高光譜成像儀作為精密的光學(xué)儀器，它在對(duì)樣品進(jìn)行無損檢測(cè)時(shí)，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(shì)以及優(yōu)越的光譜分辨能力為分析目標(biāo)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(jìn)行黑白校正（白板校正和暗場(chǎng)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(diǎn)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(gè)像素點(diǎn)都對(duì)應(yīng)著一條完整的光譜曲線，每一條光譜曲線同樣對(duì)應(yīng)著一副二維的幾何圖像。實(shí)驗(yàn)中，樣品數(shù)量高達(dá)上千個(gè)，又有上百個(gè)波段，這往往導(dǎo)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(gè)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(duì)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(dǎo)、變量標(biāo)準(zhǔn)化等。
2.提取特征波長(zhǎng)
光譜數(shù)據(jù)的高維及共線性問題往往降低模型的運(yùn)算效率和精度。選取有效的特征波長(zhǎng)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(jìn)而達(dá)到簡(jiǎn)化運(yùn)算的目的。常用的提取特征波長(zhǎng)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(jìng)爭(zhēng)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(zhǎng)和待測(cè)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(jī)等。
另外，以上所述的步驟僅僅是針對(duì)光譜的處理，而高光譜圖像還可以看作是每個(gè)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(jìn)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(duì)比度、方差、熵等）同樣可以建立相應(yīng)的預(yù)測(cè)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(dǎo)致獲得的光譜信號(hào)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(duì)其進(jìn)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(cè)模型的精度、穩(wěn)定性和可靠性。下文對(duì)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(biāo)準(zhǔn)化作了介紹。
1.S-G平滑法
噪聲常常干擾光譜信號(hào)，也容易在建立模型時(shí)產(chǎn)生過擬合的現(xiàn)象。平滑處理通過對(duì)平滑點(diǎn)周邊一定窗口大小范圍內(nèi)的數(shù)據(jù)點(diǎn)進(jìn)行平均或擬合處理，可以求得平滑點(diǎn)的最佳估計(jì)值。這樣就減少了噪聲對(duì)數(shù)據(jù)點(diǎn)的干擾，提高了信噪比。常用的平滑處理包括移動(dòng)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(duì)移動(dòng)窗口內(nèi)的光譜進(jìn)行最小二乘多項(xiàng)式擬合。因此與簡(jiǎn)單的平均計(jì)算相比，該算法具有較大的優(yōu)勢(shì)。
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(jìn)而增強(qiáng)和成分含量對(duì)應(yīng)光譜的吸收信息。該算法首先需要建立待測(cè)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(duì)其他樣品的光譜進(jìn)行修正。可實(shí)際應(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(biāo)準(zhǔn)化
變量標(biāo)準(zhǔn)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(zhǎng)點(diǎn)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(jìn)行標(biāo)準(zhǔn)正態(tài)化處理，處理后的光譜數(shù)據(jù)均值為0，標(biāo)準(zhǔn)差為1。計(jì)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(zhǔn)偏差。由于該算法是對(duì)每條光譜數(shù)據(jù)進(jìn)行單獨(dú)校正，因此對(duì)于樣品間差異較大的光譜數(shù)據(jù)，采用變量標(biāo)準(zhǔn)化算法對(duì)其進(jìn)行預(yù)處理十分有效。
