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。

叶片氮含量(LNC)是判断橡胶树营养状态的一个重要量化指标, 快速准确地检测橡胶树的叶片氮含量对于保证橡胶树的生长和天然橡胶的产量是非常十分必要的。 利用近红外光谱技术对119片橡胶叶片的叶面氮含量进行了定量分析, 建立了高精度的预测模型, 实现了对橡胶叶片氮含量的快速精准检测。 采集海南橡胶叶作物实验对象, 首先使用GaiaField-F-N17E光谱仪测量橡胶叶片的近红外光反射率数据, 波长范围为942～1 680 nm。 然后, 消除光谱数据中的异常样本, 分别使用了三种不同的预处理方法对数据进行处理并比较它们对模型精度的提升效果。 由于橡胶叶片的近红外光谱数据存在着大量的冗余信息和高度共线的光谱特征波段, 因此, 提出了一种基于改进后的模因框架(IMF)的结合竞争自适应重加权采样(CARS)和近邻搜索(NNS)的混合变量选择方法, 采用该算法消除光谱中的冗余信息并进行二次优化, 从全波段中提取28个作为建模波段。 最后, 使用偏最小二乘回归(PLSR)和最终选取的波段建立橡胶叶片的LNC估算模型。 为了验证所提方法的优越性, 进一步使用CARS, 连续投影(SPA)和传统模因算法(MA)的变量选择算法建立模型作为对比。 结果表明, 多元防散射效正(MSC)处理后的光谱曲线和基于IMF框架的CARS-NNS算法所建立的模型在预测集上的表现最佳: 均方根误差(RMSEp)达到0.116, 决定系数(R2p)为0.951, 两项评价指标均优于其他的预测模型。 综上所述, 基于近红外光谱技术和使用混合学习IMF框架构建的预测模型能够很好地揭示光谱数据与橡胶树叶片氮含量两者之间的关系, 可为橡胶林的养分诊断提供必要的技术支持, 保证橡胶树的良好生长, 以提升天然橡胶的产量和质量。

及时准确地掌握土壤重金属含量和分布尤为重要，基于高分五号卫星高光谱影像，对潼关县土壤Cd含量进行大范围反演。为准确筛选Cd元素的特征波段，提高模型反演精度，通过特征编码和随机变异，耦合竞争性自适应重加权算法与遗传算法（CARS-GA），按照先全局后局部的搜索策略对Cd元素的特征波段进行搜索，并在标准正态变换（SNV）、一阶微分（FD）两种光谱增强方式下，比较基于CARS-GA方法与其他波段选择方法（相关系数分析法、CARS算法）构建的偏最小二乘模型（PLSR）精度，最后选择最优模型应用到整个潼关县裸地区域。实验结果表明：采用CARS-GA算法进行波段选择时，基于2种光谱变换数据构建的PLSR模型精度均明显高于相关系数分析法和CARS算法所构建的模型精度，FD光谱变换中验证集的决定系数分别提高了0.288、0.093，SNV变换光谱中验证集的决定系数分别提高了0.372、0.088。该结果表明了利用CARS-GA算法进行波段选择可有效增强Cd含量估测模型的鲁棒性，从而为环境污染评价及生态保护提供更好的数据支撑。

传统基于聚类的波段选择方法多属于硬聚类，在对波段进行划分时不够精确。针对该问题，提出一种基于模糊C-均值聚类（FCM）的无监督波段选择方法，通过引入萤火虫算法（FA）得到FCM-FA，利用FA的全局搜索特性，修正FCM在特定情况下获得局部最优解的问题。在两个公开高光谱数据集上进行分类实验，结果表明：在136组实验中，所提FCM-FA所选波段在55.9%的情况下能够达到使用全波段的分类精度；在77.9%情况下能够达到最优分类精度；FA的引入有效地提升了FCM的效果，总体精度最大提高了3.12个百分点，Kappa最大提高了4.26个百分点。经验证，FCM-FA能够在大幅减少数据量的同时保留原数据的主要信息，可进一步进行推广和研究。

烟草是我国重要的经济作物, 税收的重要来源, 为国家的经济发展做出了巨大贡献, 然而, 烟草病害严重影响烟叶产量与品质。 采用光谱分析技术对烟草病害进行早期防治具有非常重要的现实意义。 以接种烟草花叶病毒(TMV)与马铃薯Y病毒(PVY)的烟草为研究对象, 分别采集室内与室外培养的染病烟草叶片高光谱数据。 为实现对烟草病害的精准识别, 每隔两天对两种染病烟草进行光谱数据采集, 将每种病害数据详细地分成五个严重度等级, 最终获得1 697个在350~2 500 nm波段范围内的光谱数据。 为对烟草高光谱数据进行有效利用, 以支持向量机(SVM)为基础, 结合快速近邻波段选择算法(FNGBS)与归一化匹配滤波(NMFW), 提出一种聚类与排序相结合的波段选择算法(FNG-NMFW)。 FNG-NMFW首先采用FNGBS算法对烟草光谱进行精细分组, 再采用NMFW算法对各组波段进行排序以选择特征光谱, 实现烟草光谱特征提取与降维。 在波段选择的基础上, 采用SVM对烟草特征光谱进行分类, 最终实现高精度烟草病害检测。 研究结果显示: 该模型性能稳定, 在样本数量较少情况下, 即可实现TMV与PVY两种病害的高精度识别。 对于TMV1与TMV3, 该算法可以获得精度优于94%的检测结果, 对于PVY1与PVY3, 该算法精度接近90%, 表明该算法可有效完成两种病害早期的识别与预防工作。 与采用全波段光谱数据进行病害检测的模型相比, FNG-NMFW模型优势明显, 烟草病害检测结果总体精度达94.46%, 精度提高约1.5%, 检测时间由12.9 s缩短为1.1 s。

波段选择是降低高光谱数据维度，减少数据过多冗余的有效手段，是高光谱影像像素分类的重要前提。其本质上是一个复杂的组合优化问题，用传统的搜索方法不易得到满意的解。针对上述问题，提出了一种结合黄金正弦和混沌斑鬣狗算法（GSSHO）的高光谱波段选择方法。首先，使用混沌策略初始化斑鬣狗种群，提高种群的随机性和多样性；然后，用黄金正弦算法改进原始斑鬣狗算法搜索个体位置更新方式，提高算法的全局搜索能力；最后，设计结合分类精度和波段个数的适应度函数，对算法优化性能进行评价。在高光谱遥感数据集上，将该方法与其他先进优化算法进行比较，实验结果表明，该方法所选波段个数接近原波段的1/10，对于Pavia Centre数据集分类精度高达99.08%，优于其他对比方法，能以更合理的收敛方向找到最优解，所选波段数更少，分类精度更高，是一种高效的波段选择方法。

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。

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。