高光譜成像技術(shù)作為一種新型的多維成像技術(shù)，可以準(zhǔn)確的獲取樣本的光譜信息和圖像信息，對(duì)樣本進(jìn)行定性與定量的分析，具有“圖譜合一”的特點(diǎn)。目前，被廣泛的應(yīng)用于精細(xì)農(nóng)業(yè)、生物醫(yī)藥等行業(yè)。那么，高光譜成像技術(shù)有什么優(yōu)點(diǎn)？高光譜成像技術(shù)光譜圖像怎么分析？本文對(duì)高光譜成像技術(shù)的優(yōu)勢(shì)及高光譜圖像數(shù)據(jù)的分析方法做了介紹。
什么是高光譜成像技術(shù)？
作為一種將傳統(tǒng)的空間成像分析技術(shù)和光譜分析技術(shù)融為一體的光學(xué)檢驗(yàn)技術(shù)，高光譜成像技術(shù)擁有更高光譜分辨率、更廣光譜波段范圍、更豐富數(shù)據(jù)信息。高光譜圖像不僅僅能實(shí)現(xiàn)在成百上千個(gè)連續(xù)的可見(jiàn)光、紅外、近紅外等廣泛的光譜區(qū)域成像，亦能記錄目標(biāo)的空間位置信息。在選定的波長(zhǎng)范圍中捕獲圖像中所有點(diǎn)的光譜信息、所有波段的圖像信息以及待測(cè)目標(biāo)相應(yīng)的輻射強(qiáng)度，空間位置信息與光譜圖中的特征峰信息結(jié)合對(duì)待測(cè)目標(biāo)進(jìn)行識(shí)別、鑒定、分類。
高光譜圖所提供的大量信息及其相關(guān)性為進(jìn)一步的檢驗(yàn)分析提供可行性。針對(duì)所得的光譜圖進(jìn)行研究分析，可根據(jù)檢驗(yàn)要求及其譜圖特征，選取合適的數(shù)據(jù)定標(biāo)類型如輻射定標(biāo)、光譜定標(biāo)、空間幾何定標(biāo)。
高光譜成像技術(shù)技術(shù)的優(yōu)勢(shì)：
雖然高光譜成像技術(shù)與多光譜技術(shù)均是以成像光譜儀檢測(cè)目標(biāo)物質(zhì)的物理性質(zhì)與化學(xué)成分，但高光譜具備較高的納米級(jí)光譜分辨率，是與全色和多色光譜成像相比較的顯著優(yōu)勢(shì)，與二維圖像數(shù)據(jù)最大的區(qū)別則是在顯示檢材空間位置的同時(shí)，保存檢材在不同波段下的反射率。在此，可以概括出高光譜圖像的優(yōu)勢(shì)：
①“信息三合一”，通過(guò)高光譜圖像得到的三維立體數(shù)據(jù)，可形象地表征物質(zhì)輻射強(qiáng)度、空間信息和光譜信息之間的關(guān)系，融合了這三種信息后能夠得到更佳的研究效果；
②更為豐富的數(shù)據(jù)信息，多光譜技術(shù)只能在幾個(gè)波段范圍捕獲光譜信息，而高光譜成像技術(shù)以高達(dá)0.01數(shù)量級(jí)的光譜分辨率連續(xù)成像；
③譜圖連續(xù)性，通過(guò)成百上千個(gè)光譜數(shù)完成成像，能從光譜維度讀取出連續(xù)的光譜曲線。豐富的數(shù)據(jù)可得到復(fù)雜模型對(duì)待測(cè)物進(jìn)行識(shí)別、鑒定與分類；
④與傳統(tǒng)的譜圖維度信息相比，高光譜數(shù)據(jù)維度高，包含的信息量多且隨波段數(shù)增加而增加，空間位置信息及光譜波段信息相關(guān)性高。在圖像分析處理方面，與通過(guò)調(diào)整圖像RGB組合相比得到的結(jié)果更理想。
高光譜成像技術(shù)高光譜圖像數(shù)據(jù)的分析方法：
高光譜圖像處理分析方法不勝枚舉，在圖譜數(shù)據(jù)處理過(guò)程中，有如下基礎(chǔ)方法。
1.高光譜圖像預(yù)處理
高光譜圖像因其攜帶大量的數(shù)據(jù)信息，增強(qiáng)了技術(shù)的檢測(cè)能力，同時(shí)也增大了信息的冗余量，因此在預(yù)處理階段的主要目的即對(duì)立體數(shù)據(jù)進(jìn)行降維處理。在保存感興趣特征的同時(shí)減少數(shù)據(jù)信息量，降低處理信息的時(shí)長(zhǎng)與難度同時(shí)增強(qiáng)數(shù)據(jù)分析的精確度。目前，較為普遍的高光譜圖像預(yù)處理方法有特征選擇和特征提取兩種方法。
特征選擇是指從最初波段中直接選取有效的特征波段，達(dá)到降低數(shù)據(jù)維度的目的。特征提取是指通過(guò)對(duì)一個(gè)或若干個(gè)原始波段的屬性關(guān)系進(jìn)行組合變換，得到新的特征屬性。光譜信息的冗余量與相關(guān)性取決于波段的寬窄度，因而選取最優(yōu)波段是圖像降維度過(guò)程的關(guān)鍵要素。實(shí)際檢驗(yàn)鑒定中常通過(guò)多種降維方法交叉結(jié)合使用，來(lái)達(dá)到最佳的檢驗(yàn)結(jié)果。如基于主成分分析、基于高階統(tǒng)計(jì)量的獨(dú)立元分析、最小噪聲分離變換、傅里葉變換、基于核函數(shù)和基于神經(jīng)網(wǎng)絡(luò)的非線性特征分析等。
2.數(shù)據(jù)特征分析
根據(jù)檢材在光譜圖中的不同特性信息反映，選取不同分類模型對(duì)不同類別的待測(cè)目標(biāo)進(jìn)行分類。使用計(jì)算機(jī)分析處理作為輔助方法，彌補(bǔ)鑒定人員的視覺(jué)鑒別傳統(tǒng)方法的不足，如最大似然比分類、卷積神經(jīng)網(wǎng)絡(luò)分類方法等等。作為機(jī)器學(xué)習(xí)方法之一的監(jiān)督學(xué)習(xí)，通過(guò)對(duì)已知標(biāo)簽的特征進(jìn)行提取學(xué)習(xí)，構(gòu)造訓(xùn)練函數(shù)完成對(duì)未知樣本的分類檢驗(yàn)任務(wù)，如K近鄰法、馬氏距離分類、最大似然法、最小距離法、光譜角分類法等等。另一種非監(jiān)督分類則是直接對(duì)光譜信息進(jìn)行特征提取，統(tǒng)計(jì)差別進(jìn)行分類，如K-均值、ISODATA（迭代自組織數(shù)據(jù)分析）等。對(duì)高光譜圖進(jìn)行數(shù)據(jù)分析的過(guò)程中，通過(guò)總體分類精度對(duì)分類方法進(jìn)行評(píng)價(jià)，選擇最有效的分類方法而獲得最佳結(jié)果。
