基于成像高光譜的小麥種子發(fā)芽、病害鑒別分析研究
一、測試原理及方法:
高光譜成像技術(shù)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(shù),其最突出的應(yīng)用是遙感探測領(lǐng)域,并在越來越多的民用領(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)百條光譜波段對目標(biāo)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(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(點擴(kuò)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(jìn)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
圖3為江蘇雙利合譜科技有限公司發(fā)布的GaiaSorter “蓋亞”高光譜分選儀的外觀圖像
圖3 GaiaSorter “蓋亞”高光譜分選儀
GaiaSorter “蓋亞”高光譜分選儀的核心部件包括均勻光源、光譜相機(jī)、電控移動平(或傳送帶)、計算機(jī)及控制軟件等部分。工作原理是通過光源照射在放置于電控移動平臺(或傳送帶)上的待測物體(樣品),樣品的反射光通過鏡頭被光譜相機(jī)捕獲,得到一維的影像以及光譜信息,隨著電控移動平臺(或傳送帶)帶動樣品連續(xù)運行,從而能夠得到連續(xù)的一維影像以及實時的光譜信息,所有的數(shù)據(jù)被計算機(jī)軟件所記錄,最終獲得一個包含了影像信息和光譜信息的三維數(shù)據(jù)立方體。其結(jié)構(gòu)示意如圖4所示。
圖4 GaiaSorter “蓋亞”高光譜分選儀結(jié)構(gòu)示意圖
高光譜儀配置:鏡頭:22mm鍍膜消色差鏡頭;光譜范圍:400 nm-1000 nm,光譜分辨率: 4nm@435.8nm(@400-1000nm),像面尺寸(光譜x空間):6.15 x 14.2 mm,相對孔徑:F/2.4,狹縫長度14.2 mm.
SpecView軟件:控制完成自動曝光、自動對焦、自動掃描速度匹配;數(shù)據(jù)處理:黑白、輻射度、均勻性、鏡頭等校準(zhǔn);光譜查看。
二、數(shù)據(jù)預(yù)處理分析
本文以四川糧食所提供的小麥種子為研究對象,利用江蘇雙利合譜科技有限公司的高光譜分選儀Gaia sorter(光譜范圍400 nm - 1000 nm)采集測試對象的高光譜數(shù)據(jù),以分析發(fā)芽、發(fā)霉、病害、蟲咬等不同狀態(tài)下的小麥種子。
對成像高光譜分選儀采集的小麥原始影像數(shù)據(jù)進(jìn)行數(shù)據(jù)的預(yù)處理,預(yù)處理過程主要包括兩部分。第一部分是輻射定標(biāo);第二部分為噪聲去除。
首先進(jìn)行輻射定標(biāo)。輻射定標(biāo)的計算公式如1所示。
(1)
其中,Reftarget為目標(biāo)物的反射率,Refpanel為標(biāo)準(zhǔn)參考板的反射率,DNtarget為原始影像中目標(biāo)物的的數(shù)值,DNpanel為原始影像中標(biāo)準(zhǔn)參考板的數(shù)值,DNdark為成像光譜儀系統(tǒng)誤差。
其次是噪聲去除,本文運用國外較為常用的最小噪聲分離方法(Minimum Noise Fraction Rotation, MNF)進(jìn)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(guān)。第二步是對噪聲白化數(shù)據(jù)(Noise-whitened)的標(biāo)準(zhǔn)主成分變換。為了進(jìn)一步進(jìn)行波譜處理,通過檢查最終特征值和相關(guān)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(yīng)的特征圖像相關(guān),其余部分與近似相同的特征值以及噪聲占主導(dǎo)地位的圖像相關(guān)。圖5為MNF降噪前后的光譜反射率變化。
圖5 MNF變換前(左)后(右)高光譜影像反射率的變化
三、數(shù)據(jù)分析與結(jié)果
圖6不同狀態(tài)下的小麥種子的光譜曲線圖。從圖6可知,不同狀態(tài)下的小麥種子光譜曲線總體趨勢相似,但反射值有較大的差別。
圖 6 不同狀態(tài)下小麥的光譜曲線圖
如圖7分別展示了單波段灰度圖、真彩色合成圖。從圖7可知,RGB真彩色合成圖像比單波段圖像更加清晰地看到種子之間的差異性。
圖7 單波段和RGB真彩色合成圖像顯示
