高光譜成像儀在對樣品進行檢測時，具有獨特的獲取信息和識別特征能力，不僅可以獲得樣品的光譜信息，還可以獲得樣品的圖像信息，具有“圖譜合一”特點。但由于光譜圖像數據的冗余性，會導致計算過程繁瑣，而且還會降低無損檢測模型的準確性，因此就需要進行相應的處理。本文對高光譜圖像數據校正及降維方法做了介紹。
高光譜圖像數據的特點：
高光譜圖像是一個具有“圖譜合一”特點的三維數據立方體，因此高光譜圖像的處理和分析既可以在指定波長情況下在空間域進行圖像處理和分析，又可以在指定像素坐標位置情況下在光譜域進行光譜處理和分析，也可以同時在空間域和光譜域進行處理和分析。
下圖顯示了高光譜圖像處理的一般流程。一般來講，高光譜圖像處理流程包括高光譜圖像數據獲取與校正層、高光譜圖像處理與分析層和應用層三個層面。其中高光譜圖像數據獲取與校正層包括樣品高光譜圖像和參考圖像的獲取、高光譜圖像校正；高光譜圖像處理與分析層包括光譜處理與分析和圖像處理與分析；應用層包括內部品質與安全性檢測和外部缺陷識別與提取。
高光譜圖像數據的處理方法：
高光譜圖像由于既包含光譜信息，又包括圖像信息，因此高光譜圖像數據分析方法很多。這里以歸納高光譜圖像數據的處理為例，介紹高光譜成像儀圖譜數據處理方法。
第1步，高光譜圖像的校正和預處理
原始高光譜數據是光子強度信息，需進行黑白板校正獲取相對反射率。由于高光譜圖像通常在光譜波段范圍的首尾端信噪比較低，所以黑白板校正后的高光譜圖像需要進行預處理以剔除這些噪聲較大的部分。此外，由于高光譜數據量較大，對于一些無用部分可通過裁剪等方法減少高光譜圖像數據。
第2步，高光譜圖像的降維
在圖像維，可根據待測物的光譜特性，直接提取反映待測對象品質的一個或幾個波長圖像；也可采用主成分分析、獨立成分分析法或最小噪聲分離法等獲取關鍵的特征圖像；還可在上述特征波段基礎上，采用波段比算法或者波段差算法或者二次差分算法計算特征圖像；在光譜維，可對研究對象中一定像素區域的光譜或所有像素的光譜進行平均獲得平均光譜信息或偏差光譜信息。
第3步，預測模型建立。
在圖像維，可采用數字圖像處理技術對圖像進行分割從而獲取目標；在光譜維，可與化學計量學方法結合，建模預測分析待測物的品質，或進行判別分析。
第4步，目標分類
根據得到的圖像特征或者光譜信息，采用模式識別方法分類目標。
高光譜圖像數據的校正方法：
圖像采集時不同的波段下光源強度分布不均勻或者接收器存在暗電流等因素引起的光強變化會影響采集圖像的質量。因此，在進一步的光譜分析前對樣品的高光譜圖像進行圖像校正（即黑白校正）顯得尤為重要。在與采集高光譜圖像相同的條件下，先掃描反射率接近99.99%的標準聚四氟乙烯白色校正板得到全白的標定圖像，然后蓋上鏡頭蓋進行采集得到反射率幾乎為0%的全黑的標定圖像，最后根據下列公式對原始采集的高光譜圖像進行計算得到校正后的圖像。
式中，W為全白的標定圖像，B為全黑的標定圖像，I0為原始采集的高光譜圖像，I為校正后的高光譜圖像。
高光譜圖像數據的降維方法：
由于高光譜采集的數據塊通常含有幾百甚至上千個波段的光譜信息，這就造成了過高維度的光譜信息和數據較大的冗余性，不僅使得計算過程繁瑣，而且還會降低無損檢測模型的準確性，因此在建模前對高光譜數據塊進行降維處理是進行數據分析的重要一步。查閱文獻發現，當前應用較多的降維處理方法主要有以下幾種：主成分分析法、獨立成分分析法、遺傳算法以及最小噪聲分離法等，通過相應的降維算法處理后，大量的冗余信息被去除，并且特征波段和圖像被提取，這些對于簡化計算過程和提高模型的準確性發揮著重要的作用。
