高光谱成像结合人工神经网络无损检测桃的硬度
第23卷 第6期
2015年6月
光学精密工程
O p t i c s a n dP r e c i s i o nE n g i n e e r i n g
V o l .23 N o .6
J u n .2015
收稿日期:2015-01-28;修订日期:2015-03-13.
基金项目:国家自然科学基金资助项目(N o .31171720
)文章编号 1004-924X (2015)06-1530-08
高光谱成像结合人工神经网络无损检测桃的硬度
郭文川*,董金磊
(西北农林科技大学机械与电子工程学院,陕西杨凌712100)
摘要:为无损检测桃的内部品质,提出了结合高光谱成像技术和人工神经网络无损检测桃硬度的方法。采集了摘后贮藏了12d 的140个桃在900~1700n m 的高光谱图像,以每个桃高光谱图像中40p i x e l ×40p i x e l 的感兴趣区域的平均光谱作为桃的原始反射光谱;利用S a v i t z k y -G o l a y 平滑和标准正态变量变换对光谱进行预处理;
基于共生距离算法划
分样本,得到校正集样本105个和预测集样本35个。利用连续投影算法、无信息变量消除法和正自适应加权算法从全光谱的216个波长中分别提取了12个、103个和22个特征波长;分别建立了基于全光谱和提取的特征波长预测桃硬度的支持向量机模型和B P 网络模型。结果表明,基于全光谱建立的B P 网络模型具有最好的预测性能,其预测相关系数为0.856,预测均方根误差为0.931。本研究为基于桃内部品质的工业化分级提供了基础。关 键 词:高光谱成像;桃;硬度;无损检测;B P 网络;
支持矢量向量机中图分类号:O 657.33;S 662.1 文献标识码:A d o i :1
0.3788/O P E .20152306.1530N o n d e s t r u c t i v e d e t e c t i o no n f i r m n e s s o f p e a c h e s b a s e do n
h y p e r s p e c t r a l i m a g i n g a
n da r t i f i c i a l n e u r a l n e t w o r k s G U O W e n -c h u a n *
,D O N GJ i n -l e i
(,
,
712100,
)
*
,
:
69126.
A b s t r a c t :T oe x p l o r ean o n d e s t r u c t i v e m e t h o dt o m e a s u r e p e a c hi n t e r n a l q u a l i t y ,ah y p e r s p
e c t r a l i m a g i n g t e c h n o l o g y c o m b i n e d w i t h A r t i
f i c i a lN e u r a lN e t w o r k s (A N N )w a sa p p l i e dt oe v a l u a t et h e f i r m n e s so f i n t a c t p e a c h e s .T h eh y p e r s p e c t r a l i m a
g e so f140p e a c
h e sd u r
i n g 12d a y s t o r a g
e w e r e a c q u i r e d
f r o m900n mt o 1700n m ,a n d t h e a v e r a
g e r e f l e c t i v e s p e c t r u mo f i n t e r e s t r e g i o n o f 40p i x e l ×40p i x e li n e a c hi m a g
e w a sc a l c u l a t e d a n d w a s u s e d a st h e o r i g i n a ls p e c t r a .T h es p e c t r a w e r e p r e p r o c e s s e db y S a v i t z k y -G o l a y s m o o t h i n g a n dt h es t a n d a r d n o r m a lv a r i a t e .T h es a m p
l es e t w a s p a r t i t i o n e db a s e d o n j
o i n t i n t o c a l i b r a t i o n s e t s (105)a n d p r e d i c t i o n s e t s (35).T h e n t h e s u c c e s s i v e p r o j e c t i o na l g o r i t h m ,u n i n f o r m a t i v ev a r i a b l e e l i m i n a t i o n m e t h o da n dc o m p e t i t i v ea d a p t i v e r e w e i g h t e d s a m p l i n g m e t h o d w e r e u s e d t o s e l e c tc h a r a c t e r i s t i c w a v e l e n g t h s b y 12,103a n d 22f r o m 216w a v e l e n g t h s ,r e s p e c t i v e l y .As u p p o r tv e c t o rm a c h i n ea n da ne r r o rb a c k p r o p a g
a t i o n (B P )n e t w o r k m o d e lw e r e e s t a
b l i s h e db a s e do n f u l l s p e
c t r a a n
d s
e l e c t e d c h a r a c t e r i s t i cw a v e l e n g t h s
f o r p r e d i c t i n
g t
h e f i r m n e s so fi n t a c t p e a c h e s .T h er e s u l ts h o w st h a tB P m o d e lb a s e d o nf u l ls p
e c t r a h a st h eb e s t
p r e d i c t i o n p e r f o r m a n c ew i t h a c o r r e l a t i o n c o e f f i c i e n t a n d a r o o t-m e a n-s q u a r e e r r o r o f0.856a n d0.931, r e s p e c t i v e l y.T h i s s t u d y o f f e r s t h eb a s e f o r i d e n t i f y i n g i n t e r n a l q u a l i t i e s o f p e a c h e s i n i n d u s t r y.
