高光譜成像儀作為精密的光學儀器，它在對樣品進行無損檢測時，不僅可以獲得樣品的光譜信息，還可得到樣品的圖像信息，其圖譜合一的優(yōu)勢以及優(yōu)越的光譜分辨能力為分析目標屬性提供了充分的數(shù)據(jù)信息。那么，高光譜成像儀的光譜數(shù)據(jù)怎么處理？預(yù)處理方法有哪些？下文為大家做了介紹，感興趣的朋友不妨了解一下！
高光譜成像儀高光譜數(shù)據(jù)的處理方法：
通過成像光譜儀采集獲得的高光譜圖像，首先要進行黑白校正（白板校正和暗場校正），即反射率的歸一化處理。然后，選取感興趣區(qū)域，提取感興趣區(qū)域內(nèi)所有點的反射率光譜并取平均值。提取所有樣品的平均光譜，得到光譜數(shù)據(jù)矩陣。
其中每一個像素點都對應(yīng)著一條完整的光譜曲線，每一條光譜曲線同樣對應(yīng)著一副二維的幾何圖像。實驗中，樣品數(shù)量高達上千個，又有上百個波段，這往往導致光譜數(shù)據(jù)矩陣非常龐大。因此，如何有效地挖掘龐大數(shù)據(jù)結(jié)構(gòu)的有效信息成為光譜分析技術(shù)需要解決的首要問題。通常，數(shù)據(jù)分析分為以下幾個步驟：
1.光譜預(yù)處理
預(yù)處理可以有效減少系統(tǒng)噪音、雜散光等對成像的影響，從而獲取信噪比高、背景干擾較低的數(shù)據(jù)。常用的光譜預(yù)處理方法有：平滑、歸一化、多元散射校正、求導、變量標準化等。
2.提取特征波長
光譜數(shù)據(jù)的高維及共線性問題往往降低模型的運算效率和精度。選取有效的特征波長不僅降低了維數(shù)問題，而且最大程度上包含樣品的原始信息，進而達到簡化運算的目的。常用的提取特征波長的方法有：回歸系數(shù)法、連續(xù)投影算法、載荷系數(shù)法、遺傳算法、競爭性自適應(yīng)重加權(quán)算法等。
3.回歸或分類模型的建立
用提取的特征波長和待測參數(shù)建立回歸或分類模型。常用的建模方法有：主成分分析、多元線性回歸、主成分回歸、人工神經(jīng)網(wǎng)絡(luò)、偏最小二乘法、最小二乘支持向量機等。
另外，以上所述的步驟僅僅是針對光譜的處理，而高光譜圖像還可以看作是每個波段圖像的疊加，這些圖像包含樣本豐富的空間分布屬性。圖像紋理反映像素的空間位置和亮度值變化，進而反映樣本幾何結(jié)構(gòu)的變化。因此，通過提取高光譜圖像的紋理變量信息（包括對比度、方差、熵等）同樣可以建立相應(yīng)的預(yù)測模型。
高光譜成像儀的光譜數(shù)據(jù)預(yù)處理方法：
成像光譜儀在采集數(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。下文對光譜數(shù)據(jù)預(yù)處理方法：S-G平滑、多元散射校正和變量標準化作了介紹。
1.S-G平滑法
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。
2.多元散射校正法
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。
3.變量標準化
變量標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準正態(tài)化處理，處理后的光譜數(shù)據(jù)均值為0，標準差為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)，采用變量標準化算法對其進行預(yù)處理十分有效。
