高光譜成像儀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(jī)噪聲和與樣本性質(zhì)無(wú)關(guān)的信息，這些因素都會(huì)對(duì)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(cè)效果。因此，就需要對(duì)光譜信息進(jìn)行預(yù)處理。本文對(duì)高光譜成像儀光譜數(shù)據(jù)的預(yù)處理方法作了介紹。

通過(guò)對(duì)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(wú)關(guān)的信息對(duì)光譜信息的影響，為后續(xù)建立預(yù)測(cè)精度高、穩(wěn)健性好的分類(lèi)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(xiàn)校正、平滑算法和去趨勢(shì)法等。

1.變量標(biāo)準(zhǔn)化算法（SNV）

變量標(biāo)準(zhǔn)化（Standard Normalized Variate，簡(jiǎn)稱(chēng)SNV）主要是用來(lái)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(zhǎng)點(diǎn)的吸光度值應(yīng)滿(mǎn)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(xiàn)的平均光譜值，然后除以該條光譜曲線(xiàn)的標(biāo)準(zhǔn)偏差，其實(shí)質(zhì)是使原始光譜數(shù)據(jù)標(biāo)準(zhǔn)正態(tài)化處理。

2.附加散射校正算法（MSC）

附加散射校正（Multiplicative Scatter Correction，簡(jiǎn)稱(chēng)MSC）是由Geladi等人提出，其主要目的是通過(guò)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(qiáng)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(xiàn)性關(guān)系，但真正“理想”的光譜是無(wú)法得到，所以一般用校正集的平均光譜來(lái)近似。即，每個(gè)樣品的任意波長(zhǎng)點(diǎn)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(xiàn)性關(guān)系，而且可以通過(guò)光譜集線(xiàn)性回歸獲得該直線(xiàn)的截距和斜率，并用來(lái)校正每條光譜。截距大小可以用來(lái)反應(yīng)樣品獨(dú)特反射作用，而斜率大小則用來(lái)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(jī)誤差，而平滑算法是常用來(lái)消除噪聲的方法。其基本思路是通過(guò)多次選取平滑點(diǎn)前后的特定點(diǎn)進(jìn)行平均或擬合來(lái)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(dòng)平均平滑法和指數(shù)平均平滑。

4.去趨勢(shì)法（De-trending）

去趨勢(shì)算法（De-Trending）一般可以用于消除經(jīng)SNV處理后的光譜的基線(xiàn)漂移，也可以單獨(dú)使用。該算法比較直接，先按多項(xiàng)式將光譜xi的吸光度和波長(zhǎng)擬合出一條趨勢(shì)線(xiàn)di，再?gòu)脑脊庾V中減掉趨勢(shì)線(xiàn)（xi-di）。經(jīng)過(guò)去趨勢(shì)法處理后，其波峰和波谷的特征更加明顯。

5.基線(xiàn)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(cè)樣品的譜圖經(jīng)常會(huì)出現(xiàn)傾斜或漂移現(xiàn)象，若不加處理，會(huì)影響校正模型的性能和對(duì)未知樣品預(yù)測(cè)結(jié)果的準(zhǔn)確性。