高光谱数据特征波长的筛选方法有哪些？

高光谱成像仪获取的光谱数据存在很多的无用信息，因此就需要进行特征波长的提取，以保证预测模型建立的准确性。那么，高光谱数据特征波长的筛选方法有哪些？本文对高光谱数据特征波长的筛选方法做了简要介绍。

高光谱信息具有波长分辨率高的优点，可以在很大程度上提高模型的预测性能，然而在全波段光谱信息中含有一定的冗余信息，极大的影响了预测模型的运行速度和预测精度。虽然不同的预处理方法可以消除原始数据中系统带来的负面影响，但仍然不能完全剔除冗余信息。因此，利用合适的化学计量学算法对高光谱信息进行最优波长的筛选对提高模型的预测准确性和稳定性是十分有必要的。四种常用的最优波长筛选方法是：回归系数（RC）法、逐步回归（SR）法、连续投影（SPA）算法和竞争性自适应重加权取样（CARS）法。

1.回归系数（RC）法

RC法的运算原理是以回归系数绝对值的大小为依据，捕捉特征变量（光谱信息）与目标变量（硬度、弹性、内聚性）之间的线性关系，从而提取出最优波长来简化全波段PLS预测模型。一般来说，回归系数绝对值越大，对应的波长有效信息越多，模型的预测效果越好。

2.逐步回归（SR）法

SR法是一种正向添加、反向删除变量的多元线性回归方法。每当添加一个变量时，总是使用F临界值来确定它的资格。当然，个体变量的有效性并不意味着所有变量累加模型的预测性能都会提高，这时就应该采用步进准则。如果一个变量无关紧要，则删除模式在建模之前由系统启动，最终筛选出最优的波长。

3.连续投影（SPA）算法

SPA运行步骤包括候选子集的投影操作、根据预测残差平方和（PRESS）准则对候选子集进行评价、最后用F检验准则对变量进行消除三个阶段。SPA是一种能有效解决光谱共线性问题的变量选择方法，在光谱信息的重复性高、冗余度最小方面具有很大的优势，这是通过找到最小的PRESS值和相应的最优波长的最小数目来实现的。

4.竞争性自适应重加权取样（CARS）法

CARS是又一种基于回归系数绝对值的变量筛选方法，首先采用蒙特卡罗采样法选择固定比例的样本作为标定模型，其次采用指数递减函数进行波长选择，去掉系数低的变量，然后采用自适应重加权抽样选择重要变量。选择基于它们的权重值，对遗漏的变量以类似的方式进行进一步处理，以找到下一组信息变量。该方法主要是依据“适者生存”的原则，挑选出一组回归系数绝对值较大的、交叉验证均方根误差最低的变量，从而达到优化模型的目的。