基於近紅外成像高光譜技術的海苔雜質分析研究

基於近紅外成像高光譜技術的海苔雜質分析研究

一
、測試原理及方法：

 高(gao)光(guang)譜(pu)成(cheng)像(xiang)技(ji)術(shu)是(shi)近(jin)二(er)十(shi)年(nian)來(lai)發(fa)展(zhan)起(qi)來(lai)的(de)基(ji)於(yu)非(fei)常(chang)多(duo)窄(zhai)波(bo)段(duan)的(de)影(ying)像(xiang)數(shu)據(ju)技(ji)術(shu)，其(qi)最(zui)突(tu)出(chu)的(de)應(ying)用(yong)是(shi)遙(yao)感(gan)探(tan)測(ce)領(ling)域(yu)，並(bing)在(zai)越(yue)來(lai)越(yue)多(duo)的(de)民(min)用(yong)領(ling)域(yu)有(you)著(zhe)更(geng)大(da)的(de)應(ying)用(yong)前(qian)景(jing)。它(ta)集(ji)中(zhong)了(le)光(guang)學(xue)
、光電子學
、電子學
、信息處理、計算機科學等領域的先進技術，是傳統的二維成像技術和光譜技術有機的結合在一起的一門新興技術。

 高光譜成像技術的定義是在多光譜成像的基礎上，在從紫外到近紅外（200-2500nm）的de光guang譜pu範fan圍wei內nei
，利li用yong成cheng像xiang光guang譜pu儀yi
，在zai光guang譜pu覆fu蓋gai範fan圍wei內nei的de數shu十shi或huo數shu百bai條tiao光guang譜pu波bo段duan對dui目mu標biao物wu體ti連lian續xu成cheng像xiang。在zai獲huo得de物wu體ti空kong間jian特te征zheng成cheng像xiang的de同tong時shi，也ye獲huo得de了le被bei測ce物wu體ti的de光guang譜pu信xin息xi。

目標物體-成像物鏡-入射狹縫-準直透鏡-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光譜儀產生的線性色散確定。最小光譜分辨率是由光學係統的成像性能確定的（點擴展大小）。

成像過程為：每次成一條線上的像後（X方向），在檢測係統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據。

圖2 像立方體

二、材料與分析：

1、實驗設備與材料

本文以市場上購買的海苔為研究對象，參雜了少量沙石、木塊
、木炭
、塑料繩等雜質，利用四川雙利合譜科技有限公司的近紅外高光譜成像儀GaiaSorter-N17E（光譜範圍900 nm - 1700 nm）采集測試對象的高光譜影像數據，並從獲取的高光譜影像數據中分析參雜的雜質。表1為近紅外高光譜成像儀GaiaSorter-N17E係統參數。

表1  近紅外高光譜成像儀GaiaSorter-N17E係統參數

2
、高光譜影像數據預處理

對成像光譜儀獲取的原始影像數據進行數據的預處理
，預處理過程主要包括兩部分。第一部分是輻射定標；第二部分為噪聲去除。

首先進行輻射定標。輻射定標的計算公式如1所示。

   (1)

其中，Ref_target為目標物的反射率，Ref_panel為標準參考板的反射率
，DN_target為原始影像中目標物的的數值
，DN_panel為原始影像中標準參考板的數值
，DN_dark為成像光譜儀係統誤差。

