高光谱数据的提取及预处理常用方法介绍
发布时间:2024-10-25
浏览次数:797
高光谱成像仪器在采集样品信息时,会获取到大量的光谱信息,这些光谱信息包含很多无用的信息,因此,就需要对光谱数据进行提取,提取感兴趣的区域,然后进行预处理,建立样品的预测模型。本文对高光谱数据的提取及预处理方法做了介绍。
高光谱成像仪器在采集样品信息时,会获取到大量的光谱信息,这些光谱信息包含很多无用的信息,因此,就需要对光谱数据进行提取,提取感兴趣的区域,然后进行预处理,建立样品的预测模型。本文对高光谱数据的提取及预处理方法做了介绍。
高光谱数据的提取及预处理方法:
高光谱数据包含大量的信息,易受到环境中噪声、基线漂移、杂散光等因素的影响,在建模之前对光谱数据进行预处理可改善以上影响、提高模型的准确率。常用的高光谱数据提取及预处理方法有:一阶导数(First Derivative,FD)、二阶导数(Second Derivative,SD)、S-G平滑(Savitzky-Golay平滑)、标准正态变换(Standard Normalized Variate,SNV)、多元散射校正(Multiplicative Scatter Correction,MSC)、FD+S-G、SD+S-G7种预处理方法对高光谱数据进行预处理。FD和SD可对光谱数据进行基线校正,提高光谱数据的稳定性;S-G平滑对光谱曲线进行平滑处理,减少外界环境产生的噪声影响,提高信噪比;MSC和SNV可对光谱数据进行散射校正,消除由于颗粒分布不均匀产生散射造成的光谱曲线变形。
高光谱数据特征波长筛选方法:
高光谱波段范围较广,数据量大,容易造成光谱数据冗余,导致数据分析和模型建立耗时费力。因而需要对光谱数据进行特征提取,剔除无效变量,以提高光谱数据分析与建模效率。常用的高光谱特征波长筛选方法有:连续投影算法(successive projections algorithm,SPA)、竞争性自适应重加权算法(competitive adapative reweighted sampling,CARS)2种不同方法提取特征波段。SPA是一种前向迭代搜索方法,从一个波长开始,在每次迭代中加入一个新变量,直至所选变量数达到设定值。CARS的主导思想是达尔文的“适者生存”理论,结合蒙特卡洛采样与PLS模型回归系数进行特征变量筛选。
相关产品
-
高光谱成像分析在工业检测的应用
高光谱成像及分析已在国内外工业生产中广泛应用,其对当前无法实现的物质分选任务及瑕疵检测能力,是融合机器视觉的新型解决方案。..
-
高光谱成像仪的颜色检测法
颜色检测 高光谱成像仪测色方法能够测量更宽的光谱范围,能够记录更精细的光谱特征,相比传统的颜色分量方案有着更高的测色精度...
-
高光谱技术在农业、林业遥感领域的应用
高光谱遥感技术已成为农业、林业遥感领域的前沿技术之一; 树种识别 森林生物量估计 碳汇估算 养分元素监测 森林健康 病虫害监测。..
-
水质监测需求及高光谱技术应用分析
高光谱技术已经在水体水质监测方面得到了较多的应用,目前可以对多种水质指标(悬浮物浓度、叶绿素a浓度、黄色物质、透明度等)进行定量的估计和水质评估。..