高光谱成像(Hyperspectral Imaging，HSI)是一种新兴的植物表型分析技术，具有信息丰富、对植物无创等优点。然而，为了提高植物性状分析的准确性，需要解决光照效应和高维光谱特征等因素。本研究对光谱归一化和降维方法进行了探索和分析。本文的重点是双重的;第一个目标是探索用于光谱校正的标准正态变量(Standard Normal Variate，SNV)、最小绝对偏差(Standard Normal Variate，L1)和最小二乘(Least Squares，L2)归一化。第二个目标是探索主成分分析(Principal Component Analysis，PCA)和Fisher方差检验分析(Analysis of Variance Fisher’s Test，ANOVA F-test)在光谱判别模型中降低光谱维数的可行性。利用玉米植株的HSI数据对分析技术进行了验证，以早期发现水分亏缺胁迫反应。结果表明，SNV在三种归一化方法中表现最好。此外，方差分析f检验改进了玉米植株水分亏缺响应的性状评价，优于PCA的波段选择方法。

图1 第一个数据集的处理流程

图2 第二个数据集的处理流程

图3 去除噪声带后的光谱

 图4 高光谱图像呈现为RGB格式

图5 分割后的高光谱图像

图6 不同成像平台下SNV归一化光谱的k -均值簇(a)为0 mm， (b)为250 mm， (c)为350 mm， (d)为450 mm

图7 在不同的成像平台上，L1归一化光谱的k -均值簇显示在柱状图中:(a) 0 mm， (b) 250 mm， (c) 350 mm， (d) 450 mm

图8 在不同的成像平台上L2归一化光谱的k -均值簇显示在柱状图中:(a) 0 mm， (b) 250 mm， (c) 350 mm， (d) 450 mm

图9 (a) raw (b) SNV (c) L1和(d) L2光谱相似度结果，蓝色误差条代表对照组，红色误差条代表亏水组。

图10 1和10个原始光谱(a-b)和1和10个SNV归一化光谱(c-d)的光谱相似度结果基于PCA。蓝色误差条表示对照组，红色误差条表示亏水组。

图11 1和10pcs L1归一化光谱(a-b)和1和10pcs L2归一化光谱基于PCA的光谱相似度。蓝色误差条表示对照组，红色误差条表示亏水组。

图12 方差分析f检验后(a) raw (b) SNV (c) L1和(d) L2光谱相似度结果，蓝色误差条代表对照组，红色误差条代表亏水组。

图13 植被指数值(a) NDVI， (b) OSAVI， (c) PRI 550， (d)原始光谱上干旱植物检测的RENDVI。