高光谱成像仪高光谱数据特征波长提取方法

高光谱成像仪获取的光谱信息中，不仅包含光谱信息还包括图像信息，通过提取样本高光谱图像中各检测项目所对应的特征波长，就能够对样品的综合特性进行全面、快速的检测。本文对高光谱成像仪高光谱数据特征波长提取方法做了介绍，感兴趣的朋友可以了解一下！

1.连续投影法（SPA）

连续投影算法（SPA）能够同时消除波长变量间的共线性影响和避免信息重叠，能够用较小的信息量来表示多数样品的光谱信息。因此，该方法广泛地应用于样品特征波长的提取中。

连续投影算法是一个连续循环的过程，选择一个波长作为循环初始值，计算该波长再未选波长上的投影，以该投影作为参考值，选出最大波长的投影向量，再将该向量重新纳入波长组合，随后用循环选择的方式向前进行直至循环截止。

2.主成分分析法（PCA）

主成分分析（PCA）作为一种关键信息提取方法，能够有效地将数据降维，能够把多个变量进行线性计算后组合成少数的几个变量，是一种多元统计分析方法。为了获得准确的分析结果，实际研究中，我们要充分考虑指标（变量）影响因素。一般采用的方法是将第一主成分的方差作为新指标，如果其未能满足要求再选择第二主成分的方差，但是在以第二主成分的方差为指标时，第一主成分中已包含的信息不需要存在于第二主成分中，依次类推。

3.无信息变量消除算法（UVE）

无信息变量消除算法（UVE）是基于偏最小二乘法（PLS）的回归系数建立的一种波长选择算法。该方法通过消除对模型建立贡献较少的波长变量（无信息变量），减少了建模输入变量的个数，简化了模型的复杂程度。该算法以变量系数的平均值和标准差的商作为稳定性的值，通过比较每个变量系数的稳定性值和随机变量矩阵得到的稳定性的值，消除对模型建立无效或者次要的波长变量。通过UVE算法的处理，可以减少模型的过拟合，并在通常情况下提高模型的预测精度。