### 使用 Python 处理高光谱数据 (.dat 和 .hdr 文件) #### 所需库 为了高效地读取和预处理高光谱数据，可以使用以下主要库： - **Spectral**: 提供了专门针对高光谱数据分析的功能，支持 `.hdr` 和 `.dat` 文件的读取。 - **NumPy**: 是科学计算的基础工具，用于矩阵运算和其他数值操作。 - **Rasterio**: 可选库，适用于地理空间数据的操作，尤其是涉及投影变换的情况。 - **Matplotlib** 或 **Plotly**: 用于可视化高光谱数据。 这些库可以通过 `pip` 安装： ```bash pip install spectral numpy rasterio matplotlib ``` --- #### 数据读取 使用 Spectral 库读取 ENVI 格式的高光谱数据（`.hdr` 和 `.dat` 文件）是一个常见的起点。以下是具体的实现代码： ```python import spectral import numpy as np # 加载 HDR 文件及其关联的数据文件 path_hdr = 'path_to_your_hyperspectral_data.hdr' data = spectral.open_image(path_hdr) # 返回一个 Image 对象 hsi_array = data.read_band(-1) # 将所有波段作为三维数组加载到内存中 hsi_array = np.array(hsi_array, dtype=np.float32) # 转换为 NumPy 数组以便进一步处理 ``` 上述代码片段展示了如何通过 `spectral.open_image()` 方法打开 `.hdr` 文件，并将数据转换为适合后续分析的 NumPy 数组[^1]。 --- #### 几何校正 几何校正是指消除由于传感器姿态变化或地形起伏引起的空间失真的过程。这通常需要借助外部软件（如 ERDAS Imagine 或 ENVI）完成，但在 Python 中可采用 Rasterio 实现基本的重采样和坐标系转换： ```python import rasterio from rasterio.warp import reproject, Resampling def geometric_correction(input_file, output_file, dst_crs='EPSG:4326'): with rasterio.open(input_file) as src: transform, width, height = calculate_default_transform( src.crs, dst_crs, src.width, src.height, *src.bounds) kwargs = src.meta.copy() kwargs.update({ 'crs': dst_crs, 'transform': transform, 'width': width, 'height': height }) with rasterio.open(output_file, 'w', **kwargs) as dst: for i in range(1, src.count + 1): reproject( source=rasterio.band(src, i), destination=rasterio.band(dst, i), src_transform=src.transform, src_crs=src.crs, dst_transform=transform, dst_crs=dst_crs, resampling=Resampling.nearest) ``` 该函数实现了从输入 CRS 到目标 CRS 的投影变换，并保存结果至新的文件[^2]。 --- #### 辐射校正 辐射校正是将原始数字计数 (DN) 转换为物理量（如反射率）。基于 TERRA-REF 协议，公式如下： \[ \text{Reflectance} = \frac{\text{(Raw Data)} - \text{(Dark Reference)}}{\text{(White Reference)} - \text{(Dark Reference)}} \] 假设已知暗参考和白板参考值，可以用以下代码实现： ```python dark_reference = np.load('dark_ref.npy') # 暗参考数据 white_reference = np.load('white_ref.npy') # 白板参考数据 reflectance = (hsi_array - dark_reference) / (white_reference - dark_reference) ``` 注意：实际应用中应根据设备手册获取准确的参考值[^3]。 --- #### 大气校正 大气校正旨在补偿由大气散射和吸收造成的误差。常用的方法有 MODTRAN、FLAASH 等商业工具，而开源替代方案包括 ACOLITE 和 Py6S。下面展示了一个简单的模拟框架： ```python from py6s import SixS s = SixS() s.atmos_profile = s.PredefinedAtmosProfiles.MidlatitudeSummer s.aero_profile = s.PredefinedAeroProfiles.Urban s.geometry.solar_z = 30.0 # 太阳天顶角 s.geometry.view_z = 0.0 # 观测天顶角 s.run() atm_corr_factor = s.outputs.apparent_radiance / s.outputs.top_of_atmosphere_reflectance corrected_reflectance = reflectance * atm_corr_factor ``` 这段代码演示了如何利用 Py6S 计算大气校正因子并应用于反射率数据[^4]。 --- #### 去噪 去噪技术可以帮助去除噪声干扰，提升信号质量。常用的算法包括均值滤波、小波变换和 PCA 分解。以下是一例基于 PCA 的降维去噪方法： ```python from sklearn.decomposition import PCA pca = PCA(n_components=0.95) # 保留至少 95% 方差的信息 reduced_data = pca.fit_transform(reflectance.reshape((-1, reflectance.shape[-1]))) denoised_data = pca.inverse_transform(reduced_data).reshape(reflectance.shape) ``` PCA 方法能够有效地提取重要特征，同时抑制随机噪声的影响[^5]。 --- #### 解决 ‘np’ 未解析问题 如果在脚本运行过程中出现 `'np' is not defined` 错误，通常是由于缺少 `import numpy as np` 导致的。确保每份代码开头都包含这一行声明即可解决问题。 --- ###