CN102073039A - 热红外高光谱发射率模拟方法和系统 - Google Patents

Abstract

本发明公开了一种热红外高光谱发射率模拟方法和系统，利用所述影像地物连续光谱数据在所述TASI多光谱发射率原始影像数据中提取各像元的地物特征参量，再利用所述地物特征参量构建重构变换矩阵，进行光谱重构，模拟获取热红外高光谱信息。本发明可以从热红外TASI多光谱发射率数据及其它热红外多光谱卫星遥感数据中模拟得到连续的具有较高光谱分辨率的热红外高光谱数据，在满足原始多光谱遥感数据具有的高空间分辨率、高信噪比的同时，得到了高光谱分辨率的热红外数据。

Description

热红外高光谱发射率模拟方法和系统

技术领域

本发明涉及热红外遥感技术领域，特别是涉及一种热红外高光谱发射率模拟方法和系统。

背景技术

热红外遥感，是指通过红外敏感元件，探测物体的热辐射能量，显示目标的辐射温度或热场图像的遥感技术的统称，观测波谱范围为8.0～14μm。目前，热红外遥感在农田蒸散、土壤水分与旱情、城市热环境遥感、森林火灾监测等方面有了广泛的应用。但由于传感器技术的限制，目前在轨热红外多光谱传感器空间分辨率和光谱分辨率均较低。而热红外遥感应用对热红外数据不断提出更高的要求。目前国内外正在研制的热红外高光谱载荷，需要地面的应用模型的预研究，进行载荷的指标论证，这就需要模拟热红外载荷数据，通过模拟数据的应用研究，提出未来热红外高光谱载荷的具体光谱指标、信噪比、空间分辨率等，根据不同的应用目的，提供最佳的载荷设计指标，供载荷研制部门参考。

卫星遥感数据模拟的理论及技术的研究对于航天遥感器的设计及遥感应用模型的开发、验证具有重要的意义。国外在新卫星发射之前，都要进行相当长时间的卫星数据模拟、验证，并利用模拟数据进行应用模型的开发、综合评价，用来对卫星设计的各项参数进行有效性评价，然后以应用为导向，对卫星传感器的有关设计参数进行修改。近几年来，由于我国对空间技术产业的重视和投入的加大，卫星数据模拟技术的理论与模型的研究受到了普遍重视。高光谱卫星数据的模拟又是目前卫星数据模拟的重点研究方向，其中，由低光谱分辨率到高光谱分辨率的成像模拟，目前一般采用光谱填图的方式得到高光谱信息，这种方法一方面需要大量的光谱数据库信息，另一方面，得到的模拟影像是分类影像。基于生物参量模型的光谱模拟方法需要大量成像几何物理参数，运行速度慢。基于高光谱星载数据源的高光谱模拟方法的缺点是数据源不能保障，且费用高，时间分辨率低。目前，迫切需要一种快速、有效的方法来实现高光谱数据的模拟。

遥感图像模拟技术是在遥感理论模型、遥感先验知识及现有遥感图像的基础上，通过数学物理计算，获取特定条件下的模拟图像的技术。实际上是通过对遥感成像过程中不同因素对能量传输的影响进行分析，来探讨改正和模拟这些影响的方法。遥感模拟图像不仅可以用来比较不同传感器系统的差异，而且可以用来对新传感器的性能进行模拟研究。国外在遥感图像模拟方面研究的比较早，并且开发完成了一些遥感图像模拟软件，用来对传感器设计参数进行评价与验证。比较成功的模拟软件产品如下：

1)美国新墨西哥州的PRA(Photon Research Associates)公司开发的图像模拟软件GCI Toolkit，能够适用于多云、海洋和内陆等不同的气象或地形条件。

2)美国罗切斯特理工大学的数字图像与遥感(DIRS)实验室研发的数字成像与遥感图像生成模型(DIRSIG，Digital Image and Remote Sensing Image Generation)，采用C++语言编写而成，随后这个模型得到了不断的完善和发展，最终形成了DIRSIG 4.0.5软件。DIRSIG主体是由一系列基于辐射传输理论的子模型组成，可用于模拟可见光到热红外范围内的图像。

3)德国宇航中心(DLR)设计的光学遥感系统模拟软件SENSOR(Software Environment for the Simulation of Optical Remote Sensing systems)，其设计思路是采用模拟光学遥感系统成像过程的方法，模拟出传感器在假定环境下的光学图像，参与传感器系统优化分析。

