高光谱图像数据的组成是怎样的？有什么特点？

高光谱成像技术是一种新兴无损检测技术，它能够同步获取待测样本在紫外到近红外光谱覆盖范围内的空间信息和光谱信息，具有图谱合一的特点。本文对高光谱图像数据的组成及特点做了介绍。

高光谱图像数据的组成：

高光谱数据，可表示为高光谱数据立方或高光谱立方，是三维数据结构。高光谱数据可视为三维图像，在普通二维图像之外又多一维光谱信息。其空间图像维描述目标物的二维空间特征，其光谱维揭示了图像每一像元的光谱曲线特征，由此实现了遥感数据图像维与光谱维信息的有机融合。

1.空间图像维：在空间图像维，高光谱数据与-般的图像相似。

2.光谱维：从高光谱图像的每一个像元中可以获得一个连续的光谱曲线。采用基于光谱数据库的光谱匹配技术，可以识别地物。同时大多数地物都具有典型的光谱波形特征，尤其是光谱吸收特征。这些特征与地物成分是密切相关的，因此对光谱吸收特征参数（吸收波长位置、吸收深度、吸收宽度）的提取将成为高光谱信息挖掘的主要方面。

高光谱图像的特点：

1.纹理丰富复杂，空间相关性低于普通图像。因为高光谱图像的分辨率为几米，地面目标可能只占几个像素，像素值的连续性较差，相关性较低。

2.波段多，光谱分辨率高，光谱间相关性较强。

3.空间分辨高。高的光谱分辨率和空间分辨率是遥感技术发展的两个方向，这两个方向有趋于统一的趋势。

4.相似的地表区域具有相似的光谱曲线。高光谱图像包含很多波段，每个波段都是由传感器在某特定波长所接收到的强度返回值。由于地表反射和大气吸收都是依赖于波长的，每个像素在光谱域形成的亮度矢量具有相似的形状，每个像素矢量的精确形状则依赖于该像素表示的地面类型。

5.由于波段多，狭窄且连续，使得高光谱数据量巨大、相关性大，尤其在相邻的波段间，具有很大的数据冗余。

高光谱图像信息的处理方法：

尽管成像光谱仪具有其独特的优越性，但由于高光谱遥感数据具有多、高、大、快等特点，即波段数多（几十个甚至几百个），光谱分辨率高（纳米级），数据量大，数据率高（从每秒数兆到每秒数百兆），巨大的数据量为应用和分析带来不便，因此产生了许多新的数据处理方法对高光谱数据进行处理。具体如下：

1.基于纯像元的分析方法

（1）基于成因分析的光谱分析方法

基于成因分析的方法研究地物的光谱特性，从地物光谱特征上发现表征地物的特征光谱区间和参数，最常用的是各种各样的植被指数。这种方法普遍用于NSS和TM图像的处理和分析应用中。成像光谱仪问世以后，许多研究人员沿用了这种方法，利用成像光谱仪数据的高光谱分辨率，选取影像的波段，发展了许多更为精细的植被指数。与此相对的方法，是地物光谱重建和重建的光谱与数据库光谱的匹配识别。这一方法通过对比分析地面实测的地物光谱曲线和由成像光谱仪图像得到的光谱曲线来区分地物。为了提高成像光谱仪数据分析处理的效率和速度，一般要对这些曲线进行编码或者提取表征曲线的参数。“光谱匹配”是利用成像光谱仪探测数据进行地物分析的主要方法之一，但由于野外实际情况的复杂性，很难建立一个比较通用的地物光谱库，这就限制了利用该法进行分析，日前仅仅在比较小的范围内（如岩石成分分析等）取得成功的运用。

（2）基于统计分析的图像分类和分析

基于统计分析的图像分类和分析认为每一波段的图像为随机变量，基于概率统计理论进行多维随机向量的分类。成像光谱仪图像波段多，分类很大程度上受限于数据的维数，面对数百个波段的数据，如果全部用于分类研究，在时间上往往是无法接受的。因此在图像分类之前必须压缩波段，同时又要尽可能地保留信息，即进行“降维”的研究。目前，压缩波段有两利途径，一是从众多的波段中挑选感兴趣的若干波段；二是利用所有波段，通过数学变换来压缩波段，最常用的如主成分分析法等。基于统计分析的图像分类和分析在理论上比较严谨，所以需要有充分的数据的地学特征，否则得到的结果有时是不明确的物理解释。

2.基于混合像元的分析方法

由于传感器空间分辨率的限制以及地物的复杂多样性，混合像元普遍存在于遥感图像中，对地面地物分布比较复杂的区域尤其如此。如果将该像元归为一类，势必会带来分类误差，导致精度下降，不能反映真实的地物覆盖情况。

概括起来，混合模型主要有两类，即线性光谱混合模型和非线性光谱混合模型。线性混合模型是迄今为止最受欢迎且使用最多的一种模型，其突出优点是简单。虽然它只能分离与波段数目相同的类别，但对于有着数百个波段的高光谱数据，完全可以克服这种限制。对于非线性混合模型可以利用某些方法来使之线性化，从而简化为线性模型。