高光譜成像技術在數據挖掘方面表現了可觀的潛力，但也導致了巨大的難題。那么，高光譜成像技術的局限性在哪呢？本文根據已有研究資料，進行了簡單總結。

在早期的遙感圖像處理研究中，人們就注意到了 Hughes現象的存在。Hughes從統計模式識別的觀點指出，在監(jiān)督分類問題中，給定有限數目的訓練樣本，當特征維數增加到一定數量時，分類精度可能會隨著特征維數的增加相應地減小。這種現象和使用高光譜的初衷產生了矛盾，因為采用高光譜分辨率和維特征表達是為了能夠更精細地描述目標類別以及更準確地辨別目標屬性但是事與愿違，數據的復雜度導致了令人失望的解譯結果。這個問題實際上是數學上所說的維數災難，變量維數增加會導致解決問題的難度呈指數倍地增長這限制了解決問題的能力。在高光譜遙感圖像解譯應用中，?Hughes現象非常容易產生，這里有兩個原因，一是在統計意義上數量足夠充足且具備代表性分布的地面真實標簽樣本非常難獲取;二是通常假定訓練數據和測試數據服從同樣的數據分布，但是地物場景是復雜的，用有限數量的訓練樣本很難精確描繪出數據空間的真實分布情況，這個可以看作數據集合的遷移問題，當學習模型的可遷移性較差時，單純追求解譯精度可能導致預料之外的過度擬合，造成解譯的結果不可靠也不穩(wěn)定。而從概率論的角度，也能夠比較容易地解釋這個問題，根據概率論中的大數定律，當重復實驗的次數足夠多時，對事件發(fā)生的頻率所進行的統計才會無限接近于事件本質上發(fā)生的概率。對訓練樣本的學習就像是對隨機事件的頻率統計，當訓練樣本數目足夠多時，統計的結果才能近似于測試樣本的真實概率分布。根據統計學習的有關知識，如果訓練樣本數量不足或者分布不具有廣泛的代表性，就很難得到可靠的解譯模型，學習的泛化能力很差；

人們常用圖譜合一來形容高光譜遙感圖像的數據構成，這是其光譜成像原理的結果，這種特性給多源特征的聯合分析提供了有力的支持，在以分辨率精細的光譜信息進行解譯的同時，可以利用圖像信息輔助改善解譯效果。融合圖譜信息的解譯方法一般分為兩種:一種是在特征層面，將空間紋理特征和光譜特征組合后同時解譯;另一種是在決策層面，在光譜解譯之后，按照空間近鄰關系對解譯結果進行修正。這種多源信息的融合也存在一些困難，首先，如果同時解譯紋理特征和光譜特征，研究者所要面對的特征空間會更加龐大，?Hughes現象會更加凸顯;其次，引入了空間信息，就意味著需要引人更多的先驗知識才能夠更精確地解譯目標，比如形狀、近鄰關聯等方面的信息；

光譜在空間上的變動也是由空間造成的。物質自身的異質性、圖像分辨率、混合像素、噪聲等因素都可能導致光譜的變動。這樣的變動可能會造成兩個對解譯不利的影響:一個主要的影響是使得同類地物的光譜有了起伏，包括光譜幅度和光譜角度的差異，容易在解譯過程中導致辨別的遺漏和錯誤;另一個是有可能使得不同目標的光譜在經過擾動之后，原本不明顯的光譜差異被淹沒。這兩方面客觀上是引入了對類內和類間進行辨別的歧義性；

通常遙感圖像的數據量很大，特別是高光譜遙感圖像，成百上千幅光譜圖像占據的龐大數據量增加了運算和存儲的資源消耗。在高維特征空間中，每個點的位置都由高維坐標表示，目標樣本的特征、距離等變量的計算都要涉及這些坐標，也就需要昂貴的運算代價，降低了高光譜數據解譯的效率。電子元器件的運算速度和存儲能力的逐漸提高，能夠在一定程度上緩解數據量帶給解譯技術的壓力。但目標解譯技術最終的發(fā)展要求是能夠嵌入實時處理系統。因此在保證解譯精度的前提下適當改進解譯方法的計算效率，能夠促進解譯技術的應用。