高光谱技术无损检测单粒小麦种子生活力的特征波段筛选方法研究

种子活力是种子质量的一项重要指标,高活力的种子具有较强的抗逆性、生长优势及生产潜力。而种子活力在种子生理成熟时最高,随后随着贮藏时间的延长而发生着自然不可逆的降低。因此,在播种前及时、准确地对种子活力进行检测和筛选具有重要的实践意义。针对传统种子活力检测方法存在的操作过程复杂繁琐、耗时长、重复性差且对种子有破坏性等缺点,研究尝试利用高光谱成像技术建立单粒小麦种子生活力快速、无损、精确的检测方法。以高温高湿老化后的190粒小麦种子（发芽128粒,不发芽62粒）作为研究样本,先利用可见-近红外(Vis-NIR)高光谱成像系统采集样本种子的光谱图像和进行标准发芽试验,并确保光谱采集试验和标准发芽试验的小麦种子一一对应。随后提取种子光谱图像的感兴趣区域并对其光谱数据进行平均和特征分析。分别采用一阶导数（FD）、均值中心化（MC）、正交信号校正(OSC)和多元散射校正（MSC）对原始光谱数据进行预处理,结合偏最小二乘辨别分析（PLS-DA）建立全波段PLS-DA模型,比较分析,并筛选出最适预处理方法。分别利用无信息变量消除算法（UVE）、竞争性自适应重加权算法(CARS)、连续投影算法(SPA)及耦合不同变量筛选方法对特征波段进行筛选提取,再分别基于所提取出的特征波段建立PLS-DA定性判别模型,对比分析,最终确立提取与单粒小麦种子生活力相关性最高的高光谱特征波段方法体系。结果表明：不同光谱预处理建立的模型其表现有所差异,在MC,FD,OSC和MSC中,采用MC对原始高光谱数据进行预处理,建立的全波段MC-PLS-DA判别模型,其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为82.5%和83.0%,优于原始及其他预处理后建立的全波段PLS-DA判别模型,其校正集和预测集对小麦种子活种子鉴别正确率分别为94.8%和90.6%。进一步对比3种单特征波段提取方法及其耦合分析建模中,发现3种变量筛选方法耦合（UVE-CARS-SPA）的方式能够将光谱全波段的688个变量压缩至8个变量（473,492,811,829,875,880,947和969 nm）,利用所筛选出的8个变量建立的MC-UVE-CARS-SPA-PLS-DA模型获得了最优秀的鉴别效果,其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为86.7%和85.1%,较全波段模型（MC-Full-PLS-DA）分别提升了4.2%和2.1%,活种子的鉴别正确率分别为93.8%和84.4%,经过此优秀模型筛选后,种子批最终发芽率可达到93.1%。实验结果表明,基于高光谱成像技术结合UVE-CARS-SPA-PLS-DA模型能够实现对单粒小麦种子生活力的定性判别。研究工作为小麦种子活力的快速、精确且无损的检测提供理论支持。     

近红外光谱技术在奶酪品质评价中的应用

近红外光谱技术是一种快速、无损的分析方法,国外将该技术应用于奶酪品质的检测已有多年,国内在这方面的研究较少。通过本文介绍了近红外光谱技术分析奶酪成分和在奶酪的加工生产、缩水收缩控制、成熟过程、货架期、组成成分和品牌分类鉴别等几个方面的应用,表明近红外光谱技术在奶酪品质分析中应用潜力巨大,促进近红外光谱技术的应用和我国奶酪行业的发展是一项紧迫的任务。     

近红外光谱技术在微生物检测中的应用进展

近红外光谱作为一种无损检测技术被广泛应用于农业、制药、食品等领域的多组分品质快速监测。微生物的快速准确检测,在临床诊断、制药和食品加工等领域一直是一个难题。微生物菌体细胞壁、细胞膜及细胞内生物大分子和水的近红外光谱具有高度特异性,因此可以使用近红外光谱快速识别和分类不同的微生物。通过对相关文献的归纳整理与分析提炼,对近红外光谱技术在微生物检测中的研究进展做综述。对微生物的基本知识和近红外光谱技术鉴定微生物的基本原理进行了介绍,并重点综述了近红外光谱技术在微生物分类、食源性微生物检测和成像微生物检测等方面的国内外研究进展,最后对近红外光谱技术目前存在的问题和未来的应用前景进行了展望,以期为今后在微生物检测领域更好地利用近红外光谱提供参考。     

