高光谱成像仪的高光谱数据的分析方法有哪些？

高光谱成像仪将光谱技术和传统的二维图像技术有机结合，具有光谱图像合一、高分辨率和超多波段等优点，即获取的高光谱图像同时含有光谱信息和图像信息。光谱信息可以用来检测实验样本的内部品质，而图像信息则可以用来检测实验样本的外部品质。那么，高光谱成像仪的高光谱数据的分析方法有哪些？本文为大家做了介绍，对此感兴趣的朋友可以了解一下！

由于采集到的三维高光谱数据中的光谱信息除了含有有用的信息外，还含有其他大量的随机噪声和与样本性质无关的信息（如仪器噪音、杂光散射和基线漂移等），这些因素都会对光谱信息产生一定的干扰，甚至会影响所建模型的性能和预测效果。因此，有效地消除光谱信息中的噪声和无关信息是建立良好的分析预测模型的关键。

通过对光谱信息进行有效的预处理可以减弱甚至消除其他与样本性质无关的信息对光谱信息的影响，为后续建立预测精度高、稳健性好的分类判别模型奠定基础。目前，常用的预处理方法有变量标准化算法、多元散射校正算法、导数算法、基线校正、平滑算法和去趋势法等。

1.变量标准化算法（SNV）

变量标准化（Standard Normalized Variate，简称SNV）主要是用来消除由光散射所引起的光谱误差。SNV校正认为，在每一条光谱中各波长点的吸光度值应满足一定的分布规律。在这一假设的前提下，SNV是在原始光谱减去该条光谱曲线的平均光谱值，然后除以该条光谱曲线的标准偏差，其实质是使原始光谱数据标准正态化处理，即：

2.附加散射校正算法（MSC）

附加散射校正（Multiplicative Scatter Correction，简称MSC）是由Geladi等人提出，其主要目的是通过消除因颗粒大小及颗粒分布不均匀产生的散射影响，增强与成分含量相关的光谱吸收信息，并获得较“理想”的光谱。MSC方法认为，每一条光谱都应该与“理想”的光谱成线性关系，但真正“理想”的光谱是无法得到，所以一般用校正集的平均光谱来近似。即，每个样品的任意波长点下的反射吸光度值与其平均光谱的相应吸光度的光谱是近似线性关系，而且可以通过光谱集线性回归获得该直线的截距和斜率，并用来校正每条光谱。截距大小可以用来反应样品独特反射作用，而斜率大小则用来反映样品的均匀性。

3.平滑算法（Smoothing）

由光谱仪采集到的光谱信息中常常叠加着很多的随机误差，而平滑算法是常用来消除噪声的方法。其基本思路是通过多次选取平滑点前后的特定点进行平均或拟合来降低噪声，从而提高信噪比。常用的平滑方法有：Savitzky-Golay卷积平滑法、移动平均平滑法和指数平均平滑。

4.去趋势法（De-trending）

去趋势算法（De-Trending）一般可以用于消除经SNV处理后的光谱的基线漂移，也可以单独使用。该算法比较直接，先按多项式将光谱xi的吸光度和波长拟合出一条趋势线di，再从原始光谱中减掉趋势线（xi-di）。经过去趋势法处理后，其波峰和波谷的特征更加明显。

5.基线校正（Baseline）

在光谱分析中，由于样品自身的不均性、仪器背景或其他因素等影响，导致所测样品的谱图经常会出现倾斜或漂移现象，若不加处理，会影响校正模型的性能和对未知样品预测结果的准确性。