高光谱分辨率（精选九篇）
高光谱分辨率 篇1
大气层既是地球气候与环境的主要载体和活动舞台, 又是空间天气与环境的重要组成部分。大气层下连地球海洋及生物圈, 上接太阳活动重大影响区域磁层和电离层, 上下发生着重要的相互作用。对它进行遥感探测从而发现和理解其中的整体行为和相互作用, 一直是地球和空间科学界共同的追求目标[1]。CO2是人类产生的主要温室气体和气候变化的重要推动力[2]。地基CO2监测网络没有足够的空间分辨率和覆盖率来识别全球范围内CO2的产生、吸收及变化过程。充分认识大气中CO2含量变化、产生、吸收、全球碳循环的动态变化是21世纪地球系统科学主要挑战之一。对大气中CO2的空间遥感观测, 具有前所未有的空间时间分辨率和覆盖率, 对我们认识全球碳循环科学是革命性的。
成像光谱仪是20世纪80年代开始在多光谱遥感成像技术的基础上发展起来的新一代光学遥感器, 它能够以高光谱分辨率获取景物和目标的超多谱段图像, 在大气、海洋和陆地观测中正在得到广泛的应用。成像光谱仪是一种“图像和光谱合一”的光学遥感仪器, 它利用入射狭缝将前置望远光学系统和光谱成像系统有机地结合在一起, 能够提供景物连续的光谱图像。成像光谱仪具有其他光学遥感器不能比拟的综合技术性能, 是光学遥感器发展的主流和方向[3,4,5]。在设计整个成像光谱仪中, 光学系统设计决定仪器的最后性能[3]。成像光谱仪按分光技术可分为传统的棱镜、光栅色散型成像光谱仪和傅里叶变换、采用可调谐或者渐变滤光片及采用二元光学元件等新型成像光谱仪。在地球红外波段高光谱分辨率探测领域, 通常采用傅里叶变换技术, 迈克尔逊干涉法结构简单但由于存在着动镜加工装调要求高, 三角共路干涉法采用元件较多、结构复杂[6]。CO2吸收光谱的遥感观测具有高光谱分辨率且属于微光探测的特点, 这增加了成像光谱仪的设计难度。本文设计了一种简单但有效的平面反射光栅光谱仪来解决这两个难题, 采用了尽量少的光学元件, 保证探测器性能和系统的稳定性。
1 近红外成像光谱仪的光学结构设计
根据空间CO2近红外吸收光谱[7] (如图1) 遥感探测的特点及所要达到的光谱分辨率, 确定系统的主要指标如表1所示。
整个光学系统包括望远镜和光谱仪两部分, 这两部分的设计在尽量减少光学元件数的思想下进行的。图2给出的是整个光谱仪系统的光线追迹固体模型图, 光谱仪焦距为220 mm。
1.1 望远镜设计
由于光谱仪光谱范围较窄 (30 nm) , 前置望远镜采用匹兹伐尔型折射结构[8], 适合本应用大相对孔径F/1.8, 小视场角为0.5°的情况, MTF达到0.7@28 lp/mm。图3为设计结果, 焦距为220 mm。透镜均采用普通常用光学玻璃, 为简化望远镜设计结构、减少透镜片数, 提高系统透过率, 满足信噪比要求, 采用了非球面设计, 设计结果采用两片透镜, 每片透镜第一面采用非球面且非球面只采用简单二次非球面, 这减少了加工难度。
1.2 色散元件的选择
目前国际上在轨运行常用的分光技术主要包括棱镜分光、光栅分光、傅里叶变换分光等[6]。光栅分光的特点是:测量范围可从X射线直到微波, 包含整个光谱区, 对整个光谱范围可提供线性光谱色散;存在光谱级次重叠;光栅效率与波长有很大关系, 具有较低的绝对效率 (典型的效率为30%~40%) ;光谱分辨率可做到较高。棱镜分光的特点是:光谱测量范围主要受棱镜材料的透光率和色散率影响, 通常用于可见光, 棱镜只有一个光谱级, 不存在光谱级相互重叠的问题;对整个光谱, 光的通过量不变并且具有很高的通过量;在一般情况下, 色散具有很大的非线性;光谱分辨率通常不高。傅里变换分光的特点是:光谱测量范围主要受分束光学元件的限制, 因此常用于可见至红外光谱区;具有比较高的光通量性能;它的理论分辨率由最大光程差决定, 理论上可以达到无穷[9]。
基于CO2吸收光谱的遥感观测具有高光谱分辨率且属于微光探测的特点, 最后选择先用窄带滤光片预分光, 平面反射光栅作为主分光元件, 由于测量光谱范围较窄, 光栅效率可以达到较高。傅里叶变换分光虽然在光谱分辨率和光通量两方面比较有优势, 但国内加工装调技术难以实现。
1.3 光谱仪的光学系统设计
图4是光谱仪的光线追迹图。它采用简单平面反射光栅光谱仪结构, 由入缝、两片准直透镜、平面反射光栅和两片成像透镜组成。准直透镜和成像透镜, 结构和望远镜相同, 基于同样的方法和思想设计, 望远镜和准直系统结构对称, 垂轴像差自动消除。由入缝发出的光由准直透镜准直, 经光栅衍射后, 由成像透镜聚焦到探测器上。光栅刻线数为1 000 lp/mm, 衍射级次为1级。图5为光谱仪像面点列图分布, 根据应用要求为满足高光谱分辨率、相对低的空间分辨率, 在优化时给光谱维即色散方向更高的权重。图6给出的是18μm像元大小内的色散Y方向的能量集中度, 图中给出的是狭缝中心点和端点相应各波长的色散Y方向能量集中度曲线, 系统关于中心视场对称。可以看到各视场能量均集中在一个像元内。
2 结果分析
2.1 光谱分辨率
在成像光谱仪光学系统像差校正好的情况下, 光谱分辨率主要由光栅自身的光谱分辨率、入射狭缝的宽度、像元大小决定。平面衍射光栅作为色散元件时, 光栅方程为
式中:i, θ分别为对光栅基底法线的入射角和衍射角, d为光栅常数, m为衍射级次。根据瑞利判据得光栅的理论分辨率[10]:
式中:m为衍射级次, N为光栅总刻线数。根据设计结果, N=160 000, m=1。显然, 光栅自身的光谱分辨率远高于仪器所需要的光谱分辨率, 其对仪器光谱分辨率的影响可以忽略。
对式 (1) 微分, 可得角色散率为
线色散率为
其中:f2为成像镜的焦距, σ为焦面相对垂直平面的倾角。
入射狭缝是成像光谱仪的视场光阑, 当视场光阑为无限窄的狭缝时, 视场光阑的像在光谱焦面上的位置由式 (1) 决定, 像的宽度由光栅口径的衍射宽度决定, 此时衍射宽度为
当视场光阑为无限窄的狭缝时, 系统的瞬时视场为零, 进入系统的光能量也为零。因此实际应用中, 狭缝必须具有一定宽度。在本设计中, 入射狭缝的宽度a1=20μm, 当入射狭缝宽度a1引入后, 光栅衍射方程式 (1) 变为
式 (6) 减式 (1) 并整理得:
由于Δi, Δθ均为小角, 得:
其中:Δi=a1/f1, 则有:
狭缝在焦平面上所成像的几何宽度为
其中:f1为准直镜的焦距。狭缝像的几何宽度a1′远大于衍射宽度, 所以衍射宽度可以忽略。狭缝像的几何宽度a1′对应的光谱带宽Δλs为
优化设计后, f1=220 mm, d=1/1 000 mm, i=-41.5°, σ=0。当m=1时, Δλs=0.068 nm。
设计采用1 024×512 Hg Cd Te型面阵探测器, 光电阵列探测器是一种离散探测系统, 对光谱信号的获取是通过对探测器面上的光谱信号抽样来得到的。探测器上每个像敏单元不是数学上的点, 而是具有一定几何尺寸的, 因此每个抽样点的值实际上是像敏单元内光能量的积分。探测器最小可分辨的波长差可以表示为
其中:p1为探测器的像元尺寸。其中, p1=18μm, f2=199.856 mm。基于以上参数并结合式 (1) 和式 (12) , 用MATLAB计算出Δλd随波长的变化关系曲线如图7所示。从图中可以看出, 由面阵探测器所决定的光谱带宽Δλd小于狭缝像的宽度对应的光谱带宽Δλs, 所以设计的光谱分辨率Δλ=0.068 nm。
2.2 谱线弯曲和色畸变
成像光谱仪的畸变由谱线弯曲和色畸变来表征, 在光谱成像系统中一般要求这两个量尽量小。谱线弯曲是指狭缝的不同波长弯曲图像与直线的偏离程度;色畸变是由光谱成像系统对狭缝不同波长的像放大率不同引起的[11]。狭缝都是有一定高度的, 从狭缝上不同点发出的光束都是以不同的角度斜入射到光栅面的, 即这些光束是对主截面倾斜的。经光栅衍射后的衍射光束显然也不在主截面上, 并且其衍射角也不等于在主截面上的、由狭缝中心发出的光束的衍射角, 这就会导致光谱线的弯曲。可以推导得到狭缝其它点相对于中心的衍射角差值可以有式 (13) 决定:
式中:θ0主截面内光线的衍射角和α为狭缝其它点和中点发出的主光线的夹角。从上式可见:1) 随着狭缝高度增加, 角α增大。衍射角Δθ也愈大, 表明由狭缝端点发出的光线, 其相应的衍射角大于主截面内光线的衍射角, 这就形成了谱线弯曲。2) 在同一级光谱中, 波长愈长, 衍射角愈大, 不同波长对应的系统焦距也不相同这就形成了色畸变。
使用光学软件Zemax中的扩展函数功能可以追迹光线得出同一波长不同狭缝高度在焦面色散方向和空间方向的位置, 因此得到光谱弯曲量和色畸变。经过软件追迹, 不同波长的光谱弯曲量和色畸变 (基准波长为1.591μm) 见图8。可以看出最大狭缝高所对应的各波长的弯曲量接近为3.3μm的常量, 其光谱弯曲随波长的变化量控制在0.3μm之内, 最大色畸变小于4μm。
3 结论
本文以近红外CO2吸收光谱成像光谱仪的光谱范围、光谱分辨率和系统F数等技术指标为依据, 提出了基于平面衍射光栅分光的简单平面反射光栅结构的设计方案。采用ZEMAX软件对近红外CO2吸收光谱成像光谱仪的望远系统、光谱仪系统进行了设计与模拟分析。重点分析了该系统光谱分辨率、谱线弯曲和色畸变等问题。最终模拟分析结果表明, 该微光学系统的光谱范围、分辨率、F数等参数满足设计要求, 完全可用于大气中CO2近红外吸收光谱遥感探测。
参考文献
[1]邢廷, 龚惠心.大气探测傅里叶变换光谱仪[J].遥感技术与应用, 1999, 14 (1) :5-10.XING Tin, GONG Hui-xin.Spaceborne fourier transform spectrometer for atmospheric sounding[J].Remote Sensing Technology and Application, 1999, 14 (1) :5-10.
