??? 圖1給出了某一地物類型128個波段的光譜曲線，地物類型不同，各波段反射率也不同，因此，光譜曲線代表了高光譜遙感圖像最本質的特征。
??? 光譜曲線的特征提取是一個降維過程，它建立在各個光譜波段間的重新組合和優化的基礎上。在經過特征提取后的光譜特征空間中，新的光譜特征矢量應該能夠反映特定地物類型的光譜參量。本文采用光譜曲線的參量化技術對光譜曲線進行特征提取。常用的光譜曲線參量化技術有：光譜斜率和坡向指數、光譜吸收指數、光譜二值編碼、光譜微分以及光譜積分等[4]。
??? 光譜積分就是求光譜曲線在某一波長范圍內的下覆面積，計算公式如下：
　　

式中，p(f)為光譜曲線，[f_i1，f_i2]為第i個特征分量積分范圍。因此，利用光譜積分進行特征提取首先要解決的問題是光譜的波段分割，即確定n個特征分量的積分范圍[f_i1，f_i2]。波段分割方式直接影響到特征矢量的可分性。實踐中，一種想當然的做法是均勻地、首尾相接地分割整個波段范圍，然而這樣做并不能得到最佳特征矢量。本文在光譜積分的基礎上，提出了一種加窗光譜積分的高光譜遙感圖像特征提取算法。它對光譜曲線p(f)乘以1個窗函數w_i(f)，然后再做積分處理，得到第i個特征分量：
　　
　　因此，這里將積分范圍[f_i1，f_i2]選擇轉化為窗函數w_i(f)的選擇。
2 加窗光譜積分特征提取
2.1 波段選擇
??? 由于高光譜圖像的每個波段圖像的像素值是相同區域地物對各個波段光的反射強度值，相鄰波段地物反射率是相近的，由此產生了一定的相關性。設g_k(x，y)代表第k個波段空間坐標為(x，y)的像素灰度值，定義第k波段與第k+1個波段的相關系數為ρ_k，則：
　　
??? 由于天氣的原因以及測量過程中會在一些波段引入噪聲，噪聲可以在一定程度上破壞相鄰波段的相關性。由此，本文定義第k波段與前后相鄰波段相關系數的均值rk作為指標進行波段選擇，以去除噪聲波段：
　　
??? 如圖2所示，圖中橫線為rk的均值，曲線k～rk在k等于65、73、96時得到局部極小點，說明這3個波段是受噪聲影響最嚴重的3個波段。圖3是第65波段的圖像，可以看出，該波段圖像基本上是由噪聲組成，第73和第96波段也是如此，（為節省篇幅這里不予顯示）。本文以rk的均值為門限，保留rk大于其均值(圖2中位于橫線上部)的那些波段，一共96個波段，用于特征提取。

2.2 窗函數設計
??? 如圖1所示的二維光譜曲線，本質上是能量對頻率的函數。不同波段對應了地物對不同發射頻率電磁波的響應。借用子波變換多分辨率分析的思想，本文設計1組波段相互重疊的窗函數來提取光譜曲線特征。
??? 設中心頻率在0的窗函數為：
　　
以能量的3 dB衰減來定義w(f)的寬度b，當能量衰減到

窗函數在3 dB衰減處首尾相接，且能夠實現動態地、非均勻連續地劃分頻域，其中q為第i+1個窗函數與第i個窗函數寬度之比。圖4(a)、(b)、(c)是n=5、帶寬比q依次等于1、1.5、2時的窗函數曲線，圖中已經將窗函數的橫坐標f轉換成波段序號，序號范圍為1～96。

??? 由圖4可以看出，隨著n和q的變化，實現了分析波段的非線性劃分。在實際特征提取過程中，總存在1個n與q的最佳組合，使得特征矢量具有比較好的類別可分性。
3 分類實驗
??? 實驗數據來源于中科院上海技術物理研究所研制的OMIS成像光譜儀獲取的江蘇太湖沿岸的高光譜圖像。光譜覆蓋范圍為0.46～12.85 μm，共128個波段，圖像大小為512×512，選取三類地物類型：水體、道路或建筑物、植被。
??? 為做定量分析，對三類地物類型每一類取500個樣本點，共計1 500個樣本。在所有樣本中，等間隔地抽取的樣本作為訓練樣本，其余作為測試樣本，然后用RBF神經網絡進行有監督分類實驗。表1是參數n=5、q=1、1.5、2時的三類地物類型的正確識別率；表2是參數q=1.5，n=5、10、15時的地物類型的正確識別率。

　　從表1、表2的結果可以看出，水體的識別率最高，植被的識別率最低。這是因為，水體的光譜曲線相對比較穩定，而植被樣本的類間距離相對較大。表1中，當固定參數n=5，q取1.5時，3種地物類型的識別率均高于q等于1、2的情況，說明q的最優取值介于1～2之間。表2中，當固定參數q=1.5，增大n值，3種地物類型的識別率略有提高，但n值增大，增加了分類器的復雜度，因此從實踐的角度考慮，n的合適取值應該在5～10之間。
??? 本文提出了一種基于加窗光譜積分的高光譜遙感圖像特征提取算法。該算法借用子波變換多分辨率分析的思想，設計了一組波段相互重疊的窗函數來提取光譜曲線特征；然后進行有監督RBF神經網絡分類實驗，在實驗過程中確定了相關參數的取值范圍。實驗結果表明，本文提出的加窗光譜積分特征可以有效地描述光譜曲線，獲得了比較好的正確分類率。