高光譜成像技術(shù)集中了光學、光電子學、電子學、信息處理、計算機科學等領(lǐng)域的先進技術(shù)，是傳統(tǒng)的二維成像技術(shù)和光譜技術(shù)有機的結(jié)合在一起的一門新興技術(shù)。它可以獲得被測樣本的光譜信息和圖譜信息，因此具有“圖譜合一”的特點。那么，高光譜圖像數(shù)據(jù)有什么特點？高光譜圖像數(shù)據(jù)怎么分析？

高光譜圖像數(shù)據(jù)的特點：

高光譜圖像是一個具有“圖譜合一”特點的三維數(shù)據(jù)立方體，因此高光譜圖像的處理和分析既可以在指定波長情況下在空間域進行圖像處理和分析，又可以在指定像素坐標位置情況下在光譜域進行光譜處理和分析，也可以同時在空間域和光譜域進行處理和分析。

下圖顯示了高光譜圖像處理的一般流程。一般來講，高光譜圖像處理流程包括高光譜圖像數(shù)據(jù)獲取與校正層、高光譜圖像處理與分析層和應用層三個層面。其中高光譜圖像數(shù)據(jù)獲取與校正層包括樣品高光譜圖像和參考圖像的獲取、高光譜圖像校正；高光譜圖像處理與分析層包括光譜處理與分析和圖像處理與分析；應用層包括內(nèi)部品質(zhì)與安全性檢測和外部缺陷識別與提取。

高光譜圖像數(shù)據(jù)的處理方法：

高光譜圖像數(shù)據(jù)信息量豐富，但數(shù)據(jù)處理非常復雜。綜合國內(nèi)外高光譜圖像數(shù)據(jù)處理方法主要是：先選擇感興趣區(qū)域，然后可以采用主成分分析法、獨立元分析、連續(xù)投影算法、線性判別分析、Fisher判別方法、典型分析以及遺傳算法等對感興趣區(qū)域數(shù)據(jù)進行降維處理，提取特征波長，并建立相應的判別模型，常用的建模方法有BP神經(jīng)網(wǎng)絡(luò)、支持向量機、多元線性回歸法、偏最小二乘法等。相關(guān)文獻表明：支持向量機在建模分析時，結(jié)果較好，因為支持向量機不會因波段數(shù)量增加，分類精度下降，即出現(xiàn)所謂的Hughes現(xiàn)象。RBF神經(jīng)網(wǎng)絡(luò)分類效果明顯高于BP神經(jīng)網(wǎng)絡(luò)分類法。

高光譜圖像數(shù)據(jù)的分析方法：

高光譜圖像由于既包含光譜信息，又包括圖像信息，因此高光譜圖像數(shù)據(jù)分析方法很多。這里以歸納高光譜圖像數(shù)據(jù)的處理為例，介紹高光譜成像儀圖譜數(shù)據(jù)處理方法。

第1步，高光譜圖像的校正和預處理

原始高光譜數(shù)據(jù)是光子強度信息，需進行黑白板校正獲取相對反射率。由于高光譜圖像通常在光譜波段范圍的首尾端信噪比較低，所以黑白板校正后的高光譜圖像需要進行預處理以剔除這些噪聲較大的部分。此外，由于高光譜數(shù)據(jù)量較大，對于一些無用部分可通過裁剪等方法減少高光譜圖像數(shù)據(jù)。

第2步，高光譜圖像的降維

在圖像維，可根據(jù)待測物的光譜特性，直接提取反映待測對象品質(zhì)的一個或幾個波長圖像；也可采用主成分分析、獨立成分分析法或最小噪聲分離法等獲取關(guān)鍵的特征圖像；還可在上述特征波段基礎(chǔ)上，采用波段比算法或者波段差算法或者二次差分算法計算特征圖像；在光譜維，可對研究對象中一定像素區(qū)域的光譜或所有像素的光譜進行平均獲得平均光譜信息或偏差光譜信息。

第3步，品質(zhì)預測，目標檢測及識別

在圖像維，可采用數(shù)字圖像處理技術(shù)對圖像進行分割從而獲取目標；在光譜維，可與化學計量學方法結(jié)合，建模預測分析待測物的品質(zhì)，或進行判別分析。

第4步，目標分類

根據(jù)得到的圖像特征或者光譜信息，采用模式識別方法分類目標。