高光譜圖像數(shù)據(jù)往往會含有大量的冗余信息，為了提取有效的光譜信息，就需要對獲取的圖像數(shù)據(jù)進行處理，以保證預測模型建立的準確性。本文對高光譜圖像數(shù)據(jù)的分析處理方法做了介紹。

高光譜圖像預處理：

高光譜圖像因其攜帶大量的數(shù)據(jù)信息，增強了技術(shù)的檢測能力，同時也增大了信息的冗余量，因此在預處理階段的主要目的即對立體數(shù)據(jù)進行降維處理。在保存感興趣特征的同時減少數(shù)據(jù)信息量，降低處理信息的時長與難度同時增強數(shù)據(jù)分析的精確度。目前，較為普遍的高光譜圖像預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，達到降低數(shù)據(jù)維度的目的。特征提取是指通過對一個或若干個原始波段的屬性關(guān)系進行組合變換，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程的關(guān)鍵要素。實際檢驗鑒定中常通過多種降維方法交叉結(jié)合使用，來達到最佳的檢驗結(jié)果。如基于主成分分析、基于高階統(tǒng)計量的獨立元分析、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，選取不同分類模型對不同類別的待測目標進行分類。使用計算機分析處理作為輔助方法，彌補鑒定人員的視覺鑒別傳統(tǒng)方法的不足，如最大似然比分類、卷積神經(jīng)網(wǎng)絡分類方法等等。作為機器學習方法之一的監(jiān)督學習，通過對已知標簽的特征進行提取學習，構(gòu)造訓練函數(shù)完成對未知樣本的分類檢驗任務，如K近鄰法、馬氏距離分類、最大似然法、最小距離法、光譜角分類法等等。另一種非監(jiān)督分類則是直接對光譜信息進行特征提取，統(tǒng)計差別進行分類，如K-均值、ISODATA（迭代自組織數(shù)據(jù)分析）等。對高光譜圖進行數(shù)據(jù)分析的過程中，通過總體分類精度對分類方法進行評價，選擇最有效的分類方法而獲得最佳結(jié)果。