高光谱遥感图像的特征选择方法有哪些？

在高光谱遥感图像降维中，特征选择主要是从所有的几十或者几百个波段中选出若干个波段，用于后续的高光谱图像的分类识别或目标检测等，这些波段保证是最有效的组合方式，能够在识别或检测过程中得到最高的精度和最好的效果。特征选择针对特定应用目标，从海量信息中选取若干有效波段用于分析，在保证精度的同时降低数据量、提高运算效率。

特征选择是选出原始特征空间中的某个子集，该子集是一个简化的特征空间，包含了主要的光谱特征。对于高光谱图像来说，每个波段都可以看作一个特征，因此特征选择的过程也可看作波段选择的过程。目前，高光谱图像的波段选择方法主要有以下几种。

(1)基于信息量的波段选择方法

图像的信息量可以用多种标准来衡量，但由于高光谱图像数据之间存在高相关性，那些相关性高的波段组合未必能获得最高的信息量，因此基于信息量进行波段选择时，应选出那些信息量大而相关性小的波段组合。波段选择时主要考虑的因素是熵、方差、协方差矩阵行列式以及最佳索引因子。

①熵与方差

熵可以用来表征信息量，它是总体平均意义上的概念。

②协方差矩阵行列

在选择多波段图像的波段组合时，可以利用N维数据熵值原理来选择最优波段组合。

③最佳索引因子法

Chacez等提出了利用最佳索引因子来选择最佳波段组合的方法。

 (2)基于类间可分性的波段选择方法

对高光谱图像数据进行分类时，需要分析地物类别在哪些波段或者波段组合中容易区分，即高光谱各波段及各地物间的类间可分性。一般地，地物的类间可分性可以针对单波段也可以针对多波段组合来计算，主要计算已知地物类别在单波段或波段组合中的统计距离，包括均值间标准距离、离散度、Battacharyya 距离(B距离)及J-M距离等。通常情况下，均值间标准距离表示地物类别在单波段中的可分性，而离散度、B距离及J-M距离等则代表地物类别在波段组合中的可分性。