高光譜圖像數(shù)據(jù)往往會(huì)含有大量的冗余信息，為了提取有效的光譜信息，就需要對(duì)獲取的圖像數(shù)據(jù)進(jìn)行處理，以保證預(yù)測(cè)模型建立的準(zhǔn)確性。本文對(duì)高光譜圖像數(shù)據(jù)的分析處理方法做了介紹。

高光譜圖像預(yù)處理：

高光譜圖像因其攜帶大量的數(shù)據(jù)信息，增強(qiáng)了技術(shù)的檢測(cè)能力，同時(shí)也增大了信息的冗余量，因此在預(yù)處理階段的主要目的即對(duì)立體數(shù)據(jù)進(jìn)行降維處理。在保存感興趣特征的同時(shí)減少數(shù)據(jù)信息量，降低處理信息的時(shí)長(zhǎng)與難度同時(shí)增強(qiáng)數(shù)據(jù)分析的精確度。目前，較為普遍的高光譜圖像預(yù)處理方法有特征選擇和特征提取兩種方法。

特征選擇是指從最初波段中直接選取有效的特征波段，達(dá)到降低數(shù)據(jù)維度的目的。特征提取是指通過(guò)對(duì)一個(gè)或若干個(gè)原始波段的屬性關(guān)系進(jìn)行組合變換，得到新的特征屬性。光譜信息的冗余量與相關(guān)性取決于波段的寬窄度，因而選取最優(yōu)波段是圖像降維度過(guò)程的關(guān)鍵要素。實(shí)際檢驗(yàn)鑒定中常通過(guò)多種降維方法交叉結(jié)合使用，來(lái)達(dá)到最佳的檢驗(yàn)結(jié)果。如基于主成分分析、基于高階統(tǒng)計(jì)量的獨(dú)立元分析、最小噪聲分離變換、傅里葉變換、基于核函數(shù)和基于神經(jīng)網(wǎng)絡(luò)的非線性特征分析等。

數(shù)據(jù)特征分析：

根據(jù)檢材在光譜圖中的不同特性信息反映，選取不同分類(lèi)模型對(duì)不同類(lèi)別的待測(cè)目標(biāo)進(jìn)行分類(lèi)。使用計(jì)算機(jī)分析處理作為輔助方法，彌補(bǔ)鑒定人員的視覺(jué)鑒別傳統(tǒng)方法的不足，如最大似然比分類(lèi)、卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)方法等等。作為機(jī)器學(xué)習(xí)方法之一的監(jiān)督學(xué)習(xí)，通過(guò)對(duì)已知標(biāo)簽的特征進(jìn)行提取學(xué)習(xí)，構(gòu)造訓(xùn)練函數(shù)完成對(duì)未知樣本的分類(lèi)檢驗(yàn)任務(wù)，如K近鄰法、馬氏距離分類(lèi)、最大似然法、最小距離法、光譜角分類(lèi)法等等。另一種非監(jiān)督分類(lèi)則是直接對(duì)光譜信息進(jìn)行特征提取，統(tǒng)計(jì)差別進(jìn)行分類(lèi)，如K-均值、ISODATA（迭代自組織數(shù)據(jù)分析）等。對(duì)高光譜圖進(jìn)行數(shù)據(jù)分析的過(guò)程中，通過(guò)總體分類(lèi)精度對(duì)分類(lèi)方法進(jìn)行評(píng)價(jià)，選擇最有效的分類(lèi)方法而獲得最佳結(jié)果。