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)，其比較突出的應(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(jìn)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?。?/span>

 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、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：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，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(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)