高光譜成像儀在對樣本進行掃描時，可以獲得樣本的高光譜圖像數據，但由于高光譜數據量過大，會降低后期的數據處理速度，并且波段較多，光譜信息之間相關性很強，使得三維數據塊之間存在大量冗余信息，可能影響建模結果，因此就需要進行降維處理。本文對高光譜成像儀高光譜圖像降維方法做了介紹。

高光譜數據是一個三維數據塊，不僅可以提取每個像元的光譜信息，而且每個波長都對應一幅灰度圖像。但是，對于分辨率較高的高光譜數據，每個數據塊就包含上百幅圖像信息，數據量過大，會降低后期的數據處理速度，并且波段較多，光譜信息之間相關性很強，使得三維數據塊之間存在大量冗余信息，可能影響建模結果。因此，在數據處理過程中，高光譜數據的降維是減小噪聲，提高模型識別速率和識別準確率的有效手段。目前的主要的降維方法有以下兩種：

1.主成分分析（PCA）

主成分分析（PCA）是被較多應用的一種數據降維方法。PCA變換是將有相關性的原始變量沿協方差最大的方向投影，使經過坐標變換的高維空間數據映射到低維空間，得到線性不相關的新變量，即主成分。主成分按照方差從大到小的順序依次稱為第一主成分（PC1）、第二主成分（PC2），以此類推。原始高光譜數據經過PCA變換，可以看作各個主成分圖像的線性組合，主成分圖像所占原始圖像信息的比重由方差貢獻率決定。一般，當主成分的累計貢獻率達到一定比例，如85%以上，即可解釋大部分高光譜數據信息。因此，經過PCA變換的高光譜數據僅需少量主成分就可以極大程度上表征原始信息，大大減少了數據處理時間，并消除原始數據之間冗余的信息。

2.最小噪聲分離變換（MNF）

對于高光譜數據降維，最小噪聲分離變換（MNF變換）的主要目的在于分離高光譜數據的信號和噪聲，提高信噪比。該算法可以看作是兩次主成分變換的疊加。首先，基于圖像噪聲的協方差矩陣進行正向變換，然后，對多維圖像去相關、重定標。變換之后的數據關聯到兩個部分：一個部分是較大特征值，及其特征圖像；另一個部分則是較小特征值，及其噪聲圖像。特征值的大小決定特征圖像的信噪比高低，用來確定有效的特征圖像。最后，正向變換后確定的圖像子集被作標準主成分變換，恢復為對應的原始圖像。MNF將噪聲比例大的圖像排除，使有效的高光譜數據量大幅度上漲。