高光譜成像儀結合光譜技術和圖像技術的優勢，能夠很好的捕獲光譜信息和圖像信息。其豐富的光譜信息能夠有效的提取樣品內部特征，被廣泛的應用于果蔬無損檢測等領域。本文對高光譜成像儀的成像原理及高光譜圖像數據處理方法做了簡要的介紹，感興趣的朋友可以了解一下！

高光譜成像儀系統的主要構成：

高光譜成像系統由硬件和軟件兩部分組成，如下圖所示硬件最重要的部件是傳感器，還包括光源、掃描器和控制裝置等。傳感器主要由物鏡、光譜儀和CCD陣列探測器。光譜儀主要有兩種：干涉型成像光譜儀和光柵型成像光譜儀。CCD陣列探測器分為線陣探測器和面陣探測器。軟件部分主要包括光譜預處理軟件和數據采集及處理軟件等。

高光譜成像儀的成像原理：

下圖所示為高光譜成像原理示意圖。高光譜成像系統最重要的組成是光譜儀，光譜儀有一個棱鏡-光柵-棱鏡單元，此單元可以阻止環境光的干擾，而且在光譜儀獲得被測物體的一行圖像時，此單元可以將光線從每行圖像的像素點色散到光譜軸上，這樣就獲得了在空間軸和光譜軸上的一維影像和光譜信息。由于物體或物鏡的連續運動，就形成了整個物體的光譜圖像。最終在CCD陣列探測器上完成對每個瞬間信號的獲取，得到高光譜三維圖像數據塊。

高光譜圖像數據處理方法：

高光譜圖像數據信息量豐富，但數據處理非常復雜。綜合國內外高光譜圖像數據處理方法主要是：先選擇感興趣區域，然后可以采用主成分分析法、獨立元分析、連續投影算法、線性判別分析、Fisher判別方法、典型分析以及遺傳算法等對感興趣區域數據進行降維處理，提取特征波長，并建立相應的判別模型，常用的建模方法有BP神經網絡、支持向量機、多元線性回歸法、偏最小二乘法等。相關文獻表明：支持向量機在建模分析時，結果較好，因為支持向量機不會因波段數量增加，分類精度下降，即出現所謂的Hughes現象。RBF神經網絡分類效果明顯高于BP神經網絡分類法。