高光譜成像儀在采集數據的過程中容易受到類似儀器性能、樣本背景、電噪音等因素的影響，這導致獲得的光譜信號受噪音的干擾。所以，在得到所有樣品的原始光譜以后，需要對其進行預處理來提高光譜數據的信噪比，這也是為了更高效地挖掘光譜數據僅為保證預測模型的精度、穩定性和可靠性。那么，高光譜成像儀光譜數據的預處理方法有哪些？

S-G平滑處理法：

噪聲常常干擾光譜信號，也容易在建立模型時產生過擬合的現象。平滑處理通過對平滑點周邊一定窗口大小范圍內的數據點進行平均或擬合處理，可以求得平滑點的最佳估計值。這樣就減少了噪聲對數據點的干擾，提高了信噪比。常用的平滑處理包括移動平均平滑法和卷積平滑法，卷積平滑法基于最小二乘擬合的系數來建立濾波函數，對移動窗口內的光譜進行最小二乘多項式擬合。因此與簡單的平均計算相比，該算法具有較大的優勢。

多元散射校正處理法：

多元散射校正能夠有效消除散射的影響，進而增強和成分含量對應光譜的吸收信息。該算法首先需要建立待測樣品的“理想光譜”，即光譜的變化值與樣品的成分含量滿足線性關系。然后，基于該“理想光譜”對其他樣品的光譜進行修正。可實際應用中，獲取“理想光譜”非常困難，所以常常取所有樣品光譜的平均值來近似代替。相應的算法步驟如下：

（1）根據最小二乘法確定α和β值，把所有待測樣品的光譜A（λ）變換成假想的基準粒度光譜A0（λ）。假設這兩個參數的推定值為α'和β'，根據公上式變換可得到下式：

（2）基于整體樣品的平均光譜值求得α'和β'的基準粒度光譜，如下式所示：

（3）線性回歸方程：

式中A表示校正集光譜數據矩陣，Ai表示第i個樣品的光譜，通過最小二乘回歸算法求得α和β。通過調整α和β，既可以減小光譜的差異性，又盡可能保留了原始光譜中和樣品成分含量相關的有效信息。因此該算法大大提高了光譜的信噪比。

變量標準化處理方：

變量標準化可以用來校正樣品間由于散射引起的光譜誤差。由于每條光譜其波長點的吸光度符合一定的分布（比如正態分布），該算法每一條原始光譜值進行標準正態化處理，處理后的光譜數據均值為0，標準差為1。計算式為：Zi=（xi-μ)/σ。

式中，xi為原始光譜的吸光度，μ為所有光譜的平均值，σ為原始光譜的標準偏差。由于該算法是對每條光譜數據進行單獨校正，因此對于樣品間差異較大的光譜數據，采用變量標準化算法對其進行預處理十分有效。