高光譜成像儀獲取的光譜信息容易受到儀器性能、電噪音、樣本背景、雜散光等因素的影響，使得測量到的光譜信號存在噪音、譜線平移等干擾，為了建立建立精確、穩定、可靠的數學模型，就需要對光譜數據進行預處理。本文對光譜數據預處理方法做了介紹。

高光譜成像系統在數據采集過程中容易受到儀器性能、電噪音、樣本背景、雜散光等因素的影響，使得測量到的光譜信號存在噪音、譜線平移等干擾。為了更高效地對光譜數據進行挖掘，建立精確、穩定、可靠的數學模型，需要先對原始光譜信號進行預處理分析，提高光譜數據的信噪比，減弱或消除各非目標因素對光譜信號和模型的影響。各種光譜預處理方法的功能不盡相同，需針對不同的光譜數據和檢測對象選用合適的預處理方法。常用的光譜數據預處理方法包括：平滑、多元散射校正、變量標準化、一階求導和二階求導。

1.平滑方法

噪聲是光譜信號中常見的干擾，表現為光譜曲線上雜亂無章的高頻波動信號。噪聲會干擾模型的建立，也容易造成模型建立時產生過擬合。平滑處理是降低噪聲的常用方法之一，通過對平滑點周邊一定窗口大小范圍的數據點值進行平均或擬合，從而求得平滑點的最佳估計值，以減少噪聲對該數據點數值的干擾，提高信噪比。常用的平滑方法有移動平均平滑法（Moving Average）和 Savitzky-Golay卷積平滑法。

移動平均平滑法將光譜波長分為若干個區間，通過將各個分割后的區間相互重疊，如同將區間移動起來進行平滑。該方法的平滑窗口寬度是一個重要的參數，若窗口的寬度過大，會將一些特征吸收峰等有用信息過濾掉，導致光譜信號的失真；若窗口的寬度太小，則平滑去噪效果不明顯。Savitzky 和 Golay提出了Savitzky-Golay卷積平滑法來解決上述問題。該方法采用最小二乘擬合系數建立濾波函數，不再僅僅使用簡單的平均，而是對移動窗口內的光譜數據進行多項式最小二乘擬合。

2.多元散射校正方法

多元散射校正（MSC）由Isaksson和Naes提出，其目的是通過校正每個光譜的散射，以獲得較為“理想”的光譜。該算法假定每一條光譜與“理想”的光譜之間都應該呈線性關系。雖然真正的“理想”光譜是無法獲得的，但可以用建模集樣本的平均光譜來近似代替。

3.變量標準化方法

類似于多元散射校正，變量標準化（SNV）也可以用來校正樣本間由散射引起的光譜誤差。與多元散射校正不同的是，該算法不需要“理想”光譜，其計算思想是：每一條光譜中各波長點的吸光度應符合一定的分布（如正態分布），變量標準化對每一條原始光譜數據進行標準正態化處理。

4.求導算法

求導是種常見的光譜預處理算法，可以減少由于光程、光照角度、樣本表面不均勻等非物質本身成分變化造成的光譜基線漂移，并在一定程度上解決光譜信號中由于倍頻和合頻引起的光譜信號重疊問題，對于分辨近紅外光譜的吸收峰和特征波長具有重要意義，可初步用于特定化學鍵的分析。一階和二階求導是最常用的兩種求導算法。求導算法的缺點是容易受到噪聲的干擾，當光譜信噪比較低時，容易進一步放大噪聲信號。因此求導的前提是原始光譜要有相對高的分辨率和信噪比。

常用的光譜求導方法有直接差分法和Savitzky-Golay卷積求導法。直接差分法多適用于分辨率較高、波長采樣點較多的光譜數據，但當用于分析分辨率較低、波長點稀疏的光譜信號時容易產生較大的誤差，產生結果失真等問題。Savitzky-Golay卷積求導法采用最小二乘擬合導數系數，因此可以有效避免光譜求導結果失真的問題。