高光谱图像数据有什么特点?高光谱图像数据怎么分析?
发布时间:2023-09-15
浏览次数:1090
高光谱成像技术集中了光学、光电子学、电子学、信息处理、计算机科学等领域的先进技术,是传统的二维成像技术和光谱技术有机的结合在一起的一门新兴技术。它可以获得被测样本的光谱信息和图谱信息,因此具有“图谱合一”的特点。那么,高光谱图像数据有什么特点?高光谱图像数据怎么分析?
高光谱成像技术集中了光学、光电子学、电子学、信息处理、计算机科学等领域的先进技术,是传统的二维成像技术和光谱技术有机的结合在一起的一门新兴技术。它可以获得被测样本的光谱信息和图谱信息,因此具有“图谱合一”的特点。那么,高光谱图像数据有什么特点?高光谱图像数据怎么分析?
高光谱图像数据的特点:
高光谱图像是一个具有“图谱合一”特点的三维数据立方体,因此高光谱图像的处理和分析既可以在指定波长情况下在空间域进行图像处理和分析,又可以在指定像素坐标位置情况下在光谱域进行光谱处理和分析,也可以同时在空间域和光谱域进行处理和分析。
下图显示了高光谱图像处理的一般流程。一般来讲,高光谱图像处理流程包括高光谱图像数据获取与校正层、高光谱图像处理与分析层和应用层三个层面。其中高光谱图像数据获取与校正层包括样品高光谱图像和参考图像的获取、高光谱图像校正;高光谱图像处理与分析层包括光谱处理与分析和图像处理与分析;应用层包括内部品质与安全性检测和外部缺陷识别与提取。
高光谱图像数据的处理方法:
高光谱图像数据信息量丰富,但数据处理非常复杂。综合国内外高光谱图像数据处理方法主要是:先选择感兴趣区域,然后可以采用主成分分析法、独立元分析、连续投影算法、线性判别分析、Fisher判别方法、典型分析以及遗传算法等对感兴趣区域数据进行降维处理,提取特征波长,并建立相应的判别模型,常用的建模方法有BP神经网络、支持向量机、多元线性回归法、偏最小二乘法等。相关文献表明:支持向量机在建模分析时,结果较好,因为支持向量机不会因波段数量增加,分类精度下降,即出现所谓的Hughes现象。RBF神经网络分类效果明显高于BP神经网络分类法。
高光谱图像数据的分析方法:
高光谱图像由于既包含光谱信息,又包括图像信息,因此高光谱图像数据分析方法很多。这里以归纳高光谱图像数据的处理为例,介绍高光谱成像仪图谱数据处理方法。
第1步,高光谱图像的校正和预处理
原始高光谱数据是光子强度信息,需进行黑白板校正获取相对反射率。由于高光谱图像通常在光谱波段范围的首尾端信噪比较低,所以黑白板校正后的高光谱图像需要进行预处理以剔除这些噪声较大的部分。此外,由于高光谱数据量较大,对于一些无用部分可通过裁剪等方法减少高光谱图像数据。
第2步,高光谱图像的降维
在图像维,可根据待测物的光谱特性,直接提取反映待测对象品质的一个或几个波长图像;也可采用主成分分析、独立成分分析法或最小噪声分离法等获取关键的特征图像;还可在上述特征波段基础上,采用波段比算法或者波段差算法或者二次差分算法计算特征图像;在光谱维,可对研究对象中一定像素区域的光谱或所有像素的光谱进行平均获得平均光谱信息或偏差光谱信息。
第3步,品质预测,目标检测及识别
在图像维,可采用数字图像处理技术对图像进行分割从而获取目标;在光谱维,可与化学计量学方法结合,建模预测分析待测物的品质,或进行判别分析。
第4步,目标分类
根据得到的图像特征或者光谱信息,采用模式识别方法分类目标。
相关产品
-
高光谱成像分析在工业检测的应用
高光谱成像及分析已在国内外工业生产中广泛应用,其对当前无法实现的物质分选任务及瑕疵检测能力,是融合机器视觉的新型解决方案。..
-
高光谱成像仪的颜色检测法
颜色检测 高光谱成像仪测色方法能够测量更宽的光谱范围,能够记录更精细的光谱特征,相比传统的颜色分量方案有着更高的测色精度...
-
高光谱技术在农业、林业遥感领域的应用
高光谱遥感技术已成为农业、林业遥感领域的前沿技术之一; 树种识别 森林生物量估计 碳汇估算 养分元素监测 森林健康 病虫害监测。..
-
水质监测需求及高光谱技术应用分析
高光谱技术已经在水体水质监测方面得到了较多的应用,目前可以对多种水质指标(悬浮物浓度、叶绿素a浓度、黄色物质、透明度等)进行定量的估计和水质评估。..