如何从图像中选择出分类效果好的波段组合是高光谱图像分类任务的关键问题。针对上述问题，提出一种基于单波段图像类间可分性和波段间相关性的波段选择算法。根据类间可分性原则，采用单波段图像中各类样本点矩阵的均值和标准差来衡量单波段图像的类间可分性，结合波段间的相关系数来选择出类间可分性好、波段间相关性低的波段组合。最后对所提算法波段选择前后的图像和自适应波段选择算法波段选择后的图像进行支持向量机分类。在Indian Pines和Salinas数据集上的分类结果表明，当波段选择的光谱波段数目为20个，分类训练集为每类地物随机抽取20个样本点时，所提算法的总体分类精度较自适应波段选择算法分别提高了7.34个百分点和2.96个百分点。

高光谱数据具有光谱波段多、维度高、数据量庞大的特点, 为了提高高光谱数据的处理速度, 需要进行降维处理, 而波段选择是高光谱降维的基本方法之一。综合考虑, 提出基于高光谱波段选择相关性、信息量及类间可分性的方法。通过虚拟维度确定高光谱图像的本征维数, 并根据波段间的相关系数进行子空间划分; 提出利用基于信息量的离散波段指数, 在各个子空间中计算出最大的波段指数构成子集; 根据类间可分性准则在子空间中选出可分性因子最大的合适波段。利用光谱角匹配选出最适合分类的波段, 组成最后的波段子集, 从而实现波段选择的降维处理。通过实验验证,所提方法与传统的最佳指数和自适应波段选择方法相比, 在一定程度上提高了高光谱图像的分类精度。

随着遥感技术和成像光谱仪的发展,高光谱遥感图像的分辨率不断提高,其庞大的数据量在提高其遥感探测能力的同时,也给分析和处理带来了很大的困难.高光谱波段选择可以有效减少数据冗余,提高分类识别精度和处理效率.因此如何从多达数百个波段的高光谱图像中选择出具有较好分类识别能力的波段组合是亟待解决的问题.针对上述问题,采用基于图论的谱聚类算法,将原始高光谱图像中的波段作为待聚类的数据点,利用互信息描述两两波段间的相似度,生成相似度矩阵.再根据图谱划分理论,将相似度矩阵生成的非规范化图拉普拉斯矩阵进行谱分解,得到类间相似度小且类内相似度大的类簇;然后根据地物类型计算各波段的类间可分性因子,将其作为类簇内进一步选择代表性波段的参考指标,达到降维的目的;最后通过支持向量机与最小距离分类方法对波段选择后的图像分类.该方法区别于传统的无监督聚类方法,采用基于图论的谱聚类算法,并根据先验知识计算类间可分性因子来选择波段.通过与自适应波段选择算法和基于自动子空间划分的波段指数算法的对比实验,结果表明:两组实验当聚类数目达到相对最佳时,该波段选择方法支持向量机图像总分类精度达到94.08%和94.24%以上,最小距离分类图像总分类精度达到87.98%和89.09%以上,有效保留了光谱信息,提高了分类精度.