高光谱数据预处理及特征波长提取方法

高光谱图像数据是一种包含丰富空间和光谱信息的数据形式，其中包含了很多的冗余信息，对其进行光谱预处理，提取特征波长，是建立预测模型的前提。本文对高光谱数据预处理及特征波长提取方法做了介绍。

高光谱数据的预处理方法：

光谱预处理方法是在采集样品光谱数据时，由于仪器自身因素、人为操作误差和环境的差异等因素引起的噪声和干扰信息，需要对光谱曲线进行去噪和信息提取的过程。常用的光谱预处理方法包括一阶导数法（Der1）、二阶导数法（Der2）、S-G 平滑、多元散射校正（MSC）、标准正态变量法（SNV）等。导数法是通过求解样品光谱曲线的一阶、二阶等导数，去除光谱曲线中的基线漂移和测量误差等噪声干扰，突出谱线中的特征波峰。SG平滑法则是一种光谱光滑方法，通过对光谱曲线进行局部加权回归平滑处理，实现去除光谱中的噪声和干扰信息。多元散射校正方法是通过引入散射校正矩阵，消除样品中的多元散射效应，提高样品光谱数据的准确性和可靠性。小波变换是通过分解信号并在不同尺度上对信号进行分析，实现对光谱曲线中的信号特征的提取和噪声的去除。标准正态变量法通过对样本数据进行标准化，将数据转化为均值为0、方差为1的正态分布，使得不同样本之间具有可比性。

高光谱特征波长提取方法：

高光谱图像中包含大量连续波段，可以反映不同物质的理化特性。然而，冗余波段可能会降低模型精度，同时也会增加计算量。因此，如何使用有效的特征波段提取算法，以便使用少量的波段代替大量波段中的有用信息，是非常必要的。下文主要对主成分分析法进行介绍。

主成分分析法（PCA）是一种数据降维算法，能够将相关性较强的原始指标转化为几个代表性较强且无相关性的新变量。在具有众多变量的研究中，变量间会存在一定的关联，使用彼此相关的变量进行分析不仅会使得模型变得复杂，还会引发多重共线性的问题。因此，需要在保留原变量的情况下尽可能多地提取能代表全部信息的变量。

主成分分析法的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征，这个新的k维矩阵能最大限度的保留原始数据的有效信息。该方法从解除原始变量间的相关性着手，可以用个别互不相关的变量代替原变量，在仅丢失极少数据信息的原则下达到降维的目的。主成分分析法充分考虑了波段之间的相关性，因此执行效率比较高。