高光譜成像儀獲取的光譜信息中，不僅包含光譜信息還包括圖像信息，通過提取樣本高光譜圖像中各檢測項目所對應的特征波長，就能夠對樣品的綜合特性進行全面、快速的檢測。本文對高光譜成像儀高光譜數據特征波長提取方法做了介紹，感興趣的朋友可以了解一下！

1.連續投影法（SPA）

連續投影算法（SPA）能夠同時消除波長變量間的共線性影響和避免信息重疊，能夠用較小的信息量來表示多數樣品的光譜信息。因此，該方法廣泛地應用于樣品特征波長的提取中。

連續投影算法是一個連續循環的過程，選擇一個波長作為循環初始值，計算該波長再未選波長上的投影，以該投影作為參考值，選出最大波長的投影向量，再將該向量重新納入波長組合，隨后用循環選擇的方式向前進行直至循環截止。

2.主成分分析法（PCA）

主成分分析（PCA）作為一種關鍵信息提取方法，能夠有效地將數據降維，能夠把多個變量進行線性計算后組合成少數的幾個變量，是一種多元統計分析方法。為了獲得準確的分析結果，實際研究中，我們要充分考慮指標（變量）影響因素。一般采用的方法是將第一主成分的方差作為新指標，如果其未能滿足要求再選擇第二主成分的方差，但是在以第二主成分的方差為指標時，第一主成分中已包含的信息不需要存在于第二主成分中，依次類推。

3.無信息變量消除算法（UVE）

無信息變量消除算法（UVE）是基于偏最小二乘法（PLS）的回歸系數建立的一種波長選擇算法。該方法通過消除對模型建立貢獻較少的波長變量（無信息變量），減少了建模輸入變量的個數，簡化了模型的復雜程度。該算法以變量系數的平均值和標準差的商作為穩定性的值，通過比較每個變量系數的穩定性值和隨機變量矩陣得到的穩定性的值，消除對模型建立無效或者次要的波長變量。通過UVE算法的處理，可以減少模型的過擬合，并在通常情況下提高模型的預測精度。