，輻射校正以及相對反射率的反演。試驗區(qū)的假彩色合成圖像如圖4所示。

試驗區(qū)的地物類型比較簡單，并且已經(jīng)過詳細的地面調(diào)查，便于進行分類試驗的比較。根據(jù)試驗區(qū)地面狀況，共選擇出七類典型地物進行分析，包括柏油地，水泥地，裸地，白菜地，水稻地，葡萄園及樹林。首先，應(yīng)用自編程序?qū)υ摳吖庾V圖像逐像

元地進行包絡(luò)線消除，從而得到新的圖像文件；然后，根據(jù)試驗區(qū)地面調(diào)查的資料在圖像上選擇已知類的訓(xùn)練區(qū)，并且用統(tǒng)計的方法求出各類別的平均光譜作為最終光譜單元；最后，分別用最大似然法和光譜角度匹配法對包絡(luò)線消除前后的圖像進行分類，分類結(jié)果如圖5所示。

為了比較兩種方法對包絡(luò)線消除前后圖像的分類結(jié)果，從圖像上任意選取210個像元點，結(jié)合地面調(diào)查的實際情況進行驗證，前者對藍色的樹林，青色的葡萄園，洋紅色的白菜地以及黃色的水稻地(以左圖中的色階為例)等植被識別的精度較高，達到90%以上，而后者則只略高于80%;比較光譜角度匹配法對包絡(luò)線消除前后圖像的分類結(jié)果，用以上方法驗證，對消除后的圖像分類的結(jié)果中，識別不同植被的精度要高于原圖像，精度達到了93%,更符合試驗區(qū)的地面狀況。但在對包絡(luò)線消除后圖像的兩種方法的分類結(jié)果中，對裸地(左圖中綠色的)和水泥地(紅色的)等分類精度略有下降。

討論

(1)經(jīng)過包絡(luò)線消除后的高光譜圖像，有效地抑制了噪聲，突出了地物光譜的特征信息，便于圖像光譜的比較匹配，提高了圖像的分類運算效率和精度，尤其是對不同植被的識別更加有用。

(2)對于光譜曲線相似，平緩的地物，比如圖像中的水泥地和裸地，由于去包絡(luò)線后的光譜曲線相似，同時在分類時又忽略了原圖像的灰度值，因此導(dǎo)致分類精度降低。如果對包絡(luò)線消除后的圖像分類時，再綜合考慮包絡(luò)線節(jié)點處波段對應(yīng)的原圖像的灰度值，應(yīng)該會在一定程度上解決這個問題。

(3)光譜角度匹配法充分利用了高光譜圖像光譜維的信息，對高光譜圖像的分類識別明顯好于基于傳統(tǒng)圖像的最大似(modu)。

(3)參與簽名的成員將其部分簽名(x,s)(i=1,2,…t)發(fā)送給簽名生成者DC。

(4)

(5)

 簽名的驗證

驗證者根據(jù)下式來驗證群簽名(m,S)是否有效：

3  完備性證明