高光譜圖像作為一種結合了成像技術和光譜技術的多維信息獲取技術，具有顯著的優勢，但同時也存在一些劣勢。以下是對高光譜圖像優勢和劣勢的詳細對比。

?

高光譜圖像的優勢

基于測譜學原理，高光譜將紫外、可見光、近紅外以及中紅外區域的連續光譜信息形成一體式感知，其極高的光譜分辨率，沖破了人類視覺的可見光探知范圍，使得像元表達更接近觀測目標的物理本質。具體而言，高光譜成像技術利用成像光譜儀，實現了表征光譜響應的一維特征與反映目標分布情況的二維幾何信息的聯合獲取，促使高光譜圖像既能夠以圖像方式刻畫目標，還能夠借助精細電磁波譜進行光譜探測，完成圖像與光譜信息的結合。高光譜圖像集空、譜多維信息于一體，可實現復雜地表覆蓋的精細分類、自動探測以及地表參量的定量化反演等。與寬波段遙感探測手段采集的圖像相比，大部分地物的吸收特征峰半寬度為20~40nm，而高光譜成像系統連續波段光譜分辨率一般在10nm以內，對感興趣目標的屬性鑒別能力更強。因此，從待觀測目標的精準解譯和典型地物的診斷性識別角度來看，高光譜數據具有紅外、可見光以及合成孔徑雷達等數據無法比擬的優勢。因此，高光譜遙感既是對地觀測的重要手段，也是空間信息網絡中不可或缺的組成部分，在航天遙感和對地觀測等多項任務中發揮了積極作用。

?

高光譜圖像的劣勢

高光譜圖像數據量大，測量復雜度很高，具備典型的高數據體量特性。其次，高光譜圖像的光譜分辨率高，包含較多波段，形成了高特征維度特性此外，高光譜圖像的波段之間具有強相關性，圖像的譜間相關系數大，易造成高光譜冗余信息堆疊，并且該冗余伴隨成像波段數目以及成像分辨率的增高而增加，具備典型高冗余度特性。最后，高光譜圖像標簽樣本采集困難，人工標注成本高昂，在真值數據獲取方面具有高標注代價的特點。

高光譜圖像的高數據體量特性，致使基于高光譜圖像的分析處理所涉及的運算量較大，計算負擔較重；高冗余度特性為數據處理及分析帶來困難，嚴重影響模式分類等方法的有效性；高標注代價特性通常可導致實際分類應用中有效訓練樣本數目不足使得小樣本問題成為掣肘高光譜數據分析的難題，小樣本與高特征維度聯立，極大地增加了數據分析的難度，容易造成“維數災難”現象。而且，高光譜圖像分類方法，如機器學習及深度學習方法，依賴大量樣本進行模型的有效訓練，而高光譜遙感圖像配備的標注樣本數量少、分布不均衡，影響分類模型的設計和精細分析效果。因此，盡管高光譜數據中包含著豐富的空、譜信息，具備極強的地物屬性識別能力，且相關研究成果甚廣，但如何有效利用高光譜的數據特性，使其在多樣化的應用場景下最大限度地發揮優勢依然是學術界及工業界重點關注的問題。

在遙感（Remote Sensing）中，高光譜遙感器廣泛用于以高光譜分辨率監視地球表面。HSI數據通常包含同一空間區域上的數百個光譜帶，這些光譜帶提供了識別各種材料的有價值的信息。 在HSI中，每個像素（pixel）都可以視為一個高維向量，像素的數值對應于從可見光到紅外的光譜反射率（spectral reflectance）。

高光譜數據的采集和收集變得越來越容易，這使得高光譜圖像分析成為許多應用中的有前途的技術之一，包括精準農業，環境分析，軍事監視，礦物勘探，城市調查等。

高光譜圖像分類（Classification of Hyperspectral Images）是對圖像中每個像素的類標簽進行分類的任務。

困難之處在于，沒有流行的HSI數據源，這使得初學者很難開始進行HSI分析。以下是HSI的一些數據源。

?