什么是高光譜成像技術(shù)？光譜成像技術(shù)是一種新穎的多維成像技術(shù)，由光學(xué)二維成像技術(shù)和光譜分析技術(shù)相結(jié)合而形成，可以同時探測到目標(biāo)的空間信息和光譜信息，具有“圖譜合一”的特點。那么，高光譜成像技術(shù)的高光譜圖像怎么分析與處理？本文為大家做了介紹，對此感興趣的朋友可以了解一下！
怎么理解高光譜成像技術(shù)？
高光譜成像（Hyperspectral Imaging，HSI）技術(shù)是一種檢測速率快、對樣品沒有損傷、可以大范圍掃描分析樣品的檢測技術(shù)，被廣泛應(yīng)用在農(nóng)業(yè)、軍事、食品、環(huán)境、醫(yī)療、微生物、礦物勘探的研究中，高光譜成像技術(shù)在二維圖譜的獲取方面超越了拉曼光譜與 FT-IR，具有圖譜合一的優(yōu)點，這是由于高光譜圖像特有的空間和光譜分辨率?？臻g分辨率與測量樣品圖像像素具有一定的幾何關(guān)系，而光譜分辨率確定了空間像素點代表的波長變化函數(shù)，每個空間像素點對應(yīng)著一條具有數(shù)十至數(shù)百個光譜波段的連續(xù)光譜曲線。高光譜成像技術(shù)將傳統(tǒng)的二維RGB圖像與光譜技術(shù)相結(jié)合，通過將圖像上每個空間像素點的光譜特性與對應(yīng)的空間信息聯(lián)系，來確定每個像素點所代表物質(zhì)的化學(xué)性質(zhì)，從而完成對不同樣品的詳細(xì)檢測分類。
使用高光譜成像光譜儀采集樣品的數(shù)據(jù)，不僅摻雜有噪音信息，還會受到儀器本身和外部環(huán)境的影響，因此往往需要利用光譜預(yù)處理過程來去除或削減干擾信息，保留更多有效信息，提高進(jìn)一步的光譜數(shù)據(jù)處理的準(zhǔn)確度，同時，高光譜數(shù)據(jù)是由數(shù)千個甚至數(shù)萬個數(shù)據(jù)點組成，相鄰數(shù)據(jù)間通常會呈現(xiàn)出高度相關(guān)的光譜特征，因此高光譜圖像中常常包含大量重疊的冗余信息。而數(shù)據(jù)量過大的高光譜數(shù)據(jù)在進(jìn)行統(tǒng)計識別時，會出現(xiàn)數(shù)據(jù)特征維數(shù)過多的現(xiàn)象，導(dǎo)致“休斯”效應(yīng)，為數(shù)據(jù)的處理帶來了巨大挑戰(zhàn)。休斯效應(yīng)會對高光譜圖像的分類過程產(chǎn)生負(fù)面影響，導(dǎo)致分類器性能變差，分類識別結(jié)果的精確度降低，因此，在對高光譜圖像進(jìn)行分類時，非常有必要找到一種對“休斯”效應(yīng)具有魯棒性的化學(xué)計量學(xué)算法。
高光譜成像技術(shù)的高光譜圖像分析與處理方法：
化學(xué)計量學(xué)算法是一種適用于從最簡單圖像到復(fù)雜高光譜圖像的數(shù)據(jù)處理方法，這一強大的圖像數(shù)據(jù)處理工具對分析光譜數(shù)據(jù)集，適當(dāng)修改數(shù)據(jù)結(jié)構(gòu)，突出光譜特定特征方面具有很強的實用性。在對高光譜圖像進(jìn)行分類前，往往需要借助預(yù)處理方法來對原始光譜數(shù)據(jù)進(jìn)行優(yōu)化，常用的高光譜預(yù)處理方法有平滑、濾波、多元散射矯正和導(dǎo)數(shù)算法等。
平滑算法對于降低高光譜數(shù)據(jù)的噪音信號有很明顯的效果，具體過程是將選定數(shù)據(jù)作為中心，并結(jié)合其一定范圍內(nèi)的數(shù)據(jù)，使用不同的計算公式計算出該選中心數(shù)據(jù)的具體值，從而使處理后的光譜曲線更加光滑，可以很大程度的增大高光譜數(shù)據(jù)的信噪比。主成分分析法（PCA）對數(shù)據(jù)進(jìn)行預(yù)處理時，將數(shù)據(jù)集中最重要的信息集中到前幾個主成分（PCs）來減少數(shù)據(jù)維度，可以有效的克服休斯現(xiàn)象，使用預(yù)處理方法處理后的高光譜圖像數(shù)據(jù)，會大大減小數(shù)據(jù)量，提高數(shù)據(jù)信噪比，為下一步的圖像識別檢測節(jié)省分析時間。
目前常用的高光譜數(shù)據(jù)分類處理方法主要有MD、ML和SVM等。MD是一種有監(jiān)督的線性距離學(xué)習(xí)算法，通過挑選訓(xùn)練集樣本計算出可以最大反應(yīng)樣品數(shù)據(jù)間差異的有效度量矩陣。對高光譜數(shù)據(jù)分析時，根據(jù)度量矩陣使同類數(shù)據(jù)樣本的分布更加靠近，同時使相似度低的數(shù)據(jù)樣本分散度增大。
ML是一種基于貝葉斯準(zhǔn)則的非線性監(jiān)督分類方法，在高光譜圖像上選擇已知物體作為訓(xùn)練樣品集，然后利用特定參數(shù)空間統(tǒng)計訓(xùn)練集樣品的特征標(biāo)準(zhǔn)，根據(jù)不同的判別函數(shù)確定分類邊界，將高光譜圖像上的未知像元分成不同的類別。
SVM是一種廣泛使用在科學(xué)研究中的非線性分類算法。傳統(tǒng)分析方法是將計算過程中的經(jīng)驗誤差最小化，而SVM是通過優(yōu)化各個超平面，使各類物質(zhì)的信息差值最大化，來減小一般化誤差的上限。相比其他分類算法，SVM對處理非線性和高維的小樣本數(shù)據(jù)更具有優(yōu)勢，很多研究也證明了SVM對“休斯”效應(yīng)具有很好的魯棒性。
