光譜數據處理是高光譜圖像數據處理的重要環節，主要包括三個部分：一、選取高光譜圖像感興趣區域并提取出感興趣區域的光譜信息從而得到與品質指標相關的特征光譜；二、對提取的光譜信息進行預處理以去除光譜噪聲；三、從全波長光譜中提取特征波長光譜以便于建立多光譜模型、優化校正模型、提高運算效率。下面將對這三個部分進行簡要的介紹。

光譜預處理方法：

高光譜成像系統采集的光譜信息除了包含樣本自身的有用信息外，還包含一些無關信息和噪聲如系統噪聲等。這些無關信息對建模數據有影響。因此，對光譜數據進行預處理不僅可以減少系統噪音、雜散光等影響，得到高信噪比、低背景干擾的光譜數據，還可以提高所建模型的預測能力和穩健性。常用的光譜預處理方法有平滑、多元散射校正（MSC）和變量標準化（SNV）、導數法、小波變換、正交信號校正的等。下面只對平滑算法、多元散射校正（MSC）和變量標準化的光譜預處理方法做簡要介紹。

1.平滑算法

平滑算法是消除噪聲的常用方法之一，其基本原理是在平滑點前后選取一定大小范圍的數據點進行平均或擬合，從而求得平滑點的最佳估計值，并以此消除隨機噪聲，提高信噪比。目前應用較為廣泛的平滑方法有移動窗口平均法和Savitzky-Golay卷積平滑法（SG）。

2.MSC算法

MSC算法目的是消除由于樣本表面不均勻性（粒度分布）所引起的光散射。MSC的基本思路是假定每一條光譜都與“理想”光譜呈線性關系，但是真正的“理想”光譜是無法獲得的，一般可以用校正集的平均光譜來代替。因此，每個樣品的任意波長點的反射吸光度值與其平均光譜的反射吸光度值是呈近似線性關系的，該直線的斜率MSC算法和截距可以通過光譜集線性回歸獲得，并用來對每條光譜進行校正。

3.SNV算法

SNV算法與MSC算法類似，也能用于消除因散射所造成的光譜誤差。SNV算法的基本原理是假設每一條光譜中各波長點的反射吸光度值滿足一定的分布（如正態分布），然后在這基礎上，將原始光譜反射吸光度值減去該光譜的平均反射吸光度值后，再除以該光譜反射吸光度數據的標準偏差。相比于MSC，SNV是對每條光譜進行單獨校正，因而常被認為其去噪能力比MSC更強，特別是在校正組分變化較大的樣本數據時。

特征波長提取方法：

高光譜圖像一般包含數百個光譜波段，這些光譜波段中包含一些冗余和共線性信息，會影響所建模型的預測精度和穩定性。另外，又因為光譜分析過程需要大量樣本數作為基礎，所以獲得的光譜矩陣往往非常龐大。因此，為了優化光譜數據，建立簡化模型，提高運算效率，提取出具有代表性的特征波段是很有必要的。此外，提取特征波段對于開發便攜式高光譜設備，應用于工業化生產也有重要意義。常見的特征波長提取方法有RC、SPA、無信息變量消除、遺傳算法、逐步回歸算法、人工神經網絡等。

圖像數據處理：

基于高光譜成像技術的圖像數據處理主要包括圖像黑白場校正、主成分分析、圖像紋理信息提取和圖像可視化。