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於判定圖像數據內在的維數（即波段數），分離數據中的噪聲，減少隨後處理中的計算需求量。MNF本質上是兩次層疊的主成分變換。第一次變換（基於估計的噪聲協方差矩陣）用於分離和重新調節數據中的噪聲，這步操作使變換後的噪聲數據隻有最小的方差且沒有波段間的相關。第二步是對噪聲白化數據（Noise-whitened）的標準主成分變換。為了進一步進行波譜處理，通過檢查最終特征值和相關圖像來判定數據的內在維數。數據空間可被分為兩部分：一(yi)部(bu)分(fen)與(yu)較(jiao)大(da)特(te)征(zheng)值(zhi)和(he)相(xiang)對(dui)應(ying)的(de)特(te)征(zheng)圖(tu)像(xiang)相(xiang)關(guan)，其(qi)餘(yu)部(bu)分(fen)與(yu)近(jin)似(si)相(xiang)同(tong)的(de)特(te)征(zheng)值(zhi)以(yi)及(ji)噪(zao)聲(sheng)占(zhan)主(zhu)導(dao)地(di)位(wei)的(de)圖(tu)像(xiang)相(xiang)關(guan)。由(you)於(yu)此(ci)次(ci)采(cai)集(ji)的(de)高(gao)光(guang)譜(pu)影(ying)像(xiang)沒(mei)有(you)白(bai)板(ban)校(xiao)正(zheng)，因(yin)此(ci)數(shu)據(ju)預(yu)處(chu)理(li)的(de)第(di)一(yi)步(bu)輻(fu)射(she)定(ding)標(biao)沒(mei)有(you)進(jin)行(xing)分(fen)析(xi)處(chu)理(li)
，直(zhi)接(jie)作(zuo)MNF降噪分析。圖3為MNF降噪前後的成像高光譜數據中DN值的變化。

圖3 MNF變換前(左)後(右)高光譜影像DN值的變化

三、結果與分析

1、 海苔高光譜影像中各雜質的高光譜反射率

    圖4為海苔在900-1700 nm範圍內，其與背景
、木塊
、木炭、塑(su)料(liao)繩(sheng)以(yi)及(ji)其(qi)他(ta)雜(za)質(zhi)的(de)高(gao)光(guang)譜(pu)反(fan)射(she)率(lv)曲(qu)線(xian)圖(tu)。從(cong)圖(tu)中(zhong)可(ke)知(zhi)，海(hai)苔(tai)與(yu)雜(za)質(zhi)間(jian)的(de)光(guang)譜(pu)差(cha)異(yi)顯(xian)著(zhu)，因(yin)而(er)可(ke)以(yi)考(kao)慮(lv)運(yun)用(yong)閾(yu)值(zhi)分(fen)割(ge)的(de)方(fang)法(fa)提(ti)取(qu)海(hai)苔(tai)
，或(huo)分(fen)析(xi)各(ge)雜(za)質(zhi)。

圖4 海苔高光譜影像中各雜質的高光譜反射率

2、最小噪聲分離變換

對原始高光譜數據進行 MNF 變(bian)換(huan)
，分(fen)別(bie)得(de)到(dao)以(yi)有(you)效(xiao)信(xin)息(xi)為(wei)主(zhu)的(de)波(bo)段(duan)和(he)以(yi)噪(zao)聲(sheng)為(wei)主(zhu)的(de)波(bo)段(duan)，並(bing)且(qie)按(an)照(zhao)信(xin)噪(zao)比(bi)從(cong)大(da)到(dao)小(xiao)的(de)順(shun)序(xu)排(pai)列(lie)。原(yuan)始(shi)數(shu)據(ju)的(de)主(zhu)要(yao)信(xin)息(xi)都(dou)集(ji)中(zhong)在(zai)前(qian)麵(mian)特(te)征(zheng)值(zhi)大(da)的(de)波(bo)段(duan)
，後(hou)麵(mian)特(te)征(zheng)值(zhi)小(xiao)的(de)波(bo)段(duan)主(zhu)要(yao)以(yi)噪(zao)聲(sheng)為(wei)主(zhu)。特(te)征(zheng)值(zhi)接(jie)近(jin)於(yu)1的多數是噪聲，最好選擇特征值高的波段。圖5分別列舉了前9個MNF波段影像。從圖5可知，第2個MNF波段數據能較好地識別出海苔及其背景
、雜質
，然而雜質間卻無法區別開；第3個MNF較亮的部分來雜質，較暗的一部分也是雜質，這兩種雜質顯然不是同一類別

，第4個MNF與第3個MNF圖像相似。其他幾個MNF並無明顯的圖像區分度。

圖5海苔高光譜圖像前9個MNF波段數據（從左往右依次為MNF1-9）

3、海苔
、雜質高光譜圖像監督分類研究

gaoguangpuyaogantuxiangfenleishigaoguangpuyaogantuxiangfenxiheyingyongdezhongyaoneirong


