高光谱图像因为含有很大的信息量,使其在多种应用(医学、农作生产、矿物勘探等)方面具有很大的价值。但是较多的波段给高光谱图像的分类、识别造成了很大的困扰。因此在保证高光谱图像的应用价值的同时,对其降维处理是很有必要的。高光谱图像降维技术主要分为波段选择以及波段提取。相较于波段提取,高光谱图像波段选择不会破坏原本图像本身的物理属性,其结果解释性更强。对高光谱图像进行波段选择的实质是在对决策属性没有影响或者很少影响的情况下,将冗余波段剔除,获取核心知识。粗糙集理论是一种研究不确定性和不精确性的数学工具,它的优势正好是在不丢失有效信息的情况下,获取核心知识。基于此,本文将粗糙集理论应用于高光谱波段选择中。同时考虑到高光谱图像数据量大的特点,本文结合大数据并行化框架Spark,对基于核模糊粗糙集的高光谱波段选择进行并行化处理,降低算法的计算时间。本文的主要研究工作和创新点如下:1.为了减少高光谱波段图像间的冗余,降低运算时间,为后续分类任务提供有效支持,本文给出了一种基于核模糊粗糙集的高光谱波段选择算法。高光谱图像相邻波段间相似性较强,为进一步有效地度量波段的重要性,引入核模糊粗糙集理论。考虑波段中类的分布特性,根据波段的下近似集分布定义波段间的相关性,进而结合波段的信息熵定义波段的重要度。采用最大相关性最大重要度的搜索策略对高光谱图像进行波段选择。最后在常用高光谱数据集Indian Pines农业区上进行测试,实验结果表明本文算法在处理高光谱波段选择问题时具有一定优势。2.如何准确的衡量波段的重要性并确定波段的组合是高光谱波段选择的难点。多核模糊粗糙集模型能够对包含不确定性的数值数据进行分析和近似描述。蝗虫优化算法对优化问题求解具有较强的探索和开发能力。基于此,本文给出了一种基于多核模糊粗糙集与蝗虫优化算法相结合的高光谱波段优选算法。在Indian Pines农林区数据集上进行测试,相较于其他波段选择算法具有一定优势。3.针对高光谱图像数据量大,计算时间耗费大的特点,利用Spark并行化平台对本文给出的基于核模糊粗糙集的高光谱波段选择进行并行化处理。将高光谱数据集进行行列转置,通过map算子并行计算多个波段的下近似分布的方式,减少算法运行的时间。随后通过collect行动算子将各个波段下近似分布情况收集到Driver端,进行波段相似度计算。在Indian Pines和Salinas Scene高光谱数据集上的实验结果说明了在较大规模的高光谱数据集上,本文提出的并行化算法的可行性。