中红外及近红外光谱在小杂粮品质检测中的应用进展

中红外光谱以及近红外光谱在现代分析化学中有重要的地位,是人类认识物质结构、功能、成分以及含量的重要途径。小杂粮泛指生育期短、种植面积少、种植地区和种植方法特殊,有特种用途的多种粮豆,其特点是小、少、特、杂。小杂粮营养丰富,既是传统口粮,又是保健食品资源。随着人民生活水平的提高和膳食结构的改善,小杂粮作为药食同源的新型食品资源,在现代绿色保健食品中占有重要地位。对小杂粮进行品质检测可为小杂粮生物活性物质研究、品质分级、小杂粮育种、产地溯源与真伪鉴别等方面提供可靠的数据支撑。按照麦类小杂粮及豆类小杂粮分类,对国内近30年来小杂粮品质检测有关文献加以综述。研究表明,麦类小杂粮品质检测文献更多,约占文献数量的2/3左右,且以近红外光谱技术应用居多;豆类小杂粮品质检测文献相对较少,约占文献数量的1/3左右,且以中红外光谱技术应用居多。中红外光谱、近红外光谱在小杂粮品质检测分析方面有诸多重要应用。其中,中红外光谱更多应用于小杂粮中活性物质以及小杂粮加工过程的表征,而近红外光谱则更多应用于小杂粮中粗蛋白、粗脂肪、水分等主要品质指标的定量分析检测,可为小杂粮品质监测、科学育种提供高效的数据来源。近年来,随着化学计量学的发展和计算机技术的进步,近红外光谱不再局限于小杂粮品质指标定量分析,而且还被应用于小杂粮产地溯源等领域,亦取得了良好的效果。最后对中红外光谱、近红外光谱在小杂粮品质无损分析检测方面做出了展望。     

基于THz-TDS反射成像技术的玉米种子活力无损检测研究

应用太赫兹时域光谱反射成像技术结合广义二维相关光谱法探索玉米种子活力敏感太赫兹波段,并结合支持向量机建立快速无损判别种子活力的分析模型。实验以中地77玉米种子为例,采用人工老化方式(40℃, 100%相对湿度)将种子样本分批老化0, 1, 2, 3, 4天制备不同活力的种子样本,并按照GB/T 3543.4—1995进行种子发芽实验;同时采用Terapluse 4000太赫兹时域光谱仪及反射成像附件采集上述不同老化程度种子样本的太赫兹光谱图像。由于玉米种子的胚乳和种胚的成分差异显著,为探究种子不同组织在老化过程中与活力的相关性,本实验首先采用双高斯滤波器对THz图像中的像素点光谱消噪、峰峰值差分重构图像增强以及阈值分割等预处理无损提取玉米种子不同组织太赫兹吸光度谱。然后以老化天数为扰动量,针对上述提取的样本胚乳和种胚光谱分别作广义二维相关分析,根据实验中同步谱和异步谱中自动峰与交叉峰位置初步解析,可得到与种子活力关系密切的THz波段主要集中在75和36 cm~(-1)区域,同时75和36 cm~(-1)处的光谱信息存在强烈的协同变化且变化方向一致。种子活力与老化天数密切相关,因此根据老化天数分别建立了基于胚乳和种胚吸光度谱的五分类支持向量机模型用于种子活力定性判别,但是其判别准确率仅为59.34%和71.28%,表明该模型无法精细划分种子五个活力等级;实验进一步根据GB4401.1—2008以玉米种子发芽率85%为阈值划分活力高低等级,建立二分类种子活力判别模型,可得胚乳和种胚测试集识别准确率分别可达88.61%和91.73%,模型性能显著提升,增强了THz技术用于种子活力无损粗筛的可行性。实验结果表明:太赫兹反射成像技术以其丰富的指纹谱、低能安全以及图谱合一等特性,有望成为单粒种子活力快速无损测定领域一项崭新、有力的补充技术。     

