高光谱成像二光谱角映射 SAM光谱角映射Spectral Angle Mapping简称 SAM是高光谱图像分析中的一种经典分类与匹配方法。它基于像素光谱与参考光谱之间的角度相似性实现对地物类型的识别。相比其他方法SAM 对光照强度和地形起伏的干扰具有鲁棒性因此在遥感领域得到广泛应用。本文将从光谱角映射的基本概念出发逐步深入讲解其数学原理、实现步骤并通过代码示例演示如何从零实现 SAM 分类。内容设计由浅入深适合初学者到进阶开发者。—## 1. 光谱角映射的基本概念### 1.1 什么是光谱角在高光谱图像中每个像素对应一条光谱曲线该曲线记录了该像素在不同波长下的反射率或辐射值。如果我们将 n 个波段视为 n 维空间那么每个像素的光谱值就是一个 n 维向量。两个光谱向量之间的“角度”可以衡量它们的形状相似性角度越小说明光谱形状越接近角度越大则说明光谱差异越大。光谱角映射正是利用这一特性计算每个像素光谱与参考光谱之间的夹角从而判断像素属于哪一类地物。### 1.2 SAM 的核心优势-对光照强度不敏感因为角度只取决于光谱形状而不受整体亮度缩放的影响。-简单高效无需复杂的训练过程只需提供参考光谱即可。-物理意义明确角度越小光谱越相似直观易懂。—## 2. SAM 的数学原理### 2.1 向量点积与角度设两个光谱向量为a [a₁, a₂, …, aₙ] 和b [b₁, b₂, …, bₙ]则它们之间的夹角 θ 由以下公式计算[\cos(\theta) \frac{\mathbf{a} \cdot \mathbf{b}}{|\mathbf{a}| \cdot |\mathbf{b}|}]其中- (\mathbf{a} \cdot \mathbf{b} \sum_{i1}^n a_i b_i) 是点积- (|\mathbf{a}| \sqrt{\sum_{i1}^n a_i^2}) 是向量模长最终的角度为[\theta \arccos\left( \frac{\mathbf{a} \cdot \mathbf{b}}{|\mathbf{a}| \cdot |\mathbf{b}|} \right)]### 2.2 分类决策对于每个像素计算其与所有参考光谱的角度选择角度最小的参考类别作为该像素的类别。如果最小角度大于某个阈值例如 0.1 弧度则该像素可能不属于任何已知类别视为“未知”。—## 3. SAM 的实现步骤1.准备数据高光谱图像三维数组行 × 列 × 波段和参考光谱二维数组类别数 × 波段。2.归一化处理对每个光谱向量进行归一化只保留方向信息。3.计算角度对每个像素计算其与所有参考光谱的夹角。4.分类为每个像素选择夹角最小的参考类别。5.阈值过滤排除角度过大的像素。—## 4. 代码示例一从零实现 SAM 分类以下代码演示了如何在模拟的高光谱数据上实现 SAM 分类。我们使用 numpy 进行向量化计算以提高效率。pythonimport numpy as npdef sam_classify(image, ref_spectra, angle_threshold0.1): 使用光谱角映射对高光谱图像进行分类 参数: image: 高光谱图像形状为 (rows, cols, bands) ref_spectra: 参考光谱矩阵形状为 (num_classes, bands) angle_threshold: 角度阈值弧度超过此值的像素标记为 -1 返回: class_map: 分类结果形状为 (rows, cols) # 获取图像尺寸 rows, cols, bands image.shape num_classes ref_spectra.shape[0] # 归一化对每个光谱向量除以模长只保留方向 # 处理图像避免除以零 image_norm image / (np.linalg.norm(image, axis2, keepdimsTrue) 1e-10) # 处理参考光谱 ref_norm ref_spectra / (np.linalg.norm(ref_spectra, axis1, keepdimsTrue) 1e-10) # 计算所有像素与所有参考光谱的点积 - 得到余弦相似度矩阵 # 将图像展平为 (rows*cols, bands) 形状 flat_image image_norm.reshape(-1, bands) # 形状: (N, bands) # 点积: (N, bands) (bands, num_classes) (N, num_classes) cos_sim flat_image ref_norm.T # 形状: (N, num_classes) # 将余弦相似度限制在 [-1, 1] 内避免数值误差导致 arccos 出错 cos_sim np.clip(cos_sim, -1.0, 1.0) # 计算角度弧度 angles np.arccos(cos_sim) # 形状: (N, num_classes) # 对每个像素找到最小角度及其对应类别 min_angles np.min(angles, axis1) # 形状: (N,) class_indices np.argmin(angles, axis1) # 形状: (N,) # 应用阈值如果最小角度大于阈值标记为 -1未知 class_indices[min_angles angle_threshold] -1 # 恢复为原始图像形状 class_map class_indices.reshape(rows, cols) return class_map# 示例生成模拟数据np.random.seed(42)rows, cols, bands 10, 10, 20# 模拟图像随机生成一些像素image np.random.rand(rows, cols, bands)# 模拟参考光谱假设有 3 