[2]Solomon S, Qin D, Manning M, et al.Climate Change2007:The Physical Science Basis[M].Cambridge:Cambridge University Press, 2007.
[3]Blechinger F, Harnisch B, Kunkel B P.Optical concepts for high-resolution imaging spectrometers[J].SPIE (S0277-786X) , 1995, 2480:165-179.
[4]吴雁, 唐义, 倪国强, 等.一种交叉的切尔尼—特纳型远紫外成像光谱仪[J].光电工程, 2009, 36 (3) :125-129.WU Yan, TANG Yi, NI Guo-qiang, et al.FUV Imaging Spectrometer Based on Crossed Czerny-Turner Structure[J].Opto-Electronic Engineering, 2009, 36 (3) :125-129.
[5]冯玉涛, 向阳, 陈旭.运动补偿下成像光谱仪的辐射能量采集特性[J].光电工程, 2009, 36 (7) :50-54.FENG Yu-tao, XIANG Yang, CHEN Xu.Characteristics of Spectral Radiance Measured by Imaging Spectrometer with Motion Compesatiom[J].Opto-Electronic Engineering, 2009, 36 (7) :50-54.
[6]郑玉权, 禹秉熙.成像光谱仪分光技术概览[J].遥感学报, 2002, 6 (1) :75-80.ZHENG Yu-quan, YU Bing-xi.Overview of Spectrum-Dividing Technologies in Imaging Spectrometers[J].Journal of Remote Sensing, 2002, 6 (1) :75-80.
[7]Rayner P J, O’Brien D M.The utility of remotely sensed CO2concentration data in surface source inversions the seasonal cycle of atmospheric CO2at high northern latitudes[J].Geophys.Res.Lett (S0094-8276) , 2001, 28 (1) :175-178.
[8]袁旭沧.光学设计[M].北京:机械工业出版社, 1983.YUAN Xu-cang.Optical Design[M].Beijing:China Machine Press, 1983.
[9]杨怀栋, 陈科新, 黄星月, 等.常规光谱仪器分光系统的比较[J].光谱学与光谱分析, 2009, 29 (6) :1707-1712.YANG Huai-dong, CHEN Ke-xin, HUANG Xing-yue, et al.Comparison of Dispersion Parts of Conventional Spectrometers[J].Spectroscopy and Spectral Analysis, 2009, 29 (6) :1707-1712.
[10]林中, 范世福.光谱仪器学[M].北京:机械工业出版社, 1989.LIN Zhong, FAN Shi-fu.Spectroscopic Instrumentology[M].Beijing:China Machine Press, 1989.
高光谱实习报告 篇2
报告
1、通过给定的数据1DATA（excel文档格式）建立光谱库，并将该光谱库数据重采样至TM传感器的光谱分辨率。
1.1光谱库重采样
使用“Spectral Libraries | Spectral Library Resampling”子菜单进行光谱库重采样。
在“Spectral Resampling Parameters”对话框里，选择 “Input Data File” 作为重采样方法, 第一步：出现“File Containing Output Wavelength”对话框时，点击需要的文件名。此时是can_tmr.img作为参考文件，也就是说光谱库中的光谱将以TM的波长范围进行重采样。如下系列图所示：
第二步：点击【OK】开始重采样过程。数据文件在它的相关文件头中，必须包含用于重采样的波长数值。如果在文件头中，出现 FWHM 值，它们也将用于重采样。
（1）在“Available Bands List”中出现重采样后的光谱库。（2）通过光谱库查看功能查看重采样后的光谱数据。
第三步：通过光谱库查看重采样后的结果
1.2光谱库建立
操作步骤：
第一步：选择“Spectral | Spectral Libraries | Spectral Library Builder”。
第二步：出现“Spectral Library Builder”对话框时，从 “Data File”(ENVI 图像文件)或ASCII File”、或“File Input Spectrum”，为新库选择数据源。第三步：出现“File Containing Output Wavelength”对话框时，用标准选择程序选择包含波长和可选项FWHM值的输入文件。
（1）当采用 “Data File”，波长和 FWHM 值（若存在）从 ENVI 头文件中读取。如图18.（2）当采用 “ASCII File”, 必须选上包含波长值与 FWHM(若存在)的列。（3）当采用“file input spectrum”时直接弹出Spectral Library Builder 对话框（4）点击【OK】。出现“Spectral Library Builder”对话框，允许选择光谱库。如图
第四步：“Spectral Library Builder”对话框运用这一对话框从各种数据源中收集端元光谱。所有光谱自动被重采样到选择的波长空间。这一对话框的个别部分见下面描述（参见错误！未找到引用源。节“端元收集”）。
第五步：此时例子选择的为野外采集光谱文件“ASD file”则根据选择的波长建立光谱库。由选择的光谱建立一个标准ENVI光谱库文件。可以看到，该光谱曲线已经被采样到can_tmr.img文件的波长范围了，即6个波段。这表明输入的ASD数据已经被ENVI识别并已经可以使用了。那么下一步就是将其保存为ENVI的光谱库文件。
第六步：在“Endmember Collection Spectra”对话框中选择“File | Output Spectra | Spectral Library”。
第七步：出现“Output Plots to Spectral Library”对话框时，输入输出文件名，此时该光谱库就已经被建立。
第八步：关闭“Spectral Library Builder”对话框，选择“File | Cancel”
2、对数据2构建三维影像立方体。
操作步骤：
第一步：选择“Spectral | Building 3D Cube”菜单
第二步：输入构建3维影像立方体文件，选择ENVI自带的cup95eff高光谱数据进行实验。第三步：弹出“3D Cube RGB Face Input Bands”对话框，输入影像RGB，用于影像立方体第一层显示。
第四步：弹出“3D Cube Parameters”对话框，选择色彩对应表，显示立方体其他部分的颜色对应表。
第五步：显示结果
3、对数据2的column=10的位置进行光谱切面。
3.1水平切面
操作步骤：
第一步：选择“Spectral | Spectral Slices | Horizontal Slice”。
第二步：出现“Spectral Slice Input File”对话框时，选择一个输入文件和需要的光谱子集 第三步：出现“Spectral Slice Parameters”对话框时，在标有 “Line” 的文本框里输入用
于水平切面的行数
第四步：选择输出到 “File” 或 “Memory”。如果选择输出到 “File”，输入一个输出文件名，或用【Choose】按钮选择一个输出文件名。
第五步：一旦所有参数都已经输入，点击【OK】继续。水平光谱切面图像将被添加到“Available Bands List”中，可以用标准 ENVI 功能显示和处理。
3.2垂直切面
操作步骤：
第一步：选择“Spectral | Spectral Slice | Vertical Slice”。
第二步：出现“Spectral Slice Input File”对话框时，选择一个输入文件和需要的光谱子集。
第三步：出现“Spectral Slice Parameters”对话框时，在标有 “Sample” 的文本框里，为垂直切面输入一个样本数。
第四步：选择输出到 “File” 或 “Memory”。如果选择输出到 “File”，输入一个输出文件名，或用【Choose】按钮选择一个输出文件名。
第五步：一旦所有参数都已经输入，点击【OK】继续。垂直光谱切面图像将被添加到“Available Bands List”中，可以用标准 ENVI 功能显示和处理。
4、对数据2进行包络线去除，指出包络线去除后的光谱与原始光谱曲线的区别。
操作步骤：
第一步：选择“Spectral | Mapping Methods | Continuum Removal”。
第二步：出现“Continuum Removal Input File”对话框时，选择输入文件，选取的空间或光谱子集或掩模。
第三步：点击【OK】。
第四步：出现“Continuum Removal Parameters”对话框，选择输出到“Memory”或“File”。如果选择输出到“File”，输入一个输出文件名。第五步：点击【OK】，开始处理。出现一个状态窗口，显示处理的进度。最终结果将出现在“Available Bands List”里。
5、对数据2利用MNF变换进行特征提取，并比较提取后的特征光谱与原始光谱特征光谱的区别。
MNF变换（MNF Rotation）实现对遥感数据进行最小噪声分离，具体实现参见下面步骤：
第一步：选择“Spectral | MNF Rotation | Forward MNF | Estimate Noise Statistics from Data”菜单进行MNF变换。
第二步：在“MNF Transform Input file”中选择进行MNF变换的影像，此处选择的是ENVI自带的cup95eff AVIRIS高光谱影像，为了运算速度，本次实验只选择了该影像的子集（通过“Basic Tools | Resize Data”工具进行）。
第三步：弹出“Forward MNF Transform Parameters”对话框，输入MNF变换所需要的参数。输出噪声统计文件；输出MNF统计文件；选择输出到 “File” 或 “Memory”。如果选择输出到 “File”，输入一个输出文件名，或用【Choose】按钮选择一个输出文件名；选择是否通过特征值选择子集；输出MNF文件的波段数的选择。
