高光譜成像儀在成像的過程中，其采集的光譜信息會受到儀器本身和試驗環(huán)境產(chǎn)生的噪聲干擾、基線漂移、光程變化、樣品厚度分布不均以及光散射等因素影響。因此，就需要對光譜數(shù)據(jù)進行預(yù)處理和篩選有效波長。本文對高光譜成像儀光譜數(shù)據(jù)的預(yù)處理與波長篩選方法做了介紹。

光譜數(shù)據(jù)的預(yù)處理方法：

在樣品光譜獲取過程中，光譜可能會受到儀器本身和試驗環(huán)境產(chǎn)生的噪聲干擾、基線漂移、光程變化、樣品厚度分布不均以及光散射等因素影響。因此，有必要結(jié)合化學(xué)計量法對原始光譜進行預(yù)處理以消除負面影響。常用的8種光譜預(yù)處理方法包括：多元散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變量校正（SNV）、基線校正（BC）、移動平均值平滑（MAS）、卷積平滑（SGS）、中值濾波平滑（MFS）、高斯濾波平滑（GFS）、和歸一化校正（NC）。

MSC是一種用于補償光譜數(shù)據(jù)中的加性和/或乘性效應(yīng)的光譜轉(zhuǎn)換方法，可有效消除光譜散射、基線漂移和偏移、樣品顆粒大小和表面光斑分布不均等物理影響。該方法是通過將所有樣品的平均光譜作為標(biāo)準(zhǔn)光譜，探究每條譜線與平均線之間的線性關(guān)系，從而得到較理想的光譜信息，此變換后的光譜與原始光譜相似。SNV旨在基于所有光譜的平均值和標(biāo)準(zhǔn)偏差達到消除光譜散射和樣品顆粒大小倍增干擾，以及校正光照效應(yīng)的目的。SNV預(yù)處理計算方式是每個波長對應(yīng)的原始反射率減去平均反射率后，其與該光譜反射率的標(biāo)準(zhǔn)偏差的比值。BC是一種常用的光譜預(yù)處理方法，可以消除儀器背景噪聲或光譜基線漂移對信號質(zhì)量的影響。MAS、SGS、MFS和GFS均屬于平滑預(yù)處理，能夠有效消除由基線漂移、傾斜、反轉(zhuǎn)等造成的隨機噪音。NC目的是識別和去除光譜變量間的系統(tǒng)差異來源，例如樣品中隨時間變化的化學(xué)成分的變化或者儀器檢測器靈敏度的變化等。

光譜數(shù)據(jù)波長篩選方法：

高光譜信息具有波長分辨率高的優(yōu)點，可以在很大程度上提高模型的預(yù)測性能，然而在全波段光譜信息中含有一定的冗余信息，極大的影響了預(yù)測模型的運行速度和預(yù)測精度。雖然不同的預(yù)處理方法可以消除原始數(shù)據(jù)中系統(tǒng)帶來的負面影響，但仍然不能完全剔除冗余信息。因此，利用合適的化學(xué)計量學(xué)算法對高光譜信息進行最優(yōu)波長的篩選對提高模型的預(yù)測準(zhǔn)確性和穩(wěn)定性是十分有必要的。4種常用的最優(yōu)波長篩選方法是：回歸系數(shù)（RC）法、逐步回歸（SR）法、連續(xù)投影（SPA）算法和競爭性自適應(yīng)重加權(quán)取樣（CARS）法。

RC法的運算原理是以回歸系數(shù)絕對值的大小為依據(jù)，捕捉特征變量（光譜信息）與目標(biāo)變量（硬度、彈性、內(nèi)聚性）之間的線性關(guān)系，從而提取出最優(yōu)波長來簡化全波段PLS預(yù)測模型。一般來說，回歸系數(shù)絕對值越大，對應(yīng)的波長有效信息越多，模型的預(yù)測效果越好。

SR法是一種正向添加、反向刪除變量的多元線性回歸方法。每當(dāng)添加一個變量時，總是使用F臨界值來確定它的資格。當(dāng)然，個體變量的有效性并不意味著所有變量累加模型的預(yù)測性能都會提高，這時就應(yīng)該采用步進準(zhǔn)則。如果一個變量無關(guān)緊要，則刪除模式在建模之前由系統(tǒng)啟動，最終篩選出最優(yōu)的波長。

SPA運行步驟包括候選子集的投影操作、根據(jù)預(yù)測殘差平方和（PRESS）準(zhǔn)則對候選子集進行評價、最后用F檢驗準(zhǔn)則對變量進行消除三個階段。SPA 是一種能有效解決光譜共線性問題的變量選擇方法，在光譜信息的重復(fù)性高、冗余度最小方面具有很大的優(yōu)勢，這是通過找到最小的PRESS值和相應(yīng)的最優(yōu)波長的最小數(shù)目來實現(xiàn)的。

CARS是又一種基于回歸系數(shù)絕對值的變量篩選方法，首先采用蒙特卡羅采樣法選擇固定比例的樣本作為標(biāo)定模型，其次采用指數(shù)遞減函數(shù)進行波長選擇，去掉系數(shù)低的變量，然后采用自適應(yīng)重加權(quán)抽樣選擇重要變量。選擇基于它們的權(quán)重值，對遺漏的變量以類似的方式進行進一步處理，以找到下一組信息變量。該方法主要是依據(jù)“適者生存”的原則，挑選出一組回歸系數(shù)絕對值較大的、交叉驗證均方根誤差最低的變量，從而達到優(yōu)化模型的目的。