高光譜成像儀在成像的過程中，其采集的光譜信息會受到儀器本身和試驗環境產生的噪聲干擾、基線漂移、光程變化、樣品厚度分布不均以及光散射等因素影響。因此，就需要對光譜數據進行預處理和篩選有效波長。本文對高光譜成像儀光譜數據的預處理與波長篩選方法做了介紹。

光譜數據的預處理方法：

在樣品光譜獲取過程中，光譜可能會受到儀器本身和試驗環境產生的噪聲干擾、基線漂移、光程變化、樣品厚度分布不均以及光散射等因素影響。因此，有必要結合化學計量法對原始光譜進行預處理以消除負面影響。常用的8種光譜預處理方法包括：多元散射校正（MSC）、標準正態變量校正（SNV）、基線校正（BC）、移動平均值平滑（MAS）、卷積平滑（SGS）、中值濾波平滑（MFS）、高斯濾波平滑（GFS）、和歸一化校正（NC）。

MSC是一種用于補償光譜數據中的加性和/或乘性效應的光譜轉換方法，可有效消除光譜散射、基線漂移和偏移、樣品顆粒大小和表面光斑分布不均等物理影響。該方法是通過將所有樣品的平均光譜作為標準光譜，探究每條譜線與平均線之間的線性關系，從而得到較理想的光譜信息，此變換后的光譜與原始光譜相似。SNV旨在基于所有光譜的平均值和標準偏差達到消除光譜散射和樣品顆粒大小倍增干擾，以及校正光照效應的目的。SNV預處理計算方式是每個波長對應的原始反射率減去平均反射率后，其與該光譜反射率的標準偏差的比值。BC是一種常用的光譜預處理方法，可以消除儀器背景噪聲或光譜基線漂移對信號質量的影響。MAS、SGS、MFS和GFS均屬于平滑預處理，能夠有效消除由基線漂移、傾斜、反轉等造成的隨機噪音。NC目的是識別和去除光譜變量間的系統差異來源，例如樣品中隨時間變化的化學成分的變化或者儀器檢測器靈敏度的變化等。

光譜數據波長篩選方法：

高光譜信息具有波長分辨率高的優點，可以在很大程度上提高模型的預測性能，然而在全波段光譜信息中含有一定的冗余信息，極大的影響了預測模型的運行速度和預測精度。雖然不同的預處理方法可以消除原始數據中系統帶來的負面影響，但仍然不能完全剔除冗余信息。因此，利用合適的化學計量學算法對高光譜信息進行最優波長的篩選對提高模型的預測準確性和穩定性是十分有必要的。4種常用的最優波長篩選方法是：回歸系數（RC）法、逐步回歸（SR）法、連續投影（SPA）算法和競爭性自適應重加權取樣（CARS）法。

RC法的運算原理是以回歸系數絕對值的大小為依據，捕捉特征變量（光譜信息）與目標變量（硬度、彈性、內聚性）之間的線性關系，從而提取出最優波長來簡化全波段PLS預測模型。一般來說，回歸系數絕對值越大，對應的波長有效信息越多，模型的預測效果越好。

SR法是一種正向添加、反向刪除變量的多元線性回歸方法。每當添加一個變量時，總是使用F臨界值來確定它的資格。當然，個體變量的有效性并不意味著所有變量累加模型的預測性能都會提高，這時就應該采用步進準則。如果一個變量無關緊要，則刪除模式在建模之前由系統啟動，最終篩選出最優的波長。

SPA運行步驟包括候選子集的投影操作、根據預測殘差平方和（PRESS）準則對候選子集進行評價、最后用F檢驗準則對變量進行消除三個階段。SPA 是一種能有效解決光譜共線性問題的變量選擇方法，在光譜信息的重復性高、冗余度最小方面具有很大的優勢，這是通過找到最小的PRESS值和相應的最優波長的最小數目來實現的。

CARS是又一種基于回歸系數絕對值的變量篩選方法，首先采用蒙特卡羅采樣法選擇固定比例的樣本作為標定模型，其次采用指數遞減函數進行波長選擇，去掉系數低的變量，然后采用自適應重加權抽樣選擇重要變量。選擇基于它們的權重值，對遺漏的變量以類似的方式進行進一步處理，以找到下一組信息變量。該方法主要是依據“適者生存”的原則，挑選出一組回歸系數絕對值較大的、交叉驗證均方根誤差最低的變量，從而達到優化模型的目的。