1.一种噪声鲁棒的高光谱图像波段选择方法，其特征在于包括以下步骤：A寻找合适的波段相似性度量方法，确定子空间划分依据，构建高光谱图像波段相关系数矩阵；

A1列举常用的波段相似性度量方法，主要包括距离度量和相关性度量；

A2展示各种波段相似性度量方法在高光谱遥感图像上的可视化矩阵，观察对比各种波段相似性度量方法的特性，选择合适的波段相似性度量方法；

A3将步骤A2中所选的波段相似性度量方法作为子空间划分依据，构建高光谱图像波段相关系数矩阵；

B依据步骤A所构建的高光谱图像波段相关系数矩阵构建子空间划分最优目标函数，自适应地调整子空间的分割点，得到划分后的若干子空间；

B1将高光谱图像视为有序数据，根据所选的代表波段的数量K将高光谱图像光谱波段等分为K个子空间，记录各个子空间的分割点；

B2依据相关系数矩阵构建子空间划分最优目标函数，明确子空间划分标准：子空间内部相关性较大，各个子空间之间的相关性较小；

B3根据所述最优目标函数自适应地调整步骤B1中各个子空间的分割点；

B4利用步骤B3中自适应调整后的分割点，确定调整后的子空间区域范围，得到划分后的K个子空间；

C制定波段搜索准则，依据搜索准则在各个子空间中挑选最具代表性波段组成代表性波段子集；

C1明确选择各个子空间中信息熵大且噪声水平低的波段作为代表性波段的标准；

C2根据步骤C1中的代表性波段选择标准制定波段搜索准则；

C3依据波段搜索准则在各个子空间中挑选最具代表性波段；

C4将代表性波段组成代表性波段子集；

步骤A中具体包括以下步骤：

A21相似性度量方法中的距离度量以欧式距离为例，相关性度量以皮尔逊相关系数为例；

A22以未去除噪声波段的Indian Pines数据集为例，展示欧式距离与皮尔逊相关系数的可视化矩阵；

A23观察对比欧式距离与皮尔逊相关系数的可视化矩阵，依据欧氏距离度量波段间差异时，噪声波段与非噪声波段间的距离较大，但噪声波段之间的距离较小；依据皮尔逊相关系数度量波段间差异时，噪声波段之间的差异较大；

A24选用抗噪能力较强的皮尔逊相关系数度量波段间相关性，皮尔逊相关系数基于波段间的协方差和波段标准差计算两个波段的相似度，设高光谱数据集X＝[x1,x2,…,xL]∈N×LR ，N和L分别代表高光谱图像的像素数和波段数，第i个波段xi与第j个波段xj的协方差为cov(xi,xj)，xi与xj的标准差分别是 和 通过公式(1)可进行计算第i个波段xi与第j个波段xj的皮尔逊相关系数ci,j：A25根据步骤A24中皮尔逊相关系数的计算方法，构建高光谱遥感图像波段相关系数矩阵A，如公式(2)所示：步骤B中具体包括以下步骤：

B21用 表示第k个子空间内部波段的平均相关性， 表示第k和k+1个子空间的相关性，记 则 与 可通过公式(3)和(4)进行计算：式中，Bk代表划分后的第k个子空间，|Bk|为第k个子空间的波段数，初步定义子空间划分的目标函数：式中，tk为第k个子空间与第k+1个子空间之间所有可能的分割点，为最佳分割点；

B22由于公式(5)倾向于将连续噪声波段单独划分成一组，因此使用乘积运算取代公式(5)分子式中分母项的求和运算，改写后的目标函数可表达为：结合公式(3)与公式(4)，公式(6)可以写成：B23将自适应子空间划分优化问题的目标函数最终定义为公式(8)：B24根据步骤B23最终定义的最优目标函数自适应地调整子空间的分割点，得到划分好的K个子空间；

步骤C中具体包括以下步骤：

C21通过公式(9)计算各个子空间中波段的信息熵；

式中Ω代表图像灰度空间，p(z)表示图像中灰度值z出现的概率；

C22将每个波段图像划分为M×M像素大小的小块，每个波段图像中小块的数量记为W；

C23对每个波段，分别通过公式(10)和公式(11)计算每个小块的局部均值和局部方差：2

式中，M 是像素数，Si是块中第i个像素的值；将每个波段图像中W个块的最大值和最小值之间的差异分为等宽的k个箱式中，maxLV表示最大方差，minLV表示最小方差，α表示分区粒度；根据局部方差LV的值，将W个块分配到这些箱中，并对每个箱中的块数进行计数；块数最大的箱对应于波段图像的估计噪声；

C24综合考虑波段的信息熵和噪声水平，引入噪声水平作为目标函数的惩罚项，提出新的波段信息量度量准则，通过公式(13)定义波段搜索准则的目标函数：其中，E(xi)和N(xi)分别代表波段xi的信息熵和噪声水平，λN(xi)为惩罚项，λ为惩罚系数，通过实验选取使波段选择结果最优的λ值；

C25选出各个子空间中最具代表性波段yk，并组合成代表性波段子集Y。