高光谱成像仪在对光谱图像进行分析处理的同时，可以获得光谱信息与图像信息，光谱成像技术因此也是光谱分析与图像分析的有机结合，对高光谱图像数据的处理和分析是对样本进行定量和定性分析的重要依据。本文对高光谱成像仪高光谱图像降维及高光谱数据预处理方法做了介绍。感兴趣的朋友可以了解一下！
高光谱成像仪高光谱图像降维方法：
高光谱数据是一个三维数据块，不仅可以提取每个像元的光谱信息，而且每个波长都对应一幅灰度图像。但是，对于分辨率较高的高光谱数据，每个数据块就包含上百幅图像信息，数据量过大，会降低后期的数据处理速度，并且波段较多，光谱信息之间相关性很强，使得三维数据块之间存在大量冗余信息，可能影响建模结果。因此，在数据处理过程中，高光谱数据的降维是减小噪声，提高模型识别速率和识别准确率的有效手段。
1.主成分分析（PCA）
主成分分析（PCA）是被较多应用的一种数据降维方法。PCA变换是将有相关性的原始变量沿协方差最大的方向投影，使经过坐标变换的高维空间数据映射到低维空间，得到线性不相关的新变量，即主成分。主成分按照方差从大到小的顺序依次称为第一主成分（PC1）、第二主成分（PC2），以此类推。原始高光谱数据经过PCA变换，可以看作各个主成分图像的线性组合，主成分图像所占原始图像信息的比重由方差贡献率决定。一般，当主成分的累计贡献率达到一定比例，如85%以上，即可解释大部分高光谱数据信息。因此，经过PCA变换的高光谱数据仅需少量主成分就可以极大程度上表征原始信息，大大减少了数据处理时间，并消除原始数据之间冗余的信息。
2.最小噪声分离变换（MNF）
对于高光谱数据降维，最小噪声分离变换（MNF变换）的主要目的在于分离高光谱数据的信号和噪声，提高信噪比。该算法可以看作是两次主成分变换的叠加。首先，基于图像噪声的协方差矩阵进行正向变换，然后，对多维图像去相关、重定标。变换之后的数据关联到两个部分：一个部分是较大特征值，及其特征图像；另一个部分则是较小特征值，及其噪声图像。特征值的大小决定特征图像的信噪比高低，用来确定有效的特征图像。最后，正向变换后确定的图像子集被作标准主成分变换，恢复为对应的原始图像。MNF将噪声比例大的图像排除，使有效的高光谱数据量大幅度上涨。
高光谱成像仪高光谱数据预处理方法：
高光谱成像系统除了能够采集到样本的有用光谱信息，还会受到电子噪声、光照等外界噪声干扰，使得光谱数据存在误差。光谱的建模分析中，很大程度上的误差来源于数据，有效的光谱数据是保证识别准确率的关键。因此，采用光谱预处理方法能够削弱或者消除不同外界干扰，增强数据的有效性，改善识别结果。
光谱数据预处理方法有多元散射校正、标准正态变量变换、数据规范化、数据平滑校正、导数光谱法、小波变换法等等。下文主要介绍几种常用的方法：
1.多元散射校正（MSC）
多元散射校正是一种对光谱的线性化处理。样本的分布不均或者颗粒大小差异容易产生光散射，不能获取到“理想”光谱。该算法假设，实际光谱与“理想”光谱成线性关系，一般情况下，"理想”光谱无法获取，因此，常用样本数据集的平均光谱来替代。多元散射校正能够消除随机变化，校正后的光谱并非原始光谱。当光谱与待测物质的化学特性比较相关时，多元散射校正效果较好。
2.标准正态变量变换（SNV）
标准正态变量变换类似于多元散射校正，可以用来消除散射误差以及光程变化等影响。但是，两种方法的处理思想不同，该方法不需要“理想”光谱，而是假设每一条光谱中，每个波长的光谱吸收值满足一些条件，比如符合正态分布，则标准正态变量变换就是对每一条光谱进行标准正态变换处理。标准变量变化是分别对每一条光谱进行校正，因此，较适合处理实验样本差异较大的光谱数据。
3.数据平滑校正
光谱仪的不同波段对能量响应的不同，会导致光谱曲线上显示很多随机的“毛刺”噪声，曲线变得不平滑。而数据平滑校正是最常用的一种，其基本思路是：在特定平，滑点的周围选取指定数量的若干点，对其平均或拟合，求得平滑点的最佳估计值，减少噪声干扰，消除随机噪声。移动窗口平均法和Savitzky-Golay最小二乘拟合法都是常用的光谱数据平滑校正方法。
4.光谱导数法
求导可以减少仪器干扰、样本表面不均、光照等因素引起的基线漂移，一定程度上解决光谱信号重叠问题，将隐藏的微弱有效光谱信息放大，提供更好的光谱变化和分辨率。光谱导数法常用于近红外光谱吸收峰谷的辨别以及特征波长的提取中。导数光谱包括一阶导数光谱、二阶导数光谱以及高阶导数光谱等，实际应用中仅用一阶和二阶导数光谱就可以满足要求。很多随机噪声通常属于高频倍号，求导也许会使噪声变大，降低信噪比，若需要对原始光谱求导，前提是光谱分辨率和信噪比要高。常用的光谱导数方有直接差分法和SG卷积求导法。
5.小波变换
小波变换是新发展起来的一种时-频变换分析法，用于光谱数据压缩和噪声消除。小波变换继承了傅立叶变换的局部化思想，变换中的窗口大小随着频率变化而变化。此外，当时-频局部特性和多分辨特性较好时，小波变换还使得光谱信号在不同频率下被分解为多种尺度成分，并且根据尺度成分的大小选取相应的采样步长，从而能够聚焦到任意光谱信号中。小波变换的多尺度分辨率特点能够使其较快地从多噪声信号中获取原始光谱信号，因此，利用小波分析对含有较大噪声的光谱信号进行消除，是一个非常重要的应用。
