高光譜數(shù)據(jù)是一個(gè)三維數(shù)據(jù)塊，這個(gè)三維數(shù)據(jù)塊包含很多的光譜信息，使得三維數(shù)據(jù)塊之間存在大量冗余信息，可能影響建模結(jié)果。因此，在進(jìn)行預(yù)測(cè)模型之前，需要對(duì)光譜圖像數(shù)據(jù)進(jìn)行降維處理。本文對(duì)高光譜圖像數(shù)據(jù)降維方法做了介紹。

高光譜數(shù)據(jù)是一個(gè)三維數(shù)據(jù)塊，不僅可以提取每個(gè)像元的光譜信息，而且每個(gè)波長(zhǎng)都對(duì)應(yīng)一幅灰度圖像。但是，對(duì)于分辨率較高的高光譜數(shù)據(jù)，每個(gè)數(shù)據(jù)塊就包含上百幅圖像信息，數(shù)據(jù)量過(guò)大，會(huì)降低后期的數(shù)據(jù)處理速度，并且波段較多，光譜信息之間相關(guān)性很強(qiáng)，使得三維數(shù)據(jù)塊之間存在大量冗余信息，可能影響建模結(jié)果。因此，在數(shù)據(jù)處理過(guò)程中，高光譜數(shù)據(jù)的降維是減小噪聲，提高模型識(shí)別速率和識(shí)別準(zhǔn)確率的有效手段。

1.主成分分析（PCA）

主成分分析（PCA）是被較多應(yīng)用的一種數(shù)據(jù)降維方法。PCA變換是將有相關(guān)性的原始變量沿協(xié)方差最大的方向投影，使經(jīng)過(guò)坐標(biāo)變換的高維空間數(shù)據(jù)映射到低維空間，得到線性不相關(guān)的新變量，即主成分。主成分按照方差從大到小的順序依次稱為第一主成分（PC1）、第二主成分（PC2），以此類推。原始高光譜數(shù)據(jù)經(jīng)過(guò)PCA變換，可以看作各個(gè)主成分圖像的線性組合，主成分圖像所占原始圖像信息的比重由方差貢獻(xiàn)率決定。一般，當(dāng)主成分的累計(jì)貢獻(xiàn)率達(dá)到一定比例，如85%以上，即可解釋大部分高光譜數(shù)據(jù)信息。因此，經(jīng)過(guò)PCA變換的高光譜數(shù)據(jù)僅需少量主成分就可以極大程度上表征原始信息，大大減少了數(shù)據(jù)處理時(shí)間，并消除原始數(shù)據(jù)之間冗余的信息。

2.最小噪聲分離變換（MNF）

對(duì)于高光譜數(shù)據(jù)降維，最小噪聲分離變換（MNF變換）的主要目的在于分離高光譜數(shù)據(jù)的信號(hào)和噪聲，提高信噪比。該算法可以看作是兩次主成分變換的疊加。首先，基于圖像噪聲的協(xié)方差矩陣進(jìn)行正向變換，然后，對(duì)多維圖像去相關(guān)、重定標(biāo)。變換之后的數(shù)據(jù)關(guān)聯(lián)到兩個(gè)部分：一個(gè)部分是較大特征值，及其特征圖像；另一個(gè)部分則是較小特征值，及其噪聲圖像。特征值的大小決定特征圖像的信噪比高低，用來(lái)確定有效的特征圖像。最后，正向變換后確定的圖像子集被作標(biāo)準(zhǔn)主成分變換，恢復(fù)為對(duì)應(yīng)的原始圖像。MNF將噪聲比例大的圖像排除，使有效的高光譜數(shù)據(jù)量大幅度上漲。