高光谱成像仪作为精密的光学仪器，它在对样品进行检测时，不仅可以获得样品的光谱信息，还可以获得样品的图像信息，因此具有图谱合一的特点。那么，高光谱成仪的高光谱图像有什么特点？高光谱图像怎么降维？本文对高光谱成仪高光谱图像的特点及降维方法做了介绍，感兴趣的朋友可以了解一下！
高光谱成仪高光谱图像的特点：
高光谱成像技术充分利用了很多窄波段光谱图像数据，还能为每个空间的像素点提供完整而连续的光谱曲线。由此可见，应用高光谱成像技术采集到的图像不同于传统的可见光图像，高光谱图像是三维的，通常称之为图像块。三维高光谱图像原理如下图所示，x和y表示空间维，λ表示光谱维，选择任意像元即可沿着光谱维提取出光谱曲线。它具有如下特点：
1.数据量大
高光谱图像是通过高光谱成像仪采集到的，获得几十个波段甚至数百个波段的图像叠加在一起的数据立方体。以苹果高光谱图像为例，在采集苹果高光谱图像时通道数为512通道，即在对某一个苹果样本进行图像采集时需要采集512张煤炭图像。这些图像沿着光谱维进行叠加，在图像大小为640×640的情况下，一个苹果样本的图像大小约为500MB，采集1000个样本图像就需500GB的存储空间。不管是进行图像传输、存储还是分析，如此大的数据量都是一个巨大的挑战。
2.数据计算量大
由于高光谱图像中存储了大量的空间信息和光谱信息，使得在处理和分析时需要更大的计算量，不利于快速分析。
3）数据冗余度高
高光谱图像内部存在大量的冗余数据，以煤炭高光谱图像为例，在采集煤炭高光谱图像时，考虑到煤炭的自身特性，如采用与煤炭颜色相差较多的浅色载物板，则载物板的反光会对图像造成很大的影响；若采用灰黑色的载物板，则不利于后续的处理分析。因此综合考虑后，在采集图像的过程中，使成像范围仅包含煤炭而不包含背景或其余物质。但由于煤炭本身的各光谱信息之间都具有相关关系，图像中的各像素点之间的灰度值差异较小，且某一像素点提取出来的光谱数据也与其他像素点提取的光谱数据高度相关，这就造成了很大信息冗余。
高光谱成仪高光谱图像的降维方法介绍：
对于高光谱图像而言，关键的问题是如何能在有效降低特征空间维数的同时，保留更多的有效信息。一般通过特征选择和特征提取两种方法解决高光谱图像的维数灾难问题。
1.特征选择
在高光谱数据的分析过程中，波段即为主要分析的特征，考虑到数据的冗余性，需要进行波段筛选。特征选择就是要从成百上千个波段数据中筛选出对目标量有着主要贡献作用的特征波段集合，该特征集合既要能够较为完整地保留所需要的信息，又要具有更低的数据维度。可以从两个方面进行特征选择，分别是准则函数和搜索策略。对于高光谱图像而言，准则函数主要分为两类。一类是基于类别可分性原则的，主要包括Bhattacharyya距离、Jeffreys-Matusita距离和离散度等；另一类是基于信息量原则的，就是主要依据各波段的信息熵来选择，筛选出信息量大的波段。
搜索策略可分为全局最优搜索策略和次优搜索策略。全局最优搜索策略在处理高维度多类别的问题时算法复杂度较高，因此实际应用较少，一般都采用次优搜索策略。传统的次优搜索算法有序列前向选择法和序列后向选择法等，采用次优搜索策略可从原始的特征集中挑选出一组较好的特征子集，但该特征子集未必是最优的。
2.特征提取
特征提取并非从原始的波段中进行选择，而是将高维度的光谱数据经过变换映射到一个新的特征空间。该变换可以是线性的，也可以是非线性的，变换后得到的新特征空间包含了少量优化后的特征。在经过特征提取之后，特征空间中包含的新特征之间有显著区别，在进行遥感影像分析时，提取的新特征向量代表着不同的地物信息，有利于进行分类判别。
当前常用的高光图像特征提取方法包括：主成分分析法，小波变换法，独立成分分析法等。主成分分析法主要将相关性较高的原始特征映射为一组新的特征，生成的新特征互不相关，因此该方法对于波段间相关性高的数据十分有效。小波变换法在信号处理领域应用较多，把高光谱图像中提取出的光谱数据看作一维离散信号，由于该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个特征。独立成分分析法在分离独立分量之前先要确定出高光谱数据的本征维数，分离变量后得到的相互独立的特征要比原始特征数少得多。
然而不管采用哪一种降维方法，在对高光谱图像进行处理分析之前，都需要消除各种噪声的干扰，对纯净的图像进行分析。目前国内外主要采用以下几种方法对高光谱图像进行去噪：
a.基于空间域滤波
由于高光谱图像是由二维图像叠加得到的立方体，在空间域上相当于将多个二维图像沿着光谱维叠加，因此在基于空间域的去噪方法中最为直接的处理方式即为分别对每个波段的图像进行去噪。但此方法没有充分利用高光谱图像的谱间相关性，因此去噪效果有限。较为常用的空间域去噪算法主要有全变分法、小波域去噪法、非局部均值法以及BM3D等。
b.基于光谱域滤波
高光谱图像中可提取出成百上千个波段信息，但基于光谱域进行图像去噪时，仅仅考虑了光谱维度，忽略了高光谱图像的空间维度的信息，因此去噪后的高光谱图像会存在一定程度的失真。最常用的光谱域去噪方法主要有最大噪声比率法和SG滤波方法。
c.基于空-谱联合去噪
该去噪方法基于高光谱图像的特性，分为变换域去噪和像素空间去噪。变换域去噪主要为小波域去噪，通过小波对图像进行变换。而像素域去噪不同，是直接对每一个二维图像的像素进行去噪。除此之外，还有直接对三维数据块去噪的方法，如BM4D等。由于高光谱图像的低秩特性，有学者提出了基于低秩优化的去噪模型，如LRMR去噪方法等。总体而言，该去噪方法相较于前两种方法去噪性能更好，但仍没有充分利用空间信息，因此还可以探寻方法进一步提高该方法的性能。