K e y w o r d s:h y p e r s p e c t r a l i m a g i n g;p e a c h;f i r m n e s s;n o n d e s t r u c t i v ed e t e c t i o n;B Pn e t w o r k;s u p p o r t v e c t o rm a c h i n e
1 引 言
桃原产于我国西北地区,是我国主要水果之一[1]。硬度是评价桃成熟度的主要指标之一,硬度大则桃脆,硬度小则桃多汁。不同的消费者有不同的口感,因此检测桃的硬度不仅有助于指导消费,而且对于指导桃的采收、采后储藏和加工都具有重要的意义。目前,检测桃硬度的方法主要是依据国家标准G B/T10650-2008,采用探头压入果肉进行测量[2],该方法属于有损检测。因此有必要研究桃硬度的无损检测方法。果实硬度的变化与细胞结构中的果胶、纤维素和半纤维素的含量有关,而这些成分都含有吸收近红外光的O—H、C—H等化学键[3],而近红外光谱技术具有速度快、操作简单、稳定性好等优点[4],因此该技术已广泛应用于苹果[5]、梨[6-7]、桃[8]、猕猴桃[3]等水果硬度的无损检测中。目前,在近红外光谱检测桃硬度的研究中,多采用近红外光纤探头与果实相接触的方法,这种接触式检测法虽可用于开发便携式的果实硬度检测仪,但很难应用于桃硬度的工业化分级。
高光谱成像技术是将光谱技术与图像技术相结合的一门新兴的无损检测技术。国内外许多学者已利用高光谱成像技术进行苹果[9-10]、枣[11]、蓝莓[12]等水果硬度的无损检测,并取得了较好的研究成果。在利用高光谱技术检测桃硬度的研究中,L u等[13]利用高光谱散射图像(500~ 1000n m)对“R e dH a v e n”和“C o r a l S t a r”两个品种桃的硬度进行了无损检测,用每个波段下获得的洛仑兹系数与测得的硬度值进行多元线性回归,指出预测硬度的决定系数分别为0.77和0.58,表明散射光谱和桃硬度有关。而采用高光谱反射图像技术预测桃硬度的研究目前尚未见报道。本文以“北京八号”桃为实验材料,采用高光谱成像技术采集采后储藏期间桃的高光谱图像,并提取反射光谱。然后采用化学计量学和人工神经网络技术建立了基于反射高光谱预测桃硬度的模型,分析模型的精度和可靠性,以期为桃硬度的
工业化检测提供一种无损、可靠的方法。
2 材料与方法
2.1 实验材料
实验用“北京八号”桃采摘于陕西省杨凌区某农户的果园。采摘后置于4℃下冷藏。每隔3天选取大小均匀、无损伤样品35个。用软纸擦掉表面杂物,待样品温度回升至室温(22±2)℃后进行高光谱图像采集,共测样品140个。
2.2 步骤和方法
实验所用的H y p e r S I S-N I R高光谱成像系统(900~1700n m)如图1所示。该系统主要包括:高光谱成像光谱仪(I m s p e c t o r N17E,S p e c t r a I m a g i n g有限公司,芬兰),8位C C D相机(O P C A05G,H a m a m a s t u公司,日本),4个100W 卤素灯(H S I A-L S-T A I F,北京卓立汉光仪器有限公司,中国),电动传送平台(P S A200-11-X,北京卓立汉光仪器有限公司,中国)和数据采集软件(S p e c t r aS E N S,S p e c t r aI m a g i n g有限公司,芬兰)。整个成像系统置于一个暗箱中
。
图1 高光谱成像系统
F i g.1 S c h e m a t i c d i a g r a mo f h y p e r s p e c t r a l i m a g i n g s y s t e m
实验前将高光谱成像系统预热30m i n。图像采集过程中的参数设置如下:物距为650m m,曝光时间为10m s,传送平台速度为20m m/s。采集光谱之前,为减弱成像光谱仪暗电流和照明装置对图像的影响,需要对仪器进行黑白校
