使用python对高光谱图像进行一阶求导

        ENVI 中的 Spectral Math 工具在使用 deriv(s1) 函数时，是针对单个光谱曲线进行计算的，而不是对整个图像的每个像素光谱进行批量处理，以下Python代码实现了对高光谱整个图像的一阶导数计算。

        首先得简单提一下高光谱数据求一阶导数到底是怎么个事儿。

        我们对同一位置（同一像素）的光谱（即不同波段的反射率）进行求导，自变量是波长（对应波段），而因变量则是光谱反射率。这种求导通常用于光谱特征提取，帮助我们识别不同物质在光谱上变化的细节。例如，计算某个像素在各个波段上的反射率变化，以揭示该物质的光谱特性，或者提取物体在特定波长范围内的敏感变化。对于高光谱图像，我们通常关注光谱信息的变化，而这些变化能帮助我们识别不同的物质或物体。例如，某些植被或矿物的光谱特征在某些波段上有明显的变化。如果我们计算光谱的一阶导数，我们能够更精确地捕捉到这些变化的速率。

接下来是具体代码：

import spectral
import numpy as np
import matplotlib.pyplot as plt


def compute_spectral_derivative(hyperspectral_data):
    """
    对每个像素的光谱进行一阶导数计算，并生成新的高光谱图像。
    hyperspectral_data: 原始高光谱数据 (height, width, bands)
    return: 计算后的高光谱数据 (height, width, bands-1)
    """
    height, width, bands = hyperspectral_data.shape
    spectral_derivative = np.zeros_like(hyperspectral_data)  # 创建一个同样形状的零数组用于存储导数结果
    
    for y in range(height):
        for x in range(width):
            # 对每个像素计算光谱导数（计算相邻波段之间的差异）
            spectrum = hyperspectral_data[y, x, :]  # 当前像素的所有波段光谱
            spectral_derivative[y, x, 1:] = np.diff(spectrum)  # 计算每个波段的导数，并保存到新的数组
    
    return spectral_derivative


img = spectral.open_image(r'./176test.hdr')

data = img.load()  # 读取数据，返回一个 (height, width, bands) 的 ndarray

spectral_derivative_data = compute_spectral_derivative(data)

        这里需要注意的是，np.diff()他实际上是求差分的函数，并不是求导。在高光谱图像中，每个像素的光谱反射率是离散的值，而这些值通常是随着波段变化的，我们不能直接使用连续的微积分公式。但他们的结果是几乎近似的，所以被用来估计每个波段之间的反射率变化率（即近似导数）。np.diff(spectrum)的结果会比原始高光谱数据少一个波段，因为原因在于np.diff()返回的是相邻元素之间的差异，而不包括最后一个元素。所以求导结果（即spectral_derivative）的第一个波段的反射率均设置为0。

##保存结果文件
output_filename = r'./output_derivative_image_test.hdr'

spectral.envi.save_image(output_filename, spectral_derivative_data, dtype='float32', interleave='bil')

这样我们也就保存结束了，这里指定了输出文件output_derivative_image_test.hdr，他会另外生成.img后缀的文件。我们可以用ENVI打开。

在ENVI中打开结果文件，可查看一阶导数结果图的光谱曲线