基于高光谱成像提取苹果糖度与硬度最佳波长

利用高光谱成像技术提取可同时检测苹果糖度与硬度的最佳波长。首先双面采集苹果的高光谱图像,获取亮度相近感兴趣区域(ROIs)的反射波形,采用二阶导数结合标准正态变量(SD+SNV)的方法平滑波形,测试ROIs的糖度与硬度;之后采用连续投影算法(SPA)提取两项指标的特征波长,根据特征波长的分布提出二次连续投影算法,结合波形集特征与两次投影结果确定不同取样面的最佳波长;最后采用遗传算法开发神经网络(GA-BP)建立预测模型,双面取样波长(543 nm和674 nm)效果最优,糖度相关系数(R)为0.847 6,均方误差(MSE)为3.32;硬度R为0.793 8,MSE为9.6。结果表明,相同波长信息可以检测苹果糖度与硬度。     

高光谱成像的黄瓜病虫害识别和特征波长提取方法

黄瓜霜霉病和斑潜蝇是制约黄瓜产业发展的严重病虫害。为实现黄瓜病虫害快速在线识别,采用高光谱成像和机器学习研究快速识别黄瓜霜霉病和斑潜蝇虫害的方法,为开发实用的基于多光谱成像的黄瓜病虫害快速识别设备奠定基础。使用高光谱成像系统采集黄瓜无症状叶片、霜霉病叶片、斑潜蝇虫害叶片的高光谱图像,在病斑区域选择若干个感兴趣区域(ROI),计算每个ROI的平均反射率数据作为叶片原始光谱数据。使用Kennard-Stone算法将光谱数据按照3∶1的比例划分为训练集和测试集。使用直接正交信号校正(DOSC)、多元散射校正(MSC)、移动窗口平均平滑(MA)3种方法对原始光谱数据进行预处理。采用空间迭代收缩法(VISSA)、竞争性自适应重加权算法(CARS)、迭代保留信息变量法(IRIV)、随机蛙跳算法(SFLA)对MA预处理后的光谱数据进行特征波长提取,分别提取出53、 20、 26、 10个特征波长。然后使用连续投影算法(SPA)分别对特征波长光谱数据进行二次降维,最终VISSA-SPA提取的特征波长为455、 536、 615和726 nm; CARS-SPA提取的特征波长为452、 501、 548...     

新型分子高光谱成像系统性能分析及数据预处理

将分子成像技术和高光谱技术相结合,研制了基于AOTF(Acousto-optic Tunable Filters)的分子高光谱成像系统。系统由显微镜、分光仪、CCD镜头、图像数据采集卡和计算机等几部分组成。在综合考虑各功能部件的性能及相互的制约关系的基础上,分析了系统的性能指标,系统的光谱范围从550～1 000 nm,可采集200个波段,空间分辨率可达0.061 5 μm,光谱分辨率可达2 nm,当CCD工作在积分模式下采集速度可达到2.612 5 s·B-1,当CCD工作在非积分模式下可达到约0.11 μs·B-1。由于受系统光源和光路中透镜及传感器性能的影响,采集到的图像数据需要进行预处理,文中提出一种空间维和光谱维联合校正的灰度校正系数算法,并给出算法的具体实现。以白血病的血液作样本,通过对比校正前后的单波段图像、伪彩色图像和光谱曲线,说明校正算法的有效性,为后续的光谱图像数据分析提供了有效的数据。     

