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據比較的冗沉，因此就需要對高光譜數據進行處理。本文對高光譜成像儀高光譜數據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，選取感興趣區域，提取感興趣區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，得到光譜數據矩陣。

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，樣品數量高達上千個，又有上百個波段，這往往導致光譜數據矩陣非常龐大。因此，如何有效地挖掘龐大數據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，數據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、背景干擾較低的數據。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

光譜數據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：回歸系數法、連續投影算法、載荷系數法、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。