光谱距离表示两张光谱图之间的相似性，光谱图距离大则代表光谱图之间的差异性大。距离匹配中共有7种方法可以计算新创建的类与其他类或其他谱图之间距离。
假设类a和类b聚类为一个新类r。D（a，i）表示a与类（光谱）i之间的距离，D（b，i）表示b和光谱i之间的新距离。
图6-15 基于判别分析的定性建模及测试结果
1.最长距离法
使用两个距离中较大的值作为新类r和类（光谱）i的距离D（r，i）：
D（r，i）=max[D（a，i），D（b，i）] （6-3）
此方法适合在建立规模较小的类时使用。
2.最短距离法
与最长距离法相反，取两个距离中较小的值作为新距离：
D（r，i）=min[D（r，i），D（r，i）] （6-4）
此方法适合建立规模较大的类。
3.平均距离法
求D（a，i）和D（b，i）的算术平均值作为新距离：
4.加权平均距离法
此法由平均距离法演变而来，设类a中所含谱图数目为n（a），类b中所含谱图数目为n（b）。新类（光谱）r与目标i的距离计算公式为
5.重心法(www.xing528.com)
新距离计算方法如下：
式中，n为全部参考光谱图的数量。
6.中间距离法
新距离计算公式如下：
7.Ward算法
与上述6种方法不同，Ward算法不是把最相似的两个组聚在一起的思想，而是试图找到最均匀的组，最小化异质因子H的增加量。所以，Ward算法主要考虑异质因子H是否增加，而非目标间的光谱距离。H（r，i）具体计算公式如下：
式中，n（i）是目标i中聚类光谱图的数量。
距离匹配中最常用的距离计算方法是平均距离法和Ward算法。
同样对图6-15中所采集的光谱采用一阶倒数+Norris Derivative滤波进行预处理后采用距离匹配方法建立定型模型，并随机每种农药各挑选若干个样本（箭头所指）对模型进行测试，如图6-16所示。
图6-16 距离匹配定性建模及测试结果
图6-16 距离匹配定性建模及测试结果（续）
可以看到，两种方法的测试样本均被准确无误地分到各自的类属性当中，定性鉴别准确率为100%，多次随机更换测试样本，都能得到相同结论。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
