一、測試原理及方法：
高光譜成像技術是近二十年來發展起來的基于非常多窄波段的影像數據技術，其突出的應用是遙感探測領域，并在越來越多的民用領域有著更大的應用前景。它集中了光學、光電子學、電子學、信息處理、計算機科學等領域的先進技術，是傳統的二維成像技術和光譜技術有機的結合在一起的一門新興技術。
高光譜成像技術的定義是在多光譜成像的基礎上，在從紫外到近紅外（200-2500nm）的光譜范圍內，利用成像光譜儀，在光譜覆蓋范圍內的數十或數百條光譜波段對目標物體連續成像。在獲得物體空間特征成像的同時，也獲得了被測物體的光譜信息。
目標物體-成像物鏡-入射狹縫-準直透鏡-PGP-聚焦透鏡-CCD棱鏡-光柵-棱鏡：PGP
圖1 成像原理圖
光譜儀的光譜分辨率由狹縫的寬度和光學光譜儀產生的線性色散確定。最小光譜分辨率是由光學系統的成像性能確定的（點擴展大小）。
成像過程為：每次成一條線上的像后（X方向），在檢測系統輸送帶前進的過程中，排列的探測器掃出一條帶狀軌跡從而完成縱向掃描（Y方向）。綜合橫縱掃描信息就可以得到樣品的三維高光譜圖像數據。
圖2 像立方體
二、材料與分析：
1、實驗設備與材料
本文以市場上購買的海苔為研究對象，參雜了少量沙石、木塊、木炭、塑料繩等雜質，利用江蘇雙利合譜科技有限公司的近紅外高光譜成像儀GaiaSorter-N17E（光譜范圍900 nm - 1700 nm）采集測試對象的高光譜影像數據，并從獲取的高光譜影像數據中分析參雜的雜質。表1為近紅外高光譜成像儀GaiaSorter-N17E系統參數。
表1 近紅外高光譜成像儀GaiaSorter-N17E系統參數
| 序號 | 相關參數 | N17E |
| 1 | 光譜范圍 | 900-1700 nm |
| 2 | 光譜分辨率 | 4-5 nm |
| 3 | 像面尺寸 | 7.6×14.2 |
| 4 | 倒線色散 | 110 nm/mm |
| 5 | 相對孔徑 | F/2.0 |
| 6 | 雜散光 | <0.5% |
| 7 | 波段數 | 256 |
2、高光譜影像數據預處理
對成像光譜儀獲取的原始影像數據進行數據的預處理，預處理過程主要包括兩部分。第一部分是輻射定標；第二部分為噪聲去除。
首先進行輻射定標。輻射定標的計算公式如1所示。
(1)
其中，Reftarget為目標物的反射率，Refpanel為標準參考板的反射率，DNtarget為原始影像中目標物的的數值，DNpanel為原始影像中標準參考板的數值，DNdark為成像光譜儀系統誤差。
其次是噪聲去除，常用的方法有小波降噪、S-G降噪、均值濾波、最小噪聲分離等方法。本研究則運用國外較為常用的最小噪聲分離方法(Minimum Noise Fraction Rotation， MNF)進行噪聲去除。最小噪聲分離工具用于判定圖像數據內在的維數（即波段數），分離數據中的噪聲，減少隨后處理中的計算需求量。MNF本質上是兩次層疊的主成分變換。第一次變換（基于估計的噪聲協方差矩陣）用于分離和重新調節數據中的噪聲，這步操作使變換后的噪聲數據只有最小的方差且沒有波段間的相關。第二步是對噪聲白化數據（Noise-whitened）的標準主成分變換。為了進一步進行波譜處理，通過檢查最終特征值和相關圖像來判定數據的內在維數。數據空間可被分為兩部分：一部分與較大特征值和相對應的特征圖像相關，其余部分與近似相同的特征值以及噪聲占主導地位的圖像相關。由于此次采集的高光譜影像沒有白板校正，因此數據預處理的第一步輻射定標沒有進行分析處理，直接作MNF降噪分析。圖3為MNF降噪前后的成像高光譜數據中DN值的變化。
.jpg)
圖3 MNF變換前(左)后(右)高光譜影像DN值的變化
