综述：高光谱成像与化学计量学——超越经典光谱过程分析技术的进步

本综述深入探讨了高光谱成像（HSI）与化学计量学结合在过程分析技术（PAT）中的前沿应用。文章系统阐述了HSI如何通过整合空间与化学信息，在定量分析（如PLS回归）、定性分类（如对象/像素级判别）和过程理解（如MCR解混）等场景中超越传统光谱工具。作者强调线性化学计量方法（如PCA、T2控制图）在实时监测中的优势，并通过食品/制药案例（如水分分布、多晶型转化）验证HSI在表征异质性（GHI/DUI指数）和实现闭环控制方面的潜力。

高光谱成像数据结构

高光谱成像（HSI）可被描述为包含两个空间维度（像素坐标）和一个光谱维度的数据立方体。尽管多数成像测量符合此结构，但仍存在例外情况，如多层采样获取的三维空间图像，或收集二维光谱信号的荧光成像（每个像素对应完整的激发-发射图谱）。值得注意的是，大多数化学计量方法将图像视为光谱集合，并以数据表形式处理。这是因为在适当预处理后，光谱测量遵循类似于比尔-朗伯定律的双线性模型：原始光谱测量数据（D）可由纯组分光谱特征（S^T）按其在不同像素中的浓度（C）加权组合描述。若需恢复空间信息，仅需将各组分的像素浓度剖面重折叠回原始二维空间几何结构即可获得浓度分布图。该线性模型不仅是图像解混方法的基础，也是许多线性化学计量方法（如主成分分析PCA）能适配HSI场景的关键。

HSI与定量信息

将光谱输入转化为定量输出的任务通常由嵌入偏最小二乘回归等模型的软传感器完成。与传统光谱传感器相比，HSI的核心优势在于其宽视场可提升结果代表性。校准模型构建阶段使用校准图像的平均或中位数光谱关联样本整体定量信息，与经典方法无异；但在预测阶段，HSI支持图像级（基于整图统计光谱）和像素级预测。像素级预测能生成浓度分布图，揭示成分空间趋势（如肉类持水性、鲑鱼片水分分布或奶酪成熟过程中的脱水/蛋白水解/脂解变化）。在制药领域，基于像素浓度值的直方图或变差函数分析可推导异质性指标（如GHI和DUI），为质量评估提供空间统计框架。

HSI与定性信息

在PAT场景中，HSI的定性应用涵盖材料分类（如微塑料分选）和异物检测。无监督聚类可根据化学相似性分割图像区域，而分类模型则通过已知类别的样本构建判别规则。输入信息复杂度从彩色视觉到高光谱依判别难度递增：色彩差异明显的材料可用简易视觉系统，化学组成细微差异需HSI支撑。分类层级选择至关重要——像素级适用于异质材料空间模式研究，对象级（基于物体平均光谱）则能提升相似类别区分力。例如微塑料子类识别中，对象级方法通过提升信噪比有效克服了像素级分类因光谱相似性导致的误判。

HSI与过程理解

图像解混方法（如多元曲线分辨率MCR）可同步提供样本中各组分的定性、定量及空间信息。在过程监控中，通过沿时间轴串联图像光谱数据块，能解析如药物多晶型热转变的动态过程：浓度分布图展示随温度升高的晶型空间演变，均值剖面则量化转变动力学。混合过程监控是HSI的典型应用场景，通过在线或线扫描系统获取混合流图像，解混后生成组分分布图。变差函数分析衍生的GHI（全局异质性指数）和DUI（分布均匀性指数）可量化混合程度：DUI趋近1表明空间分布均匀，GHI下降反映组成方差减小。滑动窗口变差图像分析（SWiVIA）实现了实时异质性追踪，成功捕获药物混合中因过度混合导致的脱混现象（DUI回落与GHI回升）。此外，纹理特征（如灰度共生矩阵GLCM）和小波变换等多尺度空间-光谱融合策略进一步强化了过程监控中的模式识别能力。

结论

HSI与化学计量学的结合为PAT提供了兼具化学与空间解析力的强大工具。随着推扫式成像系统采集速度提升及线性算法计算效率优化，实时图像PAT方案已成为现实。未来需探索图像数据实时压缩方法以应对快照式系统数据洪流，并发展多模态成像融合技术。尽管HSI已成功集成于PAT工具箱，其在闭环控制、工业级尺度放大等方向的深化应用仍将推动图像驱动解决方案的持续革新。