高光譜成像儀高光譜圖像數據的分析方法解析
發布時間:2024-10-18
瀏覽次數:73
由于高光譜成像儀獲取的光譜數據比較的繁冗,為了獲得有效的光譜信息,建立預測模型,就需要對光譜數據進行處理,提取有效的信息。本文對高光譜成像儀高光譜圖像數據的分析方法做了解析。
由于高光譜成像儀獲取的光譜數據比較的繁冗,為了獲得有效的光譜信息,建立預測模型,就需要對光譜數據進行處理,提取有效的信息。本文對高光譜成像儀高光譜圖像數據的分析方法做了解析。
高光譜圖像數據分析技術路線如下圖所示。對獲取的高光譜圖像進行反射率校正后就可以進行處理:
(1)光譜變量提取
在遙感圖像處理ENVI(ITT Visual Information Solutions,Boulder,USA)軟件中對校正后的高光譜圖像選取不包含背景信息的盡可能大的感興趣區域(Region of Interest,ROI),再提取感興趣區域內所有像素點的反射率光譜數據,并求得其平均光譜。依次提取所有樣本的平均光譜,得到光譜數據矩陣;
(2)圖像紋理變量提取
高光譜圖像數據立方體可看作是每個波段灰度圖像的疊加,這些灰度圖像包含樣本豐富的空間分布屬性。圖像紋理反映像素的空間位置和亮度值變化,進而反映樣本幾何結構的變化。由于高光譜圖像有上百個波段圖像,不可能提取每個灰度圖像的紋理變量,需要先通過主成分分析提取前幾個主成分圖像的紋理變量,或者先尋找最優特征波長再提取特征波長圖像的紋理變量;
(3)光譜數據預處理
預處理可以有效減少系統噪音、雜散光等對成像的影響,從而獲取高信噪比、低背景干擾的數據。常用的光譜預處理方法有:平滑、多元散射校正、變量標準化、求導、歸一化、基線校正等;
(4)特征波長提取
通過選擇特征波長,以降低光譜數據的維數及共線性問題,有效特征波長不僅能代表被測樣本的特征,還能大大簡化回歸或分類運算。常用的特征波長提取方法有:回歸系數法、載荷系數法、連續投影算法、無信息變量消除、遺傳算法、競爭性自適應重加權算法、Random Frog等;
(5)回歸或分類模型的建立
用提取的特征波長光譜和紋理變量建立回歸或分類模型。分類模型是判斷樣本的種類或類型,是定性分析。回歸模型需要組分的含量信息,是定量分析。常用的化學計量學方法有:主成分分析、主成分回歸、多元線性回歸、偏最小二乘法、人工神經網絡、最小二乘支持向量機、高斯過程等;
(6)圖像后處理和可視化
通過在MATLAB(The Math Works,Natick,USA)或IDL(ITT Visual Information Solutions,Boulder,USA)軟件中編寫圖像處理程序,將模型預測的量化結果以偽彩圖的形式展示,實現參數空間分布的可視化。
相關產品
-
紅外光譜的發展、原理、特點、分類
紅外光譜的發展、原理、特點、分類紅外光譜的技術在各領域中的應用相繼經歷了很長時期,逐漸完善著自身技術在領域中的應用,且將低成本高性能作為發展與創新的主要方向。本..
-
近紅外光譜技術的優缺點和應用范圍
?由于近紅外光譜在光纖中良好的傳輸性,近年來也被很多發達國家廣泛應用在產業在線分析中。近紅外定量分析因其快速、正確已被列人世界谷物化學科技標準協會和美國谷物化學..
-
高光譜數據常見預處理方法有哪些?
高光譜在采集數據時會有成百上千個不同的波段數據,數據量巨大從而增加了數據處理的難度。而且在高光譜圖像采集過程中會有來自儀器與環境的干擾,獲得的光譜信號易存在噪聲..
-
高光譜成像儀光譜數據特征波長的選取方法介紹
高光譜成像儀?在對樣品進行側臉時,會采集多波段的光譜數據,全波段數據有較多的冗余信息,因此就需要采用一定的方法來選取樣本光譜的特征波段與紋理特征的重要變量。本文..