高光谱预处理——基于The Unscrambler X

使用The UnscrambleX 实现光谱SVR定量分析

高光谱图像是一种结合了图像和光谱信息的技术，它能够捕捉目标在连续光谱波段的详细反射特征，为无损检测、地质勘探、农业监测等领域提供了全新的解决方案。高光谱成像技术的出现，让计算机视觉在图像识别、分析和理解上迈向了一个新的高度。高光谱数据采集涉及到复杂的传感器和设备，通常会得到包含成百上千波段的图像立方体。这些数据集不仅含有丰富的光谱信息，而且还带有空间细节，使得从高光谱图像中提取信息变得异常复杂。为了有效地从高光谱图像中提取有用信息，预处理工作是不可或缺的步骤。

The Unscrambler化学计量学软件符合美国FDA 21 CFR PART 11标准，当今已经有3000个公司，300所大学以及分布在25000个用户，正在使用该软件从事他们的研究工作。随着Unscrambler 11的发布，我们引入了对Python脚本的支持，从而为用户提供了两个选择。Unscrambler的Python扩展使客户可以访问Python社区。它是扩展和探索方法，脚本编写机会...

全面的高光谱数据数据集预处理与后期处理代码和方法，简单而行之有效，包括高光谱格式转换，高光谱数据增强，高光谱尺寸裁剪，高光谱光谱曲线绘制，高光谱模拟编码等

Savitzky-Golay是一种平均算法，它将多项式与数据点相匹配。然后根据这个多项式方程预测要取的平均值。

高光谱遥感能够做到实时、非接触、快速、无损检测，蕴含着近似连续的地物光谱信息。通过光谱重建，高光谱影像能获取地物近似连续的光谱反射率数据，与地面实测值匹配，从而将精细的地物成分光谱模型应用到地物信息提取中。无人机和有人机机载高光谱遥感能够探测具有诊断性的地物光谱吸收物质

高光谱图像是一个特殊的三维图像，灰度图像是两维，RGB彩色图像虽然是三维图像但只有3层，而高光谱图像是由多个灰度图像组成的三维图像. 比如对一个物体进行高光谱成像，使用 200 × 200 像素并且选择300个波段，那么最终成像结果是 200 × 200 × 300 （长×宽×波段）的三维立体图像。可以理解为每一个像素上有300维的光谱域信息，300幅图像中相同位置像素的灰度值画成曲线表示出来便是这一像素点的光谱域信息了。

今天，我又开了一栏博客，这里我将主要介绍高光谱数据处理的相关算法，为广大刚刚从事高光谱的学习的同胞们提供一点点帮助，希望大家能够从中学到一些！！！ 下面我将开始介绍一系列高光谱数据预处理算法，在我们采集到高光谱数据之后，其中含有很多噪音，如果直接建模的话，这些噪音会影响建模效果。因此，我们要先进行一定预处理，将其中的噪音去除。常用的预处理算法有标准化/归一化、移动平均窗口平滑、SG平滑等。今天我...

其中，Maximun components为主成分数量，根据实际数据集调整，然后，一直点next直至无法点时点finish，即完成主成分分析，并出现四个图，左上角即为主成分分析图。并在软件上方选择Tasks→Analyze→principal component analysis，进入此界面。直接进入主题，首先导入光谱数据集，以个人数据集为例，第一行为波段，最后一列为标签，具体导入操作参考。然后自行设置sample grouping将点分类并根据主成分分析图进行分析即可。导入后，如图，左键点击数据集。

数据准备 本次实验共收集研究区覆盖Aster高光谱遥感影像6景，获取时间为2017年，云量均小于10%；Aster GDEM数据10景，空间分辨率为30米；Hyperion高光谱影像2景，波段数有242个；landsat8 ETM+影像共5景，获取时间为2017年，云量小于10%；Sentinel2高光谱遥感影像两景，云量小于5%；其它数据有陕西省1:100万比例尺地质图和陕西省矢量数据。 野外数...