第四步：在波段列表中输出MNF影像以及特征值曲线图，从图中可以看出大约在第20个波段以后的MNF波段的特征值很小，因此如果进行降维的话可以选择20左右，此例选择20。
6、利用PPI算法对数据2提取像元的纯净指数，解释结果图像的意义，并通过设置阈值提取端元。
像元纯净指数（Pixel Purity Index，PPI）是一种在多光谱和高光谱图像中寻找光谱纯净像元的方法。
6.1 [Fast] New Output Band
操作步骤：
第一步：选择“Spectral |Pixel Purity Index | [FAST] New Output Band”。第二步：出现“Fast Pixel Purity Index Input File”对话框时，选择一个输入文件或用标准ENVI 光谱和空间子集程序选择子集。PPI 运行 MNF转换结果，光谱子集根据特征图像和特征值图排除噪声波段。此时采用上一节MNF变换后的例子，经分析得知第20个波段以后的特征值很小（如图），因此只需要选择前20个波段进行处理。这样做的优点是可以在不影响精度的情况下加快PPI的运算速度。点击【OK】后，ENVI会提示用户需要的内存数。
第三步：点击【OK】继续。出现“Pixel Purity Index Parameters”对话框，进行PPI参数设置
第四步：在同一地方重新开始，选择“Spectral | Pixel Purity Index | Existing Output Band” 第五步：显示PPI处理结果。如所示。结果图中的每个像元被标记为极值的总次数，也就是说图中像素越多，它被标记为极值的总次数也越多，像元越纯的可能性就越大。
6.2用PPI图像进行端元（Endmember）选择 操作步骤：
第一步：用标准 ENVI 显示程序显示图像比较亮的像元表示采用的光谱极值较多，光谱比较纯。较暗的像元表示光谱纯度较低。
第二步：在 ENVI主窗口处选择“Tools | Cursor Location/Value”以判定图像中值的范围。
第三步：选择“Tools | Region of Interest | Band Threshold to ROI”来生成一个只包含 PPI 高值的像元。
9、利用线性混合分解技术（linear spectral unmixing）对数据3进行混合像元分解。
操作步骤：
第一步：选择“Spectral | Mapping Methods | Linear Spectral Unmixing”。第二步：出现“Unmixing Input File”对话框，选择一个输入文件，（若需要）用标准ENVI光谱和空间子集以及掩模程序选取的空间子集或用一个掩模。选择进行分解的影像为ENVI自带的高光谱影像“wuhanTM”影像。通过ROI选择了6个端元
第三步：点击【OK】继续。出现“Endmember Collection：Unmixing”对话框。选择“Import from ROI/EVF file”。当所有需要的端元都已经选上以后，点击“Endmember Collection:Unmixing”对话框底部的【Apply】按钮。
第四步：弹出“Unmixing Parameters”对话框。如果用户想在分解过程中运用限制性条件则用箭头切换按钮选择【Yes】。如果选择了【Yes】，在“Weight”文本框里输入一个权重。这一权重被添加在分解倒置过程中的联立方程里。权重越大，所进行的分类就越满足设定的限制条件。
第五步：选择输出到“Memory”或“File”。如果选择输出到“File”，输入一个文件名。第六步：点击【OK】，开始光谱分解。出现一个显示处理状态的窗口。
第七步：混合光谱分解的结果。光谱分解的结果将以一系列灰度图像的形式出现，每个端元对应一幅丰度图像，并加上一个平方根误差图像。较高的丰度（RMS误差图像的较大误差）对应较亮的像元。例如，在下图中，较亮的像元代表了在该图中该端元的丰度较高。丰度值在0~1的数据范围内，但是也有可能出现负值和大于1的值。错误的丰度象征着错误的端元。结果由输入的端元决定，且随端元的变化而变化。
10、利用光谱沙漏向导（spectral hourglass wizard）实现对光谱角分类（SAM）制图。
操作步骤：
第一步：打开“Spectral | Spectral Hourglass Wizard”菜单
第二步：打开向导对话框，该对话框为介绍对话框，选择“Next”进行下一步。
第三步：在下一个对话框中点击【Select Input File】和【Select Output Root Name】选择输入输出文件。选择“Next”进行下一步。如图
第四步：进行MNF变换，选择输出MNF波段的数目。此处可以选择一个空间子集进行操作，选择“Next”进行下一步。如图
第五步：得到MNF结果，被保存且在波段列表中可以显示。选择是否查看和动画显示。如果不满意结果可以选择“Prev”返回之前的操作重新进行，否则选择“Next”进行下一步。第六步：计算数据维数，通过MNF变换可以降低数据维数，点击【Calculate Dimensionality】，弹出“Spatial Coherence Threshold”对话框，根据空间相关性阈值确定其数据维数为23（图中红线表示）。如果不满意结果可以选择“Prev”返回之前的操作重新进行，否则选择“Next”进行下一步。
第七步：选择是否从影像获取端元。从影像获取端元如下所示，手动方式请参见错误！未找到引用源。节“端元收集”。如果不满意结果可以选择“Prev”返回之前的操作重新进行，否则选择“Next”进行下一步
第八步：进行PPI计算。该步采用PPI获取纯净端元选择，设置PPI相关参数，参数含义参
见像元纯净指数
四、节“像元纯净指数”功能，如果不满意结果可以选择“Prev”返回之前的操作重新进行，否则选择“Next”进行下一步
第九步：得到PPI结果，选择在n维可视化仪显示的最大PPI的像素数，如果不满意结果可以选择“Prev”返回之前的操作重新进行，否则“Next”进行下一步
第十步：利用N维可视化界面进行端元选择，该功能首先自动聚类选择相应的端元供用户参考，如此时选择了23个端元。点击【Retrieve Endmember】将n维可视化仪获得的端元列于“Endmember list”列表中。可以通过【Plot Endmember】查看端元光谱曲线，还可以点击【Start Spectral Analyst】按钮进行光谱分析。
第十一步：选择是否采用n-维可视化仪获得端元进行下一步操作还是用户自己选择端元，本例用n-维可视化仪获得端元，选择NO，如果不满意结果可以选择“Prev”返回之前的操作重新进行，否则选择“Next”进行下一步。
第十二步：选择处理方法及参数，有三种制图方法：光谱角；混合调制匹配滤波；分解。设置相关的参数
第十三步：此时计算出了制图的结果，列于波段列表中。其中SAM结果可以直接通过下图进行查看。
第十四步：任务完成点击【finish】得到总结报告。此时的中间结果都在波段列表中显示。
如图：
小结：
高光谱图像技术检测柑橘果锈 篇3
柑橘是我国南方区域农业经济中的一大支柱产业,其品质特性倍受关注。果实生长发育过程中,受到潜隐性病毒的侵害,柑橘表皮上会产生痕斑、网纹和锈螨蚧类等附着物,形成柑橘表面的果锈,严重影响水果的洁净度。在柑橘等级分类的国家标准中,果锈总面积的大小是柑橘分级的重要指标之一。机器视觉技术已经成功地应用到柑橘在线分级,但由于果锈和正常区域的色差不大,容易造成传统视觉系统的漏判。
高光谱图像技术[1]集图像信息与光谱信息于一身,在农畜产品品质无损检测中得到了越来越广泛的应用[2]。如Qiao[3]和Lauren[4]分别利用高光谱图像技术检测猪肉和牛肉的品质,Park[5]、Mahesh[6]和陈全胜[7]分别利用高光谱图像技术对动物排泄物、小麦质量和茶叶质量等级进行分类。但利用高光谱图新技术检测柑橘果锈未见报道。主成分分析算法可以克服高光谱图像数据量大和相邻波段之间的强相关性等缺点,实现对高维数据的降维。但针对全光谱图像数据的主成分分析算法耗时长,影响检测的速度,无法满足实时在线检测的需求。因此,在前人研究的基础上试验尝试利用两步主成分分析的方法,优选特征波长,以提高检测的速度,满足实时在线检测柑橘果锈需求。
1 材料与方法
1.1 试验材料
试验采用的研究对象为永春柑橘,产地福建永春。购自镇江当地超市,共100个柑橘样本,包括50个果锈样本和50个的正常样本。
1:CMOS camera; 2:Optical fiber; 3:Power supply; 4:Computer; 5:Motorized positioning table
1.2 高光谱图像系统
高光谱图像数据是利用图1所示基于光谱仪的高光谱图像系统采集得到的。它是由基于光谱仪的高光谱摄像机(ImSpector,V10E,Finland),一个150 W的光纤卤素灯(DC-950A,Dolan-Jenner Co.,USA)、一套高精度输送装置(北京卓立汉光仪器有限公司)和一台高性能计算机等部件组成。其中,光纤卤素灯是通过一个Y型的光纤来提供两个对称的光源。高光谱摄像机的光谱采集范围为408~111 7 nm,光谱分辨率为2.8 nm,光谱的采样的平均间隔为0.69 nm,这样在408~111 7 nm波长范围内有1 024个波段。
1.3 图像采集
图像数据采集前,首先确定高光谱摄像机的曝光时间以保证图像的清晰;然后,根据相机的扫描频率确定输送装置的速度以避免图像尺寸和空间分辨率失真。利用150 W光纤卤素灯对称式照射,在柑橘表面形成足够的光照强度,在此条件下对相机的曝光时间进行优化,最终确定为30 ms。根据实际测量,摄像机的视野范围为170 mm,而其线状空间上的像素数为1 280,所以采集得到的图像中每一个像素对应的实际长度为170 mm/1 280=0.133 mm。
此时摄像机的扫描频率为9.2 frame/s,为避免图像垂直方向上的空间分辨率失真,设定图像采集过程中输送装置的前进速度为0.133 mm/frame×9.2 frame/s=1.22 mm/s。
数据采集时,线阵的探测器在光学焦面的垂直方向作横向扫描(x轴方向),获得一个线状空间,在这个线状空间中,每一个像素具有不同波长下光谱信息;同时随着样品的前进(y轴方向),线阵探测器就好像扫帚扫地一样扫出整个平面从而完成整个图像数据的采集,得到一个大小为1 280×Y×1 024的高光谱图像块(Y据样品的宽度而定),如图2所示,高光谱图像既有特定像素下的光谱信息又有特定波长下的图像信息[8]。
1.4 图像标定
由于各波段下光源强度分布不均匀及传感器中暗电流的存在,导致光照强度分布较弱的波段下,获得的图像含较大噪声,须进行标定。在与样品采集相同的系统条件下,首先,扫描反射率为99%标准白色校正板(Spectralon®,Labsphere Co.,England)得到全白的标定图像W;然后,关闭摄像机快门进行图像采集得到全黑的标定图像B;最后,按照式(1)完成图像标定,使采集得到的绝对图像I变成相对图像R[7,9,10]。
