高光谱成像仪德彩网在获取样品的光谱数据时，会有很多信息是重复的或者是无信息变量甚至可能是影响数据模型结果的噪声数据，因此就需要对光谱数据进行预处理，提取特征波长数据。本文对高光谱数据预处理及高光谱数据特征波段提取方法做了介绍。

高光谱数据预处理方法：

德彩网在进行高光谱数据的采集过程中，有许多因素会对光谱数据的准确性产生影响，为了尽可能的消除无关信息给光谱曲线带来的影响，提高后续建模的稳定性，往往要对提取好的光谱数据进行预处理，常见的预处理方法有：归一化、基线校正、多元散射校正、标准正态变量（SNV）、平滑等。

1.归一化

归一化是简化计算的一种方式，需要将数据按一定比例缩放，保证数据在一定范围，通常是[0，1]或者是[-1，1]，其结果通过函数变换映射到数值区间，同时会把有量纲的表达式转化成没有量纲的表达式，目的是为了统一样本，方便不同级别，不同单位的指标能够进行比较。

2.多元散射校正

多元散射校正是用来消除样本反射光谱和光源扩散投射中对光谱数据的影响，消除样本由此而造成的光谱差异。

3.标准正态变量

标准正态变换主要用来消除的光谱误差包括，样本表面散射或样品稀释带来的、由光程度变化引起的。标准正态变换算法的基本思路是：假定光谱曲线上每一点的吸光度值均呈正态分布，在这一假设下，标准正态变换算法对光谱进行标准正态化处理。

4.平滑处理

平滑处理包括卷积平滑法、移动平均平滑法。一般采用卷积平滑法，通常用于光谱去噪，能使得光谱曲线更加光滑，其使用局域多项式对移动窗口内的数据进行最小二乘拟合，实质上是一种加权平均法，其最大优势在于过滤除去噪声的同时可以确保信号的形状、宽度不变。

高光谱数据特征波段提取方法：

高光谱数据光谱通道数多，光谱分辨率高，有成百个波段，并且光谱数据的维度高，波段之间的相关性也较高，数据繁琐，如果直接利用全波段的数据进行建模，需要进行大量的计算，同时无用波段的信息会影响最终建立模型的效果。因此，需要对数据进行降维处理，剔除掉无用波段，这样既可以提升运算速率，也能提高模型的预测精度。常用的数据降维方法，包括主成分分析法，反向区间偏最小二乘法，连续投影算法等。下文主要介绍主成分分析法：

主成分分析是一种非常实用的降低数据维数、增强有用信息以及隔离噪声信号的算法。它通过线性变换将数据转换到另一个坐标空间，转换后的新变量经过原变量的线性转换生成，且新变量之间互不相关，使数据的差异达到最大，同时特征值较大的新变量能最大程度地表达原始变量的数据信息。对高光谱图像进行主成分分解后，得到的主成分波段图像是原始波段图像的线性组合，且每个主成分图像之间互不相关。第一主成分图像包含有最大数据协方差信息；第二主成分图像其次；主成分图像的波段越靠后，其包含的方差百分比越小，噪声信号越大，图像质量越差；倒数波段的主成分图像包含信息量很小，显示为噪声。