高光谱成像仪的光谱图像数据如何处理与分析？

高光谱成像仪将传统二维成像技术和光谱技术有机结合在一起，既可以获取目标物的二维空间信息，又可以获得一维光谱信息，具有光谱范围广和图谱合一的特点。那么，高光谱成像仪的光谱图像数据如何处理与分析？本文为大家做了介绍。

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。

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。

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。

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。