一、測試原理及方法：

 高光譜成像技術是近二十年來發(fā)展起來的基于非常多窄波段的影像數(shù)據(jù)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(tǒng)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(nèi)，利用成像光譜儀，在光譜覆蓋范圍內(nèi)的數(shù)十或數(shù)百條光譜波段對目標物體連續(xù)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(chǎn)生的線性色散確定。最小光譜分辨率是由光學系統(tǒng)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(tǒng)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(shù)據(jù)。

圖2 像立方體

二、材料與分析：

1、實驗設備與材料

本文以市場上購買的海苔為研究對象，參雜了少量沙石、木塊、木炭、塑料繩等雜質(zhì)，利用江蘇雙利合譜科技有限公司的近紅外高光譜成像儀GaiaSorter-N17E（光譜范圍900 nm - 1700 nm）采集測試對象的高光譜影像數(shù)據(jù)，并從獲取的高光譜影像數(shù)據(jù)中分析參雜的雜質(zhì)。表1為近紅外高光譜成像儀GaiaSorter-N17E系統(tǒng)參數(shù)。

表1  近紅外高光譜成像儀GaiaSorter-N17E系統(tǒng)參數(shù)

2、高光譜影像數(shù)據(jù)預處理

對成像光譜儀獲取的原始影像數(shù)據(jù)進行數(shù)據(jù)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(shù)值，DN_panel為原始影像中標準參考板的數(shù)值，DN_dark為成像光譜儀系統(tǒng)誤差。

其次是噪聲去除，常用的方法有小波降噪、S-G降噪、均值濾波、最小噪聲分離等方法。本研究則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(shù)據(jù)內(nèi)在的維數(shù)（即波段數(shù)），分離數(shù)據(jù)中的噪聲，減少隨后處理中的計算需求量。MNF本質(zhì)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(xié)方差矩陣）用于分離和重新調(diào)節(jié)數(shù)據(jù)中的噪聲，這步操作使變換后的噪聲數(shù)據(jù)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(shù)據(jù)（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(shù)據(jù)的內(nèi)在維數(shù)。數(shù)據(jù)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。由于此次采集的高光譜影像沒有白板校正，因此數(shù)據(jù)預處理的第一步輻射定標沒有進行分析處理，直接作MNF降噪分析。圖3為MNF降噪前后的成像高光譜數(shù)據(jù)中DN值的變化。

圖3 MNF變換前(左)后(右)高光譜影像DN值的變化

三、結果與分析

1、 海苔高光譜影像中各雜質(zhì)的高光譜反射率

    圖4為海苔在900-1700 nm范圍內(nèi)，其與背景、木塊、木炭、塑料繩以及其他雜質(zhì)的高光譜反射率曲線圖。從圖中可知，海苔與雜質(zhì)間的光譜差異顯著，因而可以考慮運用閾值分割的方法提取海苔，或分析各雜質(zhì)。

圖4 海苔高光譜影像中各雜質(zhì)的高光譜反射率

2、最小噪聲分離變換

對原始高光譜數(shù)據(jù)進行 MNF 變換，分別得到以有效信息為主的波段和以噪聲為主的波段，并且按照信噪比從大到小的順序排列。原始數(shù)據(jù)的主要信息都集中在前面特征值大的波段，后面特征值小的波段主要以噪聲為主。特征值接近于1的多數(shù)是噪聲，最好選擇特征值高的波段。圖5分別列舉了前9個MNF波段影像。從圖5可知，第2個MNF波段數(shù)據(jù)能較好地識別出海苔及其背景、雜質(zhì)，然而雜質(zhì)間卻無法區(qū)別開；第3個MNF較亮的部分來雜質(zhì)，較暗的一部分也是雜質(zhì)，這兩種雜質(zhì)顯然不是同一類別，第4個MNF與第3個MNF圖像相似。其他幾個MNF并無明顯的圖像區(qū)分度。

圖5海苔高光譜圖像前9個MNF波段數(shù)據(jù)（從左往右依次為MNF1-9）

3、海苔、雜質(zhì)高光譜圖像監(jiān)督分類研究

高光譜遙感圖像分類是高光譜遙感圖像分析和應用的重要內(nèi)容，根據(jù)是否使用類別的先驗知識，可分為監(jiān)督分類和非監(jiān)督分類，常用的監(jiān)督分類方法有最大似然分類法、光譜匹配法和神經(jīng)網(wǎng)絡法等，非監(jiān)督分類常用的方法有K-Means和ISODATA法。本研究運用監(jiān)督分類方法中的最大似然分類法、神經(jīng)網(wǎng)絡法、光譜角匹配法來研究海苔、雜質(zhì)、背景的區(qū)分，分類結果如圖6所示。圖6中綠色和紫色為海苔，紅色為背景，其他顏色為雜質(zhì)。從圖6所知，這三種監(jiān)督分類方法中，神經(jīng)網(wǎng)絡的分類效果好，能識別出幾種不同雜質(zhì)，然而塑料繩并未清晰的識別出來，而且神經(jīng)網(wǎng)絡分類方法分類速度較慢，需要選擇訓練樣本，費時費力，不利于產(chǎn)業(yè)化的應用。

（a）RGB偽彩色圖                                               (b) 最大似然法分類

（c）人工神經(jīng)網(wǎng)絡                                                         (b) 光譜角匹配

圖6 運用不同監(jiān)督分類方法區(qū)分海苔、雜質(zhì)、背景

4、基于海苔、雜質(zhì)高光譜圖像決策樹分類研究

根據(jù)2和3可知，運用MNF和監(jiān)督分類方法雖然能較好地識別出海苔，但是單個MNF波段只能識別出少量的雜質(zhì)，且位置雜質(zhì)屬性，監(jiān)督分類雖然能識別較多的雜質(zhì)，但是需要選擇訓練樣本，且運行時間較長，并不適合未來產(chǎn)業(yè)化的發(fā)展。因為本研究探討綜合使用不同物質(zhì)的光譜特征及其MNF波段，運用決策樹分類方法快速識別海苔、雜質(zhì)、背景。

決策樹(Decision Tree）是在已知各種情況發(fā)生概率的基礎上，通過構成決策樹來求取凈現(xiàn)值的期望值大于等于零的概率，評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。由于這種決策分支畫成圖形很像一棵樹的枝干，故稱決策樹。在機器學習中，決策樹是一個預測模型，他代表的是對象屬性與對象值之間的一種映射關系。決策樹是一種樹形結構，其中每個內(nèi)部節(jié)點表示一個屬性上的測試，每個分支代表一個測試輸出，每個葉節(jié)點代表一種類別。

圖7為決策樹的分叉圖，主要運用了MNF變化的MNF2、3、4、5波段，以及高光譜圖像數(shù)據(jù)的第15、80、104波段做決策樹分類，該閾值是運用最大類間方差法獲取。圖8為利用該決策樹的分類效果圖，從圖中可知，原圖無法用肉眼識別的塑料繩、雜質(zhì)等，運用決策樹分類后能較為清晰的識別出來，而且圖像處理速度大大提高。

圖7 決策樹分叉圖

圖8 決策樹分類效果圖