高光谱数据最常见的几种预处理方法介绍

在光谱数据的采集过程中，样品的不均匀性、高频随机噪声等因素会对建模效果产生负面影响。为了减小或消除此类因素的影响，需对原始采集的高光谱数据进行不同的预处理。本文对高光谱数据最常见的几种预处理方法做了简要的介绍。

连续投影算法：

高光谱数据包含大量的光谱信息量，为减少模型的输入变量，提高建模速率和稳健性，需要对全波段的光谱数据进行处理，选择出有效的波长反射率数据。连续投影算法（SPA）是在光谱矩阵中寻找含有最低限度的冗余信息的变量组，使变量间的共线性达到最小，从而达到提取特征波长的目的。

主成分分析：

主成分分析（PCA）是将多个变量转化为少数几个相互独立且包含原来指标大部分信息的变量的一种多元统计分析方法。消除众多变量间信息的相互重叠部分，实现数据的降维。应用主成分分析对大量光谱变量进行转换，由原始变量的线性组合得出可以最大限度地表征原始变量数据结构特征的少数几个新变量。

偏最小二乘法：

偏最小二乘法（PLS）是化学计量学建模分析中最为常用的多元统计方法，被广泛地应用于光谱数据的建模分析。其是因子分析和多元线性回归的结合，反映了自变量（光谱数据）与因变量（化学特性）之间的关系。PLS算法的显著特点是同时考虑自变量和因变量空间的变化，通过有限的因子解释自变量的变化，解决了自变量间自相关严重的问题。

所建模型性能评价指标如下：预测集决定系数，预测集均方根误差，建模集决定系数和建模集均方根误差。预测集决定系数和预测集均方根误差作为主要判别标准，建模集决定系数和建模集均方根误差作为辅助判别标准。决定系数越接近1，均方根误差越接近于0，则所建模型性能越好。