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:932
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
-
如何根据具体需求选择合适的高光谱成像仪?
高光谱成像仪能同时获取目标物体的空间信息和高分辨率光谱信息,从而实现对目标的精细识别、分类与分析。那么,如何根据具体需求选择合适的高光谱成像仪?本文对高光谱成..
-
高光谱成像仪光谱分辨率和空间分辨率有什么关系?
高光谱成像仪的光谱分辨率和空间分辨率是两个重要的性能指标,它们分别描述了仪器在光谱和空间维度上的分辨能力。那么,高光谱成像仪光谱分辨率和空间分辨率有什么关系?..
-
高光谱成像仪的光谱分辨率对成像质量有哪些影响?
高光谱成像仪的光谱分辨率是指其区分不同波长光的能力,通常用波长间隔或波段宽度来表示。光谱分辨率是高光谱成像仪的重要性能指标之一,它对成像质量有着影响。那么,高..
-
高光谱成像仪常见分光方式有哪几种?
高光谱成像仪常见分光方式有哪几种?高光谱成像仪常见的分光方式有棱镜分光、光栅分光、干涉分光以及滤光片分光。本文对高光谱成像仪棱镜分光、光栅分光、干涉分光以及滤..