什么是高光譜成像技術(shù)?光譜成像技術(shù)是一種新穎的多維成像技術(shù),由光學(xué)二維成像技術(shù)和光譜分析技術(shù)相結(jié)合而形成,可以同時探測到目標(biāo)的空間信息和光譜信息,具有“圖譜合一”的特點。那么,高光譜成像技術(shù)的高光譜圖像怎么分析與處理?本文為大家做了介紹,對此感興趣的朋友可以了解一下!
怎么理解高光譜成像技術(shù)?
高光譜成像(Hyperspectral Imaging,HSI)技術(shù)是一種檢測速率快、對樣品沒有損傷、可以大范圍掃描分析樣品的檢測技術(shù),被廣泛應(yīng)用在農(nóng)業(yè)、軍事、食品、環(huán)境、醫(yī)療、微生物、礦物勘探的研究中,高光譜成像技術(shù)在二維圖譜的獲取方面超越了拉曼光譜與 FT-IR,具有圖譜合一的優(yōu)點,這是由于高光譜圖像特有的空間和光譜分辨率??臻g分辨率與測量樣品圖像像素具有一定的幾何關(guān)系,而光譜分辨率確定了空間像素點代表的波長變化函數(shù),每個空間像素點對應(yīng)著一條具有數(shù)十至數(shù)百個光譜波段的連續(xù)光譜曲線。高光譜成像技術(shù)將傳統(tǒng)的二維RGB圖像與光譜技術(shù)相結(jié)合,通過將圖像上每個空間像素點的光譜特性與對應(yīng)的空間信息聯(lián)系,來確定每個像素點所代表物質(zhì)的化學(xué)性質(zhì),從而完成對不同樣品的詳細(xì)檢測分類。
使用高光譜成像光譜儀采集樣品的數(shù)據(jù),不僅摻雜有噪音信息,還會受到儀器本身和外部環(huán)境的影響,因此往往需要利用光譜預(yù)處理過程來去除或削減干擾信息,保留更多有效信息,提高進(jìn)一步的光譜數(shù)據(jù)處理的準(zhǔn)確度,同時,高光譜數(shù)據(jù)是由數(shù)千個甚至數(shù)萬個數(shù)據(jù)點組成,相鄰數(shù)據(jù)間通常會呈現(xiàn)出高度相關(guān)的光譜特征,因此高光譜圖像中常常包含大量重疊的冗余信息。而數(shù)據(jù)量過大的高光譜數(shù)據(jù)在進(jìn)行統(tǒng)計識別時,會出現(xiàn)數(shù)據(jù)特征維數(shù)過多的現(xiàn)象,導(dǎo)致“休斯”效應(yīng),為數(shù)據(jù)的處理帶來了巨大挑戰(zhàn)。休斯效應(yīng)會對高光譜圖像的分類過程產(chǎn)生負(fù)面影響,導(dǎo)致分類器性能變差,分類識別結(jié)果的精確度降低,因此,在對高光譜圖像進(jìn)行分類時,非常有必要找到一種對“休斯”效應(yīng)具有魯棒性的化學(xué)計量學(xué)算法。
高光譜成像技術(shù)的高光譜圖像分析與處理方法:
化學(xué)計量學(xué)算法是一種適用于從最簡單圖像到復(fù)雜高光譜圖像的數(shù)據(jù)處理方法,這一強大的圖像數(shù)據(jù)處理工具對分析光譜數(shù)據(jù)集,適當(dāng)修改數(shù)據(jù)結(jié)構(gòu),突出光譜特定特征方面具有很強的實用性。在對高光譜圖像進(jìn)行分類前,往往需要借助預(yù)處理方法來對原始光譜數(shù)據(jù)進(jìn)行優(yōu)化,常用的高光譜預(yù)處理方法有平滑、濾波、多元散射矯正和導(dǎo)數(shù)算法等。
平滑算法對于降低高光譜數(shù)據(jù)的噪音信號有很明顯的效果,具體過程是將選定數(shù)據(jù)作為中心,并結(jié)合其一定范圍內(nèi)的數(shù)據(jù),使用不同的計算公式計算出該選中心數(shù)據(jù)的具體值,從而使處理后的光譜曲線更加光滑,可以很大程度的增大高光譜數(shù)據(jù)的信噪比。主成分分析法(PCA)對數(shù)據(jù)進(jìn)行預(yù)處理時,將數(shù)據(jù)集中最重要的信息集中到前幾個主成分(PCs)來減少數(shù)據(jù)維度,可以有效的克服休斯現(xiàn)象,使用預(yù)處理方法處理后的高光譜圖像數(shù)據(jù),會大大減小數(shù)據(jù)量,提高數(shù)據(jù)信噪比,為下一步的圖像識別檢測節(jié)省分析時間。
目前常用的高光譜數(shù)據(jù)分類處理方法主要有MD、ML和SVM等。MD是一種有監(jiān)督的線性距離學(xué)習(xí)算法,通過挑選訓(xùn)練集樣本計算出可以最大反應(yīng)樣品數(shù)據(jù)間差異的有效度量矩陣。對高光譜數(shù)據(jù)分析時,根據(jù)度量矩陣使同類數(shù)據(jù)樣本的分布更加靠近,同時使相似度低的數(shù)據(jù)樣本分散度增大。
ML是一種基于貝葉斯準(zhǔn)則的非線性監(jiān)督分類方法,在高光譜圖像上選擇已知物體作為訓(xùn)練樣品集,然后利用特定參數(shù)空間統(tǒng)計訓(xùn)練集樣品的特征標(biāo)準(zhǔn),根據(jù)不同的判別函數(shù)確定分類邊界,將高光譜圖像上的未知像元分成不同的類別。
SVM是一種廣泛使用在科學(xué)研究中的非線性分類算法。傳統(tǒng)分析方法是將計算過程中的經(jīng)驗誤差最小化,而SVM是通過優(yōu)化各個超平面,使各類物質(zhì)的信息差值最大化,來減小一般化誤差的上限。相比其他分類算法,SVM對處理非線性和高維的小樣本數(shù)據(jù)更具有優(yōu)勢,很多研究也證明了SVM對“休斯”效應(yīng)具有很好的魯棒性。