此外，欧空局的SPECTRA项目中，也开发了一套基于VB的遥感图像仿真模拟软件SLC。

以上国外遥感图像模拟软件中，德国航天中心和瑞士苏黎世大学联合开发的高光谱成像仪仿真系统软件SENSOR，可以实现高光谱遥感图像的模拟。该软件已成功应用于欧空局的项目APEX(Airborne PRISM Experiment)，其模拟数据在机载成像光谱仪的性能指标验证和数据处理算法开发中发挥了重要的作用。但它所采用的高光谱模拟方法仍然是基于光谱填图的思想。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是提供一种针对8.0～14μm波谱范围，基于热机载光谱成像仪(Thermal Airbome Spectrographic Imager，TASI)多光谱热红外发射率数据的热红外高光谱发射率光谱模拟方法和系统，克服现有技术中遥感数据的获取受到传感器技术的限制，以及高光谱分辨率、高空间分辨率及高信噪比不能同时保证的问题，并为载荷指标论证提供热红外高光谱发射率模拟数据源。

(二)技术方案

为了解决上述技术问题，本发明提供一种热红外高光谱发射率模拟方法，其包括以下过程：

S1：利用热红外多光谱传感器获取多光谱发射率原始影像数据，对该数据进行温度与发射率分离，获得低维多光谱发射率影像数据；

S2：从影像中选择地物类型，利用热红外多光谱传感器获取所述地物类型所对应的连续光谱数据；

S3：利用获取的所述连续光谱数据建立正交变换的高维标准基向量；

S4：利用所述高维标准基向量生成分别与所述热红外多光谱传感器的波段对应的低维基向量和高维标准基向量；

S5：将所述低维基向量作为特征提取系数矩阵，对所述特征提取系数矩阵与所述低维多光谱发射率影像数据进行模式分解，即矩阵伪逆运算，获得与所述多光谱发射率原始影像各像元对应的地物特征参量矩阵；

S6：将地物特征参量矩阵与所述高维标准基向量进行矩阵运算，模拟得到与所述多光谱发射率原始影像各像元对应的各波段的高光谱信息。

上述热红外高光谱发射率模拟方法中，所述过程S3具体包括：

利用热红外多光谱传感器获取的热红外光谱范围内的所述连续光谱数据进行归一化处理，得到不同种影像地物的标准化参考光谱，作为正交变换的高维标准基向量，其中，归一化处理的归一式为：

$P_k\left(\mathrm{\λ}\right)=\frac{\∫\mathrm{d\λ}}{\∫\left|R_k\left(\mathrm{\λ}\right)\right|\mathrm{d\λ}}{R}_k\left(\mathrm{\λ}\right)$

其中，k代表地物类型的种类，R_k(λ)为不同种影像地物光谱发射率，∫|R_k(λ)|dλ表示在连续波长范围内求光谱发射率之和，P_k(λ)为影像地物发射率在连续波段上的归一化结果。

上述热红外高光谱发射率模拟方法中，所述过程S4和S5具体包括：

从所述高维标准基向量中，生成与所述热红外多光谱传感器的波段对应的低维基向量，作为特征提取系数矩阵M_i×k，其矩阵元素为

$P_{\mathrm{ik}}=\frac{{\∫}_{{\mathrm{\λ}}_{\mathrm{si}}}^{{\mathrm{\λ}}_{\mathrm{ei}}}{P}_k\left(\mathrm{\λ}\right)\mathrm{d\λ}}{{\∫}_{{\mathrm{\λ}}_{\mathrm{si}}}^{{\mathrm{\λ}}_{\mathrm{ei}}}\mathrm{d\λ}}$

其中，i代表所述热红外多光谱传感器的不同波段，λ_si和λ_ei分别为波段i的起始波长和终止波长，

为波段i的波长宽度；

将所述特征提取系数矩阵与所述低维多光谱发射率影像数据按式C_k×n＝(M_i×k ^TM_i×k)^-1M_i×k ^TR_i×n进行矩阵伪逆运算，提取所述多光谱发射率原始影像数据中各像元的地物特征参量矩阵；

