高光譜成像儀作為精密的光學(xué)儀器，它在對(duì)樣品進(jìn)行檢測(cè)時(shí)，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(diǎn)。那么，高光譜成儀的高光譜圖像有什么特點(diǎn)？高光譜圖像怎么降維？本文對(duì)高光譜成儀高光譜圖像的特點(diǎn)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(diǎn)：
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(gè)空間的像素點(diǎn)提供完整而連續(xù)的光譜曲線。由此可見(jiàn)，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(jiàn)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(diǎn)：
1.數(shù)據(jù)量大
高光譜圖像是通過(guò)高光譜成像儀采集到的，獲得幾十個(gè)波段甚至數(shù)百個(gè)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(shí)通道數(shù)為512通道，即在對(duì)某一個(gè)蘋果樣本進(jìn)行圖像采集時(shí)需要采集512張煤炭圖像。這些圖像沿著光譜維進(jìn)行疊加，在圖像大小為640×640的情況下，一個(gè)蘋果樣本的圖像大小約為500MB，采集1000個(gè)樣本圖像就需500GB的存儲(chǔ)空間。不管是進(jìn)行圖像傳輸、存儲(chǔ)還是分析，如此大的數(shù)據(jù)量都是一個(gè)巨大的挑戰(zhàn)。
2.數(shù)據(jù)計(jì)算量大
由于高光譜圖像中存儲(chǔ)了大量的空間信息和光譜信息，使得在處理和分析時(shí)需要更大的計(jì)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(shí)，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(huì)對(duì)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(guò)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(diǎn)之間的灰度值差異較小，且某一像素點(diǎn)提取出來(lái)的光譜數(shù)據(jù)也與其他像素點(diǎn)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(duì)于高光譜圖像而言，關(guān)鍵的問(wèn)題是如何能在有效降低特征空間維數(shù)的同時(shí)，保留更多的有效信息。一般通過(guò)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(wèn)題。
1.特征選擇
在高光譜數(shù)據(jù)的分析過(guò)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(jìn)行波段篩選。特征選擇就是要從成百上千個(gè)波段數(shù)據(jù)中篩選出對(duì)目標(biāo)量有著主要貢獻(xiàn)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€(gè)方面進(jìn)行特征選擇，分別是準(zhǔn)則函數(shù)和搜索策略。對(duì)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(lái)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(wèn)題時(shí)算法復(fù)雜度較高，因此實(shí)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(jìn)行選擇，而是將高維度的光譜數(shù)據(jù)經(jīng)過(guò)變換映射到一個(gè)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?jī)?yōu)化后的特征。在經(jīng)過(guò)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(jìn)行遙感影像分析時(shí)，提取的新特征向量代表著不同的地物信息，有利于進(jìn)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(dú)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(duì)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(hào)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(hào)，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(gè)特征。獨(dú)立成分分析法在分離獨(dú)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(dú)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(duì)高光譜圖像進(jìn)行處理分析之前，都需要消除各種噪聲的干擾，對(duì)純凈的圖像進(jìn)行分析。目前國(guó)內(nèi)外主要采用以下幾種方法對(duì)高光譜圖像進(jìn)行去噪：
a.基于空間域?yàn)V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(gè)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(duì)每個(gè)波段的圖像進(jìn)行去噪。但此方法沒(méi)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?yàn)V波
高光譜圖像中可提取出成百上千個(gè)波段信息，但基于光譜域進(jìn)行圖像去噪時(shí)，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(huì)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(guò)小波對(duì)圖像進(jìn)行變換。而像素域去噪不同，是直接對(duì)每一個(gè)二維圖像的像素進(jìn)行去噪。除此之外，還有直接對(duì)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(méi)有充分利用空間信息，因此還可以探尋方法進(jìn)一步提高該方法的性能。
