欧亚国际

    光谱影像数据作为一个三维的数据立方体，在提供物体空间维的纹理和位置的同时，又提供了物体的光谱特证信息，因此在对物体识别能力上有着其他探测影像所不能比拟的优势，特别是应用在军事、航空航天邻域的物质分类及伪装探测上。而随着多光谱相机在各个领域上的应用，其宽覆盖、分辨率、和实时传输等方面都有了进一步的发展需求。然而高空间分辨率、高光谱分辨率及宽覆盖造成了影像数据量巨大，影像很难实时传输；虽然影像压缩可以解决这一问题，但压缩往往会导致数据损失，尤其对于光谱影像，较会降低其数据质量。因此要在有限的数据链路带宽下传输较多有用的信息，需要在不进行压缩损伤的前提下对原始影像数据进行提炼，进而有了光谱数据的硬件在线时处理技术，该技术可以在飞行器平台上对光谱数据进行在线处理，从而可以实现数据链路实时传输应用。

多光谱相机的检测技术

    光谱图像中识别物体目标的过程其实是识别光谱特征的过程，而确定未知光谱与已知光谱之间相似率的过程则为光谱识别，因此被探测目标的光谱需要具备与其他背景光谱不同的特征，并且必须保证这种特征能被正确有效的记录在光谱影像中，后者可以通过提多光谱相机的数据质量来实现，光谱识别方法在实际应用中可以分为两大类:目标光谱特性已知，比对进行目标匹配探测，目标光谱特性未知，自动检测异常目标。按照空间分辨率的不同可分为：完整像元目标识别和混合像元分解目标识别。

光谱混合像元分解技术

    光谱相机以像元为单位获取地面目标所发射的能量，由于目标构成的复杂性，像元对应的物体类型也可能是一种，也可能是多种，这样就出现一个像元中的能量可能只是一种物质，也可能是多种物质，所以光谱特征可能是一种也可能不同光谱特征的混合。光谱特征混合分为两种，一种是线性模型，他在各种应用中效果都很好。一种是非线性混合，它可以转化成线性混合。

光谱特证匹配技术

    基于物体辐射和反射光谱曲线的光谱特征匹配分类识别，用匹配算法参考光谱数据来识别影像中地面覆盖类型，既可以采用全部谱段进行匹配，也可以利用部分感兴趣的谱段进行匹配，即为光谱特征匹配，常见的匹配算法有：

    编码匹配：包括分段二值编码匹配、单阈值编码匹配和多阈值编码匹配。二值编码匹配算法较为简单，对光谱数据的分析处理有较高的效率，缺点是需要处理的编码过程，常用于粗略的分类和识别。

    基于整波形特征的光谱匹配算法：该算法是将目标光谱整个波形曲线与光谱库进行匹配，算法过程简单，有效，缺点是匹配光谱影像必须有很高的信噪比，否则会影响匹配结果，在实际应用中往往很难达到要求。

    基于光谱间较小距离的匹配算法：该算法首先计算未知光谱和参考光谱的距离，然后利用较小二乘进行分类，该方法的缺点是对噪声敏感，需要在匹配前对光谱数据做噪声处理。

    光谱角度填图法：将光谱作为光谱空间的多维矢量，该方法计算两光谱向量的广义夹角，夹角越小，光谱的相似度越高，反之亦然，选择相似性阈值来区分未知像元的光谱种类，这种算法的优点是，光谱向量的夹角与各自的模值无光，不引入图像的增益系数，通过光谱形状的相似性来进行光谱匹配，抗干扰性能好。