王小宁，宋伟东

(辽宁工程技术大学 测绘与地理科学学院，辽宁 阜新 123000)

0 引言

高光谱遥感处在当今遥感技术发展的前沿领域，相比于传统的遥感技术，高光谱影像具有更为丰富的地物信息，对于准确实现目标识别和地物分类等至关重要[1]。但Hughes现象严重影响高光谱数据的应用效率，采用数据降维的方式提取高光谱影像中有利于区分不同地物目标的信息是解决Hughes现象的重要手段。

主成分分析(principal component analysis，PCA)变换是一种最常用的降维算法[2]，通过在低维空间中找出几个互不相关的主成分来表示高维数据，实现数据的降维。该算法可以滤除影像波段间的二阶相关性，将有效信息集中于前几个主成分。然而高光谱影像各波段间相关性差异较大，对于相关性较弱的不同波段，基于全局统计特性的PCA变换降维效果不理想。此外，因该算法忽略波段间的重要性差异，不能有效处理那些对于特征值贡献较小，却对分类结果至关重要的波段，导致无法充分利用高光谱数据的差异性信息。为此，Chen等[3]提出一种改进算法，即加权主成分分析(weighted principal component analysis,WPCA)。其基本思想是根据不同波段特征在后续分类过程中所起作用的程度，定义相应权值，以达到在影像降维过程中保留重要信息的目的。

PCA变换对噪声和异常值较为敏感，若影像中包含过多噪声或异常值，则严重影响影像降维效果。为了克服以上缺陷，Green等[4]提出最小噪声分离(minimum noise fraction，MNF)变换。经MNF变换后的数据按照信噪比大小进行排列，在一定程度上能够克服噪声对影像质量的影响。……