其中，R_i×n为所述多光谱原始影像数据的发射率矩阵，列数n为影像的总像素数，C_k×n即为得到的地物特征参量矩阵。

上述热红外高光谱发射率模拟方法中，所述过程S6具体包括：

将所述地物特征参量矩阵与所述高维标准基向量按式R_m×n＝H_m×kC_k×n进行矩阵运算，得到与所述多光谱发射率原始影像各像元对应的高光谱信息；

其中，H_m×k为所述高维标准基向量组成的矩阵，m代表所述热红外多光谱传感器的波段数，R_m×n为模拟得到的m个波段n个像素的高光谱影像立方体。

上述热红外高光谱发射率模拟方法中，所述影像地物类型包括建筑物、植被、水和土壤。

本发明还提供了一种热红外高光谱发射率模拟系统，其包括：

热红外多光谱传感器，用于获取多光谱发射率原始影像数据；

影像地物发射率数据单元，其包括不同种类影像地物的连续光谱数据；

数据处理装置，分别与所述热红外多光谱传感器和所述影像地物发射率数据单元连接，利用所述影像地物连续光谱数据在所述多光谱发射率原始影像数据中提取各像元的地物特征参量，再利用所述地物特征参量构建重构变换矩阵，进行光谱重构，模拟获取高光谱信息。

上述热红外高光谱发射率模拟系统中，所述数据处理装置进一步包括：

数据预处理单元，对所述多光谱发射率原始影像数据进行温度与发射率分离，获得低维多光谱发射率影像数据，作为低维多光谱数据输入；

影像地物选择单元，结合应用目的和原始影像地物类别，选择影像地物类型，获得所选择的影像地物在热红外光谱范围内的光谱发射率数据；

归一化单元，与所述影像地物选择单元连接，利用热红外光谱范围内的所述连续光谱数据进行归一化处理，得到不同种影像地物的标准化参考光谱，作为正交变换的高维标准基向量；

低维化单元，与所述归一化单元连接，根据所述高维标准基向量生成与所述热红外多光谱传感器的波段对应的低维基向量，作为特征提取系数矩阵；

通用光谱分解单元，分别与所述数据预处理单元和所述低维化单元连接，将所述特征提取系数矩阵与所述低维多光谱发射率影像数据进行矩阵伪逆运算，得到地物特征参量矩阵；

高维化单元，与所述通用光谱分解单元连接，根据所述高维标准基向量生成与所述热红外多光谱传感器的波段对应的高维基向量，作为高维模拟转换系数矩阵；

模拟单元，与所述高维化单元连接，将所述高维模拟转换系数矩阵与地物特征参量矩阵进行矩阵运算，得到与所述低维多光谱发射率影像数据中各像元对应的、与所述热红外多光谱传感器波段一致的高光谱信息。

上述热红外高光谱发射率模拟系统中，所述热红外多光谱传感器的光谱范围为8.0～14μm。

(三)有益效果

上述技术方案可以从热红外TASI多光谱发射率数据及其它热红外多光谱卫星遥感数据中重构得到连续的具有较高光谱分辨率的高光谱数据，在满足原始多光谱遥感数据具有的高空间分辨率、高信噪比的同时，提高了多光谱数据的光谱分辨率。

附图说明

图1为本发明实施例的热红外高光谱发射率模拟方法的流程图；

图2为本发明实施例的TASI多光谱发射率原始影像某一像元的光谱；

图3为利用图1所述方法获得的对应像元的模拟发射率光谱；

图4对图2和图3数据进行对比，其中，覆盖32个波段的波谱曲线对应的是原始TASI多光谱发射率数据，覆盖61个波段的波谱曲线对应的是经过模拟处理后该像元对应的高光谱发射率光谱；

图5为本发明实施例的基于TASI影像的热红外高光谱发射率模拟系统结构图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图1示出了本发明实施例的模拟方法的流程图，如图所示，本实施例的热红外高光谱发射率模拟方法包括以下过程：