式中:I为原始的高光谱图像,B为全黑的标定图像,W为全白的标定图像,R为标定后的高光谱图像。
2 结果与讨论
2.1 数据预处理
由高光谱的原理知道,柑橘图像上的每个像素点都存在不同波长下的光谱信息。图3表示柑橘正常区域与果锈区域在408~1 117 nm范围内的光谱曲线。图中,上面的三条曲线是柑橘正常区域的光谱曲线,下面的三条是柑橘果锈区域的光谱曲线。从图中可看出,果锈区域与正常区域的光谱曲线在波长570~750 nm之间区别较大,而在570 nm以下和750nm以上的光谱曲线噪声明显。因此,在后期的数据处理过程中,选取570~750 nm范围内的高光谱图像数据进行分析。
为了减少噪声和数据冗余,并降低数据处理过程中的运算量,将标定后的图像块在光谱轴方向每5个像素取平均值,在条状空间(X轴方向)中选取281~800范围内的像素,以保证样品图像完整为准,就得到一个520×Y×51的图像块,大大减少了数据量。
2.2 主成分分析
主成分分析[11]是一种十分有效的多维数据降维方法。主成分分析沿着协方差最大的方向由高维数据空间向低维数据空间投影,将原变量线性组合为一些新变量,这些新变量(又称主成分)是不相关的,并且最大限度地表征了原始数据的信息,既实现数据的降维,又能消除原始数据中的冗余信息。所以本试验通过主成分分析来优选特征波长,根据方差贡献率的大小提取前面几个主成分图像,从中找到最容易检测柑橘果锈的主成分图像;然后根据这一主成分权重系数的大小,选择能够表征柑橘果锈的特征波长。
图4为对标定后的高光谱图像进行主成分分析得到的前三个主成分图像。其中,PCⅠ、PCⅡ和PCⅢ分别为第一、第二和第三主成分图像。由图中可以明显看出,第三主成分图像中果锈区域具有很高的灰度值,与周围区域的灰度差异最大,为试验寻找的主成分图像。
2.3 特征波长的选取
如果能使用最少的波数进行主成分分析,就能接近图4中PCⅢ的表征效果,这样就能大大提高数据处理速度,因此特征波长的选择很关键。由主成分分析的概念可以知道,主成分图像是由原始高光谱图像数据中所有波段下的图像经过线性组合而形成的,如式(2)所示。
式中:PCm为第m个主成分,αi为该主成分的权重系数,Ιi为单个波段的原始图像。
比较该线性组合中的权重系数αi,如果权重系数绝对值越大,对主成分图像贡献就越大。为了选取最佳的波长组合,必须保证它们的权重系数绝对值尽可能大,同时还要保证它们之间有一定的波长间隔。试验通过考察PCⅢ线性组合中的权重系数,优选571、652和741 nm作为3个特征波长,其对应的图像如图5所示。
2.4 目标提取
柑橘是个球状物体,容易形成光照不均匀,在其最上部接受到的光照强度最强,在图像的中心形成一个高亮区域,如图5所示。高亮区域对图像处理和特征提取造成一定的影响,因此必须消除高亮区域对图像处理的影响,通常情况下消除高亮区域的方法可以从两个方面着手:1)通过改善光照的方式,如采用漫反射式光照环境来消除高亮区域的影响;2)采用不均匀二次差分和两步主成分分析等算法来消除亮斑影响。本研究是通过第二种方法来消除高亮区域影响。试验表明,在不均匀二次差分算法中,波长间隔需要通过反复尝试来确定,主观性大。因此,本试验最终采用两步主成分分析算法来消除光照不均匀的影响。将上述三个特征波长图像组合成一个新三维数据块,再进行第二步主成分分析,仍可得到三个主成分图像(PC1、PC2和PC3),如图6所示。从图中可看出,第三主成分图像(PC3)已有效地消除了高亮区域,而且与PCⅢ图像十分相似,说明在果锈特征的表达上,三个特征波长图像包含了原始数据中的大部分特征信息,因此选取PC3图像作为目标检测图像。PC3图像存在很大的噪声,如图6(c),因此,首先对其进行中值滤波(3×3模板)处理,结果如图7(b);为了更容易检测到果锈区域,有必要对图7(b)进行平方根变换,结果如图7(c);再选择适当的阈值进行二值化处理,得到的二值图像如图7(d)。最后进行2次腐蚀(3×3模板)和两次膨胀(3×3模板)处理,以去除图像上存在的零碎亮斑,完成柑橘果锈的提取,结果如图7(e)。
2.5 检测结果
按照以上步骤,对100个柑橘样本进行检测,结果如表1所示。由表1可知,50个正常柑橘样本中,46个样本正确检测,4个检测误差;50个果锈柑橘样本中,44个正确检测,6个检测误差;100个样本的总体检测率为90%。经进一步分析,将正常柑橘样本误判为果锈柑橘的原因很复杂,主要是有些正常柑橘样本的表面不是很光滑,这种凹凸不平的表面容易被误判为果锈;而将果锈柑橘误判为正常柑橘的原因主要是果锈区域过小,进行形态学变换时容易将这些过小的区域腐蚀掉,导致误检。
3 结论
试验利用高光谱图像新技术检测柑橘果锈进行了初步研究,并利用两步主成分分析实现高光谱数据有效的降维。研究结果验证了基于高光谱图像技术及两步主成分分析方法检测柑橘果锈的可行性;根据主成分的权重系数,确定的特征波长能够充分反应其它波段的信息,实现多维数据的有效降维;采用两步主成分分析法可以降低光照不均匀的影响,并可利用试验得到的三个特征波长(571 nm、652 nm和741 nm),选取相应的滤波片,设计基于滤波片的高光谱图像采集系统以实现生产过程中对柑橘果锈的在线快速无损检测;可以利用高光谱图像技术的图像和光谱两方面信息,检测其它水果的品质。
摘要：高光谱图像技术作为农产品无损检测的新技术,探讨了其在柑橘外部品质检测的可行性。以检测柑橘果锈为目的,首先对经预处理的高光谱图像数据进行主成分分析,优选出571nm、652nm和741nm三个特征波长组成新的图像块;再进行第二步主成分分析,得到的第三主成分图像为最适宜检测柑橘果锈的图像;最后对该图像进行中值滤波、平方根变换、阈值分割和数字形态学运算完成特征提取。试验结果表明,此算法对柑橘果锈检测的正确率可达到90%。研究表明,利用高光谱图像技术结合两步主成分分析算法检测柑橘果锈是可行的。
关键词：高光谱图像技术,主成分分析,柑橘,果锈检测
参考文献
[1]Johnson III Owen N,Slidell Mark,Kreishman Peter,et al.Hyperspectral imaging:An emerging technology as a potential novel adjunct in assessing peripheral perfusion deficits and success of lower extremity revascularizations[J].Journal of the American College of Surgeons(S1072-7515),2008,207(3):S114.
[2]Gowen A A,O'Donnell C P,Cullen P J,et al.Hyperspectral imaging–an emerging process analytical tool for food quality and safety control[J].Trends in Food Science&Technology(S0924-2244),2007,18(12):590-598.
[3]Qiao Jun,Ngadi Michael O,Wang Ning,et al.Pork quality and marbling level assessment using a hyperspectral imaging system[J].Journal of Food Engineering(S0260-8774),2007,83(1):10-16.
[4]Govindarajan Konda Naganathan,Lauren M Grimes,Jeyamkondan Subbiah,et al.Visible/near-infrared hyperspectral imaging for beef tenderness prediction[J].Computers and Electronics in Agriculture(S0168-1699),2008,64(2):225-233.
[5]Park B,Windham W R,Lawrence K C,et al.Contaminant classification of poultry hyperspectral imagery using a spectral angle mapper algorithm[J].Biosystems Engineering(S1537-5110),2007,96(3):323-333.
[6]Mahesh S,Manickavasagan A,Ayas D S,et al.Feasibility of near-infrared hyperspectral imaging to differentiate Canadian wheat classes[J].Biosystems Engineering(S1537-5110),2008,101(1):50-57.
[7]陈全胜,赵杰文,蔡健荣,等.利用高光谱图像技术评判茶叶的质量等级[J].光学学报,2008,28(4):669-674.CHEN Quan-sheng,ZHAO Jie-wen,CAI Jian-rong,et al.Estimation of tea quality level using hyperspectral imaging technology[J].Acta Optica Sinica,2008,28(4):669-674.
[8]李庆利,肖功海,薛永祺,等.基于显微高光谱成像的人血细胞研究[J].光电工程,2008,35(5):98-101.LI Qing-li,XIAO Gong-hai,XUE Yong-qi,et al.Microscopic hyperspectral image study of human blood cells[J].Opto-Electronic Engineering,2008,35(5):98-101.
[9]Polder G,Wam G,Heijden V D,et al.Calibration and characterization of imaging spectrographs[J].Journal of Near Infrared Spectroscopy(S0967-0335),2003,11(3):193-210.
[10]Guerric le Maire,Christophe Fran-ois,Kamel Soudani,et al.Calibration and validation of hyperspectral indices for the estimation of broadleaved forest leaf chlorophyll content,leaf mass per area,leaf area index and leaf canopy biomass[J].Remote Sensing of Environment(S0034-4257),2008,112(10):3846-3864.
