高光谱数据预处理最常见的三种预处理方法

光谱数据常因某些不可避免的因素，而存在部分的随机噪声。为避免随机噪声对数据处理造成负面影响，提高最终的预测精度，加快模型的运行速度，所以需要对数据进行预处理。本文对高光谱数据预处理最常见的三种预处理方法做了介绍。

高光谱数据预处之卷积平滑算法：

平滑算法是工程中常用的算法，在遇到初始数据噪声过多的时候，如：光谱信号抖动严重、信号强度抖动严重时，常常需要平滑算法消除噪声。常用的平滑算法有：滑动平均算法、卷积平滑算法、指数滑动平均法等。大多会使用卷积平滑算法，即S-G平滑算法。其原理如下：

设光谱上存在等波长间隔排列的5个点，即：Xm-2、Xm-1、Xm、Xm+1、Xm+2，设为窗口P。利用除第3个点Xm之外的其余4个点求取的多项式拟合值，代替第3个点的值。计算完成之后令P沿着光谱读取并计算数据，最终遍历整个光谱。

高光谱数据预处之多元散射校正法：

MSC是多波长定标建模常用的方法，经MSC 预处理后的光谱可以有效消除散射对数据带来的影响，增强与成分相关的光谱吸收信息。此算法需要一个标准值，即：“标准光谱”。此光谱与被测目标所含有的各种属性呈直接的线性关系，故以其为标准，对其余光谱数据进行偏移校正和基线平移以校正光谱。但标准光谱很难测得，所以为保证数据的准确性并避免繁琐的测试，将全部光谱数据的均值作为替代。其原理可简单概括为：若想对光谱数据进行修正，则需要线性平移量与倾斜偏移量。因此首先求取全部光谱数据的均值，并设为标准光谱。逐个选取光谱数据与标准光谱进行一元线性回归，得到回归常数与回归系数，两者分别对应线性平移量和倾斜偏移量。将选取的光谱数据减去线性平移量并除以倾斜偏移量，以对所选光谱数据的修正。

高光谱数据预处之标准正态变量变换法：

标准正态变量变换（SNV）与MSC的目的基本相同，多用来消除固体尺寸不同、表面散射、光程变化对反射光谱的影响，但两者原理不同。SNV是对一组光谱数据进行处理，即基于光谱阵的列计算。其原理为：假设光谱曲线上的所有波长处的吸光度满足标准正态分布，同样以所有样本光谱曲线的平均光谱作为标准光谱，逐个求取光谱和标准光谱的差值，再除以光谱数据标准偏差，以对所选光谱数据的修正。