基于近紅外成像高光譜技術(shù)的海苔雜質(zhì)分析研究

基于近紅外成像高光譜技術(shù)的海苔雜質(zhì)分析研究

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)，其最突出的應(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(mén)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?。?/span>

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

二、材料與分析：

1、實(shí)驗(yàn)設(shè)備與材料

本文以市場(chǎng)上購(gòu)買(mǎi)的海苔為研究對(duì)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(cè)試對(duì)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(yù)處理

對(duì)成像光譜儀獲取的原始影像數(shù)據(jù)進(jìn)行數(shù)據(jù)的預(yù)處理，預(yù)處理過(guò)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(jì)算公式如1所示。

   (1)

其中，Ref_target為目標(biāo)物的反射率，Ref_panel為標(biāo)準(zhǔn)參考板的反射率，DN_target為原始影像中目標(biāo)物的的數(shù)值，DN_panel為原始影像中標(biāo)準(zhǔn)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(yùn)用國(guó)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(jì)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(jì)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(méi)有波段間的相關(guān)。第二步是對(duì)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(guò)檢查最終特征值和相關(guān)圖像來(lái)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(duì)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)。由于此次采集的高光譜影像沒(méi)有白板校正，因此數(shù)據(jù)預(yù)處理的第一步輻射定標(biāo)沒(méi)有進(jìn)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(jié)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(yùn)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(duì)原始高光譜數(shù)據(jù)進(jìn)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(gè)MNF波段影像。從圖5可知，第2個(gè)MNF波段數(shù)據(jù)能較好地識(shí)別出海苔及其背景、雜質(zhì)，然而雜質(zhì)間卻無(wú)法區(qū)別開(kāi)；第3個(gè)MNF較亮的部分來(lái)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(lèi)別，第4個(gè)MNF與第3個(gè)MNF圖像相似。其他幾個(gè)MNF并無(wú)明顯的圖像區(qū)分度。

圖5海苔高光譜圖像前9個(gè)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(lèi)研究

高光譜遙感圖像分類(lèi)是高光譜遙感圖像分析和應(yīng)用的重要內(nèi)容，根據(jù)是否使用類(lèi)別的先驗(yàn)知識(shí)，可分為監(jiān)督分類(lèi)和非監(jiān)督分類(lèi)，常用的監(jiān)督分類(lèi)方法有最大似然分類(lèi)法、光譜匹配法和神經(jīng)網(wǎng)絡(luò)法等，非監(jiān)督分類(lèi)常用的方法有K-Means和ISODATA法。本研究運(yùn)用監(jiān)督分類(lèi)方法中的最大似然分類(lèi)法、神經(jīng)網(wǎng)絡(luò)法、光譜角匹配法來(lái)研究海苔、雜質(zhì)、背景的區(qū)分，分類(lèi)結(jié)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(lèi)方法中，神經(jīng)網(wǎng)絡(luò)的分類(lèi)效果最好，能識(shí)別出幾種不同雜質(zhì)，然而塑料繩并未清晰的識(shí)別出來(lái)，而且神經(jīng)網(wǎng)絡(luò)分類(lèi)方法分類(lèi)速度較慢，需要選擇訓(xùn)練樣本，費(fèi)時(shí)費(fèi)力，不利于產(chǎn)業(yè)化的應(yīng)用。

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

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

圖6 運(yùn)用不同監(jiān)督分類(lèi)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(shù)分類(lèi)研究

根據(jù)2和3可知，運(yùn)用MNF和監(jiān)督分類(lèi)方法雖然能較好地識(shí)別出海苔，但是單個(gè)MNF波段只能識(shí)別出少量的雜質(zhì)，且位置雜質(zhì)屬性，監(jiān)督分類(lèi)雖然能識(shí)別較多的雜質(zhì)，但是需要選擇訓(xùn)練樣本，且運(yùn)行時(shí)間較長(zhǎng)，并不適合未來(lái)產(chǎn)業(yè)化的發(fā)展。因?yàn)楸狙芯刻接懢C合使用不同物質(zhì)的光譜特征及其MNF波段，運(yùn)用決策樹(shù)分類(lèi)方法快速識(shí)別海苔、雜質(zhì)、背景。

決策樹(shù)(Decision Tree）是在已知各種情況發(fā)生概率的基礎(chǔ)上，通過(guò)構(gòu)成決策樹(shù)來(lái)求取凈現(xiàn)值的期望值大于等于零的概率，評(píng)價(jià)項(xiàng)目風(fēng)險(xiǎn)，判斷其可行性的決策分析方法，是直觀運(yùn)用概率分析的一種圖解法。由于這種決策分支畫(huà)成圖形很像一棵樹(shù)的枝干，故稱(chēng)決策樹(shù)。在機(jī)器學(xué)習(xí)中，決策樹(shù)是一個(gè)預(yù)測(cè)模型，他代表的是對(duì)象屬性與對(duì)象值之間的一種映射關(guān)系。決策樹(shù)是一種樹(shù)形結(jié)構(gòu)，其中每個(gè)內(nèi)部節(jié)點(diǎn)表示一個(gè)屬性上的測(cè)試，每個(gè)分支代表一個(gè)測(cè)試輸出，每個(gè)葉節(jié)點(diǎn)代表一種類(lèi)別。

圖7為決策樹(shù)的分叉圖，主要運(yùn)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(shù)分類(lèi)，該閾值是運(yùn)用最大類(lèi)間方差法獲取。圖8為利用該決策樹(shù)的分類(lèi)效果圖，從圖中可知，原圖無(wú)法用肉眼識(shí)別的塑料繩、雜質(zhì)等，運(yùn)用決策樹(shù)分類(lèi)后能較為清晰的識(shí)別出來(lái)，而且圖像處理速度大大提高。

圖7 決策樹(shù)分叉圖

圖8 決策樹(shù)分類(lèi)效果圖