基于高光谱成像的小麦白粉病与条锈病识别

小麦白粉病和条锈病是我国两种最普遍、最具破坏性的小麦病害,且田间常常混合发生。由于病源和发病机理不同,有必要对这两种病害进行准确区分和识别,以采取不同的防治措施。基于ImSpector V10E高光谱成像系统采集的条锈菌侵染叶片、白粉菌侵染叶片和健康叶片(共计320个)在375～1 017 nm范围内的高光谱图像,利用高斯平滑等预处理方法得到三种小麦叶片的平均光谱曲线,发现小麦白粉病和条锈病的敏感波段均集中在550～680 nm的色素强吸收位置,且趋势基本一致。针对两种病害的响应波段交叉重叠的问题,通过主成分分析-载荷法(PCA)、连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对小麦叶片的光谱信息进行有效降维,分别优选出3、6、30个敏感波段和特征波长;在此基础上,采用最小二乘-支持向量机和极限学习机两种分类算法分别基于全波段、PCA、SPA和CARS的优选波段,建立白粉病、条锈病和健康叶片的判别模型。结果表明,8种模型的准确识别率均在94.58%以上。其中,主成分分析-载荷法结合极限学习机模型最优,训练集与校正集的正确识别率分别为99.18%和100%,且结构简单,仅含有三个变量(占全波段的1.1%)。最后,通过对小麦白粉病、条锈病以及健康叶片的显微结构分析,发现病菌入侵叶片,破环细胞结构,导致叶绿素含量减少,光合作用效能降低,进而使得小麦在可见光波段光吸收程度减弱,反射率增大。可见,利用作物的高光谱图像信息能够准确地识别不同类型的小麦病害,为研发作物病害在线识别的多光谱系统提供重要的理论依据。     

光栅色散型成像光谱仪室内外光谱定标中心波长偏移研究

成像光谱仪使用前需要对其进行光谱定标以确定其各光谱通道的中心波长和光谱带宽。但是室内外光谱定标实验结果表明随着使用环境的变化成像光谱仪各通道的中心波长和带宽将发生变化。对光栅色散型成像光谱仪各光谱通道的中心波长室内外定标结果的偏移进行研究,从光栅色散型成像光谱仪的光学结构和工作环境参数出发对造成其中心波长偏移的因素进行分析和建模,对震动、机械形变和浓度等主要影响因素进行理论推导和数量级估算,结合实验结果进行对比分析。理论推导和实验数据分析都表明光栅色散型成像光谱仪室内外光谱定标获得的各通道中心波长的偏移量与各通道的本征波长成二次函数的关系,其中震动和机械形变所带来的系统光路结构的细微改变是造成其中心波长偏移的主要因素,使用环境温度的差异也对该成像光谱仪各光谱通道的中心波长具有一定的影响。     

高光谱遥感器的光谱定标

高光谱遥感器光谱性能参数的准确定标是高光谱遥感器数据定量应用的基本前提。本文基于单色准直光标定法对高光谱遥感器进行了光谱性能参数定标,通过数据采集软件及数据处理软件对高光谱遥感器光谱性能参数定标数据进行了分析。分析结果显示:定标测试的重复性在1 h内小于0.2 nm,在20 h内小于0.35 nm。光谱定标结果表明:高光谱遥感器的平均光谱分辨率为4.94 nm,且各高光谱遥感器空间维光谱分辨率均小于5 nm,典型谱段的平均带宽均在6 nm左右。     

基于高光谱成像的小麦白粉病与条锈病识别(英文)

小麦白粉病和条锈病是我国两种最普遍、最具破坏性的小麦病害,且田间常常混合发生。由于病源和发病机理不同,有必要对这两种病害进行准确区分和识别,以采取不同的防治措施。基于ImSpector V10E高光谱成像系统采集的条锈菌侵染叶片、白粉菌侵染叶片和健康叶片(共计320个)在375～1 017nm范围内的高光谱图像,利用高斯平滑等预处理方法得到三种小麦叶片的平均光谱曲线,发现小麦白粉病和条锈病的敏感波段均集中在550～680nm的色素强吸收位置,且趋势基本一致。针对两种病害的响应波段交叉重叠的问题,通过主成分分析-载荷法(PCA)、连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对小麦叶片的光谱信息进行有效降维,分别优选出3、6、30个敏感波段和特征波长;在此基础上,采用最小二乘-支持向量机和极限学习机两种分类算法分别基于全波段、PCA、SPA和CARS的优选波段,建立白粉病、条锈病和健康叶片的判别模型。结果表明,8种模型的准确识别率均在94.58%以上。其中,主成分分析-载荷法结合极限学习机模型最优,训练集与校正集的正确识别率分别为99.18%和100%,且结构简单,仅含有三个变量(占全波段的1.1%)。最后,通过对小麦白粉病、条锈病以及健康叶片的显微结构分析,发现病菌入侵叶片,破环细胞结构,导致叶绿素含量减少,光合作用效能降低,进而使得小麦在可见光波段光吸收程度减弱,反射率增大。可见,利用作物的高光谱图像信息能够准确地识别不同类型的小麦病害,为研发作物病害在线识别的多光谱系统提供重要的理论依据。     

