基于高光譜成像技術(shù)的靜脈識別測試試驗

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、計算機科學(xué)等領(lǐng)域的先進技術(shù)，是傳統(tǒng)的二維成像技術(shù)和光譜技術(shù)有機的結(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（點擴展大?。?。

    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

本文以手臂靜脈為研究對象，利用雙利合譜的高光譜成像儀GaiaSorter（光譜范圍400nm-1000nm）采集測試對象的高光譜數(shù)據(jù)。測試時間為2015年8月4日。圖3為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、電控移動平（或傳送帶）、計算機及控制軟件等部分。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：400nm-1000nm，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。

圖5為成像高光譜的拍攝手臂正反面的真彩色合成圖像。

圖5 基于成像高光譜手臂正反面的真彩色合成圖像 (640 nm、550 nm、460 nm)

對成像高光譜儀拍攝的手臂原始影像數(shù)據(jù)進行數(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。

首先進行輻射定標(biāo)。輻射定標(biāo)的計算公式如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，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。為了進一步進行波譜處理，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6為MNF降噪前后的光譜反射率變化。

圖6  MNF降噪前后的光譜反射率變化

對原始數(shù)據(jù)進行預(yù)處理之后，分別分析手臂正反面皮膚與手臂靜脈的光譜反射率差異，如圖7所示。

圖7  手臂正反面皮膚與手臂靜脈的光譜反射率差異

利用SpecView軟件的Analysis-Animate功能，快速瀏覽能識別手臂靜脈的波段，結(jié)果表明能識別手臂靜脈的波段主要集中在近紅外區(qū)間，這與目前國內(nèi)外的研究結(jié)果相同。為了較為清晰地看到靜脈血管，本文對近紅外波段的進行均衡化處理。均衡化是圖像處理領(lǐng)域中利用圖像直方圖對對比度進行調(diào)整的方法，其“中心思想”是把原始圖像的灰度直方圖從比較集中的某個灰度區(qū)間變成在全部灰度范圍內(nèi)的均勻分布。圖8為手臂正面780 nm的灰度圖與經(jīng)均衡化處理后直方圖。

圖8   手臂正面780 nm處均衡化處理前（左）后（右）的灰度圖

為了客觀地識別手臂上的靜脈，對經(jīng)預(yù)處理后的高光譜數(shù)據(jù)進行主成分分析（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)幾個轉(zhuǎn)換波段下。圖9為手臂正反面經(jīng)PCA變換后的前6個主成分。

圖9  手臂正反兩面PCA處理后的前6個主成分

為了更客觀真實地識別出手臂靜脈，根據(jù)波段組合的特點，對PCA前六個主成分組合成各種假彩色圖像，如圖10為手臂正面的假彩色合成圖像，圖11為手臂反面的假彩色合成圖像。與灰度圖相比，假彩色合成更能直觀地識別出手臂靜脈。

圖10     手臂正面PCA假彩色合成圖像

圖11     手臂反面PCA假彩色合成圖像