高光谱成像仪获取的高光谱图像数据怎么处理？

光谱数据处理是高光谱图像数据处理的重要环节，主要包括三个部分：一、选取高光谱图像感兴趣区域并提取出感兴趣区域的光谱信息从而得到与品质指标相关的特征光谱；二、对提取的光谱信息进行预处理以去除光谱噪声；三、从全波长光谱中提取特征波长光谱以便于建立多光谱模型、优化校正模型、提高运算效率。下面将对这三个部分进行简要的介绍。

光谱预处理方法：

高光谱成像系统采集的光谱信息除了包含样本自身的有用信息外，还包含一些无关信息和噪声如系统噪声等。这些无关信息对建模数据有影响。因此，对光谱数据进行预处理不仅可以减少系统噪音、杂散光等影响，得到高信噪比、低背景干扰的光谱数据，还可以提高所建模型的预测能力和稳健性。常用的光谱预处理方法有平滑、多元散射校正（MSC）和变量标准化（SNV）、导数法、小波变换、正交信号校正的等。下面只对平滑算法、多元散射校正（MSC）和变量标准化的光谱预处理方法做简要介绍。

1.平滑算法

平滑算法是消除噪声的常用方法之一，其基本原理是在平滑点前后选取一定大小范围的数据点进行平均或拟合，从而求得平滑点的最佳估计值，并以此消除随机噪声，提高信噪比。目前应用较为广泛的平滑方法有移动窗口平均法和Savitzky-Golay卷积平滑法（SG）。

2.MSC算法

MSC算法目的是消除由于样本表面不均匀性（粒度分布）所引起的光散射。MSC的基本思路是假定每一条光谱都与“理想”光谱呈线性关系，但是真正的“理想”光谱是无法获得的，一般可以用校正集的平均光谱来代替。因此，每个样品的任意波长点的反射吸光度值与其平均光谱的反射吸光度值是呈近似线性关系的，该直线的斜率MSC算法和截距可以通过光谱集线性回归获得，并用来对每条光谱进行校正。

3.SNV算法

SNV算法与MSC算法类似，也能用于消除因散射所造成的光谱误差。SNV算法的基本原理是假设每一条光谱中各波长点的反射吸光度值满足一定的分布（如正态分布），然后在这基础上，将原始光谱反射吸光度值减去该光谱的平均反射吸光度值后，再除以该光谱反射吸光度数据的标准偏差。相比于MSC，SNV是对每条光谱进行单独校正，因而常被认为其去噪能力比MSC更强，特别是在校正组分变化较大的样本数据时。

特征波长提取方法：

高光谱图像一般包含数百个光谱波段，这些光谱波段中包含一些冗余和共线性信息，会影响所建模型的预测精度和稳定性。另外，又因为光谱分析过程需要大量样本数作为基础，所以获得的光谱矩阵往往非常庞大。因此，为了优化光谱数据，建立简化模型，提高运算效率，提取出具有代表性的特征波段是很有必要的。此外，提取特征波段对于开发便携式高光谱设备，应用于工业化生产也有重要意义。常见的特征波长提取方法有RC、SPA、无信息变量消除、遗传算法、逐步回归算法、人工神经网络等。

图像数据处理：

基于高光谱成像技术的图像数据处理主要包括图像黑白场校正、主成分分析、图像纹理信息提取和图像可视化。