一,、測(cè)試原理及方法：
高光譜成像技術(shù)是近二十年來(lái)發(fā)展起來(lái)的基于非常多窄波段的影像數(shù)據(jù)技術(shù),，其突出的應(yīng)用是遙感探測(cè)領(lǐng)域，并在越來(lái)越多的民用領(lǐng)域有著更大的應(yīng)用前景,。它集中了光學(xué),、光電子學(xué)、電子學(xué),、信息處理,、計(jì)算機(jī)科學(xué)等領(lǐng)域的先進(jìn)技術(shù)，是傳統(tǒng)的二維成像技術(shù)和光譜技術(shù)有機(jī)的結(jié)合在一起的一門新興技術(shù),。
高光譜成像技術(shù)的定義是在多光譜成像的基礎(chǔ)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(duì)目標(biāo)物體連續(xù)成像,。在獲得物體空間特征成像的同時(shí)，也獲得了被測(cè)物體的光譜信息,。
目標(biāo)物體-成像物鏡-入射狹縫-準(zhǔn)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(xué)光譜儀產(chǎn)生的線性色散確定,。最小光譜分辨率是由光學(xué)系統(tǒng)的成像性能確定的（點(diǎn)擴(kuò)展大小）,。
成像過(guò)程為：每次成一條線上的像后（X方向）,，在檢測(cè)系統(tǒng)輸送帶前進(jìn)的過(guò)程中，排列的探測(cè)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
探測(cè)器像素：320x256,；內(nèi)置控制、掃描機(jī)構(gòu),；內(nèi)置電池,；軟件：控制完成自動(dòng)曝光、自動(dòng)對(duì)焦,、自動(dòng)掃描速度匹配,；數(shù)據(jù)處理：黑白、輻射度,、均勻性,、鏡頭等校準(zhǔn)；光譜查看。
圖3 高光譜成像儀
本文以不同種類的紅棗作為研究對(duì)象,，利用近紅外相機(jī)（光譜范圍900nm-1700nm）采集測(cè)試對(duì)象的高光譜數(shù)據(jù),。
圖4 樣本的RGB圖（R:1235nm G：1409nm B:1536nm）
對(duì)原始數(shù)據(jù)進(jìn)行主成分分析（Principal Component Analysis, PCA），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(shù)幾個(gè)轉(zhuǎn)換波段下,。同時(shí)利用由于光譜儀采集得到的光譜信號(hào)中既包含實(shí)驗(yàn)所需的有用信息，同時(shí)由于儀器精密度等原因帶來(lái)隨機(jī)噪聲,，常用的消除噪聲的方法Savitzky-Golay(SG)卷積平滑法,，通過(guò)多項(xiàng)式來(lái)移動(dòng)窗口內(nèi)的數(shù)據(jù)進(jìn)行多項(xiàng)式最小二乘擬合信號(hào)平滑，既消除噪聲又保留了光譜輪廓,。由于各個(gè)樣本間分布不均勻,、樣本大小不一樣、樣本表面散射及光程變化等都會(huì)產(chǎn)生散射影響,，采用多遠(yuǎn)散射校正（multiplicative scatter correction,，MSC）的方法可以有效的消除這些散射影響。
圖5 經(jīng)PCA處理
分別選取樣本上的兩個(gè)區(qū)域標(biāo)注為駿棗-A和灰棗-B,，以此為標(biāo)樣對(duì)其他樣品進(jìn)行歸類識(shí)別,。對(duì)已經(jīng)劃分出來(lái)的類別進(jìn)行PLS-DA算法處理，評(píng)估劃分出來(lái)類別成分,。
-
分別在前面幾種不同預(yù)處理方法的基礎(chǔ)上,，對(duì)樣品進(jìn)行主成分分析聚類。并對(duì)數(shù)據(jù)做PLS-DA算法處理,，PLS-DA方法是基于PLS回歸的一種判別分析方法,，在構(gòu)造因素時(shí)考慮到了輔助矩陣以代碼形式提供的類成員信息，因此具有高效的鑒別能力,。
-
利用主成分分析得到的載荷圖提取對(duì)各類植物識(shí)別敏感的特征波長(zhǎng)。以特征波長(zhǎng)為輸入變量,，從每種植物的樣本中隨機(jī)抽取2/3組成建模集,，通過(guò)這組樣本的光譜及其對(duì)應(yīng)的基礎(chǔ)數(shù)據(jù)，利用簇類的獨(dú)立軟模式 soft independent modeling of class analogy(SIMCA)分類法建立識(shí)別模型,，對(duì)樣本進(jìn)行分類,。
SIMCA方法為每個(gè)類建立了獨(dú)立的主成分分析(principal component analysis，PCA)模型,，然后依據(jù)該模型對(duì)未知樣品進(jìn)行分類,。然而，該方法在建立模型時(shí)沒(méi)有考慮到其他的類,，因此,，在每個(gè)類的模型中，有些因素在獲取類中明顯的變化時(shí)只能反映出有限的鑒別信息。當(dāng)多維數(shù)據(jù)不同類中的子空間都非常接近時(shí),，由于類之間不必要的重疊,，從而存在產(chǎn)生非優(yōu)化鑒別模型的危險(xiǎn)。
獲取灰棗和駿棗的特征光譜,，可以看出,，兩種栆的特征光譜位置基本一致，只是其光譜反射率會(huì)有一些差別,。具體成因還需進(jìn)一步分析,。
圖6 灰棗（紅色）和駿棗（綠色）特征高光譜
圖7 SIMCA方法分類識(shí)別結(jié)果
通過(guò)獲取感興趣的平均光譜，利用(SIMCA)分類法建立識(shí)別模型,，對(duì)樣本進(jìn)行分類,。預(yù)測(cè)駿棗-A所占比例為65.6%，灰棗-B所占比例為34.4%,。
圖8 SIMCA方法分類統(tǒng)計(jì)結(jié)果
.jpg)
.jpg)
會(huì)員.png)
8
立即詢價(jià)
您提交后，專屬客服將第一時(shí)間為您服務(wù)