高光谱图像数据的几种常见处理方法

高光谱成像仪在获取样本信息时，所获取的光谱信息存在很多的冗余信息，在这种情况下，光谱预处理应尽量减少这些贡献将不相关的信息添加到光谱，以便能够开发更简单和强大的模型。本文对光谱图像数据的几种常见处理方法做了介绍。

高光谱图像数据处理方法之提取变量法：

由于NIR光谱仪器测得的光谱提供大量的信息，需要有一个减少变量的方法，一定数量的样木芾要用来构建可观的分类和校正模型，以及光谱之间的相关性。其结果是，一些多变量分析方法，使原始数据的大小被减少到几个不相关的变量，只包含样品的相关信息。最有名的和最广泛使用的是主成分分析（PCA）。PCA搜索样本分组的最大变异方向，并使用它们作为新的集称为“主成分”。这样，系统的相关信息被包含在减少的变量数中，从而在随后的计算获得可以作为新的变量，而不是原始数据。

高光谱图像数据处理方法之多元分析法：

许多多变量分析方法可以根据他们的目的和他们使用的算法或计算程序进行分类。选择的方法将取决于分析的目的，样品的特性和有关的系统的复杂性。一旦构建模型，其预测能力必须检查样品进行相同的处理作为校准，但不采用构建模型。定性多变量分析方法统称为“模式识别方法”，分为“监督”和“无监督”的识别，取决于样本是否属于已知的类。这些方法允许两个样本之间的相似性，或样品和一个类，建立数学标准定量表达。通常情况下，相似性被表示为样品之间的相关性系数或作为距离的测量，这两种类型的参数，可以使用光谱和PCA计算结果。不同类型的分类方法可以建立不同的类之间的边界，或他们的模型所占用的类，并在距离测量或剩余方差基础上确定样本是否属于这一类。软独立建模分类法（SIMCA）是最有名的和最广泛使用的后一种类型的方法。然而，在某些情况下，由于仪器因素或样品的物理-化学性质影响，光谐数据和国标属性不存在线性相关，这些情况下，可以使用非线性校准方法解决，人工神经网络（ANN）是主要方法之一，它是迭代计算算法，允许实验变量与一个特定的响应建立连接。人工神经网络包含的层，服务于不同的目的，即：接收实验信息，通过使用非线性函数作处理，并提供响应。在某些情况下，原始变量可以通过使用非线性（函数进行变换，并用线性方法进行回归。