高光谱成像仪在对样本信息进行采集时，所获取的高光谱信息数据会受到设备硬件、光源分布、测试环境及目标的形状等的影响，导致采集到的光谱信息会存在较大的噪声，影响预测结果的准确性。因此，在建立数据模型之前，需要对光谱信息进行处理。本文对高光谱成像仪高光谱图像数据和光谱数据处理方法做了介绍，对此感兴趣的朋友不妨了解一下！
高光谱成像仪高光谱图像数据预处理法方法：
高光谱成像仪在对样本进行信息采集时，所采集的高光谱图像并不是每个波长的图像都可以对样本进行检测，部分波长的图像含有较大的噪声，无法提取有效信息。同时高光谱图像的质量受到光源分布、相机性能、被测目标的形状等等影响，其不可避免地会存在一些噪声。所以很有必要对获取的图像进行预处理以消除其他因素对数据的影响。
1.黑白校正
受高光谱相机内的暗电流，设备内部光敏单位的响应速度，各个波段光源强度的不均匀分布等因素的影响，高光谱图像会存在不同程度的噪声。为避免对后续数据处理产生负面影响，对数据使用黑白矫正处理以消除部分噪声。黑白校正前后的图像其每个像素点的反射光谱会产生明显的差别。黑白校正的公式为：
其中IR，为经过黑白矫正后的高光谱图像，IR0为采集到的原始高光谱图像，IRD为采集到的黑色标定图像，IRw为采集到的白色标定图像。
2.图像数据处理
高光谱图像数据的处理方法有很多，这里主要介绍主成分分析法（PCA）。PCA是一种利用线性拟合的方法对数据降维，并消除各种信息干扰的统计学方法。PCA可以消除数据中可能存在的内在联系，将数据整合成为互不相关的新数据并减少数据量，整合后的数据不仅比原始数据数量少，还可以最大限度表示原始数据的大部分信息。使用PCA可以有效降低高光谱图像数据的维数，使数据简化，去掉冗余信息，便于对图像进行定量分析。
上图展示了PCA中变量与主成分的关系。原始数据沿坐标轴x1和y1分布，从图中可以看出原始数据存在某些内在联系，比如：一个点在x1y1，坐标轴上，若x1＞0那么它的y有较大的概率大于0。所以需要使用PCA将数据整合为互不相关的，下面简述PCA的原理。在原始数据的所在空间中寻找一个坐标轴，使所有的点到此坐标轴的投影距离达到最大值，即为图中的x2轴，此时数据主要沿着x2分布。在确定x2之后再在垂直于x2的方向上寻找轴y2保证两个坐标轴是互不相关的，轴y2也需要满足所有的点到此坐标轴的投影距离达到最大值。处理之后可以完美·体育数据大多数是沿x2分布的，此时如果只保留x2方向的数据那么也会丢失比较少的数据。对于多维的数据可能需要多次找寻坐标轴。将x2和y2分别为第一主成分（PC1）和第二主成分（PC2）。
高光谱成像仪高光谱数据预处理法方法：
光谱数据常因某些不可避免的因素，如：设备硬件、光源和环境等干扰，而存在部分随机噪声。为避免随机噪声对数据处理造成负面影响，提高最终的预测精度，加快模型的运行速度，所以对数据做预处理。下面介绍几种常用的预处理方法。
1.卷积平滑算法
平滑算法是工程中常用的算法，在遇到初始数据噪声过多的时候，如：光谱信号抖动严重、信号强度抖动严重时，常常需要平滑算法消除噪声。常用的平滑算法有：滑动平均算法、卷积平滑算法、指数滑动平均法等。其中卷积平滑算法最为常见，卷积平滑算法即S-G平滑算法。其原理如下：
设光谱上存在等波长间隔排列的5个点，即：Xm-2、Xm-1、Xm、Xm+1、Xm-2+2，设为窗口P。利用除第3个点Xm，之外的其余4个点求取的多项式拟合值，代替第3个点的值。计算完成之后令P沿着光谱读取并计算数据，最终遍历整个光谱。
2.多元散射校正
MSC是多波长定标建模常用的方法，经MSC预处理后的光谱可以有效消除散射对数据带来的影响，增强与成分相关的光谱吸收信息。此算法需要一个标准值，即：“标准光谱”。此光谱与被测目标所含有的各种属性呈直接的线性关系，故以其为标准，对其余光谱数据进行偏移校正和基线平移以校正光谱。但标准光谱很难测得，所以为保证数据的准确性并避免繁琐的测试，将全部光谱数据的均值作为替代。其原理可简单概括为：
若想对光谱数据进行修正，则需要线性平移量与倾斜偏移量。因此首先求取全部光谱数据的均值，并设为标准光谱。逐个选取光谱数据与标准光谱进行一元线性回归，得到回归常数与回归系数，两者分别对应线性平移量和倾斜偏移量。将选取的光谱数据减去线性平移量并除以倾斜偏移量，以对所选光谱数据的修正。
3.标准正态变量变换
标准正态变量变换（SNV）与MSC的目的基本相同，多用来消除固体尺寸不同、表面散射、光程变化对反射光谱的影响，但两者原理不同，SNV是对一组光谱数据进行处理，即基于光谱阵的列计算。其原理如下：
假设光谱曲线上的所有波长处的吸光度满足标准正态分布，同样以所有样本光谱曲线的平均光谱作为标准光谱，逐个求取光谱和标准光谱的差值，再除以光谱数据标准偏差，以对所选光谱数据的修正。
