高光谱图像的优势和劣势对比

高光谱图像作为一种结合了成像技术和光谱技术的多维信息获取技术，具有显著的优势，但同时也存在一些劣势。以下是对高光谱图像优势和劣势的详细对比。

高光谱图像的优势

基于测谱学原理，高光谱将紫外、可见光、近红外以及中红外区域的连续光谱信息形成一体式感知，其极高的光谱分辨率，冲破了人类视觉的可见光探知范围，使得像元表达更接近观测目标的物理本质。具体而言，高光谱成像技术利用成像光谱仪，实现了表征光谱响应的一维特征与反映目标分布情况的二维几何信息的联合获取，促使高光谱图像既能够以图像方式刻画目标，还能够借助精细电磁波谱进行光谱探测，完成图像与光谱信息的结合。高光谱图像集空、谱多维信息于一体，可实现复杂地表覆盖的精细分类、自动探测以及地表参量的定量化反演等。与宽波段遥感探测手段采集的图像相比，大部分地物的吸收特征峰半宽度为20~40nm，而高光谱成像系统连续波段光谱分辨率一般在10nm以内，对感兴趣目标的属性鉴别能力更强。因此，从待观测目标的精准解译和典型地物的诊断性识别角度来看，高光谱数据具有红外、可见光以及合成孔径雷达等数据无法比拟的优势。因此，高光谱遥感既是对地观测的重要手段，也是空间信息网络中不可或缺的组成部分，在航天遥感和对地观测等多项任务中发挥了积极作用。

高光谱图像的劣势

高光谱图像数据量大，测量复杂度很高，具备典型的高数据体量特性。其次，高光谱图像的光谱分辨率高，包含较多波段，形成了高特征维度特性此外，高光谱图像的波段之间具有强相关性，图像的谱间相关系数大，易造成高光谱冗余信息堆叠，并且该冗余伴随成像波段数目以及成像分辨率的增高而增加，具备典型高冗余度特性。最后，高光谱图像标签样本采集困难，人工标注成本高昂，在真值数据获取方面具有高标注代价的特点。

高光谱图像的高数据体量特性，致使基于高光谱图像的分析处理所涉及的运算量较大，计算负担较重；高冗余度特性为数据处理及分析带来困难，严重影响模式分类等方法的有效性；高标注代价特性通常可导致实际分类应用中有效训练样本数目不足使得小样本问题成为掣肘高光谱数据分析的难题，小样本与高特征维度联立，极大地增加了数据分析的难度，容易造成“维数灾难”现象。而且，高光谱图像分类方法，如机器学习及深度学习方法，依赖大量样本进行模型的有效训练，而高光谱遥感图像配备的标注样本数量少、分布不均衡，影响分类模型的设计和精细分析效果。因此，尽管高光谱数据中包含着丰富的空、谱信息，具备极强的地物属性识别能力，且相关研究成果甚广，但如何有效利用高光谱的数据特性，使其在多样化的应用场景下最大限度地发挥优势依然是学术界及工业界重点关注的问题。

在遥感（Remote Sensing）中，高光谱遥感器广泛用于以高光谱分辨率监视地球表面。HSI数据通常包含同一空间区域上的数百个光谱带，这些光谱带提供了识别各种材料的有价值的信息。 在HSI中，每个像素（pixel）都可以视为一个高维向量，像素的数值对应于从可见光到红外的光谱反射率（spectral reflectance）。

高光谱数据的采集和收集变得越来越容易，这使得高光谱图像分析成为许多应用中的有前途的技术之一，包括精准农业，环境分析，军事监视，矿物勘探，城市调查等。

高光谱图像分类（Classification of Hyperspectral Images）是对图像中每个像素的类标签进行分类的任务。

困难之处在于，没有流行的HSI数据源，这使得初学者很难开始进行HSI分析。以下是HSI的一些数据源。