高光譜成像儀在采集樣品信息時，能同時獲得樣本的光譜信息和圖像信息，但同時相鄰波段相關性大、數據冗余度高，需通過有效的算法篩選特征信息、剔除冗余信息，便于預測模型的建立。本文對高光譜成像儀高光譜圖像數據的處理方法做了介紹。

高光譜成像技術通過傳感器，對觀測目標反射、發射的電磁波進行數字化以獲得成千上百的特征波段，能夠同時獲取被觀測對象的光譜信息與對應的空間幾何信息，具有圖譜結合的優點，能夠提供豐富的信息，但同時相鄰波段相關性大、數據冗余度高，需通過有效的算法篩選特征信息、剔除冗余信息。高光譜圖像分類主要包括四個步驟：高光譜預處理、特征波段提取、分類模型建立和分類后處理。

高光譜預處理：

高光譜成像設備采集光譜圖像時易受到外界條件影響，包括天氣、儀器電流噪聲、外界噪聲和光照等，造成光譜譜線重疊等問題，因此需要進行噪聲消除、敏感波段選擇等預處理，去除冗余數據，提高模型準確度和穩定性。

平滑算法能夠有效去除光譜內部隨機誤差，經常用于噪聲消除。平滑算法需要估算最佳平衡點，基于平衡點將前后若干個點相關聯，取平均值，從而達到消除噪聲的目的，因此經過平滑的高光譜每個波段是原始數據相鄰多個波段的加權和[71]。平滑算法包括Norris Derivative平滑、移動窗口平均法和最小二乘擬合法等。移動窗口平均法通過平滑窗口在光譜上移動，對平滑窗口內的光譜求平均。移動窗口平均法的算法步驟如下：

（1）確定窗口大小，根據窗口大小對光譜首尾進行補零處理；

（2）對處于移動窗口內的光譜進行平滑；

（3）移動平滑窗口，不斷重復步驟（2）直至結束。

特征波段提取：

高光譜圖像波段數量多，波段之間存在相關性，采用全波段光譜構建特征集，會增加計算復雜度，影響模型泛化性和準確率。因此，需要對高光譜圖像降維，提取特征波段，采用具有代表性的特征波段構建模型，一方面降低計算量提高算法效率，另一方面消除數據冗余性，提高模型泛化性和準確性。常用的特征波段提取算法包括連續投影法、主成分分析法、經典統計檢驗方法和光譜比值法等。

分類后處理：

一般的分類方法是基于像元的SVM，因此分類結果中存在小面積孤島，這些孤島是由于光譜相似性造成的誤分結果，因此需對孤島重新分類或者剔除。常用的方法包括主要（Majority）/次要（Minority）分析、過濾處理和形態學方法。其中，Majority分析的原理類似于卷積運算，定義一個變換核，將變換核中像素數量最多的像元標簽作為位于卷積核中心的像元標簽。

精度檢驗：

高光譜圖像分類是以像元為基本單位，將像素依據光譜特征劃分到相應標簽中的過程，由于像素光譜存在混合，交界處的像元光譜具有相似性和人為誤差等原因會造成分類錯誤，因此需要對模型的精度和可靠性進行評估，評估方法主要包括混淆矩陣和Kappa系數。

混淆矩陣是可視化的分類效果示意圖，通常用于描述樣本真實類別與分類結果的關系。基于混淆矩陣可以計算評價指標，常用的評價標準包括兩個：（1）總體分類精度（OA）：總體分類精度是所有正確分類的像元總和除以像元總數；（2）Kappa系數：Kappa系數是用于檢驗一致性的指標，即模型預測結果和實際分類結果是否一致，也可以用于衡量分類效果。

包括混淆矩陣和Kappa系數。

Kappa系數法是基于像素尺度的精度評價，該方法以像素為基本單位，通過目視判別在不同分類區域分別提取ROI作為參考，將分類結果與目視結果比較，統計各類別分類正確和錯誤的像素數量，得到混淆矩陣并計算總體分類精度和Kappa系數。