近红外光谱分析技术在农产品/食品品质在线无损检测中的应用研究进展

农产品/食品品质问题一直受到人们的广泛关注,而由品质问题引起的农产品/食品安全事故越来越多,所以急需对农产品/食品品质进行快速无损检测。目前常用的快速检测方法有化学比色分析法、近红外光谱法、免疫学分析法、生物传感器技术、生物芯片检测法以及生物学发光检测法等。近红外光谱分析技术因具有分析时间短、无需样品预处理、非破坏性、无污染以及成本低等特点, 已成为一种快速的现代分析技术, 广泛应用于农产品/食品领域的品质检测。国内外许多学者对其进行了深入的研究,并且从实验室的静态研究向在线检测研究方向发展。文章概述了近红外光谱分析技术在水果、鱼类、畜肉类、牛奶、谷物以及奶酪酒精发酵上的在线品质检测/监控应用上的研究进展,指出了近红外光谱分析技术尚存在的问题,并对今后的近红外光谱分析技术作了展望。提出近红外光谱分析技术将会与网络技术相结合,实现近红外分析模型的在线更新与升级, 指出光谱成像技术将成为21世纪近红外光谱分析技术的发展趋势。     

近红外光谱分析技术在水果品质无损检测上的应用

近红外光谱分析技术具有快速、非破坏性、低成本及同时测定多种成分等特点,在很多领域得到广泛应用。本文简介了近红外光谱技术的检测原理,指出其检测优点和不足。综述了国内外将近红外光谱技术应用于水果品质无损检测方面的研究进展,并对利用近红外光谱技术进行水果品质无损检测的研究前景进行了展望。     

近红外漫反射光谱法快速无损鉴别阿胶真伪

采用近红外光谱漫反射光谱技术和模式识别技术快速鉴别阿胶真伪.收集来源不同的阿胶(真品8个,伪品6个),采集其近红外漫反射光谱,使用多重散射校正和小波变换对光谱进行预处理后,分别应用相似度匹配和马氏距离方法建立质量鉴别模型.相似度法使用真品谱图作为标准谱图,用样品谱图与标准谱图的相似度值来鉴别阿胶质量;对阿胶样品进行重复扫描得到28张谱图,随机分为3组后应用马氏距离法建立交叉验证鉴别模型.两种模式识别方法均能准确无误的鉴别阿胶真伪,表明近红外光谱和模式识别技术结合可快速、准确、客观地进行阿胶质量鉴别,可推广到其他中成药的质量鉴别.     

基于高光谱成像技术结合SPA和GA算法测定甜玉米种子电导率

种子活力对于农业发展至关重要,而甜玉米种子普遍存在活力较低且不耐贮藏的问题。因此,及时准确地对甜玉米种子活力进行检测尤为重要。电导率测定法作为一种传统的种子活力检测方法,存在对种子有一定破坏性、耗时较长、重复性不佳等缺点。针这些问题,尝试利用可见-近红外（VIS-NIR）高光谱成像系统结合化学计量学算法建立甜玉米种子电导率快速、无损且精确的检测方法。以高温高湿老化的绿色超人甜玉米种子为试验材料,先通过可见-近红外高光谱成像系统采集种子的高光谱图像和进行电导率测定试验,随后对高光谱图像进行黑白板校正、提取感兴趣区域,获取光谱反射率数据。利用多种预处理方法分别为标准正态变量变换（SNV）、二阶导（SD）、一阶导（FD）、和多元散射校正（MSC）建立甜玉米种子电导率的偏最小二乘回归（PLSR）模型,比较分析并筛选出最适预处理方法。再通过连续投影算法(SPA)及遗传算法（GA）对MSC预处理后的高光谱波段进行筛选提取,基于选出的特征波段建立PLSR模型,并与全波段（Full）PLSR模型进行对比分析,得到与甜玉米种子电导率相关性最高的高光谱波段组合,最终确立一种能够预测甜玉米种子电导率的方法体系。实验结果显示：不同预处理方法（SNV,FD,SD和MSC）建立的PLSR模型性能有所差异,其中MSC-PLSR模型的表现最优秀,其校正决定系数和预测决定系数分别为0.983和0.974,相应的校正均方根误差和预测均方根误差分别为0.165和0.226。进一步分析MSC-Full-PLSR,MSC-SPA-PLSR和MSC-GA-PLSR模型,发现GA能够将全光谱的853个波段压缩至25个有效波段,所建立的MSC-GA-PLSR模型仍表现优秀,其校正决定系数和预测决定系数分别为0.976和0.973,相应的校正均方根误差和预测均方根误差分别为0.194和0.212。实验结果表明：基于可见-近红外（VIS-NIR）高光谱成像系统结合化学计量学算法实现对甜玉米种子电导率的预测存在一定的可行性。该研究为甜玉米种子电导率的快速、无损且精确的检测提供一定的理论支持。     

