高光譜成像儀在測定樣品時，不僅可以獲得光譜信息，還可以獲得圖像信息。不過，高光譜成像儀的高光譜數(shù)據(jù)比較的冗沉，因此就需要對高光譜數(shù)據(jù)進行處理。本文對高光譜成像儀高光譜數(shù)據(jù)的處理方法做了介紹。

通過成像光譜儀采集獲得的高光譜圖像，首先要進行黑白校正（白板校正和暗場校正），即反射率的歸一化處理。然后，選取感興趣區(qū)域，提取感興趣區(qū)域內所有點的反射率光譜并取平均值。提取所有樣品的平均光譜，得到光譜數(shù)據(jù)矩陣。

其中每一個像素點都對應著一條完整的光譜曲線，每一條光譜曲線同樣對應著一副二維的幾何圖像。實驗中，樣品數(shù)量高達上千個，又有上百個波段，這往往導致光譜數(shù)據(jù)矩陣非常龐大。因此，如何有效地挖掘龐大數(shù)據(jù)結構的有效信息成為光譜分析技術需要解決的首要問題。通常，數(shù)據(jù)分析分為以下幾個步驟：

（1）光譜預處理

預處理可以有效減少系統(tǒng)噪音、雜散光等對成像的影響，從而獲取信噪比高、背景干擾較低的數(shù)據(jù)。常用的光譜預處理方法有：平滑、歸一化、多元散射校正、求導、變量標準化等。

（2）提取特征波長

光譜數(shù)據(jù)的高維及共線性問題往往降低模型的運算效率和精度。選取有效的特征波長不僅降低了維數(shù)問題，而且最大程度上包含樣品的原始信息，進而達到簡化運算的目的。常用的提取特征波長的方法有：回歸系數(shù)法、連續(xù)投影算法、載荷系數(shù)法、遺傳算法、競爭性自適應重加權算法等。

（3）回歸或分類模型的建立

用提取的特征波長和待測參數(shù)建立回歸或分類模型。常用的建模方法有：主成分分析、多元線性回歸、主成分回歸、人工神經網(wǎng)絡、偏最小二乘法、最小二乘支持向量機等。

另外，以上所述的步驟僅僅是針對光譜的處理，而高光譜圖像還可以看作是每個波段圖像的疊加，這些圖像包含樣本豐富的空間分布屬性。圖像紋理反映像素的空間位置和亮度值變化，進而反映樣本幾何結構的變化。因此，通過提取高光譜圖像的紋理變量信息（包括對比度、方差、熵等）同樣可以建立相應的預測模型。