高光譜成像儀在數據采集的過程中，會獲取到大量的光譜數據，但是這些光譜數據中會含有大量的干擾因素，需要對光譜數據進行預處理，提取有特征的光譜數據，以保證分析結果的準確性。本文對光譜數據的預處理方法及光譜特征的提取方法做了介紹。
光譜數據的預處理方法：
光譜預處理可以消除光譜數據采集中由儀器產生的噪聲、背景干擾、周圍雜散光干擾、光散射、震動以及樣本自身不能確定性因素（如大小、顏色等）的影響，提高實驗校正模型對預測集的預測精度。目前，采用的光譜和圖像預處理方法有：
1.SG平滑處理
SG平滑是用平滑點前后特定點的平均和擬合信息來代替平滑點信息，達到平滑的效果。常用的平滑方法有Savitzky-Golay多項式卷積平滑、指數平均平滑和移動式平滑等。
2.標準化歸一處理
標準歸一化（SNV）是用來消除由樣本反射光散射而引起的光譜誤差，SNV的應用是在假定各波長點處的吸光度值滿足正態分布的基礎上，針對每一條光譜進行標準化校正。
3.多元散射校正
多元散射校正（MSC）是用來消除樣本反射光譜和光源擴散投射中對光譜數據的影響，消除樣本由此而造成的光譜差異。
4.零位線校正處理
零位線校正（Baseline）可以消除儀器的背景或漂移對信號的影響，它是項目儲存中在特定時期的一個項目快照，提供一個正式標準，并且只有通過授權之后才能更改。在繪制初期零位線后，以后每次變更都以上一次形成的零位線進行一次差值，直到建成下一個零位線為止。
5.導數處理
導數處理可以用來消除采集光譜時受平緩背景和基線漂移的干擾，還可以強化譜帶特征、克服譜帶重疊等；如一階導數可以消除噪聲中與波長無關的漂移噪聲，二階導數可以消除那些與波長呈線性相關的漂移。
6.中值校正
中值校正（MF）用來消除采集光譜數據中數值線性突變值，采用平滑點前后特定點的平均來代替平滑點信息，以得到平滑的效果。
光譜特征的提取方法：
1.連續投影法（SPA）
連續投影算法（SPA）用來提取特征來量的一種方法，可以消除波長變量間共線性產生的影響，同時可以有效的避免信息重疊，提取出具有最小共線性和最低冗余度的特征波長，能夠以較小的信息量來表示大多數樣品的光譜信息，簡化了數學模型，廣泛應用在光譜實驗特征波長的提取中。
該方法的基本原理是選擇一個初期波長，然后采用循環選擇的方式向前推進，通過計算所選波長在未選入的波長上的投影，選出投影向量的最大波長并將該向量引入波長組合，直至本次循環截止。
2.主成分分析（PCA）
主成分分析（PCA）是一種數據降維方法，其原理是把多個變量進行線性計算重新組合，生成較少變量的方法。不僅可以很好的避免信息重疊、數據的簡化，還可以提取出最具代表性的變量子集。該方法通常用來多元統計分析，即將原來具有一定相關性的多維變量進行了重新的組合，降低變量的維度并用來描述原有指標的目的。
光譜數據的建模方法：
1.偏最小二乘（PLS）
偏最小二乘法（PLS）是基于光譜數據中主要成分的逐步提取和變量的添加對多元數據進行統計，利用數學模型逐步檢測其顯著性，廣泛應用在數學建模中。具有以下優點：
①計算時可以根據實驗要求使用全部信息進行數據統計，也可以用部分信息進行統計；
②PLS模型在計算過程中，數據矩陣的分解和回歸是交互同時計算的，得到的特征值向量直接與被測組分進行線性相關；
③PLS方法一般用于較復雜的數學模型分析中。
2.主成分回歸（PCR）
主成分回歸（PCR）是在不丟失變量主要信息的基礎上，選擇維數最少的新變量來代替原始變量，達到降維目的一種多元統計分析方法。
PCR模型是由主成分分析和多元線性回歸組成。主成分回歸利用全譜或者部分光譜數據，計算載荷、向量；可以消除多元線性回歸中的共線問題、變量數使用限制問題和噪音濾除問題。
3.最小二乘支持向量機（LS-SVM）
LS-SVM模型是把已經選好的非線性向量映射到高維空間，然后進行超平面（最優決策函數）構造提取最優的分類，是一種結構風險最小的多元統計方法。該方法既可以將原始空間的線性進行分解，還可以對數據進行分類處理。
LS-SVM是對SVM的改進，是將SVM的二次規劃進一步做了簡化，可以通過樣本建模集與待測樣本集建立空間映射函數直接得出線性方程組的解，增強其使用性。
