高光谱图像中的Hughes（休斯）现象

注解：

在高光谱图像的分析中，随着参与运算波段数目的增加，分类精度“先增后降”的现象

场景：

高光谱影像，由于维数的大幅度增加，在深度学习中，可以理解成模型提取的特征维数的增加，导致用于参数训练的所需样本数也急剧增加，如果样本数过少，那么估计出来的参数精度就无法保证，参数不够最优，在某些比较重要的地面覆盖信息，由于所占面积较小，不能提供足够数量的训练样本，分类精度也往往不高，虽然光谱波段数目的增加隐含了更多的分类信息，但是由于参数估计值不够理想，使得分类结果与理想状态相去甚远，产生了Hughes现象

方案：

影响分类精度的四个特性：类别可分性、训练样本数目、特征空间维数以及分类器类型。
这四个因素的合理的使用也可以有效的避免Hughes现象