高光谱图像数据的表达形式

高光谱图像遥感图像的数据有三种表达形式：图像空间维、光谱维以及特征维。本文对这三种形式进行了简单介绍。

图像空间维

将高光谱遥感图像数据看作一般的图像，如下图1-2（a）所示。它是利用遥感图像像素之间的几何关系来表达窩光谱遥感图像数据样本之间的空间关系，这种表示方式为数据分析人员提供了较为真实的地面场景图像。当对高光谱遥感图像数据的特征信息进行提取时，这种数据表达形式将图像中的像素点与地面场景的位置一一对应，为数据分析人员提供了重要的图像空间信息的依据。

但是，这种数据表达形式忽略了高光谱遥感数据中各个波段之间的光谱特征信息。从人类肉眼的角度上，通过这种数据表示方式，我们只能观察到所抽取的一个波段形成的灰度图像或是由三个波段组成的假彩色图像。

光谱维

将高光谱遥感图像数据看作是一个只拥有两个坐标维度的空间，如下图1-2（b）所示。在高光谱遥感图像数据中，每一个像素点在该二维坐标空间中都会表现为一条连续的光谱反射率响应曲线。由于不同的地物由各个不同的化学成分组成，对光谱具有各自不同的吸收或反射情况，因此，这种数据表达形式可以提取高光谱遥感数据的光谱特征信息，通过匹配光谱反射率响应曲线即可完成对各种地物日标的分类和识别。但是，地物的光谱反射率响应曲线容易受到各种自然环境因素的影响，如大气散射、大气透明度、光照强度等，这种情况下所测量的光谱反射率响应曲线与实际情况下的曲线有所偏差，并不能真实地反映高光谱遥感图像数据的光谱信息。

特征维

该种数据表示是任意取高光谱遥感图像数据中的两个波段形成一个二维的坐标空间，将这两个波段的光谱反射率分别作为横纵坐标轴，如下图1-2（c）所示。在该二维坐标空间中，绘制了商光谱遥感图像的每一个像素点在两个波段中的光谱反射率，由两个坐标值所形成的点即二维向量。在N维坐标空间中亦然，即特征信息用N维向量来表达。

虽然对于人类而言，N维坐标空间难以想象，但是对于计算机而言，这种数据表示方式反而更容易对数据进行处理。根据不同类别在维坐标空间中的分布情况，分析未知样本的N维特征向量落入哪一类别区域，从而判断未知样本属于哪一种类别。

因此，对高维度数据进行特征信息提取之前，需要对数据进行降维处理，用较少的综合变量来代替原来较多的变量，同时综合变量要尽可能多的反映原来多变量包含的信息。高光谱数据降维是以简化数据量、优化图像特征为目的，获得的新的特征信息，利用低维数据来有效地表达高维数据的信息，使其能更好地反应对象本质，适合分类器的处理。目前高光谱数据波段降维主要有两种途径：一是从许多波段中挑选感兴趣的若干波段，即波段选择；二是利用所有波段，通过数学变换来压缩数据，常用的如主成分分析法(PCA)等。波段选择和特征提取主要基于光谱特征、空间特征或者两者结合的光谱空间特征，既可以对特定地物或像元进行光谱维特征挖掘，又可以从图像空间维和光谱维进行综合挖掘。