高光譜成像儀將光譜技術和傳統的二維圖像技術有機結合，具有光譜圖像合一、高分辨率和超多波段等優點，即獲取的高光譜圖像同時含有光譜信息和圖像信息。光譜信息可以用來檢測實驗樣本的內部品質，而圖像信息則可以用來檢測實驗樣本的外部品質。那么，高光譜成像儀的高光譜數據的分析方法有哪些？本文為大家做了介紹，對此感興趣的朋友可以了解一下！

由于采集到的三維高光譜數據中的光譜信息除了含有有用的信息外，還含有其他大量的隨機噪聲和與樣本性質無關的信息（如儀器噪音、雜光散射和基線漂移等），這些因素都會對光譜信息產生一定的干擾，甚至會影響所建模型的性能和預測效果。因此，有效地消除光譜信息中的噪聲和無關信息是建立良好的分析預測模型的關鍵。

通過對光譜信息進行有效的預處理可以減弱甚至消除其他與樣本性質無關的信息對光譜信息的影響，為后續建立預測精度高、穩健性好的分類判別模型奠定基礎。目前，常用的預處理方法有變量標準化算法、多元散射校正算法、導數算法、基線校正、平滑算法和去趨勢法等。

1.變量標準化算法（SNV）

變量標準化（Standard Normalized Variate，簡稱SNV）主要是用來消除由光散射所引起的光譜誤差。SNV校正認為，在每一條光譜中各波長點的吸光度值應滿足一定的分布規律。在這一假設的前提下，SNV是在原始光譜減去該條光譜曲線的平均光譜值，然后除以該條光譜曲線的標準偏差，其實質是使原始光譜數據標準正態化處理，即：

2.附加散射校正算法（MSC）

附加散射校正（Multiplicative Scatter Correction，簡稱MSC）是由Geladi等人提出，其主要目的是通過消除因顆粒大小及顆粒分布不均勻產生的散射影響，增強與成分含量相關的光譜吸收信息，并獲得較“理想”的光譜。MSC方法認為，每一條光譜都應該與“理想”的光譜成線性關系，但真正“理想”的光譜是無法得到，所以一般用校正集的平均光譜來近似。即，每個樣品的任意波長點下的反射吸光度值與其平均光譜的相應吸光度的光譜是近似線性關系，而且可以通過光譜集線性回歸獲得該直線的截距和斜率，并用來校正每條光譜。截距大小可以用來反應樣品獨特反射作用，而斜率大小則用來反映樣品的均勻性。

3.平滑算法（Smoothing）

由光譜儀采集到的光譜信息中常常疊加著很多的隨機誤差，而平滑算法是常用來消除噪聲的方法。其基本思路是通過多次選取平滑點前后的特定點進行平均或擬合來降低噪聲，從而提高信噪比。常用的平滑方法有：Savitzky-Golay卷積平滑法、移動平均平滑法和指數平均平滑。

4.去趨勢法（De-trending）

去趨勢算法（De-Trending）一般可以用于消除經SNV處理后的光譜的基線漂移，也可以單獨使用。該算法比較直接，先按多項式將光譜xi的吸光度和波長擬合出一條趨勢線di，再從原始光譜中減掉趨勢線（xi-di）。經過去趨勢法處理后，其波峰和波谷的特征更加明顯。

5.基線校正（Baseline）

在光譜分析中，由于樣品自身的不均性、儀器背景或其他因素等影響，導致所測樣品的譜圖經常會出現傾斜或漂移現象，若不加處理，會影響校正模型的性能和對未知樣品預測結果的準確性。