高光譜成像儀在采集數(shù)據(jù)的過程中容易受到類似儀器性能、樣本背景、電噪音等因素的影響，這導(dǎo)致獲得的光譜信號受噪音的干擾。所以，在得到所有樣品的原始光譜以后，需要對其進行預(yù)處理來提高光譜數(shù)據(jù)的信噪比，這也是為了更高效地挖掘光譜數(shù)據(jù)僅為保證預(yù)測模型的精度、穩(wěn)定性和可靠性。那么，高光譜成像儀光譜數(shù)據(jù)的預(yù)處理方法有哪些？

S-G平滑處理法：

噪聲常常干擾光譜信號，也容易在建立模型時產(chǎn)生過擬合的現(xiàn)象。平滑處理通過對平滑點周邊一定窗口大小范圍內(nèi)的數(shù)據(jù)點進行平均或擬合處理，可以求得平滑點的最佳估計值。這樣就減少了噪聲對數(shù)據(jù)點的干擾，提高了信噪比。常用的平滑處理包括移動平均平滑法和卷積平滑法，卷積平滑法基于最小二乘擬合的系數(shù)來建立濾波函數(shù)，對移動窗口內(nèi)的光譜進行最小二乘多項式擬合。因此與簡單的平均計算相比，該算法具有較大的優(yōu)勢。

多元散射校正處理法：

多元散射校正能夠有效消除散射的影響，進而增強和成分含量對應(yīng)光譜的吸收信息。該算法首先需要建立待測樣品的“理想光譜”，即光譜的變化值與樣品的成分含量滿足線性關(guān)系。然后，基于該“理想光譜”對其他樣品的光譜進行修正?？蓪嶋H應(yīng)用中，獲取“理想光譜”非常困難，所以常常取所有樣品光譜的平均值來近似代替。相應(yīng)的算法步驟如下：

（1）根據(jù)最小二乘法確定α和β值，把所有待測樣品的光譜A（λ）變換成假想的基準粒度光譜A0（λ）。假設(shè)這兩個參數(shù)的推定值為α'和β'，根據(jù)公上式變換可得到下式：

（2）基于整體樣品的平均光譜值求得α'和β'的基準粒度光譜，如下式所示：

（3）線性回歸方程：

式中A表示校正集光譜數(shù)據(jù)矩陣，Ai表示第i個樣品的光譜，通過最小二乘回歸算法求得α和β。通過調(diào)整α和β，既可以減小光譜的差異性，又盡可能保留了原始光譜中和樣品成分含量相關(guān)的有效信息。因此該算法大大提高了光譜的信噪比。

變量標(biāo)準化處理方：

變量標(biāo)準化可以用來校正樣品間由于散射引起的光譜誤差。由于每條光譜其波長點的吸光度符合一定的分布（比如正態(tài)分布），該算法每一條原始光譜值進行標(biāo)準正態(tài)化處理，處理后的光譜數(shù)據(jù)均值為0，標(biāo)準差為1。計算式為：Zi=（xi-μ)/σ。

式中，xi為原始光譜的吸光度，μ為所有光譜的平均值，σ為原始光譜的標(biāo)準偏差。由于該算法是對每條光譜數(shù)據(jù)進行單獨校正，因此對于樣品間差異較大的光譜數(shù)據(jù)，采用變量標(biāo)準化算法對其進行預(yù)處理十分有效。