高光谱仪光谱预处理的几种常见方法

光谱仪所采集的光谱信号容易受到样本本身不均匀性及各种噪声影响，为了消除这些非目标因素，提高信噪比，需要在光谱模型建立之前对所采集的原始光谱信号进行预处理，以优化模型的稳定性和精度。本文对高光谱仪常见的光谱预处理方法做了介绍。

光谱预处理方法之标准化法：

标准化是一种常用的数据处理方式。在光谱分析中，尤其是在建立分析模型时，往往需要将光谱特征与样品的结构或性质进行紧密关联，但光谱中的冗余信息会对模型的建立造成较大的干扰，因此需要采用数据增强算法来减弱或消除这种干扰，这样不仅能降低样品间的相关性，增大样本间的差异，从而提高模型的重现性，优化其预测效果。

光谱预处理方法之平滑法：

目前有多种算法可以消除噪声的影响，其中信号平滑是最常用的方法之一。常用的平滑方式有Savitzky-Golay卷积平滑法和移动平均平滑法，两者的基本思想比较类似。不同的是，前者的原理可理解为加权平均，在降噪预处理中的应用偏多，后者则是依据平滑窗口移动原理。

光谱预处理方法之导数法：

光谱求导包括直接差分法和 Norris 求导法，后者在差分计算前先对光谱求导。导数光谱在消除基线漂移的同时，还能提高原始光谱的分辨率，并且能获取原光谱中的吸收峰及肩峰的位置信息。

光谱预处理方法之标准正态变量变换法：

标准正态变量变换（SNV）可以用来减小粒子大小不均匀和表面的非特异性散射对光谱的影响，与标准化具有相同的计算公式，不同之处在于它的计算是基于光谱矩阵的行。

光谱预处理方法之多元散射校正法：

多元散射校正（MSC）的基本思想是假定所有波长处的散射系数是相同的，能有效地将待测组分的吸收信息与散射信号分离。在测量漫反射光谱时，样品不均匀性和镜面反射都会导致噪声的产生，MSC正好可以解决这类问题，但样品性质变化较大时误差可能也较大。

光谱预处理方法之小波变换法：

小波变换（WT）在光谱数据平滑、降噪、数据压缩等方面有着广阔的应用前景。其本质是将信号投影到小波上，再通过逆变换得到处理后的信号。对光谱信号进行小波变换处理时，通常使用的是离散小波变换法，选择合适的参数对光谱处理的效果有较大的影响。

光谱预处理方法之正交信号校正法：

正交信号校正（OSC）算法可以有效地从原始光谱数据中提取各种干扰噪声信号。其基本思想是：如果从光谱矩阵中除去的部分能与预测值矩阵正交，则除去的部分必定与光谱矩阵无关。但是最初这种算法有个明显的不足，即每进行一次迭代计算时也要进行一次偏最小二乘运算，这就加大了计算量，并且内置的偏最小二乘的成分数难以确定。后来有人通过改变计算次序对该算法进行了改进，不用再反复进行偏最小二乘运算，而且通过交叉验证也容易确定主成分数。