4. 光谱匹配度评价指标：SAM、SID 与相关系数

评价光谱匹配的好坏，不能光靠眼睛看。你想想看，两条光谱曲线画在一起，肉眼觉得挺像，但机器算出来可能差得很远。所以我们需要一套客观的数学指标。我个人习惯用三个：SAM（光谱角）、SID（光谱信息散度）和相关系数。它们各有侧重，配合使用效果最好。

4.1 SAM（光谱角）—— 最直观的“方向差”

SAM 的核心思想很简单：把光谱看成高维空间里的一个向量。两条光谱的差异，就是这两个向量之间的夹角。夹角越小，匹配度越高。

公式长这样：

SAM(x, y) = arccos( (x·y) / (||x|| * ||y||) )

其中 x·y 是内积，||x|| 是向量的模。结果是一个弧度值，通常在 0 到 π 之间。

但 SAM 有个坑：它对光谱的“整体亮度”不敏感。两条光谱如果只是整体抬升或压低，SAM 值可能很小，但实际物质可能不同。嗯，这里要注意，不能只看 SAM。

4.2 SID（光谱信息散度）—— 基于概率的“信息差”

SID 的思路不一样。它把光谱看成概率分布，然后计算两个分布之间的“信息距离”。说白了，就是看一条光谱相对于另一条，到底损失了多少信息。

公式稍微复杂一点：

SID(x, y) = D(x||y) + D(y||x)

其中 D(x||y) 是相对熵（KL 散度）。SID 的值越小，说明两条光谱的信息分布越接近。

SID 和 SAM 是互补的。SAM 看“方向”，SID 看“分布”。我建议在项目中两个都算，然后综合判断。

4.3 相关系数—— 线性关系的“温度计”

相关系数大家应该不陌生。它衡量两条光谱之间的线性相关程度，取值范围在 -1 到 1 之间。1 表示完全正相关，0 表示不相关，-1 表示完全负相关。

公式：

r = Σ((x_i - x̄)(y_i - ȳ)) / sqrt(Σ(x_i - x̄)² * Σ(y_i - ȳ)²)

在光谱匹配中，我们通常只看绝对值。|r| 越接近 1，匹配越好。

4.4 三个指标的对比与选择

我把这三个指标放在一起对比过，它们的特性差异很明显。下面这个表格是我自己整理的，你可以直接拿去用：

指标	核心思想	对光照不敏感	对噪声敏感	适用场景
SAM	向量夹角	是	中等	矿物、地物分类
SID	信息散度	否	高	精细光谱分析
相关系数	线性相关	部分	低	波形相似性判断

我个人习惯的用法是：先用相关系数快速筛选，再用 SAM 做精细匹配，最后用 SID 验证。三步下来，基本不会漏掉或误判。

4.5 知识结构图

下面这张图把三个指标的关系和适用场景串起来了，你可以对照着理解：

4.6 实战建议

最后给你几个我在项目中总结出来的经验：

• 不要只用单一指标。每个指标都有盲区，三个一起用才稳妥。
• 设定阈值要结合数据。比如 SAM 阈值设 0.1 还是 0.3，取决于你的光谱分辨率和噪声水平。我一般先跑一批样本，看看分布再定。
• 注意光谱预处理。去噪、归一化、连续统去除，这些步骤会直接影响指标计算结果。尤其是 SID，对预处理非常敏感。
• 可视化辅助判断。算完指标后，把匹配度最高的几条光谱画出来看看。有时候指标很好，但实际波形有偏移，这时候需要人工介入。