三、結果與分析
1、 海苔高光譜影像中各雜質的高光譜反射率
圖4為海苔在900-1700 nm范圍內，其與背景、木塊、木炭、塑料繩以及其他雜質的高光譜反射率曲線圖。從圖中可知，海苔與雜質間的光譜差異顯著，因而可以考慮運用閾值分割的方法提取海苔，或分析各雜質。
圖4 海苔高光譜影像中各雜質的高光譜反射率
2、最小噪聲分離變換
對原始高光譜數據進行 MNF 變換，分別得到以有效信息為主的波段和以噪聲為主的波段，并且按照信噪比從大到小的順序排列。原始數據的主要信息都集中在前面特征值大的波段，后面特征值小的波段主要以噪聲為主。特征值接近于1的多數是噪聲，最好選擇特征值高的波段。圖5分別列舉了前9個MNF波段影像。從圖5可知，第2個MNF波段數據能較好地識別出海苔及其背景、雜質，然而雜質間卻無法區別開；第3個MNF較亮的部分來雜質，較暗的一部分也是雜質，這兩種雜質顯然不是同一類別，第4個MNF與第3個MNF圖像相似。其他幾個MNF并無明顯的圖像區分度。
.jpg)
.jpg)
圖5海苔高光譜圖像前9個MNF波段數據（從左往右依次為MNF1-9）
3、海苔、雜質高光譜圖像監督分類研究
高光譜遙感圖像分類是高光譜遙感圖像分析和應用的重要內容，根據是否使用類別的先驗知識，可分為監督分類和非監督分類，常用的監督分類方法有最大似然分類法、光譜匹配法和神經網絡法等，非監督分類常用的方法有K-Means和ISODATA法。本研究運用監督分類方法中的最大似然分類法、神經網絡法、光譜角匹配法來研究海苔、雜質、背景的區分，分類結果如圖6所示。圖6中綠色和紫色為海苔，紅色為背景，其他顏色為雜質。從圖6所知，這三種監督分類方法中，神經網絡的分類效果好，能識別出幾種不同雜質，然而塑料繩并未清晰的識別出來，而且神經網絡分類方法分類速度較慢，需要選擇訓練樣本，費時費力，不利于產業化的應用。
.jpg)
（a）RGB偽彩色圖 (b) 最大似然法分類
（c）人工神經網絡 (b) 光譜角匹配
圖6 運用不同監督分類方法區分海苔、雜質、背景
4、基于海苔、雜質高光譜圖像決策樹分類研究
根據2和3可知，運用MNF和監督分類方法雖然能較好地識別出海苔，但是單個MNF波段只能識別出少量的雜質，且位置雜質屬性，監督分類雖然能識別較多的雜質，但是需要選擇訓練樣本，且運行時間較長，并不適合未來產業化的發展。因為本研究探討綜合使用不同物質的光譜特征及其MNF波段，運用決策樹分類方法快速識別海苔、雜質、背景。
決策樹(Decision Tree）是在已知各種情況發生概率的基礎上，通過構成決策樹來求取凈現值的期望值大于等于零的概率，評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。由于這種決策分支畫成圖形很像一棵樹的枝干，故稱決策樹。在機器學習中，決策樹是一個預測模型，他代表的是對象屬性與對象值之間的一種映射關系。決策樹是一種樹形結構，其中每個內部節點表示一個屬性上的測試，每個分支代表一個測試輸出，每個葉節點代表一種類別。
圖7為決策樹的分叉圖，主要運用了MNF變化的MNF2、3、4、5波段，以及高光譜圖像數據的第15、80、104波段做決策樹分類，該閾值是運用最大類間方差法獲取。圖8為利用該決策樹的分類效果圖，從圖中可知，原圖無法用肉眼識別的塑料繩、雜質等，運用決策樹分類后能較為清晰的識別出來，而且圖像處理速度大大提高。
圖7 決策樹分叉圖
.jpg)
圖8 決策樹分類效果圖
© 2019 版權所有：江蘇雙利合譜科技有限公司 備案號：蘇ICP備2021046114號-3 技術支持：化工儀器網 GoogleSitemap 管理登陸
在線客服