本实施例中，热红外多光谱传感器选用TASI传感器。

S1、利用TASI传感器获取所述TASI多光谱发射率原始影像数据，并对该数据进行温度与发射率分离，从而获得TASI低维多光谱发射率影像数据；

图2为TASI多光谱发射率原始影像数据中某一像元的光谱，由于TASI原始影像只有32个波段，因此其光谱表现为折线形式，图中横轴是波段编号，纵轴表示发射率。

S2、以城市热能耗监测为目的，选择影像地物类型，利用热红外多光谱传感器获取所述影像地物类型所对应的连续光谱数据；

本实施例所选用的TASI数据是以城市热能耗监测为目的，获取的是石家庄城市数据，城市里的主要地物类型是房屋、植被、水和土壤，所以从已有典型地物发射率波谱库获取植物、水、土壤、水泥这四种不同典型地物的连续光谱数据，作为后续正交子空间投影变换的基础。本实施例中所述的TASI低维多光谱发射率影像数据通常指维数不超过10。

S3、利用获取的地物连续光谱数据建立正交变换的高维标准基向量；

对波长范围为8～14μm的地物连续光谱数据进行归一化处理：∫|P_k(λ)|dλ＝∫dλ(k＝w，v，s，c；分别代表水、植被、土壤和水泥)

上式中，P_k(λ)的计算方法如下：

$P_k\left(\mathrm{\λ}\right)=\frac{\∫\mathrm{d\λ}}{\∫\left|R_k\left(\mathrm{\λ}\right)\right|\mathrm{d\λ}}{R}_k\left(\mathrm{\λ}\right)(k=w,v,s)$

其中，R_k(λ)为四种标准地物光谱发射率；分母∫|R_k(λ)|dλ表示在连续波长范围求光谱发射率的和；P_k(λ)即为标准地物发射率在连续波段上的归一化结果，适用于任何传感器。

归一化后的三种标准参考向量的维数为61，即在8～14μm的热红外光谱范围，光谱间隔为100nm。

本实施例中所述的高维标准基向量通常指维数为10到上百。

S4、利用所述高维标准基向量生成与所述TASI传感器的波段对应的低维基向量，并利用所述高维标准基向量生成与所述热红外多光谱传感器的波段对应的高维标准基向量；

从过程S3得到的61维标准基向量集合中，生成与TASI传感器波段对应的32维基向量组成的矩阵M，作为TASI数据特征提取的系数矩阵：

$P_{\mathrm{ik}}=\frac{{\∫}_{{\mathrm{\λ}}_{\mathrm{si}}}^{{\mathrm{\λ}}_{\mathrm{ei}}}{P}_k\left(\mathrm{\λ}\right)\mathrm{d\λ}}{{\∫}_{{\mathrm{\λ}}_{\mathrm{si}}}^{{\mathrm{\λ}}_{\mathrm{ei}}}\mathrm{d\λ}}$

式中，λ_si和λ_ei分别为波段i的起始波长和终止波长，

是波段i的波长宽度。本实施例中，波段数量为32，波段特性与TASI传感器波段特性一致。

另外，参照过程S3中的具体公式和过程，以从TASI影像中模拟61个波段的热红外高光谱影像为例，即模拟的是标准发射率连续波谱最多波段数，计算得到与所述热红外多光谱传感器的波段对应的高维标准基向量，组成标准模拟高光谱系数矩阵H_61×4。

S5、将所述低维基向量作为特征提取系数矩阵，对所述特征提取系数矩阵与所述TASI低维多光谱发射率影像数据进行模式分解，即矩阵伪逆运算，获得与所述TASI多光谱发射率原始影像各像元对应的地物特征参量矩阵；

如下式所示：

C_4×n＝M_32×4 ^TM_32×4)^-1M_32×4 ^TR_32×n

式中，R为原始TASI多光谱影像数据的发射率矩阵，矩阵行数为32，列数为影像的总像素数；C为变换后的特征值矩阵，其行数为4，即标准基向量的个数，列数与R相等，为影像的总像素数。

S6、将地物特征参量矩阵与所述高维标准基向量进行矩阵运算，模拟得到与所述TASI多光谱发射率原始影像各像元对应的各波段的高光谱信息；

如下式所示：

R_61×n＝H_61×4C_4×n

式中，H_61×4为过程S5所得到高维标准基向量组成的61行4列矩阵，经重构后得到61个波段的模拟高光谱影像立方体R_61×n，n为影像总像素数。图3即为与图2中对应像元的重构光谱，如图所示，原来的32波段多光谱经重构后成为61个波段的模拟热红外高光谱影像。图3和图2的数据对比如图4所示，其中，覆盖32个波段的波谱曲线对应的是原始TASI多光谱发射率数据，覆盖61个波段的波谱曲线对应的是经过模拟处理后该像元对应的高光谱发射率光谱。

