陳子浩1. 光谱角映射（SAM）基础原理
1.1 高光谱图像的特性解析
高光谱图像与传统RGB图像的本质区别在于其丰富的光谱维度。每个像素不再只是简单的红绿蓝三通道值，而是包含数十甚至数百个连续窄波段的光谱信息。这种数据结构使得我们可以将每个像素视为一个高维向量，其中每个维度对应特定波长的反射率或辐射强度。
在实际应用中，这种高维特性带来了独特的优势：
- 物质识别能力：不同物质具有独特的光谱"指纹"
- 细微差异检测：可以区分视觉上无法辨别的相似物质
- 定量分析潜力：光谱曲线形状与物质成分存在定量关系
关键提示：高光谱数据的预处理（辐射校正、大气校正等）对后续分析至关重要，未经校正的数据可能导致光谱特征失真。
1.2 光谱相似性度量的核心挑战
当我们需要比较两个高光谱像素时，面临几个关键问题：
- 光照条件变化：同一物体在不同光照下整体反射强度可能差异显著
- 传感器噪声：特别是低照度条件下信噪比下降
- 混合像素问题：单个像素可能包含多种物质的混合信号
传统欧氏距离度量的局限性在于：
- 对光照强度变化敏感
- 无法区分光谱形状相似但强度不同的信号
- 受噪声影响较大
1.3 SAM的数学表达与几何解释
光谱角映射的数学定义如下：
对于两个n维光谱向量x和y，它们之间的光谱角θ计算为：
θ = arccos( (x·y) / (||x||·||y||) )
其中：
- x·y表示向量点积
- ||x||表示向量x的L2范数
- θ的范围在0到π/2之间
几何解释：
- 将光谱向量视为n维空间中的射线
- 计算两条射线之间的夹角
- 夹角越小表示光谱形状越相似
实际计算示例：
python复制import numpy as np
def spectral_angle(x, y):
"""计算两个光谱向量之间的光谱角(弧度)"""
dot_product = np.dot(x, y)
norm_x = np.linalg.norm(x)
norm_y = np.linalg.norm(y)
cos_theta = dot_product / (norm_x * norm_y)
return np.arccos(cos_theta)
# 示例光谱向量(5个波段)
pixel1 = np.array([0.12, 0.35, 0.50, 0.60, 0.55])
pixel2 = np.array([0.10, 0.37, 0.52, 0.58, 0.57])
angle_rad = spectral_angle(pixel1, pixel2)
angle_deg = np.degrees(angle_rad)
print(f"光谱角: {angle_rad:.3f} 弧度 ({angle_deg:.1f} 度)")
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. SAM的实践应用方法
2.1 参考光谱的获取策略
参考光谱的质量直接影响分类精度，常见获取方式包括：
标准光谱库方法
- USGS光谱库：包含超过2000种矿物光谱
- ASTM标准：提供标准化测量流程
- JPL光谱库：包含人工材料光谱
- 优势：科学可靠，无需标注
- 局限：可能无法覆盖所有场景
数据驱动方法
- 选取代表性样本区域
- 计算区域平均光谱：
python复制def compute_reference_spectrum(samples): """计算参考光谱(均值)""" return np.mean(samples, axis=0) # 示例：3个同类像素 samples = np.array([ [0.12, 0.35, 0.50, 0.60, 0.55], [0.10, 0.37, 0.52, 0.58, 0.57], [0.11, 0.36, 0.51, 0.59, 0.56] ]) ref_spectrum = compute_reference_spectrum(samples) - 可选：加入鲁棒统计量（如中值）减少异常值影响
2.2 分类决策流程
完整的高光谱分类流程：
-
预处理阶段
- 辐射校正
- 大气校正
- 噪声抑制
-
参考光谱准备
- 确定目标类别
- 获取每类参考光谱
- 建立光谱库
-
像素级分类
python复制def sam_classify(pixel, ref_spectra): """基于SAM的像素分类""" angles = [spectral_angle(pixel, ref) for ref in ref_spectra] return np.argmin(angles) # 返回最小角度对应的类别 -
后处理
- 空间一致性优化
- 结果可视化
2.3 阈值设定策略
实际应用中常需要设定接受阈值：
- 最大可接受角度（如15°）
- 计算：θ < θ_max ⇒ 接受分类
- 否则标记为"未知"
阈值选择依据：
- 应用场景需求
- 光谱库覆盖度
- 通过ROC曲线分析确定
3. SAM的优化与扩展
3.1 混合像素处理技术
针对SAM无法处理混合像素的局限，可采用的改进方法：
线性光谱混合模型(LSMM)
- 假设像素光谱是端元光谱的线性组合
- 数学表达：x = ∑(a_i·e_i) + ε
- 求解丰度系数a_i
非线性扩展
- 双线性混合模型
- 神经网络建模
3.2 空间-光谱联合分析
结合空间信息的方法：
-
预处理阶段：
- 空间平滑滤波
- 超像素分割
-
后处理阶段：
- 多数投票滤波
- 马尔可夫随机场
-
集成方法：
- 提取空间特征与光谱特征联合分类
- 3D卷积神经网络
3.3 计算效率优化
大规模高光谱数据的加速策略：
-
降维技术
- PCA
- MNF变换
-
并行计算
python复制from multiprocessing import Pool def parallel_sam(args): pixel, ref_spectra = args return sam_classify(pixel, ref_spectra) with Pool() as p: results = p.map(parallel_sam, [(pixel, refs) for pixel in image]) -
GPU加速
- 使用CuPy替代NumPy
- 批处理矩阵运算
4. 实际应用中的经验总结
4.1 常见问题排查指南
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
| 分类结果杂乱无章 | 未进行辐射校正 | 重新进行传感器定标 |
| 同类物质角度差异大 | 光照条件不一致 | 使用归一化处理 |
| 角度普遍偏大 | 参考光谱不匹配 | 检查光谱库适用性 |
| 边缘区域分类差 | 混合像素问题 | 采用超像素预处理 |
4.2 参数调优建议
-
波段选择
- 优先选择特征明显的波段
- 去除噪声较大的波段
-
角度阈值
- 初始建议：10-15度
- 通过验证集调整
-
参考光谱数量
- 每类至少5-10个样本
- 覆盖主要变异情况
4.3 性能评估指标
完整的评估应包含：
- 总体精度(OA)
- Kappa系数
- 各类别的生产者精度/用户精度
- 混淆矩阵分析
示例评估代码：
python复制from sklearn.metrics import confusion_matrix
def evaluate(y_true, y_pred):
cm = confusion_matrix(y_true, y_pred)
OA = np.trace(cm) / np.sum(cm)
return OA, cm
# y_true: 真实标签
# y_pred: 预测标签
overall_accuracy, conf_matrix = evaluate(y_true, y_pred)
在实际项目中，我们发现SAM在以下场景表现最佳：
- 物质种类明确且光谱特征明显
- 光照条件相对稳定
- 空间分辨率足够（混合像素少）
而对于复杂场景，建议将SAM作为初步筛选工具，再结合更高级的方法进行精细分类。