高光谱图像特性分析概述：解锁 \"图谱合一\" 的精准感知能力

高光谱成像技术是当前光学检测与遥感领域的前沿技术，它突破了传统 RGB 成像仅能记录 3 个颜色通道的局限，实现了从 "看颜色" 到 "辨材料" 的跨越。高光谱图像特性分析作为该技术的核心，通过挖掘图像中蕴含的丰富光谱与空间信息，为各行业提供了精准、无损、快速的检测手段。

光谱信息分析

高光谱数据被认为是一个光谱图像立方体，通过在传统的图像区域维度上增加光谱信息维度而形成的。从地物的光谱特性可以看出，任何地物本身的数据主要反映在可见短波红外光谱区间内可获得的反射光谱特征带系数内。高光谱数据的光谱分辨率很高，通常在可见光和短波红外光谱带内达到1Onm，而且光谱带的范围也很大。它将有效地捕捉地物光谱特征，并且可以给地物提供很多的光谱信息。图1.1显示了9个地物中每个地物项的一百五十个像素的光谱。各个地物的光谱曲线极为相似，而且不同选项之间的变化通常很大。

高光谱图像将包含目标选地物所有检测光谱的完整光谱数据，其精细的数据习惯于为地物识别提供坚实的理论基础和保证，支持地物的光谱产生的内在机制。

空间信息结构分析

高光谱图像的显著特点，就是在图像空间内，每一个波段的高光谱遥感图片都可能是目标特征的二维图像。就像普通的可见光图片一样，它和相邻地物之间有一定的相似性。对于人类的感官系统来说，输入的数据可能是一个广泛的渠道，因此，其直观的选择对人类非常重要。在图像知识中，它的空间结构被显示为几何地理数据，并为研究人员提供了一种底层的方法。像素之间的紧密联系在特征数据中也是非常丰富的。因此，在高光谱遥感方法中，图像的空间结构数据是在高光谱遥感图片的分类和识别方法中对光谱选项进行分类的重要辅助工具。图像的空间结构数据被用作光谱特征分类的重要辅助工具。在分类方法中，相邻像素的分类结果被考虑在内，因此减少了错误分类。在分类结果图中可以清楚地看到分类错误噪声的减少。

空间结构和光谱信息结合

在高光谱地物分类中，缺少每一个空间结构和光谱信息都不可以。作为特征光谱信息的来源，图片组件的光谱分布是分类和识别技术的关键。如果每个图像组件都被认为是独立的，那么在分类识别中就会产生大量的噪声和分离。然而，作为图像信号，高光谱图像甚至有相应的空间结构，并且每个像元和它相邻的像元之间都有特定的关联性。因此，在高光谱地物分类中，可以考虑将每个光谱信息和空间结构的融合用于分类过程。在高光谱地物分类中，空间结构和光谱信息的结合可分为三种方式：数据结合、特征结合和决策结合。

在数据结合中，如图1.2所示，高光谱图像经过预处理，使样本集的信息不是自由的图像矢量，而是由中心图像成分及其相邻图像成分组成的信息立方体。样本集不仅有中心图像组件的光谱特征，而且还有其邻近的抽象信息。这种技术是在知识融合时使用的，但是这个过程是计算密集型的，而且数据需要一些预处理来提供样本集。

在特征结合方法中，适当的特征算法被用于提取高光谱图像的光谱选项和空间结构选项，同时，光谱和空间结构信息也被联合起来，作为分类前的基础。在这种方法中，需要对第一个高光谱图像进行确定的处理，以便将一部分数据用于提取光谱信息，将一部分信息用于处理空间结构。如图1.3所示。

在决策结合方法中，光谱特征通常被用作分类的主要依据，一旦分类结果产生，就会进行联合空间结构数据的后处理。如图1.4所示，该技术将改变使用图像成分的光谱数据，并将它们的空间结构数据混合起来，同时也减少了计算的数量。

所有上述3种数据融合方式都有完全不同的特点，因此，根据信息的特点决定可接受的特征融合方法至关重要，以便在实施分类时提高分类的有效性。