高光谱成像仪作为精密的光学仪器，不仅可以获得图像上每个点的光谱数据，而且还可以获得任一谱段的图像信息。但由于其采集的光谱数据具有波段多、分辨率高、数据维度高、冗余性强等特点，因此需要对光谱数据进行预处理，以提升建模数据的准确性。本文对高光谱成像仪的原理及光谱数据的预处理方法做了介绍。
高光谱成像仪的工作原理：
高光谱成像技术是利用成像光谱仪对目标物体在光谱覆盖范围内的数十或数百条谱线进行连续扫描成像，在获得目标物体外部特征图像信息的同时，也能获得反应其内部成分的光谱信息。典型的色散型成像光谱仪采用连续扫描的方式进行成像，其主要由光源、电控移动台、色散元件、面阵探测器等几部分组成，如下图所示。
当光源照射在电控移动台上的目标样品时，样品反射光经过成像镜头、狭缝，再经由光栅等光学器件后，按波长色散并成像于CCD像面。由于狭缝只允许很窄的样品条带图像通过，因此当样品在电动平台的连续移动扫描下，能够得到连续的一维影像及光谱信息。计算机上的图像采集软件对图像进行采集和存储，进行处理后可以得到样品的三维高光谱图像。通过对高光谱图像进行特征提取、图像融合等，可以得到样品每个像素点的反射光谱（如下图所示，X方向表示条带的一列像元、Y方向表示连续成像的轨迹、入方向代表各像元在不同波长下的光谱信息）。由于样品不同部位具有不同的特征光谱，据此可以分析和判断目标的属性。
高光谱成像仪光谱数据的预处理方法：
由于采集到的三维高光谱数据中的光谱信息除了含有有用的信息外，还含有其他大量的随机噪声和与样本性质无关的信息（如仪器噪音、杂光散射和基线漂移等），这些因素都会对光谱信息产生一定的干扰，甚至会影响所建模型的性能和预测效果。因此，有效地消除光谱信息中的噪声和无关信息是建立良好的分析预测模型的关键。
通过对光谱信息进行有效的预处理可以减弱甚至消除其他与样本性质无关的信息对光谱信息的影响，为后续建立预测精度高、稳健性好的分类判别模型奠定基础。目前，常用的预处理方法有变量标准化算法、多元散射校正算法、导数算法、基线校正、平滑算法和去趋势法等。
1.变量标准化算法（SNV）
变量标准化（Standard Normalized Variate，简称SNV）主要是用来消除由光散射所引起的光谱误差。SNV校正认为，在每一条光谱中各波长点的吸光度值应满足一定的分布规律。在这一假设的前提下，SNV是在原始光谱减去该条光谱曲线的平均光谱值，然后除以该条光谱曲线的标准偏差，其实质是使原始光谱数据标准正态化处理。
2.附加散射校正算法（MSC）
附加散射校正（Multiplicative Scatter Correction，简称MSC）是由Geladi等人提出，其主要目的是通过消除因颗粒大小及颗粒分布不均匀产生的散射影响，增强与成分含量相关的光谱吸收信息，并获得较“理想”的光谱。MSC方法认为，每一条光谱都应该与“理想”的光谱成线性关系，但真正“理想”的光谱是无法得到，所以一般用校正集的平均光谱来近似。即，每个样品的任意波长点下的反射吸光度值与其平均光谱的相应吸光度的光谱是近似线性关系，而且可以通过光谱集线性回归获得该直线的截距和斜率，并用来校正每条光谱。截距大小可以用来反应样品独特反射作用，而斜率大小则用来反映样品的均匀性。
3.平滑算法（Smoothing）
由光谱仪采集到的光谱信息中常常叠加着很多的随机误差，而平滑算法是常用来消除噪声的方法。其基本思路是通过多次选取平滑点前后的特定点进行平均或拟合来降低噪声，从而提高信噪比。常用的平滑方法有：Savitzky-Golay卷积平滑法、移动平均平滑法和指数平均平滑。
4.去趋势法（De-trending）
去趋势算法（De-Trending）一般可以用于消除经SNV处理后的光谱的基线漂移，也可以单独使用。该算法比较直接，先按多项式将光谱xi的吸光度和波长拟合出一条趋势线di，再从原始光谱中减掉趋势线（xi-di）。经过去趋势法处理后，其波峰和波谷的特征更加明显。
5.基线校正（Baseline）
在光谱分析中，由于样品自身的不均性、仪器背景或其他因素等影响，导致所测样品的谱图经常会出现倾斜或漂移现象，若不加处理，会影响校正模型的性能和对未知样品预测结果的准确性。
高光谱图像数据的特点：
1.光谱波段范围较宽且分辨率较高
传统R、G、B或黑白图像的光谱范围一般都在可见光，波段数在几个至十几个，而高光谱仪获得图像的光谱范围可以从可见光、近红外、甚至延伸到中红外，波段数可达到几十至数百个，从而形成一条连续而饱满的光谱反射率曲线，连续性较强，分辨率在2nm-10nm之间。
2.高光谱图谱数据信息较为丰富
由于高光谱图像的光谱分辨率较高，波段较宽，由此产生了许多窄波段的光谱信息，这些光谱信息之间关联性较强，为高光谱图像数据带来了大量、丰富的信息。
3.高光谱图像有较为丰富的数学分类模型
高光谱图像的复杂性致使它的数据模型较为丰富，如图像分类模型、光谱差异模型、特征提取模型等，使得图谱数据的处理、分析、提取等更加丰富和灵活。
