高光谱成像仪获取的光谱数据的预处理方法有哪些？

高光谱成像仪获取的光谱信息容易受到仪器性能、电噪音、样本背景、杂散光等因素的影响，使得测量到的光谱信号存在噪音、谱线平移等干扰，为了建立建立精确、稳定、可靠的数学模型，就需要对光谱数据进行预处理。本文对光谱数据预处理方法做了介绍。

高光谱成像系统在数据采集过程中容易受到仪器性能、电噪音、样本背景、杂散光等因素的影响，使得测量到的光谱信号存在噪音、谱线平移等干扰。为了更高效地对光谱数据进行挖掘，建立精确、稳定、可靠的数学模型，需要先对原始光谱信号进行预处理分析，提高光谱数据的信噪比，减弱或消除各非目标因素对光谱信号和模型的影响。各种光谱预处理方法的功能不尽相同，需针对不同的光谱数据和检测对象选用合适的预处理方法。常用的光谱数据预处理方法包括：平滑、多元散射校正、变量标准化、一阶求导和二阶求导。

1.平滑方法

噪声是光谱信号中常见的干扰，表现为光谱曲线上杂乱无章的高频波动信号。噪声会干扰模型的建立，也容易造成模型建立时产生过拟合。平滑处理是降低噪声的常用方法之一，通过对平滑点周边一定窗口大小范围的数据点值进行平均或拟合，从而求得平滑点的最佳估计值，以减少噪声对该数据点数值的干扰，提高信噪比。常用的平滑方法有移动平均平滑法（Moving Average）和 Savitzky-Golay卷积平滑法。

移动平均平滑法将光谱波长分为若干个区间，通过将各个分割后的区间相互重叠，如同将区间移动起来进行平滑。该方法的平滑窗口宽度是一个重要的参数，若窗口的宽度过大，会将一些特征吸收峰等有用信息过滤掉，导致光谱信号的失真；若窗口的宽度太小，则平滑去噪效果不明显。Savitzky 和 Golay提出了Savitzky-Golay卷积平滑法来解决上述问题。该方法采用最小二乘拟合系数建立滤波函数，不再仅仅使用简单的平均，而是对移动窗口内的光谱数据进行多项式最小二乘拟合。

2.多元散射校正方法

多元散射校正（MSC）由Isaksson和Naes提出，其目的是通过校正每个光谱的散射，以获得较为“理想”的光谱。该算法假定每一条光谱与“理想”的光谱之间都应该呈线性关系。虽然真正的“理想”光谱是无法获得的，但可以用建模集样本的平均光谱来近似代替。

3.变量标准化方法

类似于多元散射校正，变量标准化（SNV）也可以用来校正样本间由散射引起的光谱误差。与多元散射校正不同的是，该算法不需要“理想”光谱，其计算思想是：每一条光谱中各波长点的吸光度应符合一定的分布（如正态分布），变量标准化对每一条原始光谱数据进行标准正态化处理。

4.求导算法

求导是种常见的光谱预处理算法，可以减少由于光程、光照角度、样本表面不均匀等非物质本身成分变化造成的光谱基线漂移，并在一定程度上解决光谱信号中由于倍频和合频引起的光谱信号重叠问题，对于分辨近红外光谱的吸收峰和特征波长具有重要意义，可初步用于特定化学键的分析。一阶和二阶求导是最常用的两种求导算法。求导算法的缺点是容易受到噪声的干扰，当光谱信噪比较低时，容易进一步放大噪声信号。因此求导的前提是原始光谱要有相对高的分辨率和信噪比。

常用的光谱求导方法有直接差分法和Savitzky-Golay卷积求导法。直接差分法多适用于分辨率较高、波长采样点较多的光谱数据，但当用于分析分辨率较低、波长点稀疏的光谱信号时容易产生较大的误差，产生结果失真等问题。Savitzky-Golay卷积求导法采用最小二乘拟合导数系数，因此可以有效避免光谱求导结果失真的问题。