高光譜成像儀采集的數(shù)據(jù)塊通常含有幾百甚至上千個波段的光譜信息，這就造成了過高維度的光譜信息和數(shù)據(jù)較大的冗余性，因此在建模前對高光譜數(shù)據(jù)塊進(jìn)行降維處理是進(jìn)行數(shù)據(jù)分析的重要一步。本文對高光譜成像儀高光譜圖像的降維方法做了介紹，感興趣的朋友可以了解一下！

對于高光譜圖像而言，關(guān)鍵的問題是如何能在有效降低特征空間維數(shù)的同時，保留更多的有效信息。一般通過特征選擇和特征提取兩種方法解決高光譜圖像的維數(shù)災(zāi)難問題。

1.特征選擇

在高光譜數(shù)據(jù)的分析過程中，波段即為主要分析的特征，考慮到數(shù)據(jù)的冗余性，需要進(jìn)行波段篩選。特征選擇就是要從成百上千個波段數(shù)據(jù)中篩選出對目標(biāo)量有著主要貢獻(xiàn)作用的特征波段集合，該特征集合既要能夠較為完整地保留所需要的信息，又要具有更低的數(shù)據(jù)維度?？梢詮膬蓚€方面進(jìn)行特征選擇，分別是準(zhǔn)則函數(shù)和搜索策略。對于高光譜圖像而言，準(zhǔn)則函數(shù)主要分為兩類。一類是基于類別可分性原則的，主要包括Bhattacharyya距離、Jeffreys-Matusita距離和離散度等；另一類是基于信息量原則的，就是主要依據(jù)各波段的信息熵來選擇，篩選出信息量大的波段。

搜索策略可分為全局最優(yōu)搜索策略和次優(yōu)搜索策略。全局最優(yōu)搜索策略在處理高維度多類別的問題時算法復(fù)雜度較高，因此實際應(yīng)用較少，一般都采用次優(yōu)搜索策略。傳統(tǒng)的次優(yōu)搜索算法有序列前向選擇法和序列后向選擇法等，采用次優(yōu)搜索策略可從原始的特征集中挑選出一組較好的特征子集，但該特征子集未必是最優(yōu)的。

2.特征提取

特征提取并非從原始的波段中進(jìn)行選擇，而是將高維度的光譜數(shù)據(jù)經(jīng)過變換映射到一個新的特征空間。該變換可以是線性的，也可以是非線性的，變換后得到的新特征空間包含了少量優(yōu)化后的特征。在經(jīng)過特征提取之后，特征空間中包含的新特征之間有顯著區(qū)別，在進(jìn)行遙感影像分析時，提取的新特征向量代表著不同的地物信息，有利于進(jìn)行分類判別。

當(dāng)前常用的高光圖像特征提取方法包括：主成分分析法，小波變換法，獨立成分分析法等"。主成分分析法主要將相關(guān)性較高的原始特征映射為一組新的特征，生成的新特征互不相關(guān)，因此該方法對于波段間相關(guān)性高的數(shù)據(jù)十分有效。小波變換法在信號處理領(lǐng)域應(yīng)用較多，把高光譜圖像中提取出的光譜數(shù)據(jù)看作一維離散信號，由于該方法具有多分辨率的分析特性，因此可以得到不同分辨率下的多個特征。獨立成分分析法在分離獨立分量之前先要確定出高光譜數(shù)據(jù)的本征維數(shù)，分離變量后得到的相互獨立的特征要比原始特征數(shù)少得多。

然而不管采用哪一種降維方法，在對高光譜圖像進(jìn)行處理分析之前，都需要消除各種噪聲的干擾，對純凈的圖像進(jìn)行分析。