高光谱数据的可视化方法有哪些

1、基于空间变换。使用简单的线性变换将原始高维数据从光谱空间变换到彩色空间，然后在这个彩色空间内显示，从而获得高对比度图像。

2、基于固定线性光谱加权封装方法。人类彩色视觉系统可以这样建模，将全光谱图像依概率投影到3个光谱滤波器，它们分别对应3种类型的视锥细胞。每一组的3类视锥细胞综合接收的光子数，取决于视锥细胞的灵敏度。类似地，根据人眼看到可见光的原理，将可感知的波长范围拓展，延伸到整个高光谱波段覆盖的光谱范围。为了可视化而将离散的高维图像降维，通常是将全波段的光谱图像集，利用3个基础函数变换到三数值向量。通常情况下，所选的基函数都是类似人类视觉特性的固定函数。

3、基于矩阵 变换的降维方法。该方法是利用现有的线性或 非线性数据降维方法，将高维区光谱数据的光谱维度降到三波段，之后将归化后的 3个波段数据作为彩色空间的三通道数物进而得到彩色输出图像。可使用的降维方法有主成分分析、独立成分分析、等距映射、局配线性嵌入、拉普拉斯特征映射等。由于各种降维方法如今已发展得较为成熟，因此，这种基于午阵变换的可视化方法，也是当今较为常用的显示高光谱数据的方法。

4、融合方法。此处使用的融合数据可以是单一-高 光谱数据立方体，可以是同-传感器获得的同空间目标不同时间获取的数据，也可以是不同传感器获得的多个高光谱数据。将高维高光谱数据在光谱维方向上进行数据融合，或者将具有不同特征的数据与高光谱数据相胞合。这种给原始数据中不同特征加以不同权重，随后使之加权的方法，可以根据不同的观察需要选择重点显示所注意的特征。然而，这种需要特征筛选的方法往往也意味着更大的内存需求和更高的计算量。

5、遵循某种信息保持准则的优化方法。将含有海量数据的高光谱数据立方体在低维中显示时，不可避免地会损失一部分信息， 但是这些信息并非全部都是观察者所关注的信息，因此，这种方法便是根据数据特征及观察需要选取一个特定的优化准则， 将原数据按照该准则进行优化，以使输出图像中能够保留尽可能多的有用信息。