高光譜成像儀采集的數據塊通常含有幾百甚至上千個波段的光譜信息，這就造成了過高維度的光譜信息和數據較大的冗余性，因此在建模前對高光譜數據塊進行降維處理是進行數據分析的重要一步。本文對高光譜成像儀高光譜圖像的降維方法做了介紹，感興趣的朋友可以了解一下！

對于高光譜圖像而言，關鍵的問題是如何能在有效降低特征空間維數的同時，保留更多的有效信息。一般通過特征選擇和特征提取兩種方法解決高光譜圖像的維數災難問題。

1.特征選擇

在高光譜數據的分析過程中，波段即為主要分析的特征，考慮到數據的冗余性，需要進行波段篩選。特征選擇就是要從成百上千個波段數據中篩選出對目標量有著主要貢獻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，又要具有更低的數據維度?？梢詮膬蓚€方面進行特征選擇，分別是準則函數和搜索策略。對于高光譜圖像而言，準則函數主要分為兩類。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，就是主要依據各波段的信息熵來選擇，篩選出信息量大的波段。

搜索策略可分為全局最優搜索策略和次優搜索策略。全局最優搜索策略在處理高維度多類別的問題時算法復雜度較高，因此實際應用較少，一般都采用次優搜索策略。傳統的次優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的。

2.特征提取

特征提取并非從原始的波段中進行選擇，而是將高維度的光譜數據經過變換映射到一個新的特征空間。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優化后的特征。在經過特征提取之后，特征空間中包含的新特征之間有顯著區別，在進行遙感影像分析時，提取的新特征向量代表著不同的地物信息，有利于進行分類判別。

當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，獨立成分分析法等"。主成分分析法主要將相關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，因此該方法對于波段間相關性高的數據十分有效。小波變換法在信號處理領域應用較多，把高光譜圖像中提取出的光譜數據看作一維離散信號，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特征。獨立成分分析法在分離獨立分量之前先要確定出高光譜數據的本征維數，分離變量后得到的相互獨立的特征要比原始特征數少得多。

然而不管采用哪一種降維方法，在對高光譜圖像進行處理分析之前，都需要消除各種噪聲的干擾，對純凈的圖像進行分析。