利用高光谱技术反演作物叶绿素浓度 篇4
摘 要：高光谱技术作为一种新兴光谱技术，被广泛应用于植物的无损检测中，植被叶片叶绿素含量的估测就是其中之一。利用可见-近红外成像光谱仪采集不同生育期玉米和大豆的冠层“图谱”数据，在逐步提取影像中光照土壤、阴影土壤、光照植被、阴影植被四种组分光谱的基础上，通过选取的敏感波段构建光谱植被指数和叶绿素密度进行波段自相关分析，探讨各个分量对作物叶绿素密度反演的影响。
关键词：高光谱技术；叶绿素；反演
0 引言
植物通过光合作用获取营养物质，在植物光合作用中，植物细胞中的叶绿体占据了重要的地位，而叶绿体中的色素有叶绿素（叶绿素a，叶绿素b 和叶绿素a+b）与类胡萝卜素（胡萝卜素和叶黄素）。其中，叶绿素是植物光合作用中最重要的色素，其作为主要吸收光能的物质，直接影响植物光合作用的光能利用率。叶片单位面积的叶绿素含量是植物总体生长状况的一个重要指标。叶片叶绿素含量的测定可以用来检测和研究植物突变、压力和营养状态，作物压力和萎黄病的检测对精细农业具有重要的潜在影响[1]。
随着光谱技术的发展，其被应用到各个领域。而高光谱技术作为光谱技术的一种，由于具有众多优点，在光谱检测方面应用十分广泛，备受人们的青睐。人类肉眼的视觉范围在380~780 nm 之间，而高光谱的波段非常宽，一些高光谱仪器的波段达350~2 500 nm。因此，通过高光谱技术可以对绿色植物进行叶绿素的检测和定量分析。本文对高光谱技术在植物，特别是在经济作物的叶绿素含量检测和定量分析中的应用加以概述[2]。成像系统简介及数据处理
1.1 高光谱成像技术简介
高光谱成像技术是在多光谱成像的基础上发展而来的，在较宽的波段范围内，利用成像光谱仪对目标物体进行连续成像，从而获得每个像元的数十或数百条光谱信息。其成像特点是： 光谱范围广（200~2 500nm）、超多波段（上百个波段）、高的高光谱分辨率（几个nm）、波段窄（≤10-2λ）和图谱合一等。由于所获得的图像信息不仅可以反映物体的大小、形状、缺陷等外部特征，而且不同物体因结构和成分的不同使光谱吸收也不同，从而可以用于物体内部的物理结构和化学成分的检测。
高光谱成像检测装置主要由光源、光谱相机（成像光谱仪+CCD）、装有图像采集卡的计算机组成，如图1所示[3]
图1 高光谱成像装置简图
在扫描过程中，首先面阵CCD 探测器在光学焦面的垂直方向上完成横向扫描（X 方向），同时，在被测物前进的过程中，排列的探测器扫描出一条带状轨迹从而完成纵向扫描（Y 方向）。通过综合扫描信息就可以得到物体的三维高光谱图像数据，从而可以提取所需信息。
1.2 数据获取
当对玉米、大豆冠层进行成像时，先根据作物的高度决定探测器的观测高度。以玉米为例，小喇叭口期玉米株高50cm，行距30cm，为了保证视场内至少有一株完整的玉米，设定VNIS 观测高度距玉米冠层178 cm，距地面228cm，视场范围为60cm×60cm 的正方形。在成像光谱数据采集时，同步用地物光谱仪ASD 采集参考白板的数字量化值，实时记录当时的天气状况，为反射率转换进行原始数据获取。完成观测区的影像采集后，取两株玉米(大豆)活体植株进行叶绿素密度相关参数测定。
1.3 影像处理
获取的遥感影像要转换成相对反射率才能用于作物的定量化反演研究。基于图谱解析的作物叶绿素密度反演及评价
2.1 大豆叶绿素密度反演及评价
不同株型的大豆在不同生育期覆盖度有较大变化，背景土壤在观测视场内的面积比例会对冠层反射率有较大影响。在大豆植被与土壤混合存在时，对叶绿素敏感的波段基本上都位于红光与近红外波段区间。这和RVI、NDVI、DVI、SAVI、OSAVI 五种植被指数构建原理相符，即都是基于红与近红外波段进行组合运算实现的。当植被光谱提纯后(剔除土壤光谱)，它与叶绿素密度的关系是：对叶绿素敏感的波段范围增大，尤其是蓝、绿波段。五种植被指数都表现为相同的规律。由此说明，背景土壤对利用光学遥感检测植被群体生化指标有较大影响，对阴影叶片的植被光谱信息也进行剔除，尝试分析阴影部分对遥感定量监测的影响程度，植被阴影叶片光谱去除后，对叶绿素密度敏感的波段范围表现为可见光波段增加，近红外波段减少，红边波段决定系数最高。五种植被指数都有相同的规律。那么，可以说阴影叶片会影响植被叶绿素密度敏感波段的选择。当构建新型植被指数时，要根据植被冠层叶片结构，尝试把阴影比例作为一个影响因子，在公式中加以体现，以便提高叶绿素密度定量化反演精度[4]。
2.2 玉米叶绿素密度反演及评价
上文重点分析了大豆冠层光谱提纯前后反演叶绿素密度的能力，初步结果是土壤光谱去除后，纯植被光谱与叶绿素密度的决定系数有所提高。但是，大豆作为低矮宽叶植被，叶片大而圆，在幼苗分枝期以后对地表都有较高的覆盖度，茎秆对冠层光谱的影响较小。为了更加突出背景土壤和茎秆对其冠层光谱的影响，选择玉米作为另一研究对象，主要考虑其有明显的叶片垂直分布，对地表的覆盖度较大豆低(二者的观测视场一致)，且茎秆会影响玉米的冠层光谱。深入分析光谱提纯(土壤、阴影叶片光谱去除前后)对作物生化参数反演的重要意义。
在玉米与土壤混合存在时，对叶绿素密度敏感的波段基本上都在红与近红外波段区间，有些在蓝、红波段；总体的决定系数R2 较低，大部分在0.5 附近。当去除土壤光谱后，即只剩下纯植被光谱，对叶绿素密度敏感的波段主要集中在红光波段，有些在近红外与蓝光波段。决定系数R2 较前者有所提高，大部分大于0.51，最高到0.67。当阴影叶片光谱去除后，对叶绿素密度敏感的波段主要集中在蓝、红波段，五种高光谱指数结果差异较大，大部分决定系数降低到0.45 左右。由敏感波段及决定系数可判断，土壤与阴影叶片光谱去除前后，植被冠层光谱与叶绿素密度的相关性有较大变化，二者可以显著影响植被指数的应用效果。
2.3 作物叶绿素密度反演及评价
大量科学文献表明，冠层结构参数(如叶片内部结构参数、叶面积指数、叶倾角分布函数等)会显著影响植被指数反演作物生化参数的准确性。因此，基于植被指数建立单一预测模型的同时预测多种作物生化参数指标往往比较困难。将玉米与小麦数据进行混合，利用混合数据筛选最优诊断植株氮浓度的光谱指数，探讨了建立单一模型预测多种作物植株氮浓度的可行性。上文分别对光谱提纯前后的大豆、玉米冠层光谱与叶绿素密度的敏感性进行了分析，表明二者有相同的趋势，这为单一植被指数在卫星或航空层面对大尺度作物生化参数进行反演提供地面理论支持。光谱提纯前后对叶绿素密度敏感的波段有明显变动，纯植被光谱与叶绿素密度相关的区间增多，在可见光波段表现明显，主要集中在红光波段。对阴影叶片进行剔除后，与叶绿素密度敏感的波段组合主要是蓝-近红和红-红组合，这与大豆、玉米单独提取时的结果相同。但是对冠层结构差异明显的两种作物数据进行混合后，分析其与叶绿素密度的相关决定系数大小发现，植土混合时最大的决定系数高于纯植被的，这与单独研究时的结果不符。是否因选择的作物组合或试验样本的因素最终影响了混合数据的结果，有待进一步深入研究。但是有一点肯定的是，随着土壤光谱的剔除，与叶绿素密度敏感的波段增多，且表现在叶绿素a 和b 及胡萝卜素强吸收的波段，因此从作物的反射光谱特征上看，文中选择的敏感波段区间是合理的。此外，因这里获得的决定系数较低，故并未进行模型构建及精度检验。3 结论
在光谱提纯的基础上，对大豆、玉米及二者混合叶绿素密度进行反演，得出以下结论：
(1)影像中土壤光谱去除前后，由RVI、NDVI、DVI、SAVI、OSAVI 五种光谱植被指数对叶绿素密度敏感的波段变化情况得出，背景土壤对利用光学遥感数据反演植被叶绿素密度有较大影响。在对阴影叶片的光谱信息进行剔除后，通过五种光谱植被指数选择波段的变化区间说明，阴影叶片会影响植被冠层叶绿素密度敏感波段的选择，当构建新型植被指数时，要根据植被冠层叶片结构尝试把阴影比例作为一个影响因子在公式中加以体现，以便提高叶绿素密度定量化反演的精度。
(2)光谱提纯前后(大豆、玉米及其混合数据)，对叶绿素密度敏感的波段有明显变动，纯植被光谱与叶绿素密度相关的区间增多，在可见光波段表现明显，主要集中在红光波段。对阴影叶片进行剔除后，与叶绿素密度敏感的波段组合主要是蓝-近红波段和红-红波段组合。
(3)对冠层结构差异明显的两种作物(大豆与玉米)数据进行混合后，分析其与叶绿素密度的相关决定系数大小发现，植土混合时最大的决定系数高于纯植被的，这与单独研究时的结果不符。是否因选择的作物组合或试验样本的因素最终影响了混合数据的结果还有待进一步深入研究。
参考文献：
高光谱分辨率 篇5
高光谱技术是21世纪遥感技术的发展前沿和当今世界遥感界关注的焦点之一[2]。高光谱遥感图像包含了丰富的空间、辐射和光谱三重信息。其数据特点如下:a.波段多、光谱分辨率高;b.波段间相关性强;c.海量数据;d.数据冗余度高。一般来说, 利用高光谱的所有波段是不现实的, 所以高光谱降维操作就显得尤为重要。高光谱降维主要有两种方法:特征提取和特征选择。特征提取是基于变换的降维方式, 其优点是通过若干变换直接将高维数据降低到几维甚至一维, 降维速度快, 缺点是对图像进行了变换, 改变了图像原有的特性;特征选择是基于非变换的, 它克服了变换法改变图像特性的缺点, 因此更有利于保持图像的原有特性。本文主要介绍特征选择中的波段选择方法, 波段选择方法需要解决两个问题, 一是选择标准, 即选出可分性达最大的特征组。二是选择算法, 即在允许的时间内找到最优的那组特征。
2 波段选择主要算法
一般来说, 信息含量多、相关性小、地物光谱差异大、可分性好的波段就是应该选择的最佳波段。目前应用比较广泛的波段选择方法有信息熵和联合熵、自动子空间划分、波段指数法等。
2.1 熵及联合熵,
信息熵是在平均意义上来表征信息源总体特征的量;信息熵越大, 图像所含信息越丰富。联合熵表征了多个波段组合的信息量。根据仙农信息论的原理[4], 一幅图像X的熵为:
式中Pi为图像像素灰度值为i的概率。同理, 2幅图像的联合熵分别为:
式中Pi1i2i3表示图像X1中像素灰度值为i1;图像X2中同名像素灰度值为i2与图像X3中同名像素灰度值为i3的联合概率。一般来说, H (x) 和H (x1, x2) 越大, 图像 (或图像组) 所含信息越丰富。用熵和联合熵可以得出信息量大的波段及波段组合。信息熵算法简单、易理解, 但计算时空复杂度高, 并且对计算机性能要求也高。
2.2 自动子空间划分
由于高光谱影像相邻波段间的强相关性, 所以应用联合熵算法选出的波段基本上都集中在一个连续的子空间中, 而连续的子空间相似性大, 造成信息的冗余, 影响后续处理效果。对此谷延锋等人提出一种自动子空间划分方法。该方法是根据相关系数矩阵灰度图的成块特点, 依据高光谱影像相邻波段相关系数的大小, 将全部波段划分为若干个子空间。
2.3 波段指数
波段指数[6]是从高光谱数据的特点出发, 综合考虑图像的信息量和相关性, 并且在分组成块的情况下设计的模型。姜小光等人提出的此方法首先根据波段的相关系数矩阵对所有波段进行分组, 然后再分别计算每一波段的波段指数, 最后进行波段选择。设Rij为通道i与j之间的相关系数, 高光谱数据被分为k组, 每组的段数分别为n1, n2…….nk
