光谱角度制图（Spectral angle mapping），又称SAM是Kruse等在1993年提出，把图像中的每个像元的光谱视为一个高维向量，通过计算两向量间的夹角来度量光谱间的相似性，夹角越小，两光谱越相似，属于同类地物的可能性越大，因而可根据光谱角的大小来辨别未知数据的类别。分类时，通过计算未知数据与已知数据间的光谱角，并把未知数据的类别归为最小光谱角对应的类别中。
改进的光谱角度制图分类方法研究本文深入研究传统的光谱角度制图分类法(SAM）存在的缺陷1，提出了一种改进的光谱角度制图分类法，并给出了算法的思路和流程。实验得出得出改进SAM算法具有分类精度高，错分现象少，更符合地物实际状况等点。
传统的光谱角度制图分类方法光谱角度制图法通过计算一个测试光谱（像元光谱)与一个参考光谱之间的“角度”来确定它们两者之间的相似性。参考光谱可以是实验室光谱或野外测定光谱或是从图像上提取的像元光谱。这种方法假设图像数据已被缩减到“视反射率”，即所有暗辐射和路径辐射偏差已经去除。它被用于处理一个光谱维数等于波段数的光谱空间中的一个向量。
传统的光谱角度制图分类方法通过从光谱数据库中选择感兴趣的“最终成分光谱”作重采样，并对原始光谱曲线作低通平滑处理，然后计算最终成分光谱与图像像元光谱两个光谱向量之间的角度(广义夹角余弦），以评价两个光谱像量的相似性，从而实现对图像光谱的匹配和分类。
改进型光谱角度制图分类方法但传统的SAM方法直接以像元向量均值为中心不能反映向量的角度关系，而且简单地用夹角最小作为分类判据也不能反映所选择的样本区域的统计特性。为此本文提出了改进型的SAM 算法，具体的流程如下：
1)获取高光谱影像的相对反射率图像
成像光谱仪获取的原始数据DN值不能直接反映地物的光谱特征，这里选择常用的内部平均法对原始数据进行预处理，即数据除以波段的平均值来消除大气影响，得到归一化数据。相对反射率基本能够反映地物的光谱特征，高光谱图像识别伪装的能力较强，可以分辨出在绿色植被咱然草地清景下的真实目标和诱饵目标；在沙漠背景下可以快速地检测出战术小目标军用车辆和导弹发射架等。
2)选择“最终成分光谱”
最终光谱单元可从光谱库中得到，也可直接从图像中通过选择训练区抽取出来光谱夹角填图技术是把实测的端元曲线与影像的各个像元曲线进行对比，通过误差大小得到每个像元与纯净端元的距离，进行目标地物识别在实际应用中，往往地物组成比较复杂，单个像元点对应的地物不纯，对应的光谱包含了多种物质的光谱，很难寻找到对应的数据库光谱，此外实验中也缺乏丰富的地面实测光谱因此，这里我们通过在高光谱最佳波段融合图像中选择已知类型的明显区域，并在相对反射率图像上提取各样本区域的相对反射光谱作为最终成分光谱。
结束语本文在研究传统的光谱角度制图分类的基础之上，提出了本文基于归一化模型的改进光谱角度制图分类方法，通过对向量进行归一化，计算各类的统计特征对高光谱影像进行分类，进一步地提高了分类精度。本文认为以下几个方面值得深入思考和研究：①进一步研究、挖掘高维空间和高光谱影像数据的特点，并基于此研究和设计出更高效的匹配和分类算法；②如何解决高光谱影像数据中的混合像元问题，使高光谱影像分类精度达到亚像元级，是当前遥感领域的研究热点和难点。
本词条内容贡献者为:
王宁 - 副教授 - 西南大学