高光譜成像儀在對光譜圖像進行分析處理的同時，可以獲得光譜信息與圖像信息，光譜成像技術因此也是光譜分析與圖像分析的有機結合，對高光譜圖像數據的處理和分析是對樣本進行定量和定性分析的重要依據。本文對高光譜成像儀高光譜圖像降維及高光譜數據預處理方法做了介紹。感興趣的朋友可以了解一下！
高光譜成像儀高光譜圖像降維方法：
高光譜數據是一個三維數據塊，不僅可以提取每個像元的光譜信息，而且每個波長都對應一幅灰度圖像。但是，對于分辨率較高的高光譜數據，每個數據塊就包含上百幅圖像信息，數據量過大，會降低后期的數據處理速度，并且波段較多，光譜信息之間相關性很強，使得三維數據塊之間存在大量冗余信息，可能影響建模結果。因此，在數據處理過程中，高光譜數據的降維是減小噪聲，提高模型識別速率和識別準確率的有效手段。
1.主成分分析（PCA）
主成分分析（PCA）是被較多應用的一種數據降維方法。PCA變換是將有相關性的原始變量沿協方差最大的方向投影，使經過坐標變換的高維空間數據映射到低維空間，得到線性不相關的新變量，即主成分。主成分按照方差從大到小的順序依次稱為第一主成分（PC1）、第二主成分（PC2），以此類推。原始高光譜數據經過PCA變換，可以看作各個主成分圖像的線性組合，主成分圖像所占原始圖像信息的比重由方差貢獻率決定。一般，當主成分的累計貢獻率達到一定比例，如85%以上，即可解釋大部分高光譜數據信息。因此，經過PCA變換的高光譜數據僅需少量主成分就可以極大程度上表征原始信息，大大減少了數據處理時間，并消除原始數據之間冗余的信息。
2.最小噪聲分離變換（MNF）
對于高光譜數據降維，最小噪聲分離變換（MNF變換）的主要目的在于分離高光譜數據的信號和噪聲，提高信噪比。該算法可以看作是兩次主成分變換的疊加。首先，基于圖像噪聲的協方差矩陣進行正向變換，然后，對多維圖像去相關、重定標。變換之后的數據關聯到兩個部分：一個部分是較大特征值，及其特征圖像；另一個部分則是較小特征值，及其噪聲圖像。特征值的大小決定特征圖像的信噪比高低，用來確定有效的特征圖像。最后，正向變換后確定的圖像子集被作標準主成分變換，恢復為對應的原始圖像。MNF將噪聲比例大的圖像排除，使有效的高光譜數據量大幅度上漲。
高光譜成像儀高光譜數據預處理方法：
高光譜成像系統除了能夠采集到樣本的有用光譜信息，還會受到電子噪聲、光照等外界噪聲干擾，使得光譜數據存在誤差。光譜的建模分析中，很大程度上的誤差來源于數據，有效的光譜數據是保證識別準確率的關鍵。因此，采用光譜預處理方法能夠削弱或者消除不同外界干擾，增強數據的有效性，改善識別結果。
光譜數據預處理方法有多元散射校正、標準正態變量變換、數據規范化、數據平滑校正、導數光譜法、小波變換法等等。下文主要介紹幾種常用的方法：
1.多元散射校正（MSC）
多元散射校正是一種對光譜的線性化處理。樣本的分布不均或者顆粒大小差異容易產生光散射，不能獲取到“理想”光譜。該算法假設，實際光譜與“理想”光譜成線性關系，一般情況下，"理想”光譜無法獲取，因此，常用樣本數據集的平均光譜來替代。多元散射校正能夠消除隨機變化，校正后的光譜并非原始光譜。當光譜與待測物質的化學特性比較相關時，多元散射校正效果較好。
2.標準正態變量變換（SNV）
標準正態變量變換類似于多元散射校正，可以用來消除散射誤差以及光程變化等影響。但是，兩種方法的處理思想不同，該方法不需要“理想”光譜，而是假設每一條光譜中，每個波長的光譜吸收值滿足一些條件，比如符合正態分布，則標準正態變量變換就是對每一條光譜進行標準正態變換處理。標準變量變化是分別對每一條光譜進行校正，因此，較適合處理實驗樣本差異較大的光譜數據。
3.數據平滑校正
光譜儀的不同波段對能量響應的不同，會導致光譜曲線上顯示很多隨機的“毛刺”噪聲，曲線變得不平滑。而數據平滑校正是最常用的一種，其基本思路是：在特定平，滑點的周圍選取指定數量的若干點，對其平均或擬合，求得平滑點的最佳估計值，減少噪聲干擾，消除隨機噪聲。移動窗口平均法和Savitzky-Golay最小二乘擬合法都是常用的光譜數據平滑校正方法。
4.光譜導數法
求導可以減少儀器干擾、樣本表面不均、光照等因素引起的基線漂移，一定程度上解決光譜信號重疊問題，將隱藏的微弱有效光譜信息放大，提供更好的光譜變化和分辨率。光譜導數法常用于近紅外光譜吸收峰谷的辨別以及特征波長的提取中。導數光譜包括一階導數光譜、二階導數光譜以及高階導數光譜等，實際應用中僅用一階和二階導數光譜就可以滿足要求。很多隨機噪聲通常屬于高頻倍號，求導也許會使噪聲變大，降低信噪比，若需要對原始光譜求導，前提是光譜分辨率和信噪比要高。常用的光譜導數方有直接差分法和SG卷積求導法。
5.小波變換
小波變換是新發展起來的一種時-頻變換分析法，用于光譜數據壓縮和噪聲消除。小波變換繼承了傅立葉變換的局部化思想，變換中的窗口大小隨著頻率變化而變化。此外，當時-頻局部特性和多分辨特性較好時，小波變換還使得光譜信號在不同頻率下被分解為多種尺度成分，并且根據尺度成分的大小選取相應的采樣步長，從而能夠聚焦到任意光譜信號中。小波變換的多尺度分辨率特點能夠使其較快地從多噪聲信號中獲取原始光譜信號，因此，利用小波分析對含有較大噪聲的光譜信號進行消除，是一個非常重要的應用。