式中Si为第i波段的标准差, Rw为第i波段与所在组内其他波段相关系数的绝对值之和的平均值, Ra为第i波段与所在组外的其他波段之间的相关系数的绝对值之和。标准差越大, 表明波段的离散程度越大, 所含的信息量越丰富, 而波段的总体相关系数的绝对值越小, 表明通道数据的独立性越强, 信息冗余度越小。所以波段指数能综合地反映通道信息含量和相关性两个因素, 可作为选择波段的重要参数之一。
2.4 改进的波段指数方法
由波段指数模型可知该方法虽然综合考虑了信息含量和相关性两个因素, 但该模型中的相关系数Rw忽视了空间信息[7], 现根据空间信息的不同提出加权波段指数方法。该方法模型与波段指数相同, 但定义Rw为第i波段与所在组内其他波段相关系数的绝对值的加权和, 由于同一组内各波段的相关性强而组间波段的相关性弱, 一个波段的整体相关性强弱主要由其与组内各波段的相关性大小决定。定义第i波段与组内其他j波段相关系数权值为。由此权值公式可以看出, 在组内两个波段间隔越小, 得出的相关系数和值也越小, 所求的波段指数越大。
3 加权波段指数方法实验
3.1 实验背景
实验选用图像为1997年印第安纳州的AVIRIS高光谱数据, AVIRIS在0.41~2.45 m的波长范围内获取224个连续光谱波段的图像[1]。所有实验在微机上进行, 所用软件为ERDAS IMAG-INE9.2。
3.2 实验步骤
3.2.1 图像预处理[3].用ERDAS IMAGINE中的AOI工具切出97*136大小的数据影像, 将图像实验范围缩小。然后, 对裁剪出的图像进行坏波段选择, 删除的坏波段有1~4, 102~120、151~175、202~224, 共计66个。剩余158个可用波段。3.2.2计算相关系数矩阵。波段间的相关性用相关系数大小来表示, 其计算是用ERDAS IMAGINE9.2中MOD-EL模块进行。通过计算可得出波段间相关性矩阵表。3.2.3相关性分析, 由相关系数矩阵可以看出, 1~32波段间的相关矩阵系数都在0.99以上, 而与其他的相关系数则在0.8以下以下, 所以1~32波段可以划分为一组, 同理, 可以将其他波段进行分组, 最终分组情况为:158个波段共分为4组, 其中1~32为第一组, 33~102为第二组, 103~131为第三组, 131~158为第四组。3.2.4计算熵值, 从158个波段中按照比例挑选30个波段, 取值大小在前30的波段, 即第一组波段的数目为32* (30/158) =6, 第二组的波段数目为 (102-33+1) * (30/158) =13, 第三组为5个, 第四组为5个。波段号为29、31~35、41、42、44~48、51~56、126~128、131、134、135、183~187。3.2.5 计算加权波段指数, 结果见表1。
由加权波段指数结果可以选取3个或多个波段的组合。23、13、28三波段的组合为最佳组合。
4 结论
根据波段指数法的理论依据, 由相关系数矩阵, 将各波段进行分组, 再通过波段的信息熵选择了30个可选波段, 使可选择的波段数目减少, 大大减少了计算波段指数的运算量。并再次由波段空间相关性改进了波段指数的组内相关系数的计算方法, 更符合波段选择的最后根据实验, 选取波段23、13、28组合波段。综合运用波段指数法、信息熵, 子空间方法来选择最佳波段, 符台波段选择的三原则, 对于提取其他类型的遥感信息的最佳波段组合也有实际应用价值。
摘要：高光谱图像间存在的大量冗余信息, 可以通过波段指数方法有效地去除冗余信息从而减少计算量。针对该指数中的组内波段与所在组内其他波段相关系数忽视了空间信息, 提出了加权的波段指数方法。首先求取各波段的相关系数, 并据此划分子空间。然后, 根据熵值进一步删除冗余波段。最后求取波段指数, 得到需要选择的波段号码。通过实验证明了方法的有效性。
关键词：高光谱影像,波段指数,实验
参考文献
[1]万余庆, 谭克龙, 周日平.高光谱遥感应用研究[M].科学出版社, 2006.
[2]童庆禧, 张兵, 郑兰芬.高光谱遥感的多学科应用[M].北京:电子工业出版社, 2006.
[3]杨昕, 汤国安, 邓凤东, 吕恒.ERDAS遥感数字图像处理实验教程[M].北京:科学出版社, 2009.
[4]贾永红.四种HIS变换用于SAR与TM影像复合的比较[J].遥感学报, 1998, 2 (2) :103-106.
[5]CHACVEZ P S, BERLNGL, SOWERS L B.Statistical method for selecting landsatMSS ratios[J].Journal of Appplied Photographic Engineering, 1982, 1.
[6]杨金红, 尹球, 顾松山等.城区高光谱遥感数据假彩色波段组合研究[J].南京气象学院学报, 2005, 28 (3) :289-295.
高光谱分辨率 篇6
高光谱遥感是目前遥感领域的热门技术,高光谱传感器为高光谱影像每个像素提供了上百个波段的信息[1,2],丰富的信息量为更精确识别地物提供了可能,但同时也存在信息高度相关、冗余信息量大等缺点。为解决高维小样本的问题,通常采用特征提取与特征选择进行数据优化,主成分分析(PCA)、最小噪声分离(MNF)、独立成分分析(ICA)等是应用较多的特征提取方法,然而这些方法都是基于数据流形是线性的假设,都是在不同优化准则下寻求数据最佳线性模型。Bachmann等指出高光谱数据具有内在的非线性特征,其非线性源主要包括:地面散射的非线性性、非线性双向反射分布函数模型表述、水体衰减作用的非线性变化、亚像素的谱混合及地物的异质性等[3],传统的线性特征提取方法并不能有效揭示这些非线性特征。
流形学习是近年来发展起来的一种基于统计学习的非线性维数约简方法,是近年来模式识别和机器学习领域研究的热点,自从2000J.B.Tenembaum和Sam T Roweis等在《Science》杂志同一期上发表文章分别提出Isomap[4]和LLE[5]算法以来,流形学习就在数据挖掘、模式识别、机器学习等领域取得了广泛的应用。在高光谱数据处理方面,Chen Y C等人将Isomap算法应用于高光谱数据处理[6],Qian等人利用LLE、LE进行高光谱特征提取[7]。然而目前流形学习算法大都基于局部线性的假设和非监督聚类的思想,在面向分类问题时,没有考虑到样本的类别属性,并不利于分类。GENG X等人在Isomap算法中引入类别信息来指导Isomap降维[8],本文首先采用Kmeans算法对原始数据进行非监督聚类分析得到样本的初始类别标签,基于分类目的提出一种新的距离度量方法进行近邻搜索,并把这种监督Isomap方法应用于高光谱数据处理。
本文首先分析了面向分类的高光谱遥感影像降维面临的几个问题,然后描述了一种监督Isomap算法及其改进算法,并在UCI数据集和真实高光谱数据上进行了实验验证和结论分析。
1 影响流形学习降维分类的几个关键问题
1.1 数据本征维数的估计
本征维数即嵌入在高维数据中的低维流形的维数,数据本征维数的估计对低维嵌入结果有很大的影响,估计过大会造成信息冗余,估计过小则会造成高维空间的数据点在低维空间中出现重叠。然而如何准确地得到数据的本征维数则是一道经典难题,目前主要使用特征映射法[9]、几何学习法[10]、统计学习法[11]等对数据的本征维数进行估计。在Isomap算法中,Tenenbaum等人定义了重构残差,利用残差进行本征维数估计,本文也利用残差定义如下规则进行本征维数估计:
Ri/R1<0.01≤Ri-1/R1
那么Intrinsic Dimensionality(ID)=i-1,其中R为残差。
1.2 近邻点选择
近邻参数是影响流形学习算法分类性能的重要因素之一,如图1所示,选择过小的近邻参数K虽然保证了局部线性的假设条件,但是在面向分类问题时,不能反映类别信息,不利于分类;K值选择过大则不能保证局部线性,破坏了局部线性假设。确定合适的邻域搜索范围对低维嵌入结果有很大影响,虽然学者们对此做了大量研究,提出了许多改进的算法,但是目前并没有一个统一的标准来规范邻域参数的选择,大多数时候还是根据经验进行估选。
1.3 噪声影响
当前流形学习算法大都假设数据是均匀稠密采样于一个光滑流形,但是由于种种原因实际数据总是包含噪声,当算法在采用局部邻域思想重构流形结构获取对观测空间的有限描述时,如果存在大量噪声的话,则可能覆盖支撑域外的空间,从而产生错误的低维投影,图2为光滑流形和含噪声的流形低维嵌入结果,显然噪声流形低维嵌入不仅没能将流形拓扑结构展开,而且出现了畸变。
2 Isomap算法及改进的S-Isomap算法
Isomap算法是基于维尺度变换(MDS)[12]的一种流形学习方法,其核心思想是用近邻图中任意两节点间的测地距离来代替欧式距离;然后利用MDS计算高维数据的低维嵌入。作为一种全局数据降维算法,Isomap很好地反映了数据的流形结构,但它同时也是一种非监督的学习方法,在获取数据的低维嵌入过程中没有考虑到样本的类别标签,不利于后续的分类识别,带有监督信息的流形学习算法从数据分类的角度出发,经过投影后同类样本在低维目标空间更加紧凑,不同类的样本则更加分散,更有利于识别。文献[8]基于Isomap提出了一种监督流形学习算法,假设数据包含n个样本,那么可以将样本表示为(xi,xj),i,j=1,2,…,n,其中xi是样本的观测值,yi是样本的类别标签,d(xi,xj)是样本间的欧式距离,xi,xj两点间的距离可按下面规则定义:
当yi=yj时,如果:
那么:
否则:
当yi≠yj时,如果:
那么:
否则:
式中β用来防止d(xi,xj)过大时D(xi,xj)增长过快,α用于控制不同类间距离不至于太远。
基于分类目的,本文首先采用KMEANS算法对原始数据进行聚类得到样本的初始类别标签yi,i=1,2,…,n,xi,xj两点间的距离重新定义如下:
α用于描述类间相似性,α∈[0,1) ,一般设置为一个全局经验参数,显然上式类间距离大于类内距离,且参数较少,因而更加适合于分类。考虑到高光谱数据的特点,杜培军[13]等建议在Isomap算法构建近邻图时,可以采用光谱角(SA)、光谱信息散度(SID)[14]等代替欧式距离进行度量,光谱角不受光照等条件的影响,能很好地抵抗乘性干扰,提高了数据的稳定性,本文也进行了相关实验。假设高光谱数据有n为波段数,光谱A与光谱B的光谱角定义为:
设两个像素n个波段的光谱分别为A=(A1,A2,…,An),B=(B1,B2,…,Bn),那么光谱信息散度定义为:
SID(A,B)=D(A‖B)+D(B‖A)
其中:D(A‖B)=∑
D(B‖A)=∑
pi=Ai/∑
S-Isomap算法定义如下:
输入:原始高光谱数据X:a×b×D
输出:嵌入特征Y:a×b×d
① 拉伸并标记数据得
X:(x1,y2),(x2,y2),…,(xn,yn),n=a×b
