高光譜圖像是三維數據塊，每個波段都有一個灰度圖像，因此高光譜圖像可以看作是多個灰度圖像的疊加。高光譜圖像的處理方法首先就是降低噪音以及減少數據的維數，然后再采用相應的分析方法進行數據的壓縮和提取。本文對高光譜圖像數據的降噪與提取方法做了介紹。

高光譜圖像數據的降噪方法：

作為高光譜圖像的預處理方法，最小噪聲分離變換主要用于判定圖像數據內在的維數，分離信號和噪聲，進一步去除噪聲，提高信噪比。該算法的實質是兩次層疊的主成分變換。

第一次是正向變換，基于噪聲的協方差矩陣，對高光譜圖像進行去相關和重定標處理，分離并重新調節數據中的噪聲，使得噪聲成分具有單一方差，且沒有波段與波段之間的相關性。經過正向變換的運行，數據空間被分為兩個部分：一部分與較大的特征值以及相對應的特征圖像相關聯，另一部分與較小的特征值以及噪聲占主導的圖像相關聯。依據特征值的大小和對應的圖像，可以判定包含相關圖像的波段（一般是前幾個或十幾個圖像）。

第二次變換是反向變換，對經上述處理后的相關圖像波譜子集做標準主成分變換，變換為它們的原始數據空間。由于以噪聲為主導的圖像在運行反向變換之前被排除，原始數據空間中的噪聲將會大大減少。

高光譜圖像數據的提取方法：

主成分分析（PCA）是一種非常實用的降低數據維數、增強有用信息以及隔離噪聲信號的算法。它采用線性變換將數據轉換到一個新的坐標系統，得到的新變量是原始變量的線性組合，且彼此之間互不相關，使數據的差異達到最大，同時前幾個新變量要盡可能多地表達原始變量的數據特征。

對高光譜圖像進行主成分分析后，得到的主成分波段圖像是原始波段圖像的線性組合，且每個主成分圖像之間互不相關。第一主成分圖像包含最大的數據方差百分比；第二主成分圖像其次；主成分圖像的波段越靠后，其包含的方差百分比越小，噪聲信號越大，圖像質量越差；最后幾個波段的主成分圖像包含的方差百分比很小，顯示為噪聲。