1351
第6期 郭文川,等:高光谱成像结合人工神经网络无损检测桃的硬度
正[14
]。首先采集反射率为99%的白板的漫反射
图像,然后盖上镜头盖采集暗图像
,根据式
(1)计算原始漫反射图像o r i g
i n a l 的校正图
像c o r r e c t :
c o r r e c t
=
o r i g
i n a l --
×100%.(1
)随后将桃横放于传送平台上,采集每个桃的
阳面和阴面的高光谱图像。将采集到的高光谱图像用E N V I 软件(R e s e a r c hS y
s t e m s 有限公司,美国)进行感兴趣区域(R e g i o no f I n t e r e s t ,R O I )选取。考虑到桃形状和大小的差异,以及光谱的一致性等问题,分别从每张桃光谱图像的中心处选取40p i x e l ×40p i x e l 的R O I ,求出每张图R O I 的平均反射光谱。以两张图像平均反射光谱的平均值作为该桃的反射光谱。
在采集完桃的高光谱图像后,在桃的赤道上均匀选取4点(其中2点在桃的阳面,2点在阴面),用削皮刀削去果皮后,用探头直径为11m m 的G Y -3型水果硬度计(艾德堡仪器有限公司,中国)测量果肉的硬度,将4个点测量结果的平均值作为该样品的硬度值。所有测量均在室温(22±2)℃下完成。
2.3 光谱预处理
由于光谱信号容易受到测量环境、测量条件和仪器性能等因素的影响,测量到的光谱信号存在噪声和谱线平移等干扰[
15
],因此需要对原始光谱进行预处理。常见的预处理方法包括
S a v i t z k y -G o l a y
(S G )平滑去噪,多元散射校正、标准正态变量变换(S t a n d a r d N o r m a l V a r i a t e ,S N V )
,一阶、二阶微分等。分析不同预处理方法发现,先经S G 平滑,然后经S N V 预处理能更好地消除噪声的影响,因此本文采用S G 平滑加
S N V 预处理(S G+S N V )的方法进行光谱去噪。2.4 样本划分方法
本研究采用G a l v a o 等[16]
提出的S P X Y
(S a m p l e S e t P a r t i t i o n i n g B
a s e d o n J o i n t d i s t a n c e s )法划分样本。S P X Y 法是在K e n n a r d -S t o n e 法的基础上发展而来的,
其优点是在计算样品间距离时同时考虑光谱变量和浓度变量的欧氏距离,这样可有效地覆盖多维向量空间,使划分得到的校正集代表性较强,能有效地改善模型的预测性能[
17
]。2.5 特征波长提取方法
本文分别采用连续投影算法(S u c c e s s i v e P r o j e c t i o nA l g
o r i t h m ,S P A )、无信息变量消除法(U n i n f o r m a t i v e V a r i a b l eE l i m i n a t i o n ,U V E )
和正自适应加权算法(C o m p e t i t i v e A d a p
t i v e R e w e i g h t e dS a m p l i n g
,C A R S )提取特征波长,分析各种特征波长提取方法对桃硬度检测模型性能的影响。
S P A 是一种前向循环算法,
它利用向量的投影分析,通过多次迭代选出冗余信息最少的变量组,最大限度地减少变量之间的共线性,从而提高
模型的速度和效率[
18
]。U V E 是基于偏最小二乘回归(P a r t i a lL e a s t
S q
u a r e s ,P L S )系数的变量选择方法。它将变量对应的回归系数平均值与其标准差的比值作为变量重要性的衡量指标。无信息变量的判定方法是人为添加一个随机矩阵作为噪声矩阵,将噪声矩阵的最大值作为阈值,小于阈值的变量
