高光譜成像儀結(jié)合光譜技術(shù)和圖像技術(shù)的優(yōu)勢，能夠很好的捕獲光譜信息和圖像信息。其豐富的光譜信息能夠有效的提取樣品內(nèi)部特征，被廣泛的應(yīng)用于果蔬無損檢測等領(lǐng)域。那么，高光譜數(shù)據(jù)的預(yù)處理方法有哪些？

由于采集到的三維高光譜數(shù)據(jù)中的光譜信息除了含有有用的信息外，還含有其他大量的隨機噪聲和與樣本性質(zhì)無關(guān)的信息（如儀器噪音、雜光散射和基線漂移等），這些因素都會對光譜信息產(chǎn)生一定的干擾，甚至?xí)绊懰Ｐ偷男阅芎皖A(yù)測效果。因此，有效地消除光譜信息中的噪聲和無關(guān)信息是建立良好的分析預(yù)測模型的關(guān)鍵。

通過對光譜信息進(jìn)行有效的預(yù)處理可以減弱甚至消除其他與樣本性質(zhì)無關(guān)的信息對光譜信息的影響，為后續(xù)建立預(yù)測精度高、穩(wěn)健性好的分類判別模型奠定基礎(chǔ)。目前，常用的預(yù)處理方法有變量標(biāo)準(zhǔn)化算法、多元散射校正算法、導(dǎo)數(shù)算法、基線校正、平滑算法和去趨勢法等。

1.變量標(biāo)準(zhǔn)化算法（SNV）

變量標(biāo)準(zhǔn)化（Standard Normalized Variate，簡稱SNV）主要是用來消除由光散射所引起的光譜誤差。SNV校正認(rèn)為，在每一條光譜中各波長點的吸光度值應(yīng)滿足一定的分布規(guī)律。在這一假設(shè)的前提下，SNV是在原始光譜減去該條光譜曲線的平均光譜值，然后除以該條光譜曲線的標(biāo)準(zhǔn)偏差，其實質(zhì)是使原始光譜數(shù)據(jù)標(biāo)準(zhǔn)正態(tài)化處理，即：

2.附加散射校正算法（MSC）

附加散射校正（Multiplicative Scatter Correction，簡稱MSC）是由Geladi等人提出，其主要目的是通過消除因顆粒大小及顆粒分布不均勻產(chǎn)生的散射影響，增強與成分含量相關(guān)的光譜吸收信息，并獲得較“理想”的光譜。MSC方法認(rèn)為，每一條光譜都應(yīng)該與“理想”的光譜成線性關(guān)系，但真正“理想”的光譜是無法得到，所以一般用校正集的平均光譜來近似。即，每個樣品的任意波長點下的反射吸光度值與其平均光譜的相應(yīng)吸光度的光譜是近似線性關(guān)系，而且可以通過光譜集線性回歸獲得該直線的截距和斜率，并用來校正每條光譜。截距大小可以用來反應(yīng)樣品獨特反射作用，而斜率大小則用來反映樣品的均勻性。

3.平滑算法（Smoothing）

由光譜儀采集到的光譜信息中常常疊加著很多的隨機誤差，而平滑算法是常用來消除噪聲的方法。其基本思路是通過多次選取平滑點前后的特定點進(jìn)行平均或擬合來降低噪聲，從而提高信噪比。常用的平滑方法有：Savitzky-Golay卷積平滑法、移動平均平滑法和指數(shù)平均平滑。

4.去趨勢法（De-trending）

去趨勢算法（De-Trending）一般可以用于消除經(jīng)SNV處理后的光譜的基線漂移，也可以單獨使用。該算法比較直接，先按多項式將光譜x；的吸光度和波長擬合出一條趨勢線di，再從原始光譜中減掉趨勢線（xi-di）。經(jīng)過去趨勢法處理后，其波峰和波谷的特征更加明顯。

5.基線校正（Baseline）

在光譜分析中，由于樣品自身的不均性、儀器背景或其他因素等影響，導(dǎo)致所測樣品的譜圖經(jīng)常會出現(xiàn)傾斜或漂移現(xiàn)象，若不加處理，會影響校正模型的性能和對未知樣品預(yù)測結(jié)果的準(zhǔn)確性。