光譜數(shù)據(jù)處理是高光譜圖像數(shù)據(jù)處理的重要環(huán)節(jié)，主要包括三個(gè)部分：一、選取高光譜圖像感興趣區(qū)域并提取出感興趣區(qū)域的光譜信息從而得到與品質(zhì)指標(biāo)相關(guān)的特征光譜；二、對(duì)提取的光譜信息進(jìn)行預(yù)處理以去除光譜噪聲；三、從全波長(zhǎng)光譜中提取特征波長(zhǎng)光譜以便于建立多光譜模型、優(yōu)化校正模型、提高運(yùn)算效率。下面將對(duì)這三個(gè)部分進(jìn)行簡(jiǎn)要的介紹。

光譜預(yù)處理方法：

高光譜成像系統(tǒng)采集的光譜信息除了包含樣本自身的有用信息外，還包含一些無關(guān)信息和噪聲如系統(tǒng)噪聲等。這些無關(guān)信息對(duì)建模數(shù)據(jù)有影響。因此，對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理不僅可以減少系統(tǒng)噪音、雜散光等影響，得到高信噪比、低背景干擾的光譜數(shù)據(jù)，還可以提高所建模型的預(yù)測(cè)能力和穩(wěn)健性。常用的光譜預(yù)處理方法有平滑、多元散射校正（MSC）和變量標(biāo)準(zhǔn)化（SNV）、導(dǎo)數(shù)法、小波變換、正交信號(hào)校正的等。下面只對(duì)平滑算法、多元散射校正（MSC）和變量標(biāo)準(zhǔn)化的光譜預(yù)處理方法做簡(jiǎn)要介紹。

1.平滑算法

平滑算法是消除噪聲的常用方法之一，其基本原理是在平滑點(diǎn)前后選取一定大小范圍的數(shù)據(jù)點(diǎn)進(jìn)行平均或擬合，從而求得平滑點(diǎn)的最佳估計(jì)值，并以此消除隨機(jī)噪聲，提高信噪比。目前應(yīng)用較為廣泛的平滑方法有移動(dòng)窗口平均法和Savitzky-Golay卷積平滑法（SG）。

2.MSC算法

MSC算法目的是消除由于樣本表面不均勻性（粒度分布）所引起的光散射。MSC的基本思路是假定每一條光譜都與“理想”光譜呈線性關(guān)系，但是真正的“理想”光譜是無法獲得的，一般可以用校正集的平均光譜來代替。因此，每個(gè)樣品的任意波長(zhǎng)點(diǎn)的反射吸光度值與其平均光譜的反射吸光度值是呈近似線性關(guān)系的，該直線的斜率MSC算法和截距可以通過光譜集線性回歸獲得，并用來對(duì)每條光譜進(jìn)行校正。

3.SNV算法

SNV算法與MSC算法類似，也能用于消除因散射所造成的光譜誤差。SNV算法的基本原理是假設(shè)每一條光譜中各波長(zhǎng)點(diǎn)的反射吸光度值滿足一定的分布（如正態(tài)分布），然后在這基礎(chǔ)上，將原始光譜反射吸光度值減去該光譜的平均反射吸光度值后，再除以該光譜反射吸光度數(shù)據(jù)的標(biāo)準(zhǔn)偏差。相比于MSC，SNV是對(duì)每條光譜進(jìn)行單獨(dú)校正，因而常被認(rèn)為其去噪能力比MSC更強(qiáng)，特別是在校正組分變化較大的樣本數(shù)據(jù)時(shí)。

特征波長(zhǎng)提取方法：

高光譜圖像一般包含數(shù)百個(gè)光譜波段，這些光譜波段中包含一些冗余和共線性信息，會(huì)影響所建模型的預(yù)測(cè)精度和穩(wěn)定性。另外，又因?yàn)楣庾V分析過程需要大量樣本數(shù)作為基礎(chǔ)，所以獲得的光譜矩陣往往非常龐大。因此，為了優(yōu)化光譜數(shù)據(jù)，建立簡(jiǎn)化模型，提高運(yùn)算效率，提取出具有代表性的特征波段是很有必要的。此外，提取特征波段對(duì)于開發(fā)便攜式高光譜設(shè)備，應(yīng)用于工業(yè)化生產(chǎn)也有重要意義。常見的特征波長(zhǎng)提取方法有RC、SPA、無信息變量消除、遺傳算法、逐步回歸算法、人工神經(jīng)網(wǎng)絡(luò)等。

圖像數(shù)據(jù)處理：

基于高光譜成像技術(shù)的圖像數(shù)據(jù)處理主要包括圖像黑白場(chǎng)校正、主成分分析、圖像紋理信息提取和圖像可視化。