作为遥感领域的新兴技术, 高光谱成像为遥感影像处理分析和计算机视觉提供了海量内容。 高光谱图像的优势在于电磁波谱的范围广度与高分辨率, 能够将地物目标的光谱反射特性和差异特征更全面地表现出来, 广泛地应用于地物分类、 目标识别、 异常检测等领域。 但是, 高光谱图像由于数据量繁重、 信息重叠冗杂等问题, 给图像处理、 存储和传输带来一定挑战。 选择合适的光谱波段可以在不改变原图像物理信息的情况下, 达到较好的图像处理成果。 为设计适合数据降维和目标地物分类的波段选择方法, 提出将视觉显著性模型应用到波段选择方法中。 首先引入基于图像空间分布的目标显著性算法进行波段图像处理得到目标显著图; 其次, 利用目标显著图分析地物之间在每一波段图像中的可分离程度定义为波段显著性。 为避免波段信息重叠, 在波段选择之前利用谱聚类算法将波段划分为若干子空间。 然后在子空间内依据波段显著性降序排列, 选择各子空间中目标显著性表现较好的波段组成波段子集; 最后, 在GF-5采集的高光谱图像数据进行方法验证, 筛选有效的目标显著性算法, 与常用的波段选择算法进行分类精度比较。 结果表明, 基于LC目标显著性算法的波段选择子集, 在SVM分类器中具有优异分类结果, 总体分类精度和Kappa系数达87.780 0%和0.805 3, 优于应用全波段和其他三种波段选择方法的结果子集。

为了快速揭露植被伪装, 基于Relief-F算法进行了高光谱波段选择, 将高光谱研究问题转化为多光谱应用问题。首先以常见植物云杉模拟植被伪装目标, 利用HH2地物光谱仪采集实验数据, 然后引入Relief-F算法筛选特征波段子集, 与其它两种常用算法得到的波段子集进行了分类实验。结果表明, 使用Relief-F算法筛选特征波段子集分类精度达96.4%, 高于其它两种算法。该研究对于揭露植被伪装问题是有帮助的。

卵巢癌是一种发病率和致死率极高的女性妇科疾病。 目前卵巢癌的临床诊断主要依靠病理学检测, 超声法以及检测血液中肿瘤标志物CA125, 但是上述几种方法都存在其固有的缺陷。 本研究提出应用拉曼光谱结合偏最小二乘-判别分析（PLS-DA）模型, 实现在分子水平上判别诊断卵巢癌。 拉曼光谱在正常组织与癌组织之间存在反映其癌变过程物质结构变化的微小差异。 因此, 通过结合PLS-DA数据模型分析拉曼光谱信息, 能够将微小差异放大化, 捕获生物分子的显著特征。 在研究中, 模型的变量数目选择其分类错误率最小时的数值, 即隐变量的数目为5, 能够捕获大量的官能团特征性信息, 通过分析隐变量的p值大小可知5个隐变量均可实现对正常组织与癌组织的有效区分, 并且第一个隐变量具有最明显的区分结果。 通过模型运算结果可知, 该模型对卵巢癌判别的准确性达到852%（其中灵敏性为862%, 特异性为854%）。 研究结果表明, 拉曼光谱技术, 通过与PLS-DA模型相结合, 可作为卵巢癌临床诊断中的辅助诊断方法, 从分子水平上实现对卵巢癌的诊断判别。