基于高光谱成像技术的光谱数据预处理方法

高光谱成像系统除了能够采集到样本的有用光谱信息，还会受到电子噪声、光照等外界噪声干扰，使得光谱数据存在误差。光谱的建模分析中，很大程度上的误差来源于数据，有效的光谱数据是保证识别准确率的关键。本文对高光谱数据的预处理方法做了介绍。

光谱数据预处理方法有多元散射校正、标准正态变量变换、数据规范化、数据平滑校正、导数光谱法、小波变换法，等等，下文介绍几种常用的方法：

1.多元散射校正（MSC）

多元散射校正是一种对光谱的线性化处理。样本的分布不均或者颗粒大小差异容易产生光散射，不能获取到“理想”光谱。该算法假设，实际光谱与“理想光谱成线性关系，一般情况下，“理想”光谱无法获取，因此，常用样本数据集的平均光谱来替代。多元散射校正能够消除随机变化，校正后的光谱并非原始光谱。当光谱与待测物质的化学特性比较相关时，多元散射校正效果较好。

2.标准正态变量变换（SNV）

标准正态变量变换类似于多元散射校正，可以用来消除散射误差以及光程变化等影响。但是，两种方法的处理思想不同，该方法不需要“理想”光谱，而是假设每一条光谱中，每个波长的光谱吸收值满足一些条件，比如符合正态分布，则标准正态变量变换就是对每一条光谱进行标准正态变换处理。标准变量变化是分别对每一条光谱进行校正，因此，较适合处理实验样本差异较大的光谱数据。

3.数据平滑校正

光谱仪的不同波段对能量响应的不同，会导致光谱曲线上显示很多随机的“毛刺”噪声，曲线变得不平滑。而数据平滑校正是最常用的一种，其基本思路是：在特定平滑点的周围选取指定数量的若干点，对其平均或拟合，求得平滑点的最佳估计值，减少噪声干扰，消除随机噪声。移动窗口平均法和Savitzky-Golay最小二乘拟合法都是常用的光谱数据平滑校正方法。

4.光谱导数法

求导可以减少仪器干扰、样本表面不均、光照等因素引起的基线漂移，一定程度上解决光谱信号重叠问题，将隐臧的微弱有效光谱信息放大，提供吏好的光谱变化和分辨率。光谱导数法常用于近红外光谱吸收峰谷的辨别以及特征波长的提取小。导数光谱包括一阶导数光谱、二阶导数光谱以及高阶导数光谱等，实际应用中仅用一阶和二阶导数光谱就可以满足要求。很多随机噪声通常属于高频信号，求导也许会使噪声变大，降低信噪比，若需要对原始光谱求导，前提是光谱分辨率和信噪比要高。常用的光谱导数方法有直接差分法和SG卷积求导法。

5.小波变换

小波变换是新发展起来的一种时-频变换分析法，用于光谱数据压缩和噪声消除。小波变换继承了傅立叶变换的局部化思想，变换中的窗口大小随着频率变化而变化。此外，当时-频局部特性和多分辨特性较好时，小波变换还使得光谱信号在不同频率下被分解为多种尺度成分，并且根据尺度成分的大小选取相应的采样步长，从而能够聚焦到任意光谱信号中。小波变换的多尺度分辨率特点能够使其较快地从多噪声信号中获取原始光谱信号，因此，利用小波分析对含有较大噪声的光谱信号进行消除，是一个非常重要的应用。