高光谱数据特征波长的提取选择方法有哪些？

高光谱成像仪获取的原始光谱数据中含有多个波段的光谱数据，使用全波段光谱建立预测模型，计算量非常的大。因此，就需要从原始光谱数据中进行特征波长的提取，选择有用的光谱数据。本文对高光谱数据特征波长的提取选择方法做了介绍。

高光谱数据特征波长提取之连续投影算法：

SPA算法是前向特征变量选择方法。其原理是：将波长投影至其他波长，利用投影寻找投影向量最大的波长，根据校正模型确定最后的特征波长。经此算法优选出的波长具有最少的共线性，且信息丰富，使用优选的波长建立模型可使模型效率更高。其具体的过程可以参考相应的文献资料。

高光谱数据特征波长提取之竞争性自适应重加权算法：

CARS是结合蒙特卡洛采样与PLS模型回归系数的特征变量选择方法，其模仿达尔文理论中的“适者生存”的原则。在CARS算法中，每次通过自适应加权采样保留PLS模型中回归系数绝对值权重较大的点作为新子集，去掉权值较小的点，基于新子集建立PLS模型，经多次计算后，选择PLS模型交叉验证均方差（RMSECV）中最小的子集中波长作为特征波长。其选择过程简述如下：

1.采用蒙特卡洛采样法，每次随机选出一定数量（一般为80%）样本进行建模，剩余的作为预测集建立PLS模型。

2.使用指数衰减函数去掉回归系数绝对值权值较小的波长。

3.每次采样，从上次采样时的变量数中采用自适应加权采样选择一定数量的波长变量，进行PLS建模，计算RMSECV。

4.采样完成后，CARS算法得到了候选特征波长子集，及其RMSECV值，选择RMSECV最小值所对应的波长变量子集为特征波长。