高光谱成像仪获取的光谱信息和图像信息怎么处理？

高光谱成像仪作为一种光谱成像工具，它具有处理、再现和可视化等应用特点，方便人们直观的对图像进行分析。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。本文对高光谱成像仪的光谱信息页图像信息的处理方法做了介绍。

高光谱成像仪光谱信息处理方法：

高光谱成像系统采集的光谱信息除了包含样本自身的有用信息外，还包含一些无关信息和噪声如系统噪声等。这些无关信息对建模数据有影响。因此，对光谱数据进行预处理不仅可以减少系统噪音、杂散光等影响，得到高信噪比、低背景干扰的光谱数据，还可以提高所建模型的预测能力和稳健性。常用的光谱预处理方法有平滑、多元散射校正（MSC）和变量标准化（SNV）、导数法、小波变换、正交信号校正的等。下面只对平滑算法、多元散射校正（MSC）和变量标准化的光谱预处理方法做简要介绍。

1.平滑算法

平滑算法是消除噪声的常用方法之一，其基本原理是在平滑点前后选取一定大小范围的数据点进行平均或拟合，从而求得平滑点的最佳估计值，并以此消除随机噪声，提高信噪比。目前应用较为广泛的平滑方法有移动窗口平均法和Savitzky-Golay卷积平滑法（SG）。

2.MSC算法目的是消除由于样本表面不均匀性（粒度分布）所引起的光散射。MSC的基本思路是假定每一条光谱都与“理想”光谱呈线性关系，但是真正的“理想”光谱是无法获得的，一般可以用校正集的平均光谱来代替。因此，每个样品的任意波长点的反射吸光度值与其平均光谱的反射吸光度值是呈近似线性关系的，该直线的斜率MSC算法和截距可以通过光谱集线性回归获得，并用来对每条光谱进行校正。

3.SNV算法

SNV算法与MSC算法类似，也能用于消除因散射所造成的光谱误差。SNV算法的基本原理是假设每一条光谱中各波长点的反射吸光度值满足一定的分布（如正态分布），然后在这基础上，将原始光谱反射吸光度值减去该光谱的平均反射吸光度值后，再除以该光谱反射吸光度数据的标准偏差。相比于MSC，SNV是对每条光谱进行单独校正，因而常被认为其去噪能力比MSC更强，特别是在校正组分变化较大的样本数据时。

特征波长提取方法：

高光谱图像一般包含数百个光谱波段，这些光谱波段中包含一些冗余和共线性信息，会影响所建模型的预测精度和稳定性。另外，又因为光谱分析过程需要大量样本数作为基础，所以获得的光谱矩阵往往非常庞大。因此，为了优化光谱数据，建立简化模型，提高运算效率，提取出具有代表性的特征波段是很有必要的。此外，提取特征波段对于开发便携式高光谱设备，应用于工业化生产也有重要意义。常见的特征波长提取方法有RC、SPA、无信息变量消除、遗传算法、逐步回归算法、人工神经网络等。

高光谱成像仪图像信息处理方法：

高光谱成像采集的三维数据块能够提供被检样品内外部丰富的成分含量信息，但由于高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，因此必须采取合适的的数学算法对数据进行处理和分析。通常高光谱图像处理的流程一般包括：高光谱图像的获取、图像的校正，图谱信息的提取、数据预处理、数据降维和特征变量提取、模型建立、结果分析等几个方面。总结以上的几个方面，可以将其分成三个方面：高光谱图像校正、光谱数据降维以及检测模型构建。

1.高光谱图像校正和光谱预处理

在高光谱图像采集过程中，由于图像是未经校正的原始图像，在图像的的采集过程中由于相机中的暗电流的存在会对采集系统产生一定的影响，使得采集的高光谱图像稳定性较差，另一方面由于原始高光谱图像数据是光子的强度信息，需要通过反射校正来获取相对反射率。因此对高光谱进行黑白版校正是数据分析前一个必要的过程。另外，由于在光谱信息采集的过程中存在光散射、检测物图像不规则以及随机噪声等不利因素，会使光谱曲线出现不平滑，信噪比较低等问题，所以在进行相关数据分析之前都会进行数据的预处理，常用的预处理方法有平滑、归一化、求导、多元散射校正、傅里叶变换、小波分析等，通过预处理后的数据不仅提高了曲线的平滑性和信噪比，而且对后续所建模型的准确性也有一定的提升。

2.高光谱数据降维

由于高光谱采集的数据块通常含有几百甚至上千个波段的光谱信息，这就造成了过高维度的光谱信息和数据较大的冗余性，不仅使得计算过程繁琐，而且还会降低无损检测模型的准确性，因此在建模前对高光谱数据块进行降维处理是进行数据分析的重要一步。查阅文献发现，当前应用较多的降维处理方法主要有以下几种：主成分分析法、独立成分分析法、遗传算法以及最小噪声分离法等[19-22]，通过相应的降维算法处理后，大量的冗余信息被去除，并且特征波段和图像被提取，这些对于简化计算过程和提高模型的准确性发挥着重要的作用。

3.检测模型的构建

通过对降维处理后的图谱数据进行建模，可将图谱信息和待测品质关联起来，目前常用的一些化学计量学建模方法有偏最小二乘法、支持向量机、人工神经网络、多元线性回归法，线性判别分析，Fisher判别分析等算法，通常的做法是应用多种建模方法，最后比较不同建模方法建模集和预测集结果来选出最优模型，因此建模方法不是固定的，而是根据不同的数据类型选用不同的建模算法，不匹配的建模方法通常会对结果准确性会产生较大的影响。而对于降维后的图像维，通常采用相应的数字图像处理技术对图像进行分割处理，从处理后的图像中提取特征参数建立模型，进而对被测样本表面缺陷或残留物进行检测和识别。