高光谱成像仪是如何对样本进行分析的？

高光谱成像技术的核心原理是光谱与图像合二为一，获得图像数据的同时，得到图像中每个像素的光谱信息，即高光谱数据多维立方体，进而对样本进行定性与定量的分析。那么，高光谱成像仪是如何对样本进行定性定量分析的？本文对高光谱成像仪的原理及对样本进行定性定量分析作了介绍。

高光谱成像仪的工作原理：

如上图所示，当光源照射到待测样品表面，由于样品中所含物质成分及物理特性存在差异，在特定波长下有不同的反射比、分散度以及电磁能等。待检样品的辐射能通过镜头聚集并由狭缝增强准直照射到分光原件上，最终在垂直方向上按光谱分散并成像于图像传感器上，即得到待测样品的高光谱图，如下图所示。

高光谱图像是由非常窄的多达数百个连续光谱波段组成，其图像又称超立方，可通过反射、透射和漫反射来获取，该图像是一个三维的数据矩阵（X，Y，λ），其中（X，Y）代表的是二维的空间维度，（λ）代表的是一维的光谱维度。从一维维度（λ）上看，高光谱图像是一张张二维（X，Y）图像（上图A），而从二维（X，Y）上看，高光谱图像是一条条光谱谱线（上图B），光谱数据所携带的信息一般可采用3种表示方法，即图像空间、光谱空间、特征空间。图像空间根据RGB色泽的差异能较为直观地观测被检对象的整体分布信息；光谱空间表示了被检物质在不同波长下的响应情况；特征空间为光谱指纹图谱技术奠定了理论依据，且该特征空间能较好地应用于模式识别。

高光谱成像仪对样本进行定性定量分析的方法：

高光谱成像技术定性定量判别的一般流程如上图所示。由于高光谱数据冗余，需要应用统计学方法进行定性定量分析。其中定性分析中主要有监督分类与非监督分类、参数分类与非参数分类、确定性分类与非确定性分类等，定量分析模型中多采用多元变量回归，可分为线性回归和非线性回归，线性回归包括多元线性回归（MLR）、主成分回归（PCR）、偏最小二乘回归（PLS）等，非线性回归包括人工神经网络（ANN）、支持向量机（SVM）等。

高光谱成像技术应用于样本定量模型预测研究，需要对采集完样品的原始光谱信息进行黑白校正，由于高光谱相邻谱带之间存在较强的相关性，利用全波段进行多变量建模预测比较耗时，且效果不稳定，因此需要进行特征波段的选择。特征波段的选择方法较多，如相关系数波段选择法、显变分析波段选择法，这两种方法能简便地提取特征波段，但缺乏对数据多重共线性判别的能力，导致模型预测性能较差；而间隔PLS可消除多重共线性的影响，因为该方法是将PLS回归模型最终的预测结果作为衡量波段选择的标准；模拟退火法选择特征波段，是将预测模型自身的预测能力作为衡量标准，忽略了校正模型的稳健性，因此，当外界环境改变时，模型预测结果的重现性较差；此外还有连续投影法（SPA）、主成分分析法（PCA）等一系列方法应用于特征波段的选取。因此，在进行定性定量模型判别时要综合考虑这些方法的优缺点及适用性，从而使得模型稳健性和预测精确度达到最佳。