作
为无信息变量而被剔除[
19
]。C A R S 借助指数衰减函数对每次循环构建的
P L S 模型中回归系数绝对值最大的变量进行筛选,同时利用自适应重加权采样技术去除权重小的变量,经过多次重复筛选,选出交互验证均方根误差值(R M S E C V )
最小的变量集[20
]。2.6 建模方法和评价指标
本文分别建立了基于全光谱和基于上述的3种特征波长提取方法的特征波长预测桃硬度的支持向量机(S u p p
o r t V e c t o rM a c h i n e ,S V M )和误差反向传播(e r r o r B a c kP r o p a g
a t i o n ,B P )网络模型。S VM 是由V a p i n k [21]
首先提出的基于统计学习理论的机器学习方法。该方法建立一个分类超平面作为决策曲面,使得正例和反例之间的隔离边缘被最大化。S VM 在解决小样本、非线性以及高维模式识别中表现出诸多优势,并且能应用到函数拟合等其他机器学习问题中,具有很强的
泛化能力和预测能力[
22
]。B P 神经网络是一种多层前馈神经网络。其
输入信号从输入层经隐含层到输出层。如果输出层得不到期望输出,则转入反向传播,根据误差调
整权值和阈值,使预测输出不断向期望输出逼
近[23
]。B P 神经网络是目前应用最广泛的神经网
络之一,它能够实现输入与输出之间的高度非线性映射。
本文以校正集样品的相关系数(c )
和校正集样品的均方根误差(R M S E C )说明模型的校正性能,以预测集样品的相关系数(p )和预测集样
品的均方根误差(R M S E P )说明模型的预测性能。2
351 光学 精密工程
第23卷
一个好的模型应该有高的c
和
p
,以及小的
R M S E C 和R M S E P 。
3 实验结果与分析
3.1 光谱特征和预处理
由于原始光谱的首末两端有较大的噪音,因此选择928.19~1711.71n m 为有效光谱区域,该区域含有216个波段。对该波段进行S G+
S N V 预处理后的反射光谱如图2所示。由图2可
知,吸收波峰主要出现在965,1200和1450n m
处,其中965n m 和1450n m 为水的吸收峰,
而1200n m 为桃中果胶的吸收峰[2
4]
。图2 经S G+S N V 处理后的反射光谱
F i g .2 R e f l e c t a n c es p e c t r aa f t e rS G+S N V p r o c e s s i n g
o v e r r e g
i o n f r o m928.19t o 1675.19n m 3.2 样本划分
采用S P X Y 方法对140个桃按照3∶1比例划分校正集与预测集,得到校正集样本105个和预测
集样本35个。表1为校正集和预测集样本硬度的统计结果。由表1可以看出,预测集中样本硬度的最大值小于校正集中样本硬度的最大值,而预测集中样本硬度的最小值大于校正集的最小值,从而说明样本划分合理,有望建立良好的预测模型。
表1 桃校正集和预测集硬度统计
T a b .1 S t a t i s t i c s o f p e a c h f i r m n e s s i nc a l i b r a t i o ns e t a n d
p r e d i c t i o n s e t 样本集样本数硬度/(k g ·c m -2)最小值最大值平均值标准偏差校正集1050.309.06
3.12
2.06
预测集
35
0.35
7.192.621.71
3.3 特征波长的选取
综合比较了基于R M S E C 和R M S E C V 选取的特征波长对模型的校正性能,尤其是对预测性能的影响,本文将R M S E C V 作为选取特征波长的评价指标。
3.3.1 应用S P A 选取特征波长设定S P A 选取的波长数为1~16,步长为1,计算每个波长下的R M S E C V 。通常根据最小的
