高光譜成像技術是一種結合光學成像與高分辨率光譜探測的三維信息獲取技術，它不僅可以獲取樣品的光譜信息，還可以采集樣品的圖像信息，因此具有“圖譜合一”的特點。本文對高光譜圖像數據的組成及其特點做了介紹，感興趣的朋友可以了解一下！
高光譜圖像數據的組成：
高光譜數據，可表示為高光譜數據立方或高光譜立方，是三維數據結構。高光譜數據可視為三維圖像，在普通二維圖像之外又多一維光譜信息。其空間圖像維描述目標物的二維空間特征，其光譜維揭示了圖像每一像元的光譜曲線特征，由此實現了遙感數據圖像維與光譜維信息的有機融合。
1.空間圖像維：在空間圖像維，高光譜數據與-般的圖像相似。
2.光譜維：從高光譜圖像的每一個像元中可以獲得一個連續的光譜曲線。采用基于光譜數據庫的光譜匹配技術，可以識別地物。同時大多數地物都具有典型的光譜波形特征，尤其是光譜吸收特征。這些特征與地物成分是密切相關的，因此對光譜吸收特征參數（吸收波長位置、吸收深度、吸收寬度）的提取將成為高光譜信息挖掘的主要方面。
高光譜圖像數據的特點：
1.紋理豐富復雜，空間相關性低于普通圖像。因為高光譜圖像的分辨率為幾米，地面目標可能只占幾個像素，像素值的連續性較差，相關性較低。
2.波段多，光譜分辨率高，光譜間相關性較強。
3.空間分辨高。高的光譜分辨率和空間分辨率是遙感技術發展的兩個方向，這兩個方向有趨于統一的趨勢。
4.相似的地表區域具有相似的光譜曲線。高光譜圖像包含很多波段，每個波段都是由傳感器在某特定波長所接收到的強度返回值。由于地表反射和大氣吸收都是依賴于波長的，每個像素在光譜域形成的亮度矢量具有相似的形狀，每個像素矢量的精確形狀則依賴于該像素表示的地面類型。
5.由于波段多，狹窄且連續，使得高光譜數據量巨大、相關性大，尤其在相鄰的波段間，具有很大的數據冗余。
高光譜圖像數據的處理方法：
盡管成像光譜儀具有其獨特的優越性，但由于高光譜遙感數據具有多、高、大、快等特點，即波段數多（幾十個甚至幾百個），光譜分辨率高（納米級），數據量大，數據率高（從每秒數兆到每秒數百兆），巨大的數據量為應用和分析帶來不便，因此產生了許多新的數據處理方法對高光譜數據進行處理。具體如下：
1.基于純像元的分析方法
（1）基于成因分析的光譜分析方法
基于成因分析的方法研究地物的光譜特性，從地物光譜特征上發現表征地物的特征光譜區間和參數，最常用的是各種各樣的植被指數。這種方法普遍用于NSS和TM圖像的處理和分析應用中。成像光譜儀問世以后，許多研究人員沿用了這種方法，利用成像光譜儀數據的高光譜分辨率，選取影像的波段，發展了許多更為精細的植被指數。與此相對的方法，是地物光譜重建和重建的光譜與數據庫光譜的匹配識別。這一方法通過對比分析地面實測的地物光譜曲線和由成像光譜儀圖像得到的光譜曲線來區分地物。為了提高成像光譜儀數據分析處理的效率和速度，一般要對這些曲線進行編碼或者提取表征曲線的參數。“光譜匹配”是利用成像光譜儀探測數據進行地物分析的主要方法之一，但由于野外實際情況的復雜性，很難建立一個比較通用的地物光譜庫，這就限制了利用該法進行分析，日前僅僅在比較小的范圍內（如巖石成分分析等）取得成功的運用。
（2）基于統計分析的圖像分類和分析
基于統計分析的圖像分類和分析認為每一波段的圖像為隨機變量，基于概率統計理論進行多維隨機向量的分類。成像光譜儀圖像波段多，分類很大程度上受限于數據的維數，面對數百個波段的數據，如果全部用于分類研究，在時間上往往是無法接受的。因此在圖像分類之前必須壓縮波段，同時又要盡可能地保留信息，即進行“降維”的研究。目前，壓縮波段有兩利途徑，一是從眾多的波段中挑選感興趣的若干波段；二是利用所有波段，通過數學變換來壓縮波段，最常用的如主成分分析法等?；诮y計分析的圖像分類和分析在理論上比較嚴謹，所以需要有充分的數據的地學特征，否則得到的結果有時是不明確的物理解釋。
2.基于混合像元的分析方法
由于傳感器空間分辨率的限制以及地物的復雜多樣性，混合像元普遍存在于遙感圖像中，對地面地物分布比較復雜的區域尤其如此。如果將該像元歸為一類，勢必會帶來分類誤差，導致精度下降，不能反映真實的地物覆蓋情況。
概括起來，混合模型主要有兩類，即線性光譜混合模型和非線性光譜混合模型。線性混合模型是迄今為止最受歡迎且使用最多的一種模型，其突出優點是簡單。雖然它只能分離與波段數目相同的類別，但對于有著數百個波段的高光譜數據，完全可以克服這種限制。對于非線性混合模型可以利用某些方法來使之線性化，從而簡化為線性模型。
