高光谱数据预处理及特征波长的提取方法

高光谱成像仪获取的光谱数据存在很多的冗余信息，在建议预测模型之前，需要对光谱数据进行预处理，以提取有用的波长信息，保证建模的准确性。本文对高光谱数据预处理及特征波长的提取方法做了介绍。

高光谱数据预处理方法：

光谱预处理方法是在采集样品光谱数据时，由于仪器自身因素、人为操作误差和环境的差异等因素引起的噪声和干扰信息，需要对光谱曲线进行去噪和信息提取的过程。常用的光谱预处理方法包括一阶导数法（Der1）、二阶导数法（Der2）、S-G 平滑、多元散射校正（MSC）、标准正态变量法（SNV）等。

导数法是通过求解样品光谱曲线的一阶、二阶等导数，去除光谱曲线中的基线漂移和测量误差等噪声干扰，突出谱线中的特征波峰。

SG平滑法则是一种光谱光滑方法，通过对光谱曲线进行局部加权回归平滑处理，实现去除光谱中的噪声和干扰信息。

多元散射校正方法是通过引入散射校正矩阵，消除样品中的多元散射效应，提高样品光谱数据的准确性和可靠性。

小波变换是通过分解信号并在不同尺度上对信号进行分析，实现对光谱曲线中的信号特征的提取和噪声的去除。

标准正态变量法通过对样本数据进行标准化，将数据转化为均值为0、方差为1的正态分布，使得不同样本之间具有可比性。

高光谱数据特征波长提取方法：

1.连续投影算法

连续投影算法（SPA）是从连续光谱矩阵中查找指定变量数且表达原始数据最大信息量的变量组，使组内的变量之间的相关性达到最小。连续投影算法虽然只选择原始光谱数据中尽可能少的数据，但能概括样品中绝大多数光谱变量信息，从而在大大减少预测模型建立过程中的自变量个数，提高预测模型精度和速度。

2.无信息变量消除算法

无信息变量消除算法（UVE）能够减小对预测指标贡献度较小的变量，选出最优变量，被去除的光谱变量称为无信息变量。它采用偏最小二乘（PLS）算法建立数学模型，消除贡献度较小的自变量，降低预测模型的复杂度。UVE算法通过在PLS模型中添加一组白噪声变量，然后采用交叉留一法计算每个变量的回归系数。计算变量系数稳定值除以标准差，将结果与根据随机变量矩阵得到的稳定值比较，删除对建模无效的波长变量。