国产在线无码视频一区_免费看片A级毛片免费看_国产午夜福利精品一区二区三区_99久久人妻精品免费一区

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，其比較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為江蘇雙利合譜科技有限公司發布的GaiaSorter “蓋亞”高光譜分選儀的外觀圖像

圖3  GaiaSorter “蓋亞”高光譜分選儀

GaiaSorter “蓋亞”高光譜分選儀的核心部件包括均勻光源、光譜相機、電控移動平（或傳送帶）、計算機及控制軟件等部分。工作原理是通過光源照射在放置于電控移動平臺（或傳送帶）上的待測物體（樣品），樣品的反射光通過鏡頭被光譜相機捕獲，得到一維的影像以及光譜信息，隨著電控移動平臺（或傳送帶）帶動樣品連續運行，從而能夠得到連續的一維影像以及實時的光譜信息，所有的數據被計算機軟件所記錄，最終獲得一個包含了影像信息和光譜信息的三維數據立方體。其結構示意如圖4所示。

圖4  GaiaSorter “蓋亞”高光譜分選儀結構示意圖

高光譜儀配置：鏡頭：22mm鍍膜消色差鏡頭；光譜范圍：400 nm-1000 nm，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.

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、數據預處理分析

本文以四川糧食所提供的小麥種子為研究對象，利用江蘇雙利合譜科技有限公司的高光譜分選儀Gaia sorter（光譜范圍400 nm - 1000 nm）采集測試對象的高光譜數據，以分析發芽、發霉、病害、蟲咬等不同狀態下的小麥種子。

對成像高光譜分選儀采集的小麥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5為MNF降噪前后的光譜反射率變化。

圖5  MNF變換前(左)后(右)高光譜影像反射率的變化

三、數據分析與結果

     圖6不同狀態下的小麥種子的光譜曲線圖。從圖6可知，不同狀態下的小麥種子光譜曲線總體趨勢相似，但反射值有較大的差別。

圖 6 不同狀態下小麥的光譜曲線圖

如圖7分別展示了單波段灰度圖、真彩色合成圖。從圖7可知，RGB真彩色合成圖像比單波段圖像更加清晰地看到種子之間的差異性。

圖7  單波段和RGB真彩色合成圖像顯示

在本研究中，成像高光譜儀得到幾百景小麥種子在不同波長的灰度圖像，且在不同的波長下小麥種子灰度圖像顯示效果不同，有的圖像清晰，有的圖像模糊，還有些基本上看不見。如果用計算機處理，會因為圖像信息量太大而難以處理，浪費時間過多。所以，需要運用主成分分析法篩選出特征圖像。主成分分析（Principal Component Analysis, PCA）的作用是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。一般情況下，第一主成分包含波段中的80%的方差信息，前三個主成分包含了所有波段的中95%以上的信息量。由于各波段之間的不相關，主成分波段可以生成更多顏色、飽和度更好的彩色合成圖像。

圖8為發芽種子高光譜影像經主成分分析后的前6個主成分。從圖8可知，第一主成分包含的信息最多，沒有噪聲信息，第二主成分次之，再次是第三主成分，第4主成分之后噪聲越來越多，圖像模糊不清。從前2個主成分可以看出小麥的芽芯位置，但發芽的位置并不明顯。

圖8 發芽種子的前6個主成分

由于各主成分之間的不相關，主成分波段可以生成更多顏色、飽和度更好的彩色合成圖像，因此本研究利用前三個主成分進行波段組合，合成彩色圖像，如圖9所示。從圖9可知，相比較單波段圖像，RGB真彩色合成圖像，獨個主成分圖像，利用主成分進行組合分析更能清晰地看到種子發芽的芽芯及發芽的位置。

圖9 發芽種子前3個主成分彩色合成圖

(左為原始圖像，中為PCA123合成，又為PCA321合成)

2、蟲咬種子

圖10為蟲咬種子高光譜影像經主成分分析后的前6個主成分。從圖10可知，前2個主成分能清晰地看到被蟲咬過的小麥種子的位置，第3主成分之后的圖像只能看到小麥種子的整體輪廓，對于小麥種子的內部成分信息由于所含噪聲較多，無法分辨出來。

圖10 蟲咬種子前6個主成分

由于各主成分之間的不相關，主成分波段可以生成更多顏色、飽和度更好的彩色合成圖像，因此本研究利用前三個主成分進行波段組合，合成彩色圖像，如圖11所示。從圖11可知，相比較單波段圖像，RGB真彩色合成圖像和獨個主成分圖像，利用主成分進行組合分析更能清晰地看到種子被蟲咬過的位置及種子內部成分的差異性。

圖11 發芽種子前3個主成分彩色合成圖

(左為原始圖像，中為PCA123合成，又為PCA321合成)

圖12為病害種子高光譜影像經主成分分析后的前6個主成分。從圖12可知，第1個主成分包含較多的信息，第2和第3主成分包含的信息次之，第4主成分之后只能分辨小麥種子的輪廓，噪聲越來越多。

圖12 病害種子前6個主成分

圖13為病害種子的原始圖像及主成分123和321合成彩圖。從圖13可知，相比較單波段圖像，RGB真彩色合成圖像和獨個主成分圖像，利用主成分進行組合分析更能清晰地看到種子受病害影響的變化及種子紋理及內部成分的差異。

圖13 病害種子前3個主成分彩色合成圖

(左為原始圖像，中為PCA123合成，又為PCA321合成)

圖14為發霉種子高光譜影像經主成分分析后的前6個主成分。從圖14可知，第1個主成分中發霉區域為較白區域，第2個主成分中發霉區域顯示為黑色，第3主成分之后只能分辨小麥種子的輪廓，噪聲越來越多，不宜分辨小麥的發霉區域。

圖14 發霉種子前6個主成分

圖15為發霉種子的原始圖像及主成分123和321合成彩圖。從圖14可知，相比較單波段圖像，RGB真彩色合成圖像和獨個主成分圖像，利用主成分進行組合分析更能清晰地看到種子的發霉區域。

圖15 病害種子前3個主成分彩色合成圖

(左為原始圖像，中為PCA123合成，又為PCA321合成)

圖16分別列出了不同狀態下小麥種子的主成分合成圖，4個主成分合成圖是根據前三個主成分并按照RGB分別代表123主成分合成而成。從圖16可知，不同狀態下的小麥種子顯示效果并不相同，如發芽種子的發芽區域顯示為淺綠色，芽芯位置顯示為紫色等。

圖16 不同狀態下小麥種子PCA123合成圖像

(從左到右依次為：發芽種子，蟲咬種子，病害種子，發霉種子)