高光谱成像仪高光谱图像的降维方法有哪些？

高光谱成像仪采集的数据块通常含有几百甚至上千个波段的光谱信息，这就造成了过高维度的光谱信息和数据较大的冗余性，因此在建模前对高光谱数据块进行降维处理是进行数据分析的重要一步。本文对高光谱成像仪高光谱图像的降维方法做了介绍，感兴趣的朋友可以了解一下！

对于高光谱图像而言，关键的问题是如何能在有效降低特征空间维数的同时，保留更多的有效信息。一般通过特征选择和特征提取两种方法解决高光谱图像的维数灾难问题。

1.特征选择

在高光谱数据的分析过程中，波段即为主要分析的特征，考虑到数据的冗余性，需要进行波段筛选。特征选择就是要从成百上千个波段数据中筛选出对目标量有着主要贡献作用的特征波段集合，该特征集合既要能够较为完整地保留所需要的信息，又要具有更低的数据维度。可以从两个方面进行特征选择，分别是准则函数和搜索策略。对于高光谱图像而言，准则函数主要分为两类。一类是基于类别可分性原则的，主要包括Bhattacharyya距离、Jeffreys-Matusita距离和离散度等；另一类是基于信息量原则的，就是主要依据各波段的信息熵来选择，筛选出信息量大的波段。

搜索策略可分为全局最优搜索策略和次优搜索策略。全局最优搜索策略在处理高维度多类别的问题时算法复杂度较高，因此实际应用较少，一般都采用次优搜索策略。传统的次优搜索算法有序列前向选择法和序列后向选择法等，采用次优搜索策略可从原始的特征集中挑选出一组较好的特征子集，但该特征子集未必是最优的。

2.特征提取

特征提取并非从原始的波段中进行选择，而是将高维度的光谱数据经过变换映射到一个新的特征空间。该变换可以是线性的，也可以是非线性的，变换后得到的新特征空间包含了少量优化后的特征。在经过特征提取之后，特征空间中包含的新特征之间有显著区别，在进行遥感影像分析时，提取的新特征向量代表着不同的地物信息，有利于进行分类判别。

当前常用的高光图像特征提取方法包括：主成分分析法，小波变换法，独立成分分析法等"。主成分分析法主要将相关性较高的原始特征映射为一组新的特征，生成的新特征互不相关，因此该方法对于波段间相关性高的数据十分有效。小波变换法在信号处理领域应用较多，把高光谱图像中提取出的光谱数据看作一维离散信号，由于该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个特征。独立成分分析法在分离独立分量之前先要确定出高光谱数据的本征维数，分离变量后得到的相互独立的特征要比原始特征数少得多。

然而不管采用哪一种降维方法，在对高光谱图像进行处理分析之前，都需要消除各种噪声的干扰，对纯净的图像进行分析。