Hiperspektral görüntüler bir yüzeyin farklı dalga boylarında çok (60-250 kadar farklı band) defa görüntülenmesi ile elde edilirler. Burada aslında varlıkların farklı dalga boylarında farklı yansıma özelliği göstermesinden yararlanılmaktadır. Bu sayede istenilen bölgedeki varlıkların ayırtedilmesi sağlanabilmektedir. Mesela uçak aracılığı ile yeryüzeyinden elde edilen hiperspektral görüntüler ile deniz, bitki, toprak, ev, araba nın ayırt edilmesi yanında yeşillik içinde yeşile boyanmış bir araç, farklı ağaç türleri, maden yatakları.. gibi fark edilmesi çok zor durumlarda bile başarılı sonuçlar elde edilebilmektedir. Başka bir kullanım alanı örneği de Kanada nın okyanusta balık gruplarının yaklaşık konumlarını belirlemekte hiperspektral görüntüleri kullanılmasıdır.
Sayısal imgelerin anlamlı en küçük parçalarına piksel dediğimizi biliyoruz. Hiperspektral görüntülerde hedef çok defa görüntülendiği için, hiperspektral verilerin her pikselinin görüntülenme sayısı (band sayısı) kadar değeri olacaktır. Bunlara biz spektral imza olarak tanımlamaktayız. Aşağıdaki resim incelendiğinde anlatılmak istenen çok rahat anlaşılacaktır.
Hiperspektral görüntüler, hedefin görünür (visible) ve yakın IR (kızılötesi) dalga boyu bandlarında görüntülenmesi ile elde edilir. Orta kızılötesi de bu bandlara dahil edilebilir. Görünür bölge yaklaşık olarak 0.4 – 0.7 mikrometre ve yansıyan kızılötesi 0.7 mikrometre ile 3 mikrometre dalgaboyları arasındadır. IR 0.7 – 100 mikrometre arasını kaplamaktadır. Yani kızılötesinin büyük bir kısmı (3-100 mikrometre) emilen (termal-ısıl) özellik göstermektedir.
Yer yüzeyinin hiperspektral görüntüsünü elde etmekte uçak, uydu yada vinç türü araçlar kullanılır. Uçak ile elde edilen görüntülerin çözünürlüğü, yer gözlem uyduları ile elde edilen görüntülere göre daha yüksektir . Ancak uydular bir seferde daha geniş alanı tararlar. Vinç gibi yere yakın düzlemlerden elde edilen hiperspektral görüntüler ise daha çok uçak yada yer gözlem uyduları ile elde edilen görüntülerin doğrulanması yani test edilmesi amacıyla kullanılırlar.
Hiperspektral görüntülerin sınıflandırılması yada bölütlenmesi üzerine birçok araştırma yapılıyor ve bunun için birçok algoritma kullanılıyor. Destek vektör makinaları (Support Vektor Machines-SVM), K-means (K-means, Fuzzy K-means..), K-nearest neighboring (K-nn) gibi…. Ayrıca hiperspektral görüntülerin veri boyutu çok büyük olduğundan sınıflandırma ve bölütleme işlemleri istenilenden daha uzun sürebilmektedir. Bunun için hiperspektral görüntülerin minimum bilgi kaybı ile veri boyutunu azaltan yöntemler geliştirilmektedir. Temel Bileşenler Analizi (Principle Component Analysis-PCA), Bağımsız Bileşenler Analizi (Independent Component Analysis-ICA) , Negatif-olmayan Matris Ayrıştırması (Non-negatif matris factorization - NMF) gibi…