亚洲成a人片77777精品 I 我要看一级黄色片 I 亚洲国产精品无码久久 I 午夜视频一区在线观看 I 亚洲人视频在线观看 I av中文一区 I 91精品综合久久 I 老司机午夜影院 I 中出精品 I av高清一区二区 I a级黄毛片 I 美女被c爽 I 懂色av一区二区夜夜嗨 I 国产资源视频 I 黄色一级小视频 I 欧美黄色激情视频 I 国产视频一区二区三区在线 I 精品176二区 I 久久99网 I 91麻豆国产自产在线观看 I 天堂成人 I 色av综合在线 I 亚洲国产精品无码专区在线观看 I 久久成人视屏 I 黑帮大佬和我的三百六十五天 I 久久久无码精品一区波多野结衣 I 四虎网站最新网址 I 国产男人天堂

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

圖3  Gaia Field高光譜成像儀

高光譜儀配置：鏡頭：22mm鍍膜消色差鏡頭；光譜范圍：400nm-1000nm，光譜分辨率: 4nm@435.8nm（@400-1000nm），像面尺寸（光譜x空間）：6.15 x 14.2 mm，相對孔徑：F/2.4，狹縫長度14.2 mm. 內置控制、掃描機構；內置電池；

SpecView軟件：控制完成自動曝光、自動對焦、自動掃描速度匹配；數據處理：黑白、輻射度、均勻性、鏡頭等校準；光譜查看。

二、數據分析：

本文以西安壁畫為研究對象，利用雙利合譜的高光譜成像儀Gaia Field（光譜范圍400 nm - 1000 nm）采集測試對象的高光譜數據。

對成像高光譜儀拍攝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，Ref_target為目標物的反射率，Ref_panel為標準參考板的反射率，DN_target為原始影像中目標物的的數值，DN_panel為原始影像中標準參考板的數值，DN_dark為成像光譜儀系統誤差。

其次是噪聲去除，本文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。圖4為MNF降噪前后的光譜反射率變化。

圖4  MNF變換前(左)后(右)高光譜影像數據反射率值變化

圖5 分別壁畫在高光譜影像中不同位置的光譜反射率變化情況

利用SpecView軟件的Analysis-Animate功能，快速瀏覽能識別軀干、手背、肢體、鎧甲的各波段圖像的變化，結果表明能較為清楚地識別壁畫高光譜影像信息的波段主要集中在紅光與近紅外區域，這與目前國內外的研究結果相同。以760 nm波段影像為例，對壁畫760 nm處影像的灰度圖作密度分割，以期能更清楚地分辨壁畫中內部成分的變化，如下圖所示。從圖6可知，通過對成像高光譜特定某一波段作密度分割并賦予不同的顏色，不僅在圖像能較為清晰的看到壁畫內部成分的變化，而且也能看到其在數值上的變化。

圖6  壁畫在760 nm處密度分割前后影像圖

為了客觀地區分壁畫內部成分的變化，對經預處理后的高光譜數據進行主成分分析（Principal Component Analysis, PCA），去除波段之間的多余信息、將多波段的圖像信息壓縮到比原波段更有效的少數幾個轉換波段下。下圖為PCA的前6個主成分及主成分的312組合圖。

圖7  壁畫前6個主成分圖

圖8  壁畫的PCA變化前影像合成圖

（左 R：800 nm,G:700 nm，B：600 nm；右 R：PCA3,G:PCA1，B：PCA2）

通過圖8可知，利用成像高光譜原始影像數據進行波段組合時，其無法較為清晰地看到壁畫內部的變化規律，但經過PCA變換之后，通過PCA各主成分的波段組合，壁畫內部成分的變化能較為清晰的展現出來。