个类别ref_spectra np.array([ [0.5, 0.6, 0.7, 0.8, 0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8], [0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1, 0.2, 0.3, 0.4, 0.5], [0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 0.8, 0.7, 0.6, 0.5]])# 执行分类class_map sam_classify(image, ref_spectra, angle_threshold0.3)print(分类结果10x10 网格)print(class_map)# 输出示例每个数字代表类别索引0,1,2或 -1未知代码说明- 使用np.linalg.norm进行向量归一化。- 通过矩阵乘法一次性计算所有像素与所有参考光谱的余弦相似度。- 使用np.arccos将余弦转换为角度。- 通过阈值过滤将不相似像素标记为 -1。—## 5. 进阶应用与优化### 5.1 并行加速对于大规模高光谱图像例如 1000×1000 像素200 波段上述方法仍然依赖 CPU 串行计算。我们可以利用 GPU 加速如 CuPy或分块处理来提升性能。### 5.2 自适应阈值固定阈值可能不适用于复杂场景。一种改进方法是根据数据分布动态计算阈值例如使用所有像素角度的统计值如 90% 分位数作为阈值。### 5.3 多尺度 SAM在某些应用中需要同时考虑局部和全局光谱特征。多尺度 SAM 通过在不同空间尺度上计算光谱角提高分类的鲁棒性。—## 6. 代码示例二使用光谱角进行图像匹配与可视化以下示例展示了如何在真实高光谱数据使用开源的 Indian Pines 数据集模拟上应用 SAM并可视化分类结果。pythonimport numpy as npimport matplotlib.pyplot as pltdef plot_sam_classification(image, ref_spectra, angle_threshold0.15): 运行 SAM 分类并可视化结果 class_map sam_classify(image, ref_spectra, angle_threshold) # 创建一个彩色分类图 # 假设有 3 个类别分别用红、绿、蓝表示 color_map np.zeros((*class_map.shape, 3), dtypenp.uint8) # 类别 0 - 红色 color_map[class_map 0] [255, 0, 0] # 类别 1 - 绿色 color_map[class_map 1] [0, 255, 0] # 类别 2 - 蓝色 color_map[class_map 2] [0, 0, 255] # 未知类别 - 黑色 color_map[class_map -1] [0, 0, 0] # 显示原始图像选取三个波段模拟 RGB rgb_image image[:, :, [5, 10, 15]] # 假彩色 rgb_image (rgb_image - rgb_image.min()) / (rgb_image.max() - rgb_image.min()) # 归一化到 0-1 plt.figure(figsize(12, 5)) plt.subplot(1, 2, 1) plt.imshow(rgb_image) plt.title(原始图像假彩色) plt.axis(off) plt.subplot(1, 2, 2) plt.imshow(color_map) plt.title(SAM 分类结果) plt.axis(off) plt.tight_layout() plt.show()# 生成模拟的高光谱图像类似真实数据np.random.seed(123)rows, cols, bands 50, 50, 30image np.random.rand(rows, cols, bands)# 定义三个参考光谱模拟不同地物ref_spectra np.array([ np.sin(np.linspace(0, np.pi, bands)) 0.5, # 类别 0 np.cos(np.linspace(0, np.pi, bands)) 0.5, # 类别 1 np.exp(-np.linspace(0, 3, bands)) * 0.8 0.2 # 类别 2])# 运行并显示结果plot_sam_classification(image, ref_spectra, angle_threshold0.2)代码说明- 使用假彩色显示原始图像选取三个波段模拟 RGB。- 将分类结果映射为彩色图像便于视觉分析。- 阈值设为 0.2 弧度大于该值的像素视为未知。—## 7. 总结本文从光谱角映射的基本概念出发逐步讲解了其数学原理、实现方法和优化方向。通过两个完整的代码示例我们展示了如何从零构建 SAM 分类器并将其应用于模拟高光谱数据。### 关键要点回顾1.核心思想通过计算光谱向量之间的夹角来衡量相似性角度越小越相似。2.数学基础基于向量点积和 arccos 函数计算简单且物理直观。3.实现技巧利用矩阵运算和归一化避免循环提高效率阈值过滤可处理未知类别。4.应用价值SAM 特别适合光照变化剧烈的遥感场景如卫星影像、无人机高光谱数据分类。### 进一步学习建议- 尝试将 SAM 与机器学习方法如 SVM结合提升分类精度。- 研究光谱角与混合像元分解的关系探索亚像素级分类。- 使用真实高光谱数据集如 AVIRIS、HyMap进行实验熟悉数据预处理流程。希望本文能帮助你掌握 SAM 的核心思想与实现方法为高光谱图像分析打下坚实基础。