基于精确光谱响应匹配的星载成像光谱仪交叉辐射定标

星载遥感器在轨运行中受到外太空环境以及遥感器自身特性衰变的影响,辐射特性会发生变化。为确保星载遥感数据能真实地反映被观测地物目标特征及其变化规律,需要定期对星载遥感器进行在轨辐射定标。环境小卫星超光谱成像仪(HJ1A/HSI)由于缺乏配套的星上定标系统,基于场地定标的方法难以满足高频次定标的需求。以EO-1/Hyperion为参考遥感器,以HJ1A/HSI为待定标遥感器,通过反卷积方法对两成像光谱仪光谱通道之间进行精确光谱响应匹配,消除波段设置的差异性,显著降低了HSI定标系数的不确定度。基于本定标方法得到的HSI 115个波段的绝对定标系数中,Band 1至Band 60之间的定标系数的不确定度稳定在5%～8%,除760 nm附近的氧气吸收波段与940 nm附近的水汽吸收波段外,其余波段的定标系数的不确定度为7%～18%,随着波长的增加,不确定度增大。与传统波段匹配方法相比,提高了约50%的精度,该定标精度基本可以满足遥感数据定量化应用的需求。该方法解决了在轨星载成像光谱仪光谱通道设置差异大、交叉定标精度低,难以实用的问题,为星载成像光谱仪高频率更新辐射定标数据提供了一种有效方法。     

基于差分反射高光谱成像的薄层TMDC材料检测技术研究

二维过渡金属硫化物(TMDC)材料因为独特的激子效应和材料学性质,在太阳电池、光催化、传感器、柔性电子器件等领域得到广泛的应用。层数对其性质有显著的调控作用,自动检测识别所需层数的样品是其从实验室走进半导体制造工业的重要技术需求。本文结合反射高光谱成像技术与图像处理算法,发展了一种二维TMDC薄层样品的显微成像自动检测技术。基于自主搭建的反射高光谱成像系统,对制备的不同层数TMDC标准样品进行了光学对比度的系统研究,阐明了层数的差分反射光谱机理,提出了可靠的层数判定方法。基于传统边缘检测技术优化设计了一套图像处理算法,实现了TMDC样品的图像检测及层数鉴定。本文方法具有普遍性、实用性,结合自动对焦的扫描控制,能够实现大规模的自动化样品检测,这也为其他表面目标的显微识别和检测提供了新的灵感和参考。     

基于高光谱成像技术的微小摄像头检测技术

针对高光谱成像特点,提出了一种基于三维特征检测微小摄像头的方案。在空间维利用猫眼效应筛选疑似目标,在光谱维对结果进行精准判定。依据摄像头结构,分析了可见光摄像头的反射光谱特征。基于几何光学和辐射度学,计算和仿真了系统的探测距离。结果表明,正常工作时,光功率影响最小探测距离,目标尺寸影响最大探测距离。搭建了微小摄像头光谱特征验证系统。结果表明,采用吸收型红外截止滤光片的目标的非反射光占比曲线变化平缓且数值高,采用反射型红外截止滤光片的目标的非反射光占比曲线可见光部分数值高,红外部分数值低,从700 nm附近开始下降,甚至发生突变,实验数据显示,突变位置的斜率绝对值是红外波段斜率绝对值的10倍以上。实验结果与预期分析的结果一致,验证了高光谱成像技术检测微小摄像头的可行性。     

