高光谱成像仪在对样品进行检测时，具有独特的获取信息和识别特征能力，不仅可以获得样品的光谱信息，还可以获得样品的图像信息，具有“图谱合一”特点。但由于光谱图像数据的冗余性，会导致计算过程繁琐，而且还会降低无损检测模型的准确性，因此就需要进行相应的处理。本文对高光谱图像数据校正及降维方法做了介绍。
高光谱图像数据的特点：
高光谱图像是一个具有“图谱合一”特点的三维数据立方体，因此高光谱图像的处理和分析既可以在指定波长情况下在空间域进行图像处理和分析，又可以在指定像素坐标位置情况下在光谱域进行光谱处理和分析，也可以同时在空间域和光谱域进行处理和分析。
下图显示了高光谱图像处理的一般流程。一般来讲，高光谱图像处理流程包括高光谱图像数据获取与校正层、高光谱图像处理与分析层和应用层三个层面。其中高光谱图像数据获取与校正层包括样品高光谱图像和参考图像的获取、高光谱图像校正；高光谱图像处理与分析层包括光谱处理与分析和图像处理与分析；应用层包括内部品质与安全性检测和外部缺陷识别与提取。
高光谱图像数据的处理方法：
高光谱图像由于既包含光谱信息，又包括图像信息，因此高光谱图像数据分析方法很多。这里以归纳高光谱图像数据的处理为例，介绍高光谱成像仪图谱数据处理方法。
第1步，高光谱图像的校正和预处理
原始高光谱数据是光子强度信息，需进行黑白板校正获取相对反射率。由于高光谱图像通常在光谱波段范围的首尾端信噪比较低，所以黑白板校正后的高光谱图像需要进行预处理以剔除这些噪声较大的部分。此外，由于高光谱数据量较大，对于一些无用部分可通过裁剪等方法减少高光谱图像数据。
第2步，高光谱图像的降维
在图像维，可根据待测物的光谱特性，直接提取反映待测对象品质的一个或几个波长图像；也可采用主成分分析、独立成分分析法或最小噪声分离法等获取关键的特征图像；还可在上述特征波段基础上，采用波段比算法或者波段差算法或者二次差分算法计算特征图像；在光谱维，可对研究对象中一定像素区域的光谱或所有像素的光谱进行平均获得平均光谱信息或偏差光谱信息。
第3步，预测模型建立。
在图像维，可采用数字图像处理技术对图像进行分割从而获取目标；在光谱维，可与化学计量学方法结合，建模预测分析待测物的品质，或进行判别分析。
第4步，目标分类
根据得到的图像特征或者光谱信息，采用模式识别方法分类目标。
高光谱图像数据的校正方法：
图像采集时不同的波段下光源强度分布不均匀或者接收器存在暗电流等因素引起的光强变化会影响采集图像的质量。因此，在进一步的光谱分析前对样品的高光谱图像进行图像校正（即黑白校正）显得尤为重要。在与采集高光谱图像相同的条件下，先扫描反射率接近99.99%的标准聚四氟乙烯白色校正板得到全白的标定图像，然后盖上镜头盖进行采集得到反射率几乎为0%的全黑的标定图像，最后根据下列公式对原始采集的高光谱图像进行计算得到校正后的图像。
式中，W为全白的标定图像，B为全黑的标定图像，I0为原始采集的高光谱图像，I为校正后的高光谱图像。
高光谱图像数据的降维方法：
由于高光谱采集的数据块通常含有几百甚至上千个波段的光谱信息，这就造成了过高维度的光谱信息和数据较大的冗余性，不仅使得计算过程繁琐，而且还会降低无损检测模型的准确性，因此在建模前对高光谱数据块进行降维处理是进行数据分析的重要一步。查阅文献发现，当前应用较多的降维处理方法主要有以下几种：主成分分析法、独立成分分析法、遗传算法以及最小噪声分离法等，通过相应的降维算法处理后，大量的冗余信息被去除，并且特征波段和图像被提取，这些对于简化计算过程和提高模型的准确性发挥着重要的作用。