② 构建近邻图,每个数据点为一个图节点
For i=1: n
If i与jε近邻或者K近邻
Connect i and j
If label(i)==label(j)
d(i,j)=d(xi,xj)
If label(i)～=label(j)
③ 利用Dijkstra或者Floyd算法寻找最短路径
Initialize if i and j connected
dG(i,j)=d(i,j)
Otherwise dG(i,j)=∞
For k=1: n
Replace dG(i,j) by min{dG(i,j),dG(i,k)+dG(k,j)}
得到图距离矩阵DG=dG(i,j)
④ 计算Sij=D
3 实验结果及其分析
3.1 UCI数据集实验
为了验证本文方法的有效性,实验基于Matlab 7.8,Intel Core(2) E7500 CPU,4GB内存,Win7操作系统,在UCI[15]数据集上进行测试,使用的UCI数据集有Iris,Air,Breast,Sonar,Wine,其数据集属性如表1。实验时随机选取数据集的50%作为训练样本,余下50%作为测试样本,采用KNN分类器,实验数据及结果见表1和表2,很明显新距离度量带类标签的S-Isomap分类精度高于Isomap和PCA。
3.2 高光谱数据实验一
实验数据采用普渡大学提供的高光谱影像数据[16],为1992年6月份印第安纳州的Pines地区AVIRIS影像,原始数据共220个波段,影像大小为145×145,共16类地面真实数据,波长范围为0.40002μm～2.49896μm,空间分辨率25m,由于数据采集质量问题,实验前去除由于水汽吸收和低信噪比波段后,保留了其中187个波段进行实验,随机裁剪出100×50大小影像,实验前采用基于二阶概率统计纹理滤波器进行数据滤波预处理。
图3为AVIRIS高光谱遥感影像及采用本文方法欧式距离计算邻域的S-Isomap降维10维前5分量图像,图3(g)为b、c、d分量假彩色合成图像,实验中邻域参数K取12,表3为传统Isomap算法和本文方法降维残差对比分析。图4为将光谱角(SA)引入到本文方法的降维结果,图4(a)为AVIRIS影像,图4(b)-(f)为降到10维后前5分量影像,图4(g)为其b、c、d分量假彩色合成。表4列举了光谱角度量Isomap和本文方法降维后各维残差。图5为文中各种降维方法残差对比分析图,图6为3种降维方法维数与信息量的关系。
实验结果显示,文中各种方法降维后前面5个分量信息量丰富,均达到90%以上,而且细节清晰,说明流形学习是一种有效的高光谱降维方法,图6显示本文S-Isomap信息量保持明显优于传统Isomap。在残差方面,采用欧式距离度量的Isomap算法和本文方法最小分别为0.0511和0.0129,采用SA度量的Isomap和本文方法最小分别为0.0043和0.0027,明显低于欧式距离度量,可见采用光谱角计算邻域优于欧式距离计算邻域。综上本文方法优于传统Isomap,将SA引入本文方法进一步提高了其降维性能。
图5显示欧式距离度量的 Isomap、欧式距离度量的S-Isomap、光谱角度量的S-Isomap残差曲线分别在3维、5维、3维后趋于缓和,因此在实际操作中也可将本征维数分别估计为3、5、3维。
3.3 高光谱数据实验二
实验三仍采用实验二的实验数据,裁剪影像区域为[117,145]× [18,57],该地区共包含4类地物,实验对比了传统线性降维方法PCA和本文方法在高光谱数据降维后各分量对分类的贡献,目标维8维,K取12。图7显示PCA降维后前面4个分量对分类贡献较大,图8显示基于S-Isomap降维后前面8个分量对分类贡献都比较大,说明流形学习降维不仅前面主要分量集中了数据集绝大部分信息,较传统线性降维方法,其次要分量对分类也能提供更多潜在的信息。
4 结 语
本文基于全局流形学习算法Isomap,将数据的先验类别标签信息引入到邻域计算中,给出新的距离测度,该方法使得同类样本更加紧凑,不同类样本更加离散,符合分类思想。UCI数据集和高光谱数据降维实验验证了该方法的可行性,实验过程中将光谱角引入到本文方法中用于改进距离计算,验证了SA度量的S-Isomap算法是最优的。但是相比传统线性降维方法,流形学习时间复杂度高、内存开销大,限制了它的实际应用,许多理论尚需完善,其中流形学习定量研究、定量分析算法与真实流形的逼近程度、流形学习稳定性及泛化能力研究、多流形学习、如何解决大样本数据集降维等都是极具挑战的问题。
摘要：在面向分类的高光谱遥感数据降维过程中,考虑到高光谱遥感数据内在的非线性结构和传统流形学习非监督的特点,提出一种新的监督等距映射方法(S-Isomap)。方法基于类间距离大于类内距离的思想,首先利用KMEANS算法对原始数据进行聚类得到样本的初始类别标签,采用新距离搜寻数据点的K近邻,进而实施等距映射降维。实验证明了该方法优于传统Isomap。
高光谱分辨率 篇7
高光谱遥感影像能够提供丰富的光谱与空间信息，已广泛应用于城市规划、植被覆盖监测等诸多领域。另一方面，由于高光谱遥感影像各波段间包含了大量的冗余信息，因此在实际使用中需要有效的波段选择方法以提取其中的有效信息并减少运算量。目前常见的波段选择方法主要包括基于信息量准则和基于类间可分性准则的方法等。本文将结合这两种波段选择准则，使用信息散度表征波段间的相关性，对高光谱遥感图像进行子空间分解。
粒子群优化(Particle Swarm Optimization,PSO)算法是一种群智能算法。该算法中粒子的移动速度由自身惯性、自身最佳位置和群体最佳位置这三部分组成。算法中惯性权值的大小决定自身惯性速度，惯性权值同时影响算法的局部搜索能力和全局搜素能力。为了平衡算法的全局搜索能力和局部搜索能力，加快算法的收敛速度，本文算法中的惯性权重值随迭代过程线性变化。本文使用基于信息散度的子空间划分方法将高光谱遥感图像进行子空间划分后，把波段熵之和及熵的方差作为信息量标准，把Bhattacharyya距离作为类间可分性标准，构造适应度方程，使用改进粒子群算法进行波段组合优化选择。
1 波段选择方法及流程
根据高光谱遥感影像波段数目多、数据量大、波段之间相关性强、数据冗余度高等特点，本文把处理流程分为四个阶段:图像预处理阶段、子空间划分阶段、波段优化组合阶段、分类验证阶段。本文着重介绍波段去相关子空间划分和波段优选两部分，为了验证波段选择方法的有效性和可行性使用最小距离分类法对选出的波段组合进行分类验证。
2 基于改进粒子群算法的高光谱波段选择方法
2.1 子空间划分
在高光谱遥感图像处理中，虽然相关系数和信息散度都可用于表示两个波段之间的相关性，但也存在一些差别。相关系数作为常用的波段间相似性度量，为波段灰度向量与均值之差的积，其将波段作为一个向量，表示两个向量之间的夹角，为一种线性关系，当两个波段完全相同或为线性表达关系时，他们的相关性最大。信息散度也被称为KL距离或相对熵，是统计独立性的最佳测度。能够描述两个概率分布的距离，表征两个概率分布之间的差别。
本文的子空间划分方法依照的准则为:将波段序号连续的波段划分为一组，划分的界限为相邻波段间信息散度较附近其他波段间大的波段。
2.2 波段选择方法
本文提出的算法流程如图1所示。
2.2.1 粒子群算法的改进
如图1所示，为了让算法在搜索开始时具有较好的全局搜索能力，在搜索后期具有较好的局部搜索能力，本文使用变惯性权重的方法进行搜索。惯性权重ω的变换公式为:
其中，ω表示惯性权值，ωmax、ωmin分别表示惯性权值的最大值和最小值，iter、itermax分别表示当前迭代次数和最大迭代次数假设惯性权重最大值、最小值分别为1.2、0.1，最大迭代次数为500，惯性权重值线性递减，逐渐从搜索开始时的最大值递减到最小值。
2.2.2 算法适应度方程
算法中粒子被选中的概率由适应度值决定，本文将波段组合的信息熵之和、波段信息熵方差、类别之间的Bhattacharyya距离作为适应度函数，克服了使用单一准则带来的片面性。
(1)高光谱遥感图像中第i波段的信息熵表示为:
其中，Pj表示波段中光谱亮度值为j的概率，n表示波段中光谱亮度级数。
(2)波段熵的方差可表示为:
其中，n为波段组合的数量，H(xi)为第i波段的信息熵，为n个波段信息熵的平均值。
(3)Bhattacharyya距离由于在进行计算时，同时兼顾了一次统计量和二次统计量，可作为两类别在高维空间上的最佳距离测度，两个类别之间的B距离越大，表示两个类别之间的可分性越好，两类别a、b的B距离的表达式可表示为:
其中，μa，μb表示样本a,b的光谱亮度均值，∑a、∑b表示样本a,b对应区域的协方差矩阵。
3 实验结果与分析
本文使用AVIRIS高光谱遥感图像进行实验(采用第23、7、14波段融合后的多光谱影像，如图2所示)，并与基于标准粒子群算法的波段选择方法进行对比，从而验证本文提出算法的有效性和实用性。实验采用MATLAB仿真平台。
3.1 子空间划分
对AVIRIS高光谱遥感图像相邻波段间信息散度的极值点进行统计，依照前文介绍的准则进行子空间划分，把原始图像划分为6个子空间，各子空间所含波段及维数如表1所示。
为了说明使用本方法进行波段子空间划分的正确性，着重考察局部极值点前后波段变化情况，使用波段灰度图进行直观比较，选取具有代表性的第35、36波段和第90、91波段前后波段进行对比。图3(a),3(b)中灰度图轮廓大致相同，两幅图中前3波段相似度较高，后3波段相似度较高。
3.2 波段选择
改进粒子群算法中各项参数设置如表2所示，算法中波段惯性权重为[0.2,1.3]。本文提出的波段选择方法将Bhattacharyya距离作为类别间距离的测度，B距离用来表征两个类别A与B之间的可分性，B距离的值越大，表示类别A与B的可分性越好，实验中在进行A、B样本选取时，按照地物类别相近但不相同的原则进行，在图像中分别选取24×24像素大小(共计576个像素点)的样本。
分别使用本文算法和标准算法进行波段选择，两种方法选出的波段组合如表3-4所示。
对比表3、表4中的实验结果，使用改进算法选出的波段组合各项参数明显较标准算法优，说明改进算法较标准算法寻优能力更强。改进算法中采用变惯性权重的方式，兼顾到了全局搜索能力与局部搜索能力，改进算法收敛速度较标准算法明显加快。
4 结束语
本文提出了一种针对高光谱遥感影像的波段选择方法，实现了对高光谱遥感影像的降维处理，有利于进一步提高高光谱遥感影像的使用效率。该方法使用信息散度表征波段间的相关性用于波段子空间划分，克服了使用相关性系数的片面性。同时，该方法分别从信息论和类别间可分离性双重准则进行考虑，把波段的熵值之和、波段组合熵的方差、类别之间的Bhattacharyya距离作为选择方法的适应度。与标准粒子群算法相比，本文算法的波段组合更优，同时具有更快的收敛速度，具有良好的可行性与有效性。
参考文献
[1]赵春晖,陈万海,杨雷.高光谱遥感图像最优波段选择方法的研究进展与分析[J].黑龙江大学自然科学学报,2007(5):592-602.
