高光谱图像数据中的图像信息怎么处理？

高光谱成像仪获取的光谱信息中包含图像信息和光谱信息，对光谱数据中的图像信息进行处理，可以减少噪音，保证预测模型建立的准确性。那么，高光谱图像数据中的图像信息怎么处理？本文对高光谱图像数据中的图像信息处理方法做了介绍。

高光谱图像是三维数据块，每个波段都有一个灰度图像，因此，高光谱图像可以看作是多个灰度图像的叠加。高光谱图像的处理方法首先是降低噪音以及减少数据的维数。一般采用最小噪声分离变换降低高光谱图像的噪音，采用主成分分析进行数据的压缩和提取。

最小噪声分离变换法：

作为高光谱图像的预处理方法，最小噪声分离变换（MNF）主要用于判定图像数据内在的维数，分离信号和噪声，进一步去除噪声，提高信噪比。该算法的实质是两次层叠的主成分变换。第一次是正向变换，基于噪声的协方差矩阵，对高光谱图像进行去相关和重定标处理，分离并重新调节数据中的噪声，使得噪声成分具有单一方差，且没有波段与波段之间的相关性。经过正向变换的运行，数据空间被分为两个部分：一部分与较大的特征值以及相对应的特征图像相关联，另一部分与较小的特征值以及噪声占主导的图像相关联。依据特征值的大小和对应的图像，可以判定包含相关图像的波段（一般是前几个或十几个图像）。第二次变换是反向变换，对经上述处理后的相关图像波谱子集做标准主成分变换，变换为它们的原始数据空间。由于以噪声为主导的图像在运行反向变换之前被排除，原始数据空间中的噪声将会大大减少。

主成分分析法：

主成分分析（PCA）是一种非常实用的降低数据维数、增强有用信息以及隔离噪声信号的算法。它采用线性变换将数据转换到一个新的坐标系统，得到的新变量是原始变量的线性组合，且彼此之间互不相关，使数据的差异达到最大，同时前几个新变量要尽可能多地表达原始变量的数据特征。

对高光谱图像进行主成分分析后，得到的主成分波段图像是原始波段图像的线性组合，且每个主成分图像之间互不相关。第一主成分图像包含最大的数据方差百分比；第二主成分图像其次；主成分图像的波段越靠后，其包含的方差百分比越小，噪声信号越大，图像质量越差；最后几个波段的主成分图像包含的方差百分比很小，显示为噪声。