高光譜成像儀是如何對樣本進行分析的?
發布時間:2023-10-20
瀏覽次數:430
高光譜成像技術的核心原理是光譜與圖像合二為一,獲得圖像數據的同時,得到圖像中每個像素的光譜信息,即高光譜數據多維立方體,進而對樣本進行定性與定量的分析。那么,高光譜成像儀是如何對樣本進行定性定量分析的?本文對高光譜成像儀的原理及對樣本進行定性定量分析作了介紹。
高光譜成像技術的核心原理是光譜與圖像合二為一,獲得圖像數據的同時,得到圖像中每個像素的光譜信息,即高光譜數據多維立方體,進而對樣本進行定性與定量的分析。那么,高光譜成像儀是如何對樣本進行定性定量分析的?本文對高光譜成像儀的原理及對樣本進行定性定量分析作了介紹。
高光譜成像儀的工作原理:
如上圖所示,當光源照射到待測樣品表面,由于樣品中所含物質成分及物理特性存在差異,在特定波長下有不同的反射比、分散度以及電磁能等。待檢樣品的輻射能通過鏡頭聚集并由狹縫增強準直照射到分光原件上,最終在垂直方向上按光譜分散并成像于圖像傳感器上,即得到待測樣品的高光譜圖,如下圖所示。
高光譜圖像是由非常窄的多達數百個連續光譜波段組成,其圖像又稱超立方,可通過反射、透射和漫反射來獲取,該圖像是一個三維的數據矩陣(X,Y,λ),其中(X,Y)代表的是二維的空間維度,(λ)代表的是一維的光譜維度。從一維維度(λ)上看,高光譜圖像是一張張二維(X,Y)圖像(上圖A),而從二維(X,Y)上看,高光譜圖像是一條條光譜譜線(上圖B),光譜數據所攜帶的信息一般可采用3種表示方法,即圖像空間、光譜空間、特征空間。圖像空間根據RGB色澤的差異能較為直觀地觀測被檢對象的整體分布信息;光譜空間表示了被檢物質在不同波長下的響應情況;特征空間為光譜指紋圖譜技術奠定了理論依據,且該特征空間能較好地應用于模式識別。
高光譜成像儀對樣本進行定性定量分析的方法:
高光譜成像技術定性定量判別的一般流程如上圖所示。由于高光譜數據冗余,需要應用統計學方法進行定性定量分析。其中定性分析中主要有監督分類與非監督分類、參數分類與非參數分類、確定性分類與非確定性分類等,定量分析模型中多采用多元變量回歸,可分為線性回歸和非線性回歸,線性回歸包括多元線性回歸(MLR)、主成分回歸(PCR)、偏最小二乘回歸(PLS)等,非線性回歸包括人工神經網絡(ANN)、支持向量機(SVM)等。
高光譜成像技術應用于樣本定量模型預測研究,需要對采集完樣品的原始光譜信息進行黑白校正,由于高光譜相鄰譜帶之間存在較強的相關性,利用全波段進行多變量建模預測比較耗時,且效果不穩定,因此需要進行特征波段的選擇。特征波段的選擇方法較多,如相關系數波段選擇法、顯變分析波段選擇法,這兩種方法能簡便地提取特征波段,但缺乏對數據多重共線性判別的能力,導致模型預測性能較差;而間隔PLS可消除多重共線性的影響,因為該方法是將PLS回歸模型最終的預測結果作為衡量波段選擇的標準;模擬退火法選擇特征波段,是將預測模型自身的預測能力作為衡量標準,忽略了校正模型的穩健性,因此,當外界環境改變時,模型預測結果的重現性較差;此外還有連續投影法(SPA)、主成分分析法(PCA)等一系列方法應用于特征波段的選取。因此,在進行定性定量模型判別時要綜合考慮這些方法的優缺點及適用性,從而使得模型穩健性和預測精確度達到最佳。
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..