多光譜成像技術是在高光譜成像技術基礎上發展起來的一種無損檢測技術，這種技術克服了傳統高光譜成像技術多維數據高、計算量大、數據處理實時性差、不確定性顯著、樣本選擇困難等缺點，是一種有效鑒定和定量測量樣本內外品質的無損檢測技術。本文對多光譜成像技術檢測樣品的步驟作了介紹。

多光譜成像技術檢測樣品的具體步驟如下：

1.樣品選擇

篩選建模集和預測集樣本，要求樣本對需要檢測的指標具有很好的代表性，且建模集的樣品能覆蓋預測集的樣品的分布。然后采用常規實驗方法準確測試待測指標，獲取參照數據。

2.光譜圖像獲取

用多光譜儀掃描樣本，獲取其光譜圖像。為了確保測試的穩定性，必須嚴格控制包括樣品準備、測試條件、儀器參數等條件。

3.圖像預處理

圖像的預處理是圖像分析過程中的一個重要環節。圖像由于圖像采集環境的不同，光照明暗程度不同、設備性能的優劣、樣品濃度不均勻、人為操作等都會帶來不同的噪聲。為了保證圖像中被測物大小，位置及圖像質量的一致性，提高光譜質量，必須對圖像進行預處理。圖像預處理有兩種基本方法，包括對像素值的預處理和領域預處理。

4.圖像分割

圖像分割是圖像處理過程中的關鍵步驟之一，是后續工作能夠有效進行的關鍵技術。圖像分割是將圖像中有意義的特征部分提取出來，包括圖像中的邊緣、區域等。目前已經研究出不同分割的種類和方法，但還沒有統一的方法可以適用于所有的圖像處理中。圖像分割結果的好壞需要根據具體的要求進行衡量。常見的圖像分割的方法很多，如閾值法、特征空間聚類法、區域分割法等。

5.特征提取

特征提取是圖像處理中最初級的運算，指的是使用計算機提取圖像信息，決定每個圖像的點是否屬于一個圖像特征，把識別后的圖像特征從圖像中抽取的過程。常用的圖像特征有顏色特征、紋理特征、形狀特征、空間關系特征等。圖像特征提取是一門交叉性的學科，涉及數學、物理學、控制理論、計算機科學等多個方面的知識。

6.建立校準模型

利用所提取的圖像特征作為輸入，用化學計量學方法關聯樣本的預處理光譜數據和參照數據，通過一定的數學計算方法計算出關聯模型。常用的化學計量學法有PCA，PLSR，LS-SVM，BPNN等。

7.建立預測模型

使用預測集的樣品來檢驗建立的校準模型的穩定性。對實際值與預測值作線性相關，并用相關系數和預測標準差來表示預測效果，好的預測模型要求相關系數接近1、預測標準差逼近于校準標準差。

8.未知樣品的檢測

用多光譜儀對未知樣本進行掃描，獲取光譜數據，根據已建立的預測模型和測得的光譜數據對于樣品進行預測。