高光谱成像仪光谱数据预处理的最常见的三种方法

高光谱成像仪采集的光谱信息含有很多的无用信息，这些信息会影响建模数据的准确性。因此，就需要对光谱数据进行预处理，提升预测模型建立的准确性。下文对高光谱成像仪光谱数据预处理的最常见的三种方法做了介绍，感兴趣的朋友可以了解一下！

高光谱成像仪光谱数据预处理方法之平滑算法：

平滑算法是消除噪声的常用方法之一，其基本原理是在平滑点前后选取一定大小范围的数据点进行平均或拟合，从而求得平滑点的最佳估计值，并以此消除随机噪声，提高信噪比。目前应用较为广泛的平滑方法有移动窗口平均法和Savitzky-Golay卷积平滑法（SG）。

高光谱成像仪光谱数据预处理方法之多元散射校正法：

多元散射校正（MSC）算法目的是消除由于样本表面不均匀性（粒度分布）所引起的光散射。MSC的基本思路是假定每一条光谱都与“理想”光谱呈线性关系，但是真正的“理想”光谱是无法获得的，一般可以用校正集的平均光谱来代替。因此，每个样品的任意波长点的反射吸光度值与其平均光谱的反射吸光度值是呈近似线性关系的，该直线的斜率MSC算法和截距可以通过光谱集线性回归获得，并用来对每条光谱进行校正。

高光谱成像仪光谱数据预处理方法之变量标准化法：

变量标准化法SNV算法与MSC算法类似，也能用于消除因散射所造成的光谱误差。SNV算法的基本原理是假设每一条光谱中各波长点的反射吸光度值满足一定的分布（如正态分布），然后在这基础上，将原始光谱反射吸光度值减去该光谱的平均反射吸光度值后，再除以该光谱反射吸光度数据的标准偏差。相比于MSC，SNV是对每条光谱进行单独校正，因而常被认为其去噪能力比MSC更强，特别是在校正组分变化较大的样本数据时。