由于高光譜成像儀獲取的光譜數據比較的繁冗，為了獲得有效的光譜信息，建立預測模型，就需要對光譜數據進行處理，提取有效的信息。本文對高光譜成像儀高光譜圖像數據的分析方法做了解析。

高光譜圖像數據分析技術路線如下圖所示。對獲取的高光譜圖像進行反射率校正后就可以進行處理：

（1）光譜變量提取

在遙感圖像處理ENVI（ITT Visual Information Solutions，Boulder，USA）軟件中對校正后的高光譜圖像選取不包含背景信息的盡可能大的感興趣區域（Region of Interest，ROI），再提取感興趣區域內所有像素點的反射率光譜數據，并求得其平均光譜。依次提取所有樣本的平均光譜，得到光譜數據矩陣；

（2）圖像紋理變量提取

高光譜圖像數據立方體可看作是每個波段灰度圖像的疊加，這些灰度圖像包含樣本豐富的空間分布屬性。圖像紋理反映像素的空間位置和亮度值變化，進而反映樣本幾何結構的變化。由于高光譜圖像有上百個波段圖像，不可能提取每個灰度圖像的紋理變量，需要先通過主成分分析提取前幾個主成分圖像的紋理變量，或者先尋找最優特征波長再提取特征波長圖像的紋理變量；

（3）光譜數據預處理

預處理可以有效減少系統噪音、雜散光等對成像的影響，從而獲取高信噪比、低背景干擾的數據。常用的光譜預處理方法有：平滑、多元散射校正、變量標準化、求導、歸一化、基線校正等；

（4）特征波長提取

通過選擇特征波長，以降低光譜數據的維數及共線性問題，有效特征波長不僅能代表被測樣本的特征，還能大大簡化回歸或分類運算。常用的特征波長提取方法有：回歸系數法、載荷系數法、連續投影算法、無信息變量消除、遺傳算法、競爭性自適應重加權算法、Random Frog等；

（5）回歸或分類模型的建立

用提取的特征波長光譜和紋理變量建立回歸或分類模型。分類模型是判斷樣本的種類或類型，是定性分析。回歸模型需要組分的含量信息，是定量分析。常用的化學計量學方法有：主成分分析、主成分回歸、多元線性回歸、偏最小二乘法、人工神經網絡、最小二乘支持向量機、高斯過程等；

（6）圖像后處理和可視化

通過在MATLAB（The Math Works，Natick，USA）或IDL（ITT Visual Information Solutions，Boulder，USA）軟件中編寫圖像處理程序，將模型預測的量化結果以偽彩圖的形式展示，實現參數空間分布的可視化。