高光谱图像的预处理方法及波段选择方法

对高光谱图像进行预处理，有利用提取有效的波段信息，保证预测模型建立的准确性。目前，常用的光谱预处理方法有平滑、多元散射校正（MSC）和变量标准化（SNV）、导数法、小波变换、正交信号校正的等。本文对高光谱图像的预处理方法及波段选择方法做了介绍。

高光谱图像的预处理方法：

在构建基于高光谱数据的模型时，确保光谱信号的精确度和一致性是关键。高光谱成像仪器捕获的光谱数据既包括有价值的信息，也可能包含噪声。这些信号会受到周围环境条件的干扰，这种干扰可能影响光谱数据的精确度，并可能引起噪声增加、光谱偏移、定位错误、转动误差以及设备误差等问题。采用预处理方法能够缓解这些问题，通过怡当的预处理方法能够有效地去除光谱数据中的设备误差和噪声。

光谱预处理的目的是最小化仪器和环境干扰、噪声以及非质量相关的背景信息。通过分析本研究中获取的原始光谱数据，观察到应用多元散射校正技术进行预处理获得了最佳结果。同时，在构建图谱融合模型时，注意到光谱和图像特征之间存在较大的数值差异。常用的光谱预处理方法有平滑、多元散射校正（MSC）和变量标准化（SNV）、导数法、小波变换、正交信号校正的等。

高光谱数据波段选择方法：

在校准模型的构建过程中，挑选适宜的光谱变量是形成一个稳定模型的关键。全波长光谱的数量庞杂，而且某些连续的光谱区域可能冗余，这不仅会影响模型的准确性，还会显著延长模型的计算时间。为了优化修正模型并提升其计算效率，采用特定技术来选择关键的特征波长点或者波长段是非常有效的，这有助于简化模型结构并加速模型运算过程。

移除了不相关和非线性变量后，修正模型展现出较高的预测性和稳定性。连续投影算法（SPA）是一种递进式筛选技术，从单一波长出发，在每次迭代中对剩余波长进行投影分析，并选择投影值最大的波长加入到组合中。无信息变量剔除法依据偏最小二乘回归（PLSR）的系数来筛选波长。而竞争性自适应重加权抽样（CARS）方法融合了蒙特卡罗抽样和 PLS回归系数，目的是选出导致PLS 模型交叉验证均方根误差最小的波长子集，作为特征波长的依据。