近紫外-可见-短波近红外多光谱成像数据的糯玉米种子热损伤粒的无损快速鉴别

为对糯玉米种子热损伤粒进行无损快速鉴别并探索热损伤过程对糯玉米种子的影响,以糯玉米种子“京科糯2000”为例,用Videometer近紫外-可见-短波近红外多光谱成像仪分别以胚面向上和胚面向下方式采集糯玉米种子对照组及热损伤组多光谱成像数据,分别提取胚面向上胚部、胚面向上胚乳部、胚面向下胚乳部单点多光谱数据,并对胚面向上胚部和胚面向上胚乳部多光谱数据做初级融合;对多光谱数据进行基线校正预处理后计算各光谱数据样本标准差,进而通过光谱数据样本标准差的变化分析热损伤对糯玉米种子各部位的影响;基于多光谱数据采用偏最小二乘-判别分析算法建立糯玉米种子热损伤粒无损鉴别模型,对所建模型进行全交互验证,并与近红外光谱数据模型比较。结果表明,热损伤对糯玉米种子胚、胚乳有不同的影响,多光谱数据和近红外光谱数据表现出一致的变化趋势。采用多光谱数据建立热损伤粒鉴别模型,各模型前3主成分得分3D散点图中,对照组和热损伤组样品表现出一定的分离趋势,校正数据正确率在96%~100%之间,交互验证数据正确率在92%~100%之间,其中,糯玉米种子胚面向上胚部光谱和胚乳部光谱初级融合数据建模效果最好,校正数据正确率100%,交互验证数据正确率在98%~100%之间。作为对比,采用近红外光谱数据建立糯玉米种子热损伤粒偏最小二乘-判别分析模型,胚面向上、胚面向下以及二者初级融合数据模型的前3主成分得分3D散点图中,对照组和热损伤组样品表现出较好的分离趋势,各模型校正数据、交互验证数据正确率皆为100%。本研究表明,采用近紫外-可见-短波近红外多光谱成像对糯玉米种子的热损伤粒进行无损快速识别具有较好的可行性,多光谱成像数据各变量样本标准差和近红外光谱数据各变量样本标准差呈现一致的规律;采用胚和胚乳融合多光谱数据所建模型在各模型中具有更高的正确率。     

基于主动学习的玉米种子纯度检测模型更新

种子纯度反映种子品种在特征特性方面典型一致的程度,提高种子纯度检测的准确性和可靠性对保证种子的质量具有重要的意义。高光谱图像技术可以同时反映种子的内部特征和外部特征,在农产品无损检测中已经得到广泛应用。利用近红外高光谱图像实现农产品无损检测的实质就是建立光谱信息与农产品品质参数之间的数学模型关系。但光谱信息易受环境、时间的影响,当待测样本的产地或者年份发生改变时光谱信息也随之改变,导致建立的模型的稳定性变差、泛化能力减弱。针对这一问题,采用主动学习算法选择具有代表性的待测样本,最终以添加最少最优的样本数来扩大原模型的样本空间,从而实现模型的快速更新,提高模型的稳定性,同时与基于随机选择算法（RS）和Kennard-Stone算法(KS)的模型更新效果进行比较。实验结果表明：在不同样本集划分比例下（1∶1, 3∶1, 4∶1）,利用主动学习添加40个新样本更新后的2010年的玉米种子纯度检测模型对2011年新样本的预测精度由47%,33.75%,49%提高到98.89%,98.33%,98.33%;利用主动学习添加56个新样本更新后的2011年的玉米种子纯度检测模型对2010年新样本的预测精度由50.83%,54.58%,53.75%提高到94.57%,94.02%,94.57%;同时基于主动学习算法的模型更新效果明显优于RS和KS。因此基于主动学习算法实现玉米种子纯度检测模型的更新是可行的。     

