高光譜成像儀器在采集樣品信息時(shí)，會(huì)獲取到大量的光譜信息，這些光譜信息包含很多無(wú)用的信息，因此，就需要對(duì)光譜數(shù)據(jù)進(jìn)行提取，提取感興趣的區(qū)域，然后進(jìn)行預(yù)處理，建立樣品的預(yù)測(cè)模型。本文對(duì)高光譜數(shù)據(jù)的提取及預(yù)處理方法做了介紹。

高光譜數(shù)據(jù)的提取及預(yù)處理方法：

高光譜數(shù)據(jù)包含大量的信息，易受到環(huán)境中噪聲、基線漂移、雜散光等因素的影響，在建模之前對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理可改善以上影響、提高模型的準(zhǔn)確率。常用的高光譜數(shù)據(jù)提取及預(yù)處理方法有：一階導(dǎo)數(shù)（First Derivative，F(xiàn)D）、二階導(dǎo)數(shù)（Second Derivative，SD）、S-G平滑（Savitzky-Golay平滑）、標(biāo)準(zhǔn)正態(tài)變換（Standard Normalized Variate，SNV）、多元散射校正（Multiplicative Scatter Correction，MSC）、FD+S-G、SD+S-G7種預(yù)處理方法對(duì)高光譜數(shù)據(jù)進(jìn)行預(yù)處理。FD和SD可對(duì)光譜數(shù)據(jù)進(jìn)行基線校正，提高光譜數(shù)據(jù)的穩(wěn)定性；S-G平滑對(duì)光譜曲線進(jìn)行平滑處理，減少外界環(huán)境產(chǎn)生的噪聲影響，提高信噪比；MSC和SNV可對(duì)光譜數(shù)據(jù)進(jìn)行散射校正，消除由于顆粒分布不均勻產(chǎn)生散射造成的光譜曲線變形。

高光譜數(shù)據(jù)特征波長(zhǎng)篩選方法：

高光譜波段范圍較廣，數(shù)據(jù)量大，容易造成光譜數(shù)據(jù)冗余，導(dǎo)致數(shù)據(jù)分析和模型建立耗時(shí)費(fèi)力。因而需要對(duì)光譜數(shù)據(jù)進(jìn)行特征提取，剔除無(wú)效變量，以提高光譜數(shù)據(jù)分析與建模效率。常用的高光譜特征波長(zhǎng)篩選方法有：連續(xù)投影算法（successive projections algorithm，SPA）、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（competitive adapative reweighted sampling，CARS）2種不同方法提取特征波段。SPA是一種前向迭代搜索方法，從一個(gè)波長(zhǎng)開(kāi)始，在每次迭代中加入一個(gè)新變量，直至所選變量數(shù)達(dá)到設(shè)定值。CARS的主導(dǎo)思想是達(dá)爾文的“適者生存”理論，結(jié)合蒙特卡洛采樣與PLS模型回歸系數(shù)進(jìn)行特征變量篩選。