高光谱成像仪高光谱图像数据的处理方法

高光谱成像仪在采集样品信息时，能同时获得样本的光谱信息和图像信息，但同时相邻波段相关性大、数据冗余度高，需通过有效的算法筛选特征信息、剔除冗余信息，便于预测模型的建立。本文对高光谱成像仪高光谱图像数据的处理方法做了介绍。

高光谱成像技术通过传感器，对观测目标反射、发射的电磁波进行数字化以获得成千上百的特征波段，能够同时获取被观测对象的光谱信息与对应的空间几何信息，具有图谱结合的优点，能够提供丰富的信息，但同时相邻波段相关性大、数据冗余度高，需通过有效的算法筛选特征信息、剔除冗余信息。高光谱图像分类主要包括四个步骤：高光谱预处理、特征波段提取、分类模型建立和分类后处理。

高光谱预处理：

高光谱成像设备采集光谱图像时易受到外界条件影响，包括天气、仪器电流噪声、外界噪声和光照等，造成光谱谱线重叠等问题，因此需要进行噪声消除、敏感波段选择等预处理，去除冗余数据，提高模型准确度和稳定性。

平滑算法能够有效去除光谱内部随机误差，经常用于噪声消除。平滑算法需要估算最佳平衡点，基于平衡点将前后若干个点相关联，取平均值，从而达到消除噪声的目的，因此经过平滑的高光谱每个波段是原始数据相邻多个波段的加权和[71]。平滑算法包括Norris Derivative平滑、移动窗口平均法和最小二乘拟合法等。移动窗口平均法通过平滑窗口在光谱上移动，对平滑窗口内的光谱求平均。移动窗口平均法的算法步骤如下：

（1）确定窗口大小，根据窗口大小对光谱首尾进行补零处理；

（2）对处于移动窗口内的光谱进行平滑；

（3）移动平滑窗口，不断重复步骤（2）直至结束。

特征波段提取：

高光谱图像波段数量多，波段之间存在相关性，采用全波段光谱构建特征集，会增加计算复杂度，影响模型泛化性和准确率。因此，需要对高光谱图像降维，提取特征波段，采用具有代表性的特征波段构建模型，一方面降低计算量提高算法效率，另一方面消除数据冗余性，提高模型泛化性和准确性。常用的特征波段提取算法包括连续投影法、主成分分析法、经典统计检验方法和光谱比值法等。

分类后处理：

一般的分类方法是基于像元的SVM，因此分类结果中存在小面积孤岛，这些孤岛是由于光谱相似性造成的误分结果，因此需对孤岛重新分类或者剔除。常用的方法包括主要（Majority）/次要（Minority）分析、过滤处理和形态学方法。其中，Majority分析的原理类似于卷积运算，定义一个变换核，将变换核中像素数量最多的像元标签作为位于卷积核中心的像元标签。

精度检验：

高光谱图像分类是以像元为基本单位，将像素依据光谱特征划分到相应标签中的过程，由于像素光谱存在混合，交界处的像元光谱具有相似性和人为误差等原因会造成分类错误，因此需要对模型的精度和可靠性进行评估，评估方法主要包括混淆矩阵和Kappa系数。

混淆矩阵是可视化的分类效果示意图，通常用于描述样本真实类别与分类结果的关系。基于混淆矩阵可以计算评价指标，常用的评价标准包括两个：（1）总体分类精度（OA）：总体分类精度是所有正确分类的像元总和除以像元总数；（2）Kappa系数：Kappa系数是用于检验一致性的指标，即模型预测结果和实际分类结果是否一致，也可以用于衡量分类效果。

包括混淆矩阵和Kappa系数。

Kappa系数法是基于像素尺度的精度评价，该方法以像素为基本单位，通过目视判别在不同分类区域分别提取ROI作为参考，将分类结果与目视结果比较，统计各类别分类正确和错误的像素数量，得到混淆矩阵并计算总体分类精度和Kappa系数。