图5为本发明基于TASI影像的热红外高光谱发射率模拟系统实施例结构图，如图所示，本实施例的热红外高光谱发射率模拟系统包括：TASI传感器，用于获取TASI多光谱发射率原始影像数据；影像地物发射率数据单元，其包括不同种类影像地物的连续光谱数据；数据处理装置，分别与TASI传感器及影像地物发射率数据单元连接，利用地物连续光谱数据在TASI多光谱影像数据中提取各像元的地物特征参量，再利用该地物特征参量构建重构变换矩阵，进行光谱重构，获取高光谱信息。

其中，数据处理装置进一步包括：数据预处理单元，对TASI数据进行温度与发射率分离，获得TASI低维多光谱发射率影像数据，作为低维多光谱数据输入；影像地物的选择单元，结合研究应用目的以及影像特点选择典型地物类型，并得到不同种类地物的标准化参考光谱，为正交变换的高维标准基向量提供基础数据；归一化单元，与所述影像地物选择单元连接，其利用8～14μm波长范围内的地物连续光谱数据进行归一化处理，得到不同种类地物的标准化参考光谱，作为正交变换的高维标准基向量；低维处理单元，与所述归一化单元连接，根据高维标准基向量生成与TASI传感器的波段对应的低维基向量，作为特征提取系数矩阵；通用光谱分解单元，分别与所述数据预处理单元和所述低维化单元连接，将特征提取系数矩阵与TASI多光谱影像数据进行矩阵伪逆运算，得到地物特征参量矩阵；高维化单元，与所述通用光谱分解单元连接，根据高维标准基向量生成与模拟目标传感器的波段对应的高维基向量，作为模拟转换系数矩阵；模拟单元则与所述高维化单元连接，将上述地物的特征参量矩阵与高维标准基向量进行矩阵运算，得到与TASI多光谱影像数据中各像元对应的高光谱信息。

由以上实施例可以看出，本发明实施例利用所述影像地物连续光谱数据在所述TASI多光谱发射率原始影像数据中提取各像元的地物特征参量，再利用所述地物特征参量构建重构变换矩阵，进行光谱重构，模拟获取高光谱信息，从而，本发明方法和系统可以从热红外TASI多光谱发射率数据及其它热红外多光谱卫星遥感数据中重构得到连续的具有较高光谱分辨率的高光谱数据，在满足原始多光谱遥感数据具有的高空间分辨率、高信噪比的同时，提高了多光谱数据的光谱分辨率。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (8)

1.一种热红外高光谱发射率模拟方法，其特征在于，包括以下过程：

S1：利用热红外多光谱传感器获取多光谱发射率原始影像数据，对该数据进行温度与发射率分离，获得低维多光谱发射率影像数据；

S2：从影像中选择地物类型，利用热红外多光谱传感器获取所述地物类型所对应的连续光谱数据；

S3：利用获取的所述连续光谱数据建立正交变换的高维标准基向量；

S4：利用所述高维标准基向量生成分别与所述热红外多光谱传感器的波段对应的低维基向量和高维标准基向量；

S5：将所述低维基向量作为特征提取系数矩阵，对所述特征提取系数矩阵与所述低维多光谱发射率影像数据进行模式分解，即矩阵伪逆运算，获得与所述多光谱发射率原始影像各像元对应的地物特征参量矩阵；

S6：将地物特征参量矩阵与所述高维标准基向量进行矩阵运算，模拟得到与所述多光谱发射率原始影像各像元对应的各波段的高光谱信息。

2.如权利要求1所述的热红外高光谱发射率模拟方法，其特征在于，所述过程S3具体包括：

利用热红外多光谱传感器获取的热红外光谱范围内的所述连续光谱数据进行归一化处理，得到不同种影像地物的标准化参考光谱，作为正交变换的高维标准基向量，其中，归一化处理的归一式为：

$P_k\left(\mathrm{\λ}\right)=\frac{\∫\mathrm{d\λ}}{\∫\left|R_k\left(\mathrm{\λ}\right)\right|\mathrm{d\λ}}{R}_k\left(\mathrm{\λ}\right)$

其中，k代表地物类型的种类，R_k(λ)为不同种影像地物光谱发射率，∫|R_k(λ)dλ表示在连续波长范围内求光谱发射率之和，P_k(λ)为影像地物发射率在连续波段上的归一化结果。

