高光譜成像技術作為一種新型的多維成像技術，可以準確的獲取樣本的光譜信息和圖像信息，對樣本進行定性與定量的分析，具有“圖譜合一”的特點。目前，被廣泛的應用于精細農業、生物醫藥等行業。那么，高光譜成像技術有什么優點？高光譜成像技術光譜圖像怎么分析？本文對高光譜成像技術的優勢及高光譜圖像數據的分析方法做了介紹。
什么是高光譜成像技術？
作為一種將傳統的空間成像分析技術和光譜分析技術融為一體的光學檢驗技術，高光譜成像技術擁有更高光譜分辨率、更廣光譜波段范圍、更豐富數據信息。高光譜圖像不僅僅能實現在成百上千個連續的可見光、紅外、近紅外等廣泛的光譜區域成像，亦能記錄目標的空間位置信息。在選定的波長范圍中捕獲圖像中所有點的光譜信息、所有波段的圖像信息以及待測目標相應的輻射強度，空間位置信息與光譜圖中的特征峰信息結合對待測目標進行識別、鑒定、分類。
高光譜圖所提供的大量信息及其相關性為進一步的檢驗分析提供可行性。針對所得的光譜圖進行研究分析，可根據檢驗要求及其譜圖特征，選取合適的數據定標類型如輻射定標、光譜定標、空間幾何定標。
高光譜成像技術技術的優勢：
雖然高光譜成像技術與多光譜技術均是以成像光譜儀檢測目標物質的物理性質與化學成分，但高光譜具備較高的納米級光譜分辨率，是與全色和多色光譜成像相比較的顯著優勢，與二維圖像數據最大的區別則是在顯示檢材空間位置的同時，保存檢材在不同波段下的反射率。在此，可以概括出高光譜圖像的優勢：
①“信息三合一”，通過高光譜圖像得到的三維立體數據，可形象地表征物質輻射強度、空間信息和光譜信息之間的關系，融合了這三種信息后能夠得到更佳的研究效果；
②更為豐富的數據信息，多光譜技術只能在幾個波段范圍捕獲光譜信息，而高光譜成像技術以高達0.01數量級的光譜分辨率連續成像；
③譜圖連續性，通過成百上千個光譜數完成成像，能從光譜維度讀取出連續的光譜曲線。豐富的數據可得到復雜模型對待測物進行識別、鑒定與分類；
④與傳統的譜圖維度信息相比，高光譜數據維度高，包含的信息量多且隨波段數增加而增加，空間位置信息及光譜波段信息相關性高。在圖像分析處理方面，與通過調整圖像RGB組合相比得到的結果更理想。
高光譜成像技術高光譜圖像數據的分析方法：
高光譜圖像處理分析方法不勝枚舉，在圖譜數據處理過程中，有如下基礎方法。
1.高光譜圖像預處理
高光譜圖像因其攜帶大量的數據信息，增強了技術的檢測能力，同時也增大了信息的冗余量，因此在預處理階段的主要目的即對立體數據進行降維處理。在保存感興趣特征的同時減少數據信息量，降低處理信息的時長與難度同時增強數據分析的精確度。目前，較為普遍的高光譜圖像預處理方法有特征選擇和特征提取兩種方法。
特征選擇是指從最初波段中直接選取有效的特征波段，達到降低數據維度的目的。特征提取是指通過對一個或若干個原始波段的屬性關系進行組合變換，得到新的特征屬性。光譜信息的冗余量與相關性取決于波段的寬窄度，因而選取最優波段是圖像降維度過程的關鍵要素。實際檢驗鑒定中常通過多種降維方法交叉結合使用，來達到最佳的檢驗結果。如基于主成分分析、基于高階統計量的獨立元分析、最小噪聲分離變換、傅里葉變換、基于核函數和基于神經網絡的非線性特征分析等。
2.數據特征分析
根據檢材在光譜圖中的不同特性信息反映，選取不同分類模型對不同類別的待測目標進行分類。使用計算機分析處理作為輔助方法，彌補鑒定人員的視覺鑒別傳統方法的不足，如最大似然比分類、卷積神經網絡分類方法等等。作為機器學習方法之一的監督學習，通過對已知標簽的特征進行提取學習，構造訓練函數完成對未知樣本的分類檢驗任務，如K近鄰法、馬氏距離分類、最大似然法、最小距離法、光譜角分類法等等。另一種非監督分類則是直接對光譜信息進行特征提取，統計差別進行分類，如K-均值、ISODATA（迭代自組織數據分析）等。對高光譜圖進行數據分析的過程中，通過總體分類精度對分類方法進行評價，選擇最有效的分類方法而獲得最佳結果。
