光譜角度製圖（Spectral angle mapping），又稱SAM是Kruse等在1993年提出，把圖像中的每個像元的光譜視為一個高維向量，通過計算兩向量間的夾角來度量光譜間的相似性，夾角越小，兩光譜越相似，屬於同類地物的可能性越大，因而可根據光譜角的大小來辨別未知數據的類別。分類時，通過計算未知數據與已知數據間的光譜角，並把未知數據的類別歸為最小光譜角對應的類別中。
基本介紹
- 中文名：光譜角度製圖
- 外文名：Spectral angle mapping
- 學科： 電子工程
改進的光譜角度製圖分類方法研究,傳統的光譜角度製圖分類方法,改進型光譜角度製圖分類方法,結束語,
改進的光譜角度製圖分類方法研究
本文深入研究傳統的光譜角度製圖分類法(SAM）存在的缺陷，提出了一種改進的光譜角度製圖分類法，並給出了算法的思路和流程。實驗得出得出改進SAM算法具有分類精度高，錯分現象少，更符合地物實際狀況等點。
傳統的光譜角度製圖分類方法
光譜角度製圖法通過計算一個測試光譜（像元光譜)與一個參考光譜之間的“角度”來確定它們兩者之間的相似性。參考光譜可以是實驗室光譜或野外測定光譜或是從圖像上提取的像元光譜。這種方法假設圖像數據已被縮減到“視反射率”，即所有暗輻射和路徑輻射偏差已經去除。它被用於處理一個光譜維數等於波段數的光譜空間中的一個向量。
傳統的光譜角度製圖分類方法通過從光譜資料庫中選擇感興趣的“最終成分光譜”作重採樣，並對原始光譜曲線作低通平滑處理，然後計算最終成分光譜與圖像像元光譜兩個光譜向量之間的角度(廣義夾角餘弦），以評價兩個光譜像量的相似性，從而實現對圖像光譜的匹配和分類。
改進型光譜角度製圖分類方法
但傳統的SAM方法直接以像元向量均值為中心不能反映向量的角度關係，而且簡單地用夾角最小作為分類判據也不能反映所選擇的樣本區域的統計特性。為此本文提出了改進型的SAM 算法，具體的流程如下：
1)獲取高光譜影像的相對反射率圖像
成像光譜儀獲取的原始數據DN值不能直接反映地物的光譜特徵，這裡選擇常用的內部平均法對原始數據進行預處理，即數據除以波段的平均值來消除大氣影響，得到歸一化數據。相對反射率基本能夠反映地物的光譜特徵，高光譜圖像識別偽裝的能力較強，可以分辨出在綠色植被咱然草地清景下的真實目標和誘餌目標；在沙漠背景下可以快速地檢測出戰術小目標軍用車輛和飛彈發射架等。
2)選擇“最終成分光譜”
最終光譜單元可從光譜庫中得到，也可直接從圖像中通過選擇訓練區抽取出來光譜夾角填圖技術是把實測的端元曲線與影像的各個像元曲線進行對比，通過誤差大小得到每個像元與純淨端元的距離，進行目標地物識別在實際套用中，往往地物組成比較複雜，單個像元點對應的地物不純，對應的光譜包含了多種物質的光譜，很難尋找到對應的資料庫光譜，此外實驗中也缺乏豐富的地面實測光譜因此，這裡我們通過在高光譜最佳波段融合圖像中選擇已知類型的明顯區域，並在相對反射率圖像上提取各樣本區域的相對反射光譜作為最終成分光譜。
結束語
本文在研究傳統的光譜角度製圖分類的基礎之上，提出了本文基於歸一化模型的改進光譜角度製圖分類方法，通過對向量進行歸一化，計算各類的統計特徵對高光譜影像進行分類，進一步地提高了分類精度。本文認為以下幾個方面值得深入思考和研究：①進一步研究、挖掘高維空間和高光譜影像數據的特點，並基於此研究和設計出更高效的匹配和分類算法；②如何解決高光譜影像數據中的混合像元問題，使高光譜影像分類精度達到亞像元級，是當前遙感領域的研究熱點和難點。
