高光谱遥感图像的波段选择

高光谱成像遥感技术在狭窄的波段间距带来丰富光谱信息的同时，也带来了信息冗余，增加了数据处理的难度。因此，高光谱遥感数据在进行实际应用前，需要进行波段选择并提取光谱特征，降低数据维数。本文简单介绍了高光谱遥感图像的波段选择。

随着传感器光谱分辨率的不断提高，遥感数据挖掘出的地物信息越来越丰富，使人们对地物特征的认知得以不断深入，高光谱遥感技术也因此成为遥感领域的研究热点之一。高光谱遥感是指用大量狭窄的电磁波通道获取地物的空间、辐射和光谱三重信息的技术心。通过在电磁波谱的可见光、近红外、中红外和热红外波段范围内获取地物图像数据，图像上任意一点的光谱反射值可以连成一条几乎连续的光谱曲线，因此高光谱图像构成一个图像数据立方体，二维空间描述了地物的空间维特征，光谱维描述了地物的光谱特征。高光谱图像纳米级的光谱分辨率不仅可以区分不同类型的地物，而且能够识别同一种地物的不同类型，使得在多光谱遥感中难以探测的物质，在高光谱遥感中能够被识别并区分。

高光谱遥感识别能力的提高促使遥感的监测目标发生本质改变，也给数据处理、信息分析技术带来了根本性的变化。庞大的数据量使得计算量剧增，数据存储空间增大，数据运算处理时间增长；在样本数据不足的情况下，高光谱图像的分类精度随着波段数量的增加，总体呈现先升高后降低的趋势，并且样本数量越小，这种趋势越明显，即产生维数灾难Hughes现象；过高的波段数量使分类器对类内的变化过于敏感，增加了分类的难度，这些变化成为制约高光谱遥感技术进一步发展和应用的因素。针对上述问题，通常采用数据“降维”的方法，保留能够描述地物本质特征的代表性波段，去除冗余、噪声波段来提取特征，减小数据量，提高数据处理效率（57。

高光谱图像数据降维有特征提取和特征选择两种方法。特征提取通过数学变换将光谱波段重新组合、压缩和优化。特征选择又称波段选择，通过从原始波段中选择部分特征波段实现降维，同时使波段的物理信息得以保留，在后续分析中能够揭示数据潜在的模式机理。

波段选择是高光谱遥感图像预处理的一项重要内容，其最终目标是从原始波段中选择出信息量大、相关性小、类别可分性好的少数特征波段组合W。然而，高光谱遥感图像的波段选择面临巨大挑战。一方面，由于信息量大的波段往往相关性也大，使得波段选择难以同时满足所有约束条件，导致选择的波段组合在实际应用中不能获得预期的效果；另一方面，数据结构的高度非线性、数据量庞大等原因使得波段选择算法复杂，数据处理耗时长，效率较低。基于以上原因，高光谱图像数据的波段选择需要建立正确的评价准则、数学表达模型和算法以准确地反映数据的内在本质，提高数据处理效率。