，genjushifoushiyongleibiedexianyanzhishi，kefenweijiandufenleihefeijiandufenlei，changyongdejiandufenleifangfayouzuidasiranfenleifa、光譜匹配法和神經網絡法等
，非監督分類常用的方法有K-Means和ISODATA法。本研究運用監督分類方法中的最大似然分類法、神經網絡法、光譜角匹配法來研究海苔、雜質、背景的區分，分類結果如圖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。從圖6suozhi，zhesanzhongjiandufenleifangfazhong，shenjingwangluodefenleixiaoguozuihao
，nengshibiechujizhongbutongzazhi
，ranersuliaoshengbingweiqingxideshibiechulai
，erqieshenjingwangluofenleifangfafenleisudujiaoman
，xuyaoxuanzexunlianyangben
，feishifeili，buliyuchanyehuadeyingyong。

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

（c）人工神經網絡                                                         (b) 光譜角匹配

圖6 運用不同監督分類方法區分海苔
、雜質、背景

4、基於海苔
、雜質高光譜圖像決策樹分類研究

根據2和3可知，運用MNF和監督分類方法雖然能較好地識別出海苔，但是單個MNF波(bo)段(duan)隻(zhi)能(neng)識(shi)別(bie)出(chu)少(shao)量(liang)的(de)雜(za)質(zhi)
，且(qie)位(wei)置(zhi)雜(za)質(zhi)屬(shu)性(xing)，監(jian)督(du)分(fen)類(lei)雖(sui)然(ran)能(neng)識(shi)別(bie)較(jiao)多(duo)的(de)雜(za)質(zhi)，但(dan)是(shi)需(xu)要(yao)選(xuan)擇(ze)訓(xun)練(lian)樣(yang)本(ben)，且(qie)運(yun)行(xing)時(shi)間(jian)較(jiao)長(chang)，並(bing)不(bu)適(shi)合(he)未(wei)來(lai)產(chan)業(ye)化(hua)的(de)發(fa)展(zhan)。因(yin)為(wei)本(ben)研(yan)究(jiu)探(tan)討(tao)綜(zong)合(he)使(shi)用(yong)不(bu)同(tong)物(wu)質(zhi)的(de)光(guang)譜(pu)特(te)征(zheng)及(ji)其(qi)MNF波段
，運用決策樹分類方法快速識別海苔、雜質
、背景。

決策樹(Decision Tree）是shi在zai已yi知zhi各ge種zhong情qing況kuang發fa生sheng概gai率lv的de基ji礎chu上shang，通tong過guo構gou成cheng決jue策ce樹shu來lai求qiu取qu淨jing現xian值zhi的de期qi望wang值zhi大da於yu等deng於yu零ling的de概gai率lv
，評ping價jia項xiang目mu風feng險xian，判pan斷duan其qi可ke行xing性xing的de決jue策ce分fen析xi方fang法fa，是shi直zhi觀guan運yun用yong概gai率lv分fen析xi的de一yi種zhong圖tu解jie法fa。由you於yu這zhe種zhong決jue策ce分fen支zhi畫hua成cheng圖tu形xing很hen像xiang一yi棵ke樹shu的de枝zhi幹gan，故gu稱cheng決jue策ce樹shu。在zai機ji器qi學xue習xi中zhong，決jue策ce樹shu是shi一yi個ge預yu測ce模mo型xing，他ta代dai表biao的de是shi對dui象xiang屬shu性xing與yu對dui象xiang值zhi之zhi間jian的de一yi種zhong映ying射she關guan係xi。決jue策ce樹shu是shi一yi種zhong樹shu形xing結jie構gou
，其qi中zhong每mei個ge內nei部bu節jie點dian表biao示shi一yi個ge屬shu性xing上shang的de測ce試shi
，每mei個ge分fen支zhi代dai表biao一yi個ge測ce試shi輸shu出chu，每mei個ge葉ye節jie點dian代dai表biao一yi種zhong類lei別bie。

圖7為決策樹的分叉圖，主要運用了MNF變化的MNF2、3、4、5波段，以及高光譜圖像數據的第15
、80


、104波段做決策樹分類，該閾值是運用最大類間方差法獲取。圖8為利用該決策樹的分類效果圖，從圖中可知，原圖無法用肉眼識別的塑料繩
、雜質等，運用決策樹分類後能較為清晰的識別出來
，而且圖像處理速度大大提高。

圖7 決策樹分叉圖

圖8 決策樹分類效果圖