[2]Kennedy J,Eberhart R C.Particle Swarm Optimization[C]∥Proceedings of IEEE International Conference on Neural Networks.Perth:IEEE Neural Networks Society,1995:1942-1948.
[3]Kennedy J,Eberhart R C.A Discrete Binary Version of the Particle Swarm Algorithm[C]//Proceedings of the World Multiconference on Systemic,Cybernetics and Informatics 1997.Piscataway:IEEE,1997:4104-4109.
[4]Chein-I Chang,Qian Du,Tzu-Lung Sun,et al.A joint band prioritization and band-decorrelation approach to band selection for hyperspectral image classification[J].Geoscience and Remote Sensing,IEEE Transactions on Nov.,1999,37(6):2631,2641.doi:10.1109/36.083411.
[5]姚志均,刘俊涛,周瑜,等.基于对称KL距离的相似性度量方法[J].华中科技大学学报:自然科学版,2011(11):1-4.
高光谱分辨率 篇8
目前, 我国对于市场上的羊肉检测主要有感官和理化检测两种方式。该方法因市场上检测人员的专业素质和技能水平受到主观因素影响比较大, 存在较大的争议。而理化检测是通过仪器仪表和检测羊肉的各项指标, 这种方法科学但是过程比较复杂, 很难在各个地方实行, 只能简单地抽检, 不能广泛应用于当前人民生活中来。
近年来随着电子计算机和光学图像处理技术的不断发展, 传统的检测方式逐渐被取代, 羊肉肉质检测正朝着高科技方向发展, 可见光红外光谱分析技术、生物工程技术逐渐被应用在市场人员对羊肉的品质检测。尽管这些技术存在一定的偏差, 但相对于传统的检测人员感官检测和复杂的理化检测已经被越来越多的检测机构接受。
1 近红外高光谱成像技术
随着计算机学科的不断发展, 光谱成像技术越来越成熟, 近红外高光光谱成像技术就是在其基础上, 融合编程技术、信息化处理技术、图像处理技术等诸多学科的技术。它能够将被检查羊肉用三维数据块的模式进行内部特征分析, 根据各项分析指标参数对比, 区分羊肉品质等级。
我国国内对于近红外技术的研究和应用起步较晚, 研发的设备在市场上出现得较少, 不过随着我国科研机构和人员的不断努力, 市场上也出现了简单的红外检测羊肉的设备, 随着羊肉品质各项指标的不断细化, 越来越多的研究人员对其足够重视, 在羊肉品质检测领域取得一些科研成果。该文根据实验室检测羊肉品质程序, 选择新疆图木舒克及阿拉尔地区的多浪羊后腿肉块进行采样, 根据其在900~1 700 nm波段的光谱图像, 得出其羊肉品质。
2 新疆羊肉样本品质采样、检测、分析
由于高光谱图像可同时获得样品的图像和光谱信息, 近年来在现代检测技术上得到广泛关注, 该文探讨了高光谱图像技术对新疆新鲜羊肉品质检测的可行性。该研究从新疆图木舒克及阿拉尔地区的多浪羊后腿肉块采集了86个羊肉背脊样品的高光谱图像, 并测量其亮度 (L*) 、红度 (a*) 、黄度 (b*) 和饱和度 (C*) 等颜色参数, 选取感兴趣区域获取样品代表性光谱, 通过选择多元散射校正Savitzky-Golay平滑、一阶导数和中心化等预处理方法, 建立并评价了预测各颜色参数的逐步多元线性回归校正模型。对于L*、a*、b*和C*, 模型选择的波长点数分别为7、11、4和9, 校正集的相关系数分别为0.92、0.85、0.86和0.81, 校正标准差分别为1.55、1.54、0.83和1.83, 预测集的相关系数分别为0.91、0.84、0.92和0.86, 预测标准差分别为1.71、1.62、0.81和1.68。结果表明, 高光谱图像技术可用来快速无损地检测新疆新鲜羊肉的品质。
生鲜羊肉的含水率对其羊肉的加工、储藏、贸易与食用质量有重要影响, 为了提高羊肉的经济价值和食用品质, 需要研究羊肉含水率的无损检测技术。以新疆图木舒克及阿拉尔地区的多浪羊后腿肉块为研究对象, 有效样本86个, 其中, 75%的样本作为校正集, 25%的样本作为验证集。采集羊肉新鲜切口处900~1 700 nm波长范围内的漫反射光谱, 用国标方法测定羊肉含水率。经过多元散射校正 (multiplicative scatter correction, MSC) 、变量标准化 (standard normalized variate, SNV) 和直接正交信号校正 (direct orthogonal signal correction, DOSC) 等方法预处理, 在900~1 700 nm范围内分别建立多元线性回归 (multiple linear regression, MLR) 模型、主成分回归 (principal component Regression, PCR) 模型和偏最小二乘回归 (partial least squares regression, PLSR) 模型。结果表明使用MSC预处理方法建立的模型预测效果最佳, 其中用PLSR建模结果最好, 校正集的相关系数和校正标准差分别是0.92和0.006 9, 验证集的相关系数和验证标准差分别是0.92和0.004 7, 外部验证的相关系数和验证标准差分别是0.85和0.005 4。结果表明, 可见/近红外光谱结合MSC预处理方法建立的PLSR模型, 可以对羊肉含水率进行准确的快速无损评价, 为生鲜羊肉含水率快速无损检测技术的应用提供理论参考。
3 结语
该文根据近红外高光谱成像技术对新疆地区图木舒克及阿拉尔地区的多浪羊羊肉样本品质采样、检测和简单分析, 能够快速对羊肉品质做出反应。根据其高效无损及环保绿色等特点, 其市场前景被越来越多的科研机构和人员看中。能够为羊肉品质检测提供更多的数据和模型。尽管在应用近红外高光谱成像技术对羊肉品质检测过程中存在精度不够等问题, 但是结合滤波技术、去噪技术, 可以逐步降低偏差, 提供更精确的检测结果, 为我国各地市场上提供放心羊肉做出贡献。
参考文献
[1]王家云, 王松磊, 贺晓光, 等.基于NIR高光谱成像技术的滩羊肉内部品质无损检测[J].现代食品科技, 2014, 36 (6) :257-262.
[2]李翠玲, 汤修映, 彭彦昆, 等.基于多光谱成像的生鲜猪肉货架期预测研究[C]//中国农业工程学会.2011.
高光谱分辨率 篇9
高光谱图像检测技术
高光谱图像检测技术作为一项新兴的检测技术, 具有超多波段、高光谱分辨率和图谱合一的特点。因此, 高光谱图像检测技术应用于农畜产品、食品的品质与安全性检测中具有较大优势和较高的检测精度。高光谱图像技术已经应用于水果内部品质、表面污染和瘀伤检测, 蔬菜成熟度和内部品质检测, 以及肉的内部品质检测方面。
高光谱图像检测技术的硬件主要包括光源、CC D摄像头、装备有图像采集卡的计算机和单色仪。光谱范围可以在200～400nm、400～1000nm、900～1700nm、1000～2500nm。基于图像光谱仪的高光谱图像检测系统如图1。它主要由面阵CCD摄像头和图像光谱仪组成。工作时, 图像光谱仪将检测对象反射或透射过来的光分成单色光源后进入CCD摄像头。该系统采用“推扫型”成像方法得到高光谱图像, 面阵CCD探测器在光学焦面的垂直方向上做横向排列完成横向扫描 (X方向) , 获取的是对象在条状空间中每个像素在各波长下的图像信息。同时, 在检测系统输送带前进的过程中, 排列的探测器扫出一条带状轨迹从而完成纵向扫描 (Y方向) 。综合横纵扫描信息就可以得到样品的三维高光谱图像数据, 如图2。
果蔬表面农药残留高光谱图像检测
在果蔬生产中, 随着农药的大量和不合理使用, 农药残留检测技术的发展已越来越受到社会的关注和重视。通过肉眼分辨不出果蔬表面的农药残留与否, 虽然对农药残留检测已经有了许多成熟可行的方法, 如酶抑制法、酶联免疫法、生物传感器法、近中红外光谱法、荧光光谱法、拉曼光谱法和核磁共振技术等, 但是高光谱图像技术结合了光谱分析和图像处理的技术优势, 为果蔬表面农药残留检测提供了一种新的无损检测方法。
以下使用北京卓立汉光仪器有限公司Gaia系列高光谱成像检测系统对果蔬表面农药残留进行检测。样本为在通风阴凉处放置72个小时以上, 表面滴有浓度为1∶100的炔幔特类农药的脐橙。采集时显示的RGB合成图像如图3所示。
在400～1000nm的可见光和近红外的光谱范围内, 综合曝光时间、扫描速度和光谱校正等信息, 采集到包括二维的图像像素信息和第三维波长信息的三维图像块。由于高光谱数据具有多光谱通道、高光谱分辨率和连续光谱的特点, 可分辨出极接近但不同波长下的两幅不同的图像, 并可得到有农药残留区域和无农药残留区域的连续光谱曲线。图4是脐橙表面涂有农药区域和正常区域的光谱曲线图, 从中可以看出在575～800nm范围内涂有农药区域和无农药区域的光谱曲线差异明显, 因此该波段范围内可以较容易地检测出有无农药残留。
对高光谱数据进行降维和去噪处理, 是因为其大数据量、高相关性等冗余信息、信号噪声等都对数据的处理和分析有着很大影响。分析方法之一是应用主成分分析法, 主要目的是去除波段之间多余信息, 将多波段的图像信息压缩到比原波段更有效的少数几个转换波段。通过主成分分析, 可根据方差贡献的大小来选择主成分图像, 如下图5所示, a为第二主成分波段的图像PC2, b为经过阈值分割后的图像PC2, 可清楚地看到涂有农药区域和正常区域的图像是不同的。图6是根据PC2图像的特征向量绘制的图像光谱曲线权重系数图, 692nm与702nm是PC2的特征波长。下图7中, a为波长692nm处样本的灰度图像, b为波长702nm处样本的灰度图像。
结论