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(shù)據(jù)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(shù)據(jù)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(fā)射的電磁波進行數(shù)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(jié)合的優(yōu)點，能夠提供豐富的信息，但同時相鄰波段相關性大、數(shù)據(jù)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(shù)據(jù)，提高模型準確度和穩(wěn)定性。

平滑算法能夠有效去除光譜內(nèi)部隨機誤差，經(jīng)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(lián)，取平均值，從而達到消除噪聲的目的，因此經(jīng)過平滑的高光譜每個波段是原始數(shù)據(jù)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(nèi)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(jù)窗口大小對光譜首尾進行補零處理；

（2）對處于移動窗口內(nèi)的光譜進行平滑；

（3）移動平滑窗口，不斷重復步驟（2）直至結(jié)束。

特征波段提?。?/strong>

高光譜圖像波段數(shù)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(shù)據(jù)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(xù)投影法、主成分分析法、經(jīng)典統(tǒng)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(jié)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(jié)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(tài)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(shù)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(jù)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(shù)。

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(jié)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(shù)；（2）Kappa系數(shù)：Kappa系數(shù)是用于檢驗一致性的指標，即模型預測結(jié)果和實際分類結(jié)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(shù)。

Kappa系數(shù)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(qū)域分別提取ROI作為參考，將分類結(jié)果與目視結(jié)果比較，統(tǒng)計各類別分類正確和錯誤的像素數(shù)量，得到混淆矩陣并計算總體分類精度和Kappa系數(shù)。