基于中阶梯光栅的波长定标方法研究

波长定标是仪器遥感数据定量化的前提和基础。针对星载大气微量成分探测仪视场大、波长宽、空间分辨率和波长分辨率高的特点,建立了基于中阶梯衍射光栅的波长定标装置。中阶梯光栅因其较少的线密度和较大的闪耀角工作在较高的闪耀级次,光谱范围宽且具有较高的分辨率,可在工作波段内一次性输出多条分布较为均匀的谱线,克服了传统定标方式的缺点,提高了定标精度。本文首先介绍了波长定标装置的工作原理,接着利用该装置对高光谱大气微量成份探测仪进行波长定标,通过寻峰和回归分析给出载荷的波长定标方程,并利用标准汞灯谱线对定标结果进行检验。结果表明:高光谱大气微量成份探测仪的像元和波长近似满足线性分布规律,定标不确定度为0.025 8 nm,汞灯特征谱线的定标值和标准值偏差最大不超过0.043 5 nm,证明了定标结果的准确性。     

基于高光谱特征的迷彩伪装评价

伪装效果分析是伪装设计和识别的重要环节,为了对高光谱探测下的目标伪装效果进行有效评价,结合高光谱图像光谱分辨率较高的特点,提出了一种基于高光谱特征的迷彩伪装评价方法。在光谱维,分析并提取伪装目标的光谱特征。在空间维,对图像第一主成分进行多层小波分解,提取高频分量和低频分量的比值、水平分量和垂直分量的比值以及低频图像的对比度、相关性、能量、同质性等6个特征作为纹理特征。利用欧氏距离分别计算光谱特征距离与纹理特征距离,最后将二者进行综合,距离越小说明伪装效果越好。实验数据表明:本文的方法可以量化高光谱成像下的迷彩伪装效果,评价客观。得到迷彩雨衣与草坪背景之间的综合距离为1.3225,两者融合效果最好。     

微型X射线数字成像系统的测试与应用

研制了一套采用X射线敏感CCD作为成像探测器的微型数字成像系统并用于牙科诊断。应用牙齿模型与分辨率测试卡对系统的辐射剂量和分辨率进行了测试,采用分段线性校正对CCD与转换屏耦合下的响应不均匀性进行校正,并通过计算线性相关系数辨别瑕疵像元以避免误判。测试了系统在高分辨率、小工作幅面X射线检测方面的应用效果。结果显示,系统分辨率高于10lp/mm,在获得相近对比度图像的条件下,所需的辐射剂量仅为胶片的10%,图像非均匀性相对校正前可降低27.5%。得到的结果表明,系统满足高分辨率、低辐射剂量的使用要求,在微小物体X射线检测方面具有较大的应用潜力。     

一种分焦平面偏振成像系统光源标定方法北大核心CSCD

水下偏振成像技术是目前水下成像研究的热点,由于自然光在水中衰减大,水下成像系统多采用主动照明方式。针对分焦平面偏振成像系统中偏振照明光源与偏振探测像元偏振方向不匹配引起采集图像偏振信息存在的偏差,进而影响目标图像增强质量的问题,提出了一种分焦平面偏振成像系统光源标定方法。阐述了偏振光源的标定原理,然后给出偏振光源标定的实施步骤,最后采用偏振去雾算法和图像质量评价方法对标定前后的水下目标图像进行了图像增强和图像质量评价。评价结果表明,标定后的增强图像质量优于未标定的增强图像质量,平均梯度最大提升了2.48倍。该标定方法简单有效,实用性强,适用于分焦平面偏振成像系统偏振光源标定。     

Identification of microalgae by hyperspectral microscopic imaging system

Harmful algal blooms can lead to serious environment problems, and thus monitoring and classifying microalgae have received increasing attention. Microcystis aeruginosa, Chlorella pyrenoidosa, and Nannochloris oculata all are small in size and have a similar morphology, which lead to discriminant difficulties using a traditional optical microscope. In this experiment, an independently developed hyperspectral microscopic imaging system was used to obtain the hyperspectral images of microalgae samples, and a hyperspectral dataset was developed through pretreated steps. Then the Fisher algorithm was employed to identify the species of the microalgae, and its sensitivity and specificity were found to be high. The result demonstrated that this method can classify the microalgae in a quick and convenient manner; in addition, the quantity and spatial information of the samples can be acquired.     

