高光谱成像仪光谱波段优选的几种常见方法

高光谱成像仪获取的光谱数据包含大量的光谱信息，而相邻波段的极高相关性导致一定程度的信息冗余和数据噪声，不仅无助于应用效果还增加了计算，往往采用特征提取和波段选择两种方式进行数据降维。本文对高光谱成像仪光谱波段优选的几种常见方法做了介绍。

基于相关性的波段选择：

此类方法通过评价光谱相关性进行波段选择，其认为具有高相关性的光谱波段具有较强的相似性而增加了信息的冗余程度。通过计算光谱相关性测度，挑选出相关性弱和差异性强的光谱波段构建子集可有效压缩数据。常见的基于相关性的波段选择有光谱角匹配法（SAM），光谱信息散度法（SID）和正交投影散度法等。此类方法操作简单适用性广，而无法于细分应用场景取得最佳效果。

基于信息量的波段选择：

此类方法将波段子集所包含的光谱信息量作为优选标准，其认为信息量小的波段所含信息往往被包括在其他重要波段中，通过挑选信息量最大的波段组合即可用于数据降维。通常用于计算信息量大小的测度有信息熵、交叉熵、联合信息熵、信息散度、互信息、方差、标准差等，相关算法有最佳指数法、K-L散度法和互信息法等。然而，此类方法仅计算信息量的方式容易受噪声波段干扰，往往噪声大的波段凭借产生较大的信息测度值被误选，影响波段选择效果。

基于聚类的波段选择：

此类方法认为每一个光谱波段可看作高维空间内的一个点，特征相似的点聚集在一个簇内，因此呈现有若干个簇分布于空间的情形，只需要选出每个簇内最具代表性的点代表该类光谱，就能实现数据降维。通过计算不同光谱图像间的相似度进行聚类，再提取每个聚类中心构成波段子集。常见的基于聚类的波段选择方法有K均值聚类方法]、层次聚类方法、排序聚类方法和亲和力传播聚类方法等。此类方法往往受限于聚类中心初始化，易陷入局部最优解。

基于排序的波段选择：

此类方法的核心思想是不同光谱波段的重要性不同，仅需选择若干个最重要的光谱波段即可表征原始数据，降低信息冗余。通过单独计算每个光谱波段的重要性，并按重要性进行排序，根据预设的阈值（通道数或重要性测度）选择最具优先级的波段组合。常见的基于排序的波段选择的方法有第一光谱导数法（SD）和光谱差分重排方法等。此类方法无需监督，但独立计算重要性而忽略了重要性较低的波段产生的组合优势，导致陷入局部最优。