高光譜成像儀在成像的過程中，其采集的光譜信息會(huì)受到儀器本身和試驗(yàn)環(huán)境產(chǎn)生的噪聲干擾、基線漂移、光程變化、樣品厚度分布不均以及光散射等因素影響。因此，就需要對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理和篩選有效波長。本文對(duì)高光譜成像儀光譜數(shù)據(jù)的預(yù)處理與波長篩選方法做了介紹。

光譜數(shù)據(jù)的預(yù)處理方法：

在樣品光譜獲取過程中，光譜可能會(huì)受到儀器本身和試驗(yàn)環(huán)境產(chǎn)生的噪聲干擾、基線漂移、光程變化、樣品厚度分布不均以及光散射等因素影響。因此，有必要結(jié)合化學(xué)計(jì)量法對(duì)原始光譜進(jìn)行預(yù)處理以消除負(fù)面影響。常用的8種光譜預(yù)處理方法包括：多元散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變量校正（SNV）、基線校正（BC）、移動(dòng)平均值平滑（MAS）、卷積平滑（SGS）、中值濾波平滑（MFS）、高斯濾波平滑（GFS）、和歸一化校正（NC）。

MSC是一種用于補(bǔ)償光譜數(shù)據(jù)中的加性和/或乘性效應(yīng)的光譜轉(zhuǎn)換方法，可有效消除光譜散射、基線漂移和偏移、樣品顆粒大小和表面光斑分布不均等物理影響。該方法是通過將所有樣品的平均光譜作為標(biāo)準(zhǔn)光譜，探究每條譜線與平均線之間的線性關(guān)系，從而得到較理想的光譜信息，此變換后的光譜與原始光譜相似。SNV旨在基于所有光譜的平均值和標(biāo)準(zhǔn)偏差達(dá)到消除光譜散射和樣品顆粒大小倍增干擾，以及校正光照效應(yīng)的目的。SNV預(yù)處理計(jì)算方式是每個(gè)波長對(duì)應(yīng)的原始反射率減去平均反射率后，其與該光譜反射率的標(biāo)準(zhǔn)偏差的比值。BC是一種常用的光譜預(yù)處理方法，可以消除儀器背景噪聲或光譜基線漂移對(duì)信號(hào)質(zhì)量的影響。MAS、SGS、MFS和GFS均屬于平滑預(yù)處理，能夠有效消除由基線漂移、傾斜、反轉(zhuǎn)等造成的隨機(jī)噪音。NC目的是識(shí)別和去除光譜變量間的系統(tǒng)差異來源，例如樣品中隨時(shí)間變化的化學(xué)成分的變化或者儀器檢測器靈敏度的變化等。

光譜數(shù)據(jù)波長篩選方法：

高光譜信息具有波長分辨率高的優(yōu)點(diǎn)，可以在很大程度上提高模型的預(yù)測性能，然而在全波段光譜信息中含有一定的冗余信息，極大的影響了預(yù)測模型的運(yùn)行速度和預(yù)測精度。雖然不同的預(yù)處理方法可以消除原始數(shù)據(jù)中系統(tǒng)帶來的負(fù)面影響，但仍然不能完全剔除冗余信息。因此，利用合適的化學(xué)計(jì)量學(xué)算法對(duì)高光譜信息進(jìn)行最優(yōu)波長的篩選對(duì)提高模型的預(yù)測準(zhǔn)確性和穩(wěn)定性是十分有必要的。4種常用的最優(yōu)波長篩選方法是：回歸系數(shù)（RC）法、逐步回歸（SR）法、連續(xù)投影（SPA）算法和競爭性自適應(yīng)重加權(quán)取樣（CARS）法。

RC法的運(yùn)算原理是以回歸系數(shù)絕對(duì)值的大小為依據(jù)，捕捉特征變量（光譜信息）與目標(biāo)變量（硬度、彈性、內(nèi)聚性）之間的線性關(guān)系，從而提取出最優(yōu)波長來簡化全波段PLS預(yù)測模型。一般來說，回歸系數(shù)絕對(duì)值越大，對(duì)應(yīng)的波長有效信息越多，模型的預(yù)測效果越好。

SR法是一種正向添加、反向刪除變量的多元線性回歸方法。每當(dāng)添加一個(gè)變量時(shí)，總是使用F臨界值來確定它的資格。當(dāng)然，個(gè)體變量的有效性并不意味著所有變量累加模型的預(yù)測性能都會(huì)提高，這時(shí)就應(yīng)該采用步進(jìn)準(zhǔn)則。如果一個(gè)變量無關(guān)緊要，則刪除模式在建模之前由系統(tǒng)啟動(dòng)，最終篩選出最優(yōu)的波長。

SPA運(yùn)行步驟包括候選子集的投影操作、根據(jù)預(yù)測殘差平方和（PRESS）準(zhǔn)則對(duì)候選子集進(jìn)行評(píng)價(jià)、最后用F檢驗(yàn)準(zhǔn)則對(duì)變量進(jìn)行消除三個(gè)階段。SPA 是一種能有效解決光譜共線性問題的變量選擇方法，在光譜信息的重復(fù)性高、冗余度最小方面具有很大的優(yōu)勢，這是通過找到最小的PRESS值和相應(yīng)的最優(yōu)波長的最小數(shù)目來實(shí)現(xiàn)的。

CARS是又一種基于回歸系數(shù)絕對(duì)值的變量篩選方法，首先采用蒙特卡羅采樣法選擇固定比例的樣本作為標(biāo)定模型，其次采用指數(shù)遞減函數(shù)進(jìn)行波長選擇，去掉系數(shù)低的變量，然后采用自適應(yīng)重加權(quán)抽樣選擇重要變量。選擇基于它們的權(quán)重值，對(duì)遺漏的變量以類似的方式進(jìn)行進(jìn)一步處理，以找到下一組信息變量。該方法主要是依據(jù)“適者生存”的原則，挑選出一組回歸系數(shù)絕對(duì)值較大的、交叉驗(yàn)證均方根誤差最低的變量，從而達(dá)到優(yōu)化模型的目的。