Hughes现象
Hughes现象是指在高光谱分析中过程中，随着参与运算波段数目的增加，分类精度“先增后降”的现象。
与多光谱相比，高光谱图像的一个显著特点就是它的波段数目远远大于多光谱图像，因而可以提供更为丰富的细节信息，可以解决许多在多光谱中不能解决的目标探查和分类问题，但是由于Hughes现象的存在，使得高光谱图像的实际应用受到限制。
由于多光谱图像的维数较少，训练样本的数目相对于特征空间的维数有较大的比率，因而可以得到较为准确的参数估计值。但是对于高光谱影像，由于维数的大幅度增加，在深度学习中，你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。这是高光谱影像处理中一个普遍的问题，2D处理的方法，在光谱维度首先还是要降维，再送到模型中处理，3D-CNN的方法将空谱信息一次性送到网络中，这个时候就要特别面对这个问题了，深度学习网络是越深特征维度越高的，越深参数量越大，能够描述物体的特征为数越高，不断进行组合，自然分类准确度就上去了，但是面对高维的光谱，特征维数越往后提取越多，在面对有限训练样本的时候，参数估计的精度就下来了，所以用来处理高光谱的3D-CNN模型到目前为止，我见过都还是相对浅层的，7-8层可能就算比较多了，这个时候效果也比较好了，当然我们也可以探索深度的网络在高光谱影像上的应用。
研究表明，分类结果取决于四个因素：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。为了达到较好的分类效果，可以选择合适的分类器，也可以在一定范围内增加用于分类的特征并选取足够数量的训练样本，使得训练样本的数目相对于特征的维数有更大的比率，这也是时间应用较多的方法。对于类别可分性，可以采用一定的方法使得这种可分性得到改善。
参考文献：
[1]杨哲海,李之韵,韩建峰,等.光谱中的Hughes现象与低通滤波器的运用[J].测绘科学技术学报,2004,21(4):253-255.