在本研究中,成像高光譜儀得到幾百景小麥種子在不同波長的灰度圖像,且在不同的波長下小麥種子灰度圖像顯示效果不同,有的圖像清晰,有的圖像模糊,還有些基本上看不見。如果用計算機(jī)處理,會因為圖像信息量太大而難以處理,浪費時間過多。所以,需要運用主成分分析法篩選出特征圖像。主成分分析(Principal Component Analysis, PCA)的作用是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)幾個轉(zhuǎn)換波段下。一般情況下,第一主成分包含波段中的80%的方差信息,前三個主成分包含了所有波段的中95%以上的信息量。由于各波段之間的不相關(guān),主成分波段可以生成更多顏色、飽和度更好的彩色合成圖像。
圖8為發(fā)芽種子高光譜影像經(jīng)主成分分析后的前6個主成分。從圖8可知,第一主成分包含的信息最多,沒有噪聲信息,第二主成分次之,再次是第三主成分,第4主成分之后噪聲越來越多,圖像模糊不清。從前2個主成分可以看出小麥的芽芯位置,但發(fā)芽的位置并不明顯。
圖8 發(fā)芽種子的前6個主成分
由于各主成分之間的不相關(guān),主成分波段可以生成更多顏色、飽和度更好的彩色合成圖像,因此本研究利用前三個主成分進(jìn)行波段組合,合成彩色圖像,如圖9所示。從圖9可知,相比較單波段圖像,RGB真彩色合成圖像,獨個主成分圖像,利用主成分進(jìn)行組合分析更能清晰地看到種子發(fā)芽的芽芯及發(fā)芽的位置。
圖9 發(fā)芽種子前3個主成分彩色合成圖
(左為原始圖像,中為PCA123合成,又為PCA321合成)
2、蟲咬種子
圖10為蟲咬種子高光譜影像經(jīng)主成分分析后的前6個主成分。從圖10可知,前2個主成分能清晰地看到被蟲咬過的小麥種子的位置,第3主成分之后的圖像只能看到小麥種子的整體輪廓,對于小麥種子的內(nèi)部成分信息由于所含噪聲較多,無法分辨出來。
圖10 蟲咬種子前6個主成分
由于各主成分之間的不相關(guān),主成分波段可以生成更多顏色、飽和度更好的彩色合成圖像,因此本研究利用前三個主成分進(jìn)行波段組合,合成彩色圖像,如圖11所示。從圖11可知,相比較單波段圖像,RGB真彩色合成圖像和獨個主成分圖像,利用主成分進(jìn)行組合分析更能清晰地看到種子被蟲咬過的位置及種子內(nèi)部成分的差異性。
圖11 發(fā)芽種子前3個主成分彩色合成圖
(左為原始圖像,中為PCA123合成,又為PCA321合成)
圖12為病害種子高光譜影像經(jīng)主成分分析后的前6個主成分。從圖12可知,第1個主成分包含較多的信息,第2和第3主成分包含的信息次之,第4主成分之后只能分辨小麥種子的輪廓,噪聲越來越多。
圖12 病害種子前6個主成分
圖13為病害種子的原始圖像及主成分123和321合成彩圖。從圖13可知,相比較單波段圖像,RGB真彩色合成圖像和獨個主成分圖像,利用主成分進(jìn)行組合分析更能清晰地看到種子受病害影響的變化及種子紋理及內(nèi)部成分的差異。
圖13 病害種子前3個主成分彩色合成圖
(左為原始圖像,中為PCA123合成,又為PCA321合成)
圖14為發(fā)霉種子高光譜影像經(jīng)主成分分析后的前6個主成分。從圖14可知,第1個主成分中發(fā)霉區(qū)域為較白區(qū)域,第2個主成分中發(fā)霉區(qū)域顯示為黑色,第3主成分之后只能分辨小麥種子的輪廓,噪聲越來越多,不宜分辨小麥的發(fā)霉區(qū)域。
圖14 發(fā)霉種子前6個主成分
圖15為發(fā)霉種子的原始圖像及主成分123和321合成彩圖。從圖14可知,相比較單波段圖像,RGB真彩色合成圖像和獨個主成分圖像,利用主成分進(jìn)行組合分析更能清晰地看到種子的發(fā)霉區(qū)域。
圖15 病害種子前3個主成分彩色合成圖
(左為原始圖像,中為PCA123合成,又為PCA321合成)
圖16分別列出了不同狀態(tài)下小麥種子的主成分合成圖,4個主成分合成圖是根據(jù)前三個主成分并按照RGB分別代表123主成分合成而成。從圖16可知,不同狀態(tài)下的小麥種子顯示效果并不相同,如發(fā)芽種子的發(fā)芽區(qū)域顯示為淺綠色,芽芯位置顯示為紫色等。
圖16 不同狀態(tài)下小麥種子PCA123合成圖像
(從左到右依次為:發(fā)芽種子,蟲咬種子,病害種子,發(fā)霉種子)
地址:無錫市梁溪區(qū)南湖大道飛宏路58-1-108
電話:13810664973
郵箱:info@dualix.com.cn
地址:北京市海淀區(qū)中關(guān)村大街19號
電話:13810664973
郵箱:info@dualix.com.cn
地址:陜西省西安市高新區(qū)科技一路40號盛方科技園B座三層?xùn)|區(qū)
電話:13810664973
郵箱:info@dualix.com.cn
地址:成都市青羊區(qū)順城大街206號四川國際大廈七樓G座
電話:13810664973
郵箱:info@dualix.com.cn