高光譜圖像數據往往會含有大量的冗余信息，為了提取有效的光譜信息，就需要對獲取的圖像數據進行處理，以保證預測模型建立的準確性。本文對高光譜圖像數據的分析處理方法做了介紹。

高光譜圖像預處理：

高光譜圖像因其攜帶大量的數據信息，增強了技術的檢測能力，同時也增大了信息的冗余量，因此在預處理階段的主要目的即對立體數據進行降維處理。在保存感興趣特征的同時減少數據信息量，降低處理信息的時長與難度同時增強數據分析的精確度。目前，較為普遍的高光譜圖像預處理方法有特征選擇和特征提取兩種方法。

特征選擇是指從最初波段中直接選取有效的特征波段，達到降低數據維度的目的。特征提取是指通過對一個或若干個原始波段的屬性關系進行組合變換，得到新的特征屬性。光譜信息的冗余量與相關性取決于波段的寬窄度，因而選取最優波段是圖像降維度過程的關鍵要素。實際檢驗鑒定中常通過多種降維方法交叉結合使用，來達到最佳的檢驗結果。如基于主成分分析、基于高階統計量的獨立元分析、最小噪聲分離變換、傅里葉變換、基于核函數和基于神經網絡的非線性特征分析等。

數據特征分析：

根據檢材在光譜圖中的不同特性信息反映，選取不同分類模型對不同類別的待測目標進行分類。使用計算機分析處理作為輔助方法，彌補鑒定人員的視覺鑒別傳統方法的不足，如最大似然比分類、卷積神經網絡分類方法等等。作為機器學習方法之一的監督學習，通過對已知標簽的特征進行提取學習，構造訓練函數完成對未知樣本的分類檢驗任務，如K近鄰法、馬氏距離分類、最大似然法、最小距離法、光譜角分類法等等。另一種非監督分類則是直接對光譜信息進行特征提取，統計差別進行分類，如K-均值、ISODATA（迭代自組織數據分析）等。對高光譜圖進行數據分析的過程中，通過總體分類精度對分類方法進行評價，選擇最有效的分類方法而獲得最佳結果。