特征提取对于太赫兹光谱识别来说至关重要。 传统方法是通过人工选取太赫兹光谱中差异性较大的吸收峰作为特征进行光谱识别, 但当部分物质在太赫兹波段没有明显波峰、 波谷等光谱图形特征时, 这种方式便不再适用。 为此, 研究人员利用统计学习与机器学习方法对高维太赫兹光谱数据进行降维和特征提取。 由于物质的太赫兹光谱数据各维度呈现非线性, 尤其是当不同物质的太赫兹光谱曲线整体非常相似时, 线性处理方法易产生较大误差。 针对这一问题, 提出了一种基于扩散映射(DM)的太赫兹光谱识别方法。 扩散映射能在保持数据内在几何结构的同时对其进行非线性降维, 提取的流形特征区分度较高, 对数据还有聚类效果。 首先用S-G滤波器对Alloxazine等10种物质的太赫兹光谱样本进行滤波, 并用三次样条插值法对截取相同频段后的光谱样本进行统一分辨率处理； 然后利用DM将高维太赫兹光谱数据映射到低维特征空间并提取太赫兹光谱的流形特征； 最后用多分类支持向量机(M-SVM)对十种物质的太赫兹透射光谱进行分类。 实验结果表明, 相比于主成分分析(PCA)和等距映射(ISOMAP), 使用DM提取的太赫兹光谱流形特征具有更高的区分度, 而且DM可以直接得到太赫兹光谱数据本征维数的估计值, 这为相似太赫兹光谱的快速精准识别提供了一条新的途径。

针对多光谱图像数据维数高导致图像色彩再现过程中数据处理复杂度高的问题，提出一种多光谱图像非线性降维方法。首先根据人眼视觉系统特征，用CIE标准观察者色匹配函数对源光谱进行加权，对加权光谱采用主成分分析(PCA)方法降维来提高降维的色度精度及光照变换时的色差稳定性；然后针对因色匹配函数加权降维引起的光谱损失，采用PCA方法对损失的光谱进行降维，补偿因色度精度提升引起的光谱损失，有效提高降维的光谱精度。最后根据应用精度要求用前两步获得的主成分组合形成降维后数据。实验结果显示，提出方法的平均光谱精度为0.013 9，平均色度精度为0.705 8，色差稳定性为1.950 6，比现有的线性变换PCA法和LabPQR法分别提高了14%,15%;47%,68%和82%，表明新方法在光照变换色差稳定性、光谱精度及色度精度三方面均优于现有其他算法。