3.如权利要求2所述的热红外高光谱发射率模拟方法，其特征在于，所述过程S4和S5具体包括：

从所述高维标准基向量中，生成与所述热红外多光谱传感器的波段对应的低维基向量，作为特征提取系数矩阵M_i×k，其矩阵元素为

$P_{\mathrm{ik}}=\frac{{\∫}_{{\mathrm{\λ}}_{\mathrm{si}}}^{{\mathrm{\λ}}_{\mathrm{ei}}}{P}_k\left(\mathrm{\λ}\right)\mathrm{d\λ}}{{\∫}_{{\mathrm{\λ}}_{\mathrm{si}}}^{{\mathrm{\λ}}_{\mathrm{ei}}}\mathrm{d\λ}}$

其中，i代表所述热红外多光谱传感器的不同波段，λ_si和λ_ei分别为波段i的起始波长和终止波长，

为波段i的波长宽度；

将所述特征提取系数矩阵与所述低维多光谱发射率影像数据按式C_k×n＝(M_i×k ^TM_i×k)^-1M_i×kTR_i×n进行矩阵伪逆运算，提取所述多光谱发射率原始影像数据中各像元的地物特征参量矩阵；

其中，R_i×n为所述多光谱原始影像数据的发射率矩阵，列数n为影像的总像素数，C_k×n即为得到的地物特征参量矩阵。

4.如权利要求3所述的热红外高光谱发射率模拟方法，其特征在于，所述过程S6具体包括：

将所述地物特征参量矩阵与所述高维标准基向量按式R_m×n＝H_m×kC_k×n进行矩阵运算，得到与所述多光谱发射率原始影像各像元对应的高光谱信息；

其中，H_m×k为所述高维标准基向量组成的矩阵，m代表所述热红外多光谱传感器的波段数，R_m×n为模拟得到的m个波段n个像素的高光谱影像立方体。

5.如权利要求1-4任一项所述的热红外高光谱发射率模拟方法，其特征在于，所述地物类型包括建筑物、植被、水和土壤。

6.一种热红外高光谱发射率模拟系统，其特征在于，包括：

热红外多光谱传感器，用于获取多光谱发射率原始影像数据；

影像地物发射率数据单元，其包括不同种类影像地物的连续光谱数据；

数据处理装置，分别与所述热红外多光谱传感器和所述影像地物发射率数据单元连接，利用所述影像地物连续光谱数据在所述多光谱发射率原始影像数据中提取各像元的地物特征参量，再利用所述地物特征参量构建重构变换矩阵，进行光谱重构，模拟获取高光谱信息。

7.如权利要求6所述的热红外高光谱发射率模拟系统，其特征在于，所述数据处理装置进一步包括：

数据预处理单元，对所述多光谱发射率原始影像数据进行温度与发射率分离，获得低维多光谱发射率影像数据，作为低维多光谱数据输入；

影像地物选择单元，结合应用目的和原始影像地物类别，选择影像地物类型，获得所选择的影像地物在热红外光谱范围内的光谱发射率数据；

归一化单元，与所述影像地物选择单元连接，利用热红外光谱范围内的所述连续光谱数据进行归一化处理，得到不同种影像地物的标准化参考光谱，作为正交变换的高维标准基向量；

低维化单元，与所述归一化单元连接，根据所述高维标准基向量生成与所述热红外多光谱传感器的波段对应的低维基向量，作为特征提取系数矩阵；

通用光谱分解单元，分别与所述数据预处理单元和所述低维化单元连接，将所述特征提取系数矩阵与所述低维多光谱发射率影像数据进行矩阵伪逆运算，得到地物特征参量矩阵；

高维化单元，与所述通用光谱分解单元连接，根据所述高维标准基向量生成与所述热红外多光谱传感器的波段对应的高维基向量，作为高维模拟转换系数矩阵；

模拟单元，与所述高维化单元连接，将所述高维模拟转换系数矩阵与地物特征参量矩阵进行矩阵运算，得到与所述低维多光谱发射率影像数据中各像元对应的、与所述热红外多光谱传感器波段一致的高光谱信息。

8.如权利要求6或7所述的热红外高光谱发射率模拟系统，其特征在于，所述热红外多光谱传感器的光谱范围为8.0～14μm。

Images