什么是高光谱成像技术？光谱成像技术是一种新颖的多维成像技术，由光学二维成像技术和光谱分析技术相结合而形成，可以同时探测到目标的空间信息和光谱信息，具有“图谱合一”的特点。那么，高光谱成像技术的高光谱图像怎么分析与处理？本文为大家做了介绍，对此感兴趣的朋友可以了解一下！
怎么理解高光谱成像技术？
高光谱成像（Hyperspectral Imaging，HSI）技术是一种检测速率快、对样品没有损伤、可以大范围扫描分析样品的检测技术，被广泛应用在农业、军事、食品、环境、医疗、微生物、矿物勘探的研究中，高光谱成像技术在二维图谱的获取方面超越了拉曼光谱与 FT-IR，具有图谱合一的优点，这是由于高光谱图像特有的空间和光谱分辨率。空间分辨率与测量样品图像像素具有一定的几何关系，而光谱分辨率确定了空间像素点代表的波长变化函数，每个空间像素点对应着一条具有数十至数百个光谱波段的连续光谱曲线。高光谱成像技术将传统的二维RGB图像与光谱技术相结合，通过将图像上每个空间像素点的光谱特性与对应的空间信息联系，来确定每个像素点所代表物质的化学性质，从而完成对不同样品的详细检测分类。
使用高光谱成像光谱仪采集样品的数据，不仅掺杂有噪音信息，还会受到仪器本身和外部环境的影响，因此往往需要利用光谱预处理过程来去除或削减干扰信息，保留更多有效信息，提高进一步的光谱数据处理的准确度，同时，高光谱数据是由数千个甚至数万个数据点组成，相邻数据间通常会呈现出高度相关的光谱特征，因此高光谱图像中常常包含大量重叠的冗余信息。而数据量过大的高光谱数据在进行统计识别时，会出现数据特征维数过多的现象，导致“休斯”效应，为数据的处理带来了巨大挑战。休斯效应会对高光谱图像的分类过程产生负面影响，导致分类器性能变差，分类识别结果的精确度降低，因此，在对高光谱图像进行分类时，非常有必要找到一种对“休斯”效应具有鲁棒性的化学计量学算法。
高光谱成像技术的高光谱图像分析与处理方法：
化学计量学算法是一种适用于从最简单图像到复杂高光谱图像的数据处理方法，这一强大的图像数据处理工具对分析光谱数据集，适当修改数据结构，突出光谱特定特征方面具有很强的实用性。在对高光谱图像进行分类前，往往需要借助预处理方法来对原始光谱数据进行优化，常用的高光谱预处理方法有平滑、滤波、多元散射矫正和导数算法等。
平滑算法对于降低高光谱数据的噪音信号有很明显的效果，具体过程是将选定数据作为中心，并结合其一定范围内的数据，使用不同的计算公式计算出该选中心数据的具体值，从而使处理后的光谱曲线更加光滑，可以很大程度的增大高光谱数据的信噪比。主成分分析法（PCA）对数据进行预处理时，将数据集中最重要的信息集中到前几个主成分（PCs）来减少数据维度，可以有效的克服休斯现象，使用预处理方法处理后的高光谱图像数据，会大大减小数据量，提高数据信噪比，为下一步的图像识别检测节省分析时间。
目前常用的高光谱数据分类处理方法主要有MD、ML和SVM等。MD是一种有监督的线性距离学习算法，通过挑选训练集样本计算出可以最大反应样品数据间差异的有效度量矩阵。对高光谱数据分析时，根据度量矩阵使同类数据样本的分布更加靠近，同时使相似度低的数据样本分散度增大。
ML是一种基于贝叶斯准则的非线性监督分类方法，在高光谱图像上选择已知物体作为训练样品集，然后利用特定参数空间统计训练集样品的特征标准，根据不同的判别函数确定分类边界，将高光谱图像上的未知像元分成不同的类别。
SVM是一种广泛使用在科学研究中的非线性分类算法。传统分析方法是将计算过程中的经验误差最小化，而SVM是通过优化各个超平面，使各类物质的信息差值最大化，来减小一般化误差的上限。相比其他分类算法，SVM对处理非线性和高维的小样本数据更具有优势，很多研究也证明了SVM对“休斯”效应具有很好的鲁棒性。