High speed measurement of corn seed viability using hyperspectral imaging

Corn is one of the most cultivated crops all over world as food for humans as well as animals. Optimized agronomic practices and improved technological interventions during planting, harvesting and post-harvest handling are critical to improving the quantity and quality of corn production. Seed germination and vigor are the primary determinants of high yield notwithstanding any other factors that may play during the growth period. Seed viability may be lost during storage due to unfavorable conditions e.g. moisture content and temperatures, or physical damage during mechanical processing e.g. shelling, or over heating during drying. It is therefore vital for seed companies and farmers to test and ascertain seed viability to avoid losses of any kind. This study aimed at investigating the possibility of using hyperspectral imaging (HSI) technique to discriminate viable and nonviable corn seeds. A group of corn samples were heat treated by using microwave process while a group of seeds were kept as control group (untreated). The hyperspectral images of corn seeds of both groups were captured between 400 and 2500 nm wave range. Partial least squares discriminant analysis (PLS-DA) was built for the classification of aged (heat treated) and normal (untreated) corn seeds. The model showed highest classification accuracy of 97.6% (calibration) and 95.6% (prediction) in the SWIR region of the HSI. Furthermore, the PLS-DA and binary images were capable to provide the visual information of treated and untreated corn seeds. The overall results suggest that HSI technique is accurate for classification of viable and non-viable seeds with non-destructive manner.     

近红外光谱技术检测种子质量的应用研究进展

作为农业生产最基本的生产资料,种子质量是影响其种用价值的最重要特征。常用的种子质量检测方法存在检测速度慢、具破坏性、预处理过程复杂等问题,因此研究简便快速的种子质量检测方法对于种子质量检验具有重要意义。本文综述了近年来近红外光谱技术检测种子内含物、种子活力及贮藏年份、种子病害和虫害等研究现状及存在的问题。对于水分、淀粉、蛋白质、脂肪酸、胡萝卜素等物质含量,其模型鉴别率较高,对相对含量较低的微量物质鉴别率较低;因高温高湿致活力下降的种子以及贮藏不同年份的种子可以高效鉴别,而因冷害所致的活力较低种子无法鉴别;目前可成功鉴别健康种子与感病种子,并对种子的健康度进行有效的分级,部分真菌性病害的病原菌也可鉴别;可成功鉴别遭虫蚀种子与健康种子,进而区分害虫的种类,但对虫害水平较低的样本和较小幼虫的检测效果不够理想。最后对近红外光谱技术在种子质量检测应用上存在的问题进行了分析与展望,特别是种子行业特有的单粒检测技术,其光谱采集配件的标准化将极大的提高其应用性。     

基于高光谱技术的玉米种子可视化鉴别研究

种子纯度是衡量种子品质的重要指标。提出一种基于近红外(874～1 734 nm)高光谱技术实现玉米种子可视化鉴别的方法。采集4个品种共384个玉米种子样本的高光谱图像数据,随机选择288个样本作为建模集,剩余96个样本作为预测集。对玉米种子光谱曲线进行分析后,通过连续投影算法（SPA）选取7个特征波段作为输入,结合偏最小二乘法判别分析(PLS-DA)模型,对预测集进行预测,获得较好的分类效果,其中R_C=0.917 7,RMSECV=0.444 2; R_CV=0.911 5,RMSECV=0.459 9,建模集和预测集的总体鉴别率分别为78.5%和70.8%。通过图像处理技术提取高光谱图像中每个玉米颗粒的平均光谱数据,输入建立的SPA-PLS-DA模型,在计算生成的鉴别图中以不同颜色标识不同类别,实现了混杂玉米种子样本的可视化鉴别。对3份不同组成的混杂种子样本进行鉴别,达到了较好的可视化效果。结果表明,通过可视化鉴别技术,可以直观方便地观察混杂种子样本中不同品种种子的分布和数量,为农业生产中种子的纯度鉴别和筛选提供了帮助。     

粮油品质安全高光谱成像检测技术的研究进展

粮油品质安全至关人类营养健康与生命安全。常规检测粮油品质安全方法,由于操作困难、破坏性强、费用高、试剂污染等缺点,不能满足快速无损,高效无污染的要求,难以与工业4.0接轨。整合光谱和图像手段的高光谱成像技术,伴随着化学计量学的发展,突破了常规检测方法局限性,是粮油品质安全检测技术的发展趋势。在大量文献的基础上,综述了高光谱成像技术原理,以及在品质方面(组分测定、发芽检测、品种分类)和安全方面(真菌检测、虫害检测)的研究进展,特别分析了高光谱成像技术检测粮油品质安全的应用光谱范围、化学计量学方法、仪器设备和模型准确性,指出了现阶段在粮油品质安全检测中存在的主要问题,并对今后的研究方向和重点进行了展望,以期推动高光谱成像技术在粮油领域的应用发展。     

