高光谱遥感图像分类中的Hughes现象有哪些？

高光谱遥感图像能够提供几乎连续的地物波谱曲线，大大减少了分类过程中由于波谱信息不足而造成的不确定性。但是，当使用监督分类算法对高光谱图像进行分类时，随着图像的波段增加，要求训练样本数目急剧增加。经验表明，当训练样本数目是样本维数的6～10倍的时候能够得到很好效果，而训练样本数目是波段数目的100倍时才能得到较理想的效果。这种要求对于有上百个波段的高光谱遥感图像来说是难以做到的。当训练样本数目有限时，分类精度先随有图像波段数目的增加而增加，但到达一定极值后，分类精度随着波段数目的增加而下降。

Hughes给出了该现象的数学证明，横坐标“测量复杂度"为特征向量所有可能取值的总数。对于一个二维的特征向量，如果每一维特征有10种不同的取值可能，那么其测量复杂度为100。由于该结论是对所有可能的情况的平均，在实际问题中最优测量复杂度往往高于图中所给出的最优值，但是总体趋势是相同的。根据Hughes曲线规律，传统的统计分类方法需要大量的训练样本,但这是不现实的。美国Purdue大学David Land grebe教授领导的研究小组对此问题进行了长期深入的研究，提出了一系列的解决方法，如通过特征提取算法降低维数,改进方差估计方法,标识样本与无标识样本相结合等。这些方法可以在一定程度上减弱Hughes现象，提高分类精度。