Datos experimentales y preprocesamiento
Los datos experimentales son una imagen de detección remota hiperespectral del espectrómetro de imágenes infrarrojas visibles aerotransportado (AVIRIS) obtenida en 1995. La imagen está ubicada en una zona minera de oro y cobre en Nevada, EE. UU. Área geológica en Nevada, EE. UU. Las imágenes de AVIRIS tienen 224 bandas con una resolución espectral de 10 nm, una resolución espacial de 20 my un rango espectral de 400-2500 nm (Bordman et al. 1995; Yang Ke-ming et al. 2007). Como se muestra en la Figura 3.3, este experimento utilizó datos de las últimas 50 bandas de la imagen AVIRIS, con un rango espectral de 1900-2500 nm y un tamaño de imagen de 400×350 píxeles.
Figura 3.3 Imagen de teledetección hiperespectral de AVIRIS del área de estudio
La imagen de AVIRIS original contiene demasiado ruido y otra información, incluida la interferencia de radiación electromagnética ionosférica, compensación de ganancia del sensor, etc. lo cual afecta seriamente la pureza de la imagen e interfiere en gran medida con la descomposición lineal del espectro. Por lo tanto, antes de utilizarlo para la investigación, se debe realizar un preprocesamiento de blanqueamiento, como la eliminación de ruido de la imagen, y se utiliza la tecnología de fracción mínima de ruido (MNF) más comúnmente utilizada para imágenes hiperespectrales para separar eficazmente las partes con ruido y sin ruido. Después de blanquear y descorrelacionar las imágenes de AVIRIS, se puede minimizar el impacto del ruido y otros factores en la extracción de información del miembro final y se puede mejorar la precisión de la inversión de abundancia y la clasificación de imágenes. La imagen original y la imagen en escala de grises después de la eliminación de ruido de MNF se muestran en la Figura 3.4.
Figura 3.4 Imagen original hiperespectral de AVIRIS (a) e imagen transformada por MNF (b)
Después de blanquear, eliminar ruido y descorrelacionar la imagen de detección remota hiperespectral de AVIRIS, el impacto de factores como El ruido en la extracción de información de seguimiento se puede reducir tanto como sea posible, mejorando así la precisión del procesamiento tanto como sea posible. Luego se calcula y extrae el número de miembros finales, se establece una biblioteca de miembros finales y se logra la inversión de abundancia y la clasificación de imágenes mediante descomposición espectral lineal.