太赫兹时域光谱及成像技术在农作物品质检测中的应用研究进展

太赫兹辐射以其独特的技术优势,如瞬时性、宽带性、相干性、低能量性、穿透性和吸收性,受到了全世界各国政府、高等院校、科研机构等的高度重视并日趋成为生物医学、材料科学和物理学等领域的新兴研究热点。农作物成分如水分、蛋白、脂肪、淀粉等理论上在太赫兹谱区有较为丰富的吸收;太赫兹波的低辐射特性对农业生物样本检测更为安全;太赫兹波的穿透特性对带包装样本、包衣样本的检测又独具优势;太赫兹时域光谱与成像技术结合还可以进一步对农作物样本的组织形态进行辨别评价,因此太赫兹波技术逐渐成为农作物品质检测领域一项极具应用潜力和应用前景的前沿分析技术。简述了太赫兹时域光谱及成像技术的基本原理,聚焦于太赫兹时域光谱及成像技术在农作物品质检测领域的应用研究现状,对该技术在农作物种子质量鉴别（如品种、转基因和活力）、农作物成分分析（如糖类、水分和淀粉）,农作物贮藏品质判别（如新陈度、劣变和虫蚀）以及在农产品安全检测（如农药残留、非法添加物和异物）方面的新近研究工作和进展进行归纳总结,并展望了该技术在农作物品质检测领域的应用前景和发展趋势。     

结合光谱图像技术和SAM分类法的甘蓝中杂草识别研究

杂草自动识别技术是实现变量喷洒、精准施药的关键,更是制约其实现的瓶颈,因此,准确、快速、无损地实现杂草自动识别已成为精准农业的一个重要研究方向。利用高光谱成像系统采集甘蓝幼苗及小藜、稗草、牛筋草、马唐和狗尾草等五种杂草在1 000～2 500 nm波长区间的高光谱图像数据,在ENVI中经过MNF变换对数据降噪、去相关,并将波段维数从256维降到11维,通过提取感兴趣区域获得标准光谱,最后利用SAM分类法识别甘蓝与杂草,光谱角弧度阈值为0.1弧度时,分类效果良好。在HSI Analyzer中选择训练像元获得标准光谱后,利用SAM分类法识别甘蓝与杂草,并利用人工分类图与SAM分类图比较定量度量杂草的识别正确率,结果表明,当参数设置为5点平滑、0阶导数和7度光谱角度时,分类效果最佳,杂草识别率为80.0%,非杂草类识别率为97.3%,总体识别率为96.8%。应用光谱图像技术与SAM分类法相结合的方法进行杂草检测,充分利用了光谱和图像的融合信息,该方法应用空间的分类算法来建立光谱判别方法的训练集,在像素级别上考察光谱矢量之间的相似性,融合了光谱和图像两者的优势,同时兼顾了准确性和快速性,并且在整场范围内(行间和行内)改善杂草检测范围,为农业精确管理中需要植物精准信息的应用领域提供了相关的分析手段和方法。     

高光谱成像技术在彩绘文物分析中的研究综述

彩绘文物是文化遗产研究的重要内容之一。目前,许多的化学、光谱以及数字成像等分析技术应用于彩绘文物研究中,其中,高光谱成像技术集光谱分析与成像技术为一体,具有无损、快速成像以及"图谱合一"的特点。其技术特点使得高光谱成像技术在非接触、无样本的条件下对彩绘文物进行无损研究,既可以获得彩绘文物的整体形貌特征,还可以深入分析彩绘文物的光谱特征,是高光谱成像技术相比于其他彩绘文物研究方法的独特优势。利用高光谱成像技术研究彩绘文物分为数据采集、数据分析以及数据应用三步,其中数据分析与数据应用是研究的主要内容。通过对高光谱成像技术在彩绘文物中的相关研究成果进行总结归纳,其数据处理方法主要包括高光谱数据降维、光谱特征参量化、光谱解混合以及分类方法四个方面,并分别描述了四类处理方法的主要功能、常用方法和已有案例。从具体应用方向上,可归纳为视觉增强、隐含信息挖掘、保护监测和颜料分析四类,具体描述了四类应用方向所涵盖的内容以及所解决的问题。最后对相关研究中存在的挑战和发展前景进行了总结和展望。