高光谱数据的特征提取具有哪些特殊意义？

光学遥感中的通道响应被称为特征，像元各通道的测最值构成维数为通道数的特征空间。从多光谱到高光谱.波段数大最增加，波段宽度极大地降低，因而对地面目标的光谱特性的测度也就更加细致，对物质特性的描述也更精确，这是不容置疑的。相对于多光谱数据来说，高光谱数据的特征提取具有特殊的意义，这主要表现在三个方面。

(1)数据量急剧增加

即使不考虑量化因素，由于波段的增加，在相同地面分辨率和覆盖区域的情况下,高光谱数据量将比传统多光谱数据量多出1~2个数量级,这为数据的存贮与管理带来了压力;同时超多波段的图像序列使图像显示相当繁琐。因此研究数据压缩技术对成像光谱信息存贮与管理尤其重要，而既能减少特征数量又能保存主要信息的特征提取方法对数据显示也具有很重要的意义。

(2)计算量增大

数据的膨胀导致计算机处理载荷大幅度增加。虽然硬件与软件技术的发展能缓解这一问题，但是追求更为快速有效的实时数据处理是人们的愿望。由于计算量随波段数的增加成四次方增加，寻找有效的降维空间是必要的。

(3)统计参数的估计偏差增大

随着波段数增多，样本的统计参数也越多。为达到比较精确的参数估计，训练样本数应当是所用波段数的10倍以上,达到100倍时方能得到满意的效果。然而训练样本数在遥感图像的监督分类中往往是有限的，样本的选择既费时又昂贵，难以获得足够的训练样本以保证对参数的精确估计,采用统计分类方法的可靠性大为下降。同样的原因，采用最大似然分类时，在样本数不变的情况下,分类精度随所使用波段数的变化呈现出Hughes现象:在样本数一定的情况下分类精度随波段数增加上升到定程度后开始下降。 由于平均分类错误率与许多因素如特定样本的选择、分类器的选择以及假定的概率结构有关,因此分析一般情况下分类错误率与特征数之间的关系比较困难。在高光谱遥感数据中，更多的波段意味着能够分离出更多的类别，然而受训练样本数的限制,分类器的性能也受到限制。