高光譜成像儀作為精密的光學(xué)儀器，它在對樣品進行檢測時，不僅可以獲得樣品的光譜信息，還可以獲得樣品的圖像信息，因此具有圖譜合一的特點。那么，高光譜成儀的高光譜圖像有什么特點？高光譜圖像怎么降維？本文對高光譜成儀高光譜圖像的特點及降維方法做了介紹，感興趣的朋友可以了解一下！
高光譜成儀高光譜圖像的特點：
高光譜成像技術(shù)充分利用了很多窄波段光譜圖像數(shù)據(jù)，還能為每個空間的像素點提供完整而連續(xù)的光譜曲線。由此可見，應(yīng)用高光譜成像技術(shù)采集到的圖像不同于傳統(tǒng)的可見光圖像，高光譜圖像是三維的，通常稱之為圖像塊。三維高光譜圖像原理如下圖所示，x和y表示空間維，λ表示光譜維，選擇任意像元即可沿著光譜維提取出光譜曲線。它具有如下特點：
1.數(shù)據(jù)量大
高光譜圖像是通過高光譜成像儀采集到的，獲得幾十個波段甚至數(shù)百個波段的圖像疊加在一起的數(shù)據(jù)立方體。以蘋果高光譜圖像為例，在采集蘋果高光譜圖像時通道數(shù)為512通道，即在對某一個蘋果樣本進行圖像采集時需要采集512張煤炭圖像。這些圖像沿著光譜維進行疊加，在圖像大小為640×640的情況下，一個蘋果樣本的圖像大小約為500MB，采集1000個樣本圖像就需500GB的存儲空間。不管是進行圖像傳輸、存儲還是分析，如此大的數(shù)據(jù)量都是一個巨大的挑戰(zhàn)。
2.數(shù)據(jù)計算量大
由于高光譜圖像中存儲了大量的空間信息和光譜信息，使得在處理和分析時需要更大的計算量，不利于快速分析。
3）數(shù)據(jù)冗余度高
高光譜圖像內(nèi)部存在大量的冗余數(shù)據(jù)，以煤炭高光譜圖像為例，在采集煤炭高光譜圖像時，考慮到煤炭的自身特性，如采用與煤炭顏色相差較多的淺色載物板，則載物板的反光會對圖像造成很大的影響；若采用灰黑色的載物板，則不利于后續(xù)的處理分析。因此綜合考慮后，在采集圖像的過程中，使成像范圍僅包含煤炭而不包含背景或其余物質(zhì)。但由于煤炭本身的各光譜信息之間都具有相關(guān)關(guān)系，圖像中的各像素點之間的灰度值差異較小，且某一像素點提取出來的光譜數(shù)據(jù)也與其他像素點提取的光譜數(shù)據(jù)高度相關(guān)，這就造成了很大信息冗余。
高光譜成儀高光譜圖像的降維方法介紹：
對于高光譜圖像而言，關(guān)鍵的問題是如何能在有效降低特征空間維數(shù)的同時，保留更多的有效信息。一般通過特征選擇和特征提取兩種方法解決高光譜圖像的維數(shù)災(zāi)難問題。
1.特征選擇
在高光譜數(shù)據(jù)的分析過程中，波段即為主要分析的特征，考慮到數(shù)據(jù)的冗余性，需要進行波段篩選。特征選擇就是要從成百上千個波段數(shù)據(jù)中篩選出對目標(biāo)量有著主要貢獻作用的特征波段集合，該特征集合既要能夠較為完整地保留所需要的信息，又要具有更低的數(shù)據(jù)維度?？梢詮膬蓚€方面進行特征選擇，分別是準(zhǔn)則函數(shù)和搜索策略。對于高光譜圖像而言，準(zhǔn)則函數(shù)主要分為兩類。一類是基于類別可分性原則的，主要包括Bhattacharyya距離、Jeffreys-Matusita距離和離散度等；另一類是基于信息量原則的，就是主要依據(jù)各波段的信息熵來選擇，篩選出信息量大的波段。
搜索策略可分為全局最優(yōu)搜索策略和次優(yōu)搜索策略。全局最優(yōu)搜索策略在處理高維度多類別的問題時算法復(fù)雜度較高，因此實際應(yīng)用較少，一般都采用次優(yōu)搜索策略。傳統(tǒng)的次優(yōu)搜索算法有序列前向選擇法和序列后向選擇法等，采用次優(yōu)搜索策略可從原始的特征集中挑選出一組較好的特征子集，但該特征子集未必是最優(yōu)的。
2.特征提取
特征提取并非從原始的波段中進行選擇，而是將高維度的光譜數(shù)據(jù)經(jīng)過變換映射到一個新的特征空間。該變換可以是線性的，也可以是非線性的，變換后得到的新特征空間包含了少量優(yōu)化后的特征。在經(jīng)過特征提取之后，特征空間中包含的新特征之間有顯著區(qū)別，在進行遙感影像分析時，提取的新特征向量代表著不同的地物信息，有利于進行分類判別。
當(dāng)前常用的高光圖像特征提取方法包括：主成分分析法，小波變換法，獨立成分分析法等"。主成分分析法主要將相關(guān)性較高的原始特征映射為一組新的特征，生成的新特征互不相關(guān)，因此該方法對于波段間相關(guān)性高的數(shù)據(jù)十分有效。小波變換法在信號處理領(lǐng)域應(yīng)用較多，把高光譜圖像中提取出的光譜數(shù)據(jù)看作一維離散信號，由于該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個特征。獨立成分分析法在分離獨立分量之前先要確定出高光譜數(shù)據(jù)的本征維數(shù)，分離變量后得到的相互獨立的特征要比原始特征數(shù)少得多。
然而不管采用哪一種降維方法，在對高光譜圖像進行處理分析之前，都需要消除各種噪聲的干擾，對純凈的圖像進行分析。目前國內(nèi)外主要采用以下幾種方法對高光譜圖像進行去噪：
a.基于空間域濾波
由于高光譜圖像是由二維圖像疊加得到的立方體，在空間域上相當(dāng)于將多個二維圖像沿著光譜維疊加，因此在基于空間域的去噪方法中最為直接的處理方式即為分別對每個波段的圖像進行去噪。但此方法沒有充分利用高光譜圖像的譜間相關(guān)性，因此去噪效果有限。較為常用的空間域去噪算法主要有全變分法、小波域去噪法、非局部均值法以及BM3D等。
b.基于光譜域濾波
高光譜圖像中可提取出成百上千個波段信息，但基于光譜域進行圖像去噪時，僅僅考慮了光譜維度，忽略了高光譜圖像的空間維度的信息，因此去噪后的高光譜圖像會存在一定程度的失真。最常用的光譜域去噪方法主要有最大噪聲比率法和SG濾波方法。
c.基于空-譜聯(lián)合去噪
該去噪方法基于高光譜圖像的特性，分為變換域去噪和像素空間去噪。變換域去噪主要為小波域去噪，通過小波對圖像進行變換。而像素域去噪不同，是直接對每一個二維圖像的像素進行去噪。除此之外，還有直接對三維數(shù)據(jù)塊去噪的方法，如BM4D"等。由于高光譜圖像的低秩特性，有學(xué)者提出了基于低秩優(yōu)化的去噪模型，如LRMR去噪方法等?？傮w而言，該去噪方法相較于前兩種方法去噪性能更好，但仍沒有充分利用空間信息，因此還可以探尋方法進一步提高該方法的性能。
