光谱预处理方法及光谱特征波长提取方法

高光谱图像数据是一种包含丰富空间和光谱信息的数据形式，其中包含了很多的冗余信息，对其进行光谱预处理，提取特征波长，是建立预测模型的前提。本文对光谱预处理方法及光谱特征波长提取方法做了介绍。

光谱预处理方法：

原始光谱中包含一些与待测样品性质无关的干扰因素，导致光谱出现基线漂移和不可重复性等问题，影响到建立模型的准确性及预测性能，光谱预处理可以减弱以至于消除这些影响。研究中使用的光谱预处理包括：

1.平滑。在光谱平滑点的前后取若干点进行平均或拟合，是消除光谱噪声最常用的方法。

2.微分。一阶微分可以去除同波长无关的漂移，二阶微分可以去除同波长线性相关的漂移。同时，微分也有可能放大噪声。

3.多元散射校正。运用数学方法分离光谱中的散射光信号与化学吸收信息，并假设散射系数在所有波长处相同。消除漫反射光谱的板限及光谱不重复性。由于假定各波长散射系数相同，故对组分性质变化范围较宽的样品处理效果并不理想。

4.标准正规变量。主要用来消除固体颗粒大小、表面散射以及光程变化对漫反射光谱的影响。

光谱特征波长提取方法：

高光谱图像中包含大量连续波段，可以反映不同物质的理化特性。然而，冗余波段可能会降低模型精度，同时也会增加计算量。因此，如何使用有效的特征波段提取算法，以便使用少量的波段代替大量波段中的有用信息，是非常必要的。下文主要对主成分分析法进行介绍。

主成分分析法（PCA）是一种数据降维算法，能够将相关性较强的原始指标转化为几个代表性较强且无相关性的新变量。在具有众多变量的研究中，变量间会存在一定的关联，使用彼此相关的变量进行分析不仅会使得模型变得复杂，还会引发多重共线性的问题。因此，需要在保留原变量的情况下尽可能多地提取能代表全部信息的变量。

主成分分析法的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征，这个新的k维矩阵能最大限度的保留原始数据的有效信息。该方法从解除原始变量间的相关性着手，可以用个别互不相关的变量代替原变量，在仅丢失极少数据信息的原则下达到降维的目的。主成分分析法充分考虑了波段之间的相关性，因此执行效率比较高。