高光譜成像儀器在采集樣品信息時，會獲取到大量的光譜信息，這些光譜信息包含很多無用的信息，因此，就需要對光譜數據進行提取，提取感興趣的區域，然后進行預處理，建立樣品的預測模型。本文對高光譜數據的提取及預處理方法做了介紹。

高光譜數據的提取及預處理方法：

高光譜數據包含大量的信息，易受到環境中噪聲、基線漂移、雜散光等因素的影響，在建模之前對光譜數據進行預處理可改善以上影響、提高模型的準確率。常用的高光譜數據提取及預處理方法有：一階導數（First Derivative，FD）、二階導數（Second Derivative，SD）、S-G平滑（Savitzky-Golay平滑）、標準正態變換（Standard Normalized Variate，SNV）、多元散射校正（Multiplicative Scatter Correction，MSC）、FD+S-G、SD+S-G7種預處理方法對高光譜數據進行預處理。FD和SD可對光譜數據進行基線校正，提高光譜數據的穩定性；S-G平滑對光譜曲線進行平滑處理，減少外界環境產生的噪聲影響，提高信噪比；MSC和SNV可對光譜數據進行散射校正，消除由于顆粒分布不均勻產生散射造成的光譜曲線變形。

高光譜數據特征波長篩選方法：

高光譜波段范圍較廣，數據量大，容易造成光譜數據冗余，導致數據分析和模型建立耗時費力。因而需要對光譜數據進行特征提取，剔除無效變量，以提高光譜數據分析與建模效率。常用的高光譜特征波長篩選方法有：連續投影算法（successive projections algorithm，SPA）、競爭性自適應重加權算法（competitive adapative reweighted sampling，CARS）2種不同方法提取特征波段。SPA是一種前向迭代搜索方法，從一個波長開始，在每次迭代中加入一個新變量，直至所選變量數達到設定值。CARS的主導思想是達爾文的“適者生存”理論，結合蒙特卡洛采樣與PLS模型回歸系數進行特征變量篩選。