高光譜成像儀采集的光譜數據往往波段數多（幾十個甚至幾百個），光譜分辨率高（納米級），數據量大，數據率高（從每秒數兆到每秒數百兆），巨大的數據量為應用和分析帶來不便，因此就需要對高光譜數據進行處理。本文對高光譜成像儀高光譜圖像信息的處理方法做了介紹。

盡管成像光譜儀具有其獨特的優越性，但由于高光譜遙感數據具有多、高、大、快等特點，即波段數多（幾十個甚至幾百個），光譜分辨率高（納米級），數據量大，數據率高（從每秒數兆到每秒數百兆），巨大的數據量為應用和分析帶來不便，因此產生了許多新的數據處理方法對高光譜數據進行處理。高光譜數據的處理技術的研究主要集中在以下幾個方面：對海量數據的高比例“非失真”壓縮；高光譜遙感數據的高速化處理；光譜及輻射量的定量化和歸一化：高光譜遙感數據特征圖像提取及三維光譜圖像數據的可視化；地物光譜模型及識別技術；以及高光譜遙感數據在地質、農業、植被、海洋、環術境、大氣、城市等中應用模型的建立。

研究人員為高效利用成像光譜儀數據，充分發揮其高光譜分辨率和空間分辨率方面做出了許多嘗試，所采用的方法可歸納為兩大類：

1.基于純像元的分析方法

（1）基于成因分析的光譜分析方法

基于成因分析的方法研究地物的光譜特性，從地物光譜特征上發現農征地物的特征光譜區間和參數，最常用的是各種各樣的植被指數。這種方法普遍用于NSS和TM圖像的處理和分析應用中。成像光譜儀問世以后，許多研究人員沿用了這種方法，利用成像光譜儀數據的高光譜分辨率，選取影像的波段，發展了許多更為精細的植被指數。與此相對的方法，是地物光譜重建和重建的光譜與數據庫光譜的匹配識別。這一方法通過對比分析地面實測的地物光譜曲線和由成像光譜儀圖像得到的光譜曲線來區分地物。為了提高成，像光譜儀數據分析處理的效率和速度，一般要對這些曲線進行編碼或者提取表征曲線的參數?！肮庾V匹配”是利用成像光譜儀探測數據進行地物分析的主要方法之…，但由于野外實際情況的復雜性，很難建立一個比較通川的地物光譜庫，這就限制了利用該法進行分析，目前僅僅在比較小的范圍內（如巖石成分分析等）取得成功的運用。

（2）基于統計分析的圖像分類和分析

基于統計分析的圖像分類和分析認為每一波段的圖像為隨機變量，基于概率統計理論進行多維隨機向量的分類。成像光譜儀圖像波段多，分類很大程度上受限于數據的維數，面對數百個波段的數據，如果全部用于分類研究，在時間上往往是無法接受的。因此在圖像分類之前必須壓縮波段，同時又要盡可能地保留信息，即進行“降維”的研究。目前，壓縮波段有兩種途徑，一是從眾多的波段中挑選感興趣的若干波段：二是利用所有波段，通過數學變換來壓縮波段，最常用的如主成分分析法等?；诮y計分析的圖像分類和分析在理論上比較嚴謹，所以需要有充分的數據的地學特征，否則得到的結果有時是不明確的物理解釋。

2.基于混合像元的分析方法

由于傳感器空間分辨率的限制以及地物的復雜多樣性，混合像元普遍存在于遙感圖像中，對地面地物分布比較復雜的區域尤其如此。如果將該像元歸為一類，勢必會帶來分類誤差，導致精度下降，不能反映真實的地物覆蓋情況。

概括起來，混合模型主要有兩類，即線性光譜混合模型和非線性光譜混合模型。線性混合模型是迄今為止最受歡迎且使用最多的一種模型，其突出優點是簡單。雖然它只能分離與波段數目相同的類別，但對于有著數百個波段的高光譜數據，完全可以克服這種限制。對于非線性混合模型可以利川某些方法來使之線性化，從而簡化為線性模型。