Discrimination methods for biological contaminants in fresh-cut lettuce based on VNIR and NIR hyperspectral imaging

The rapid detection of biological contaminants such as worms in fresh-cut vegetables is necessary to improve the efficiency of visual inspections carried out by workers. Multispectral imaging algorithms were developed using visible-near-infrared (VNIR) and near-infrared (NIR) hyperspectral imaging (HSI) techniques to detect worms in fresh-cut lettuce. The optimal wavebands that can detect worms in fresh-cut lettuce were investigated for each type of HSI using one-way ANOVA. Worm-detection imaging algorithms for VNIR and NIR imaging exhibited prediction accuracies of 97.00% (RI_547/945) and 100.0% (RI_1064/1176, SI_1064-1176, RSI-I_{(1064-1173)/1064}, and RSI-II_{(1064-1176)/(1064+1176)})_, respectively. The two HSI techniques revealed that spectral images with a pixel size of 1 × 1 mm or 2 × 2 mm had the best classification accuracy for worms. The results demonstrate that hyperspectral reflectance imaging techniques have the potential to detect worms in fresh-cut lettuce. Future research relating to this work will focus on a real-time sorting system for lettuce that can simultaneously detect various defects such as browning, worms, and slugs.     

基于K-L散度与光谱可分性距离的波段选择算法

波段选择是高光谱降维的常用手段,文中从波段选择应遵循的3个原则出发设计了一种基于信息散度与光谱可分性距离的波段选择算法。将高光谱数据中每个波段的光谱分量看作一个一维向量,使用K-L散度表示其相互之间的信息量,选出信息量大且相似性最小的波段组合;根据每个波段中不同地物光谱可分性距离的计算,得到可分性较大的波段组合;将两组波段组合取交集,即得到最优组合波段。为了验证算法的有效性,将选出的最佳3个波段进行伪彩色合成,对其进行光谱角制图分类,分类精度达到92.2%,Kappa系数为0.88.     

基于K-L散度与光谱可分性距离的波段选择算法

波段选择是高光谱降维的常用手段,文中从波段选择应遵循的3个原则出发设计了一种基于信息散度与光谱可分性距离的波段选择算法。将高光谱数据中每个波段的光谱分量看作一个一维向量,使用K-L散度表示其相互之间的信息量,选出信息量大且相似性最小的波段组合;根据每个波段中不同地物光谱可分性距离的计算,得到可分性较大的波段组合;将两组波段组合取交集,即得到最优组合波段。为了验证算法的有效性,将选出的最佳3个波段进行伪彩色合成,对其进行光谱角制图分类,分类精度达到922%,Kappa系数为088.     

基于水浴黑体的红外成像系统定标实验研究

定标是任何成像和非成像系统定量化应用的前提,实验室定标是把握系统基本性能的关键环节。在阐述红外系统定标的原理和方法的基础上,基于高精度水浴黑体,从稳定度、响应线性和响应度系数方面对红外热像仪进行了定标实验,描述了实验定标系统,并结合实验详细分析了影响定标精度的主要因素:黑体温度的不确定度、对同一辐射量值的测量误差和环境温度引入的误差。     

Classification of visible and infrared hyperspectral images based on image segmentation and edge-preserving filtering

The classification of hyperspectral images with a few labeled samples is a major challenge which is difficult to meet unless some spatial characteristics can be exploited. In this study, we proposed a novel spectral-spatial hyperspectral image classification method that exploited spatial autocorrelation of hyperspectral images. First, image segmentation is performed on the hyperspectral image to assign each pixel to a homogeneous region. Second, the visible and infrared bands of hyperspectral image are partitioned into multiple subsets of adjacent bands, and each subset is merged into one band. Recursive edge-preserving filtering is performed on each merged band which utilizes the spectral information of neighborhood pixels. Third, the resulting spectral and spatial feature band set is classified using the SVM classifier. Finally, bilateral filtering is performed to remove “salt-and-pepper” noise in the classification result. To preserve the spatial structure of hyperspectral image, edge-preserving filtering is applied independently before and after the classification process. Experimental results on different hyperspectral images prove that the proposed spectral-spatial classification approach is robust and offers more classification accuracy than state-of-the-art methods when the number of labeled samples is small.