高光譜成像儀在數(shù)據(jù)采集的過程中，會獲取到大量的光譜數(shù)據(jù)，但是這些光譜數(shù)據(jù)中會含有大量的干擾因素，需要對光譜數(shù)據(jù)進行預(yù)處理，提取有特征的光譜數(shù)據(jù)，以保證分析結(jié)果的準確性。本文對光譜數(shù)據(jù)的預(yù)處理方法及光譜特征的提取方法做了介紹。
光譜數(shù)據(jù)的預(yù)處理方法：
光譜預(yù)處理可以消除光譜數(shù)據(jù)采集中由儀器產(chǎn)生的噪聲、背景干擾、周圍雜散光干擾、光散射、震動以及樣本自身不能確定性因素（如大小、顏色等）的影響，提高實驗校正模型對預(yù)測集的預(yù)測精度。目前，采用的光譜和圖像預(yù)處理方法有：
1.SG平滑處理
SG平滑是用平滑點前后特定點的平均和擬合信息來代替平滑點信息，達到平滑的效果。常用的平滑方法有Savitzky-Golay多項式卷積平滑、指數(shù)平均平滑和移動式平滑等。
2.標準化歸一處理
標準歸一化（SNV）是用來消除由樣本反射光散射而引起的光譜誤差，SNV的應(yīng)用是在假定各波長點處的吸光度值滿足正態(tài)分布的基礎(chǔ)上，針對每一條光譜進行標準化校正。
3.多元散射校正
多元散射校正（MSC）是用來消除樣本反射光譜和光源擴散投射中對光譜數(shù)據(jù)的影響，消除樣本由此而造成的光譜差異。
4.零位線校正處理
零位線校正（Baseline）可以消除儀器的背景或漂移對信號的影響，它是項目儲存中在特定時期的一個項目快照，提供一個正式標準，并且只有通過授權(quán)之后才能更改。在繪制初期零位線后，以后每次變更都以上一次形成的零位線進行一次差值，直到建成下一個零位線為止。
5.導(dǎo)數(shù)處理
導(dǎo)數(shù)處理可以用來消除采集光譜時受平緩背景和基線漂移的干擾，還可以強化譜帶特征、克服譜帶重疊等；如一階導(dǎo)數(shù)可以消除噪聲中與波長無關(guān)的漂移噪聲，二階導(dǎo)數(shù)可以消除那些與波長呈線性相關(guān)的漂移。
6.中值校正
中值校正（MF）用來消除采集光譜數(shù)據(jù)中數(shù)值線性突變值，采用平滑點前后特定點的平均來代替平滑點信息，以得到平滑的效果。
光譜特征的提取方法：
1.連續(xù)投影法（SPA）
連續(xù)投影算法（SPA）用來提取特征來量的一種方法，可以消除波長變量間共線性產(chǎn)生的影響，同時可以有效的避免信息重疊，提取出具有最小共線性和最低冗余度的特征波長，能夠以較小的信息量來表示大多數(shù)樣品的光譜信息，簡化了數(shù)學(xué)模型，廣泛應(yīng)用在光譜實驗特征波長的提取中。
該方法的基本原理是選擇一個初期波長，然后采用循環(huán)選擇的方式向前推進，通過計算所選波長在未選入的波長上的投影，選出投影向量的最大波長并將該向量引入波長組合，直至本次循環(huán)截止。
2.主成分分析（PCA）
主成分分析（PCA）是一種數(shù)據(jù)降維方法，其原理是把多個變量進行線性計算重新組合，生成較少變量的方法。不僅可以很好的避免信息重疊、數(shù)據(jù)的簡化，還可以提取出最具代表性的變量子集。該方法通常用來多元統(tǒng)計分析，即將原來具有一定相關(guān)性的多維變量進行了重新的組合，降低變量的維度并用來描述原有指標的目的。
光譜數(shù)據(jù)的建模方法：
1.偏最小二乘（PLS）
偏最小二乘法（PLS）是基于光譜數(shù)據(jù)中主要成分的逐步提取和變量的添加對多元數(shù)據(jù)進行統(tǒng)計，利用數(shù)學(xué)模型逐步檢測其顯著性，廣泛應(yīng)用在數(shù)學(xué)建模中。具有以下優(yōu)點：
①計算時可以根據(jù)實驗要求使用全部信息進行數(shù)據(jù)統(tǒng)計，也可以用部分信息進行統(tǒng)計；
②PLS模型在計算過程中，數(shù)據(jù)矩陣的分解和回歸是交互同時計算的，得到的特征值向量直接與被測組分進行線性相關(guān)；
③PLS方法一般用于較復(fù)雜的數(shù)學(xué)模型分析中。
2.主成分回歸（PCR）
主成分回歸（PCR）是在不丟失變量主要信息的基礎(chǔ)上，選擇維數(shù)最少的新變量來代替原始變量，達到降維目的一種多元統(tǒng)計分析方法。
PCR模型是由主成分分析和多元線性回歸組成。主成分回歸利用全譜或者部分光譜數(shù)據(jù)，計算載荷、向量；可以消除多元線性回歸中的共線問題、變量數(shù)使用限制問題和噪音濾除問題。
3.最小二乘支持向量機（LS-SVM）
LS-SVM模型是把已經(jīng)選好的非線性向量映射到高維空間，然后進行超平面（最優(yōu)決策函數(shù)）構(gòu)造提取最優(yōu)的分類，是一種結(jié)構(gòu)風(fēng)險最小的多元統(tǒng)計方法。該方法既可以將原始空間的線性進行分解，還可以對數(shù)據(jù)進行分類處理。
LS-SVM是對SVM的改進，是將SVM的二次規(guī)劃進一步做了簡化，可以通過樣本建模集與待測樣本集建立空間映射函數(shù)直接得出線性方程組的解，增強其使用性。
