高光谱数据预处理及常用建模方法有哪些？

高光谱成像仪在获取光谱数据时，会受到多种因素的影响，使得获取的光谱数据包括很多无用信息。因此，就需要对光谱数据进行预处理，保证预测模型建立的准确性。那么，高光谱数据预处理及常用建模方法有哪些？本文对高光谱数据预处理及常用建模方法做了介绍。

高光谱数据预处理常见方法：

1.卷积平滑法SG

移动窗口平均平滑通过在数据上移动一个窗口并计算窗口内的平均值。这一过程有效地减少了数据中的噪音，从而使信号更加平滑。卷积平滑（S-G）在数据去噪方面已被普遍运用，与其他方法相比，它是一种更简单、更快速的技术，它保留了数据的重要分布属性，如相对最大值、最小值和宽度。

2.多元散射校正MSC

多元散射校正（MSC）技术是多波长校准建模中广泛采用的一种数据处理方法，它主要用于消除表面散射和光程变化对漫反射光谱的影响。

3.标准正态变量变换（SNV）

标准正态变量变换（SNV）用于消除光谱信号的变化，在各种光谱分析等领域内均有广泛的应用。

4.归一化法

归一化是一种处理不同量纲数据的常用技术，当数据在单位或幅度上有很大差异时，它可以将数据集转化为纯量，从而简化计算。

高光谱数据常用建模方法：

1.偏最小二乘法（PLS）

PLS是一种应用广泛、针对多变量的线性回归建模方法。传统线性回归方法往往限制于样本量远少于光谱变量维度、变量存在高度相关等因素，难以获取良好的分析结果。PLS方法可以在样本量少的情况下，通过主成分分析逐步从光谱变量矩阵中筛选出对待测组分变量有最佳解释能力的综合变量，基于综合变量构建光谱变量与待测组成变量的回归模型。PLS充分考虑了光谱变量与待测组分间的相关性，以有限高质量的变量作为模型的输入变量，降低模型复杂度，提高计算效率和预测精度。

2.最小二乘支持向量机（LS-SVM）

LS-SVM是非线性回归建模方法，该方法在对数据进行拟合时，将输入光谱数据从低维度空间映射到高维度空间，使数据的性质从线性转化为非线性，以最小二乘线性系统为损失函数，误差二范数为经验风险，并采用等式约束条件，求解线性矩阵方程组。相较于传统SVM方法，LS-SVM的复杂度得以简化，计算速率得到提高。