R M S E C V 确定最佳的特征波长数。图3所示是R M S E C V 随S P A 中有效波长数的变化情况。由图3可见,当特征波长数为12时,R M S E C V 值最小,由此确定的最佳特征波长数为12。这12个
特征波长按重要性从高到低依次为1246.9,
1200.4,1057.7,1336.5,1004.5,1379.7,
1386.3,968.0,941.5,1642.0,1446.1和1114.1n m
。
图3 R M S E C V 随S P A 中有效波长数的变化规律
F i g
.3 V a r i a t i o no f R M S E C V w i t h n u m b e ro fe f f e c t i v e w a v e l e n g
t h s i nS P A 3.3.2 应用U V E 选取特征波长
在采用基于P L S 的U V E 选取特征波长时,一个主要的问题是确定P L S 模型中潜在变量的个数。本文设定潜在变量数为1~20,计算每个潜在变量数下的R M S E C V ,如图4所示。当潜在变量数为9时,R M S E C V 最小,
故确定的潜在变量数为9。9个潜在变量下每个变量的稳定性系数如图5所示。图5中竖线左侧为216个光谱变量,右边为216个人工随机变量。两条水平虚线为
变量选择的阈值(±19.29),阈值的选择标准为随机变量稳定性系数最大绝对值的99%。稳定性系数在阈值内的变量被当作无信息变量而被剔除。应用U V E 共选取了103个特征波长,主要分布在964.7~1107.5n m ,1134.0~1167.2n m ,
3
351第6期 郭文川,
等:高光谱成像结合人工神经网络无损检测桃的硬度
1197.1~1339.9n m ,1495.9~1532.4n m 和
1602.1~1622.1n m ,说明这几个区域是对桃硬度敏感的波段
。
图4 R M S E C V 随U V E 中P L S 潜在变量数的变化规律
F i g
.4 V a r i a t i o n o f R M S E C V w i t h n u m b e ro fl a t e n t v a r i a b l e s o f P L S i nU V
E
图5 P L S 的潜在变量数为9时U V E 的稳定性分布曲线
F i g .5 S t a b i l i t y d i s t r i b u t i o n o f v a r i a b l e s s e l e c t e db y U V
E a t 9l a t e n t v a r i a b l e s i nP L S
3.3.3 应用C A R S 选取特征波长
在应用C A R S 选取特征波长时,
设定蒙特卡洛采样次数为50次,采用5折交叉验证法计算所建立的P L S 模型的R M S E C V ,
结果如图6所示。图6说明,随着采样次数的增加,所建立的
P L S 模型的R M S E C V 不断减小,
当采样次数为25时,R M S E C V 达到最小(1.463)
。随后R M S E C V 随采样次数的增加而增大。本文得到的最优变量集包含有22个特征波长,
分别为1004.5,1064.3,1067.6,1070.9,10
94.2,1097.5,1110.8、1150.6,1153.9,1163.9,1203.7,1207.1,1210.4,1227.0,1240.3,1290.1,1293.4,1333.2,1336.5,1363.1,
1369.7和1635.3n m
。
图6 C A R S 中不同采样次数下的R M S E C V
F i g
.6 V a r i a t i o no fR M S E C V w i t hn u m b e r o f s a m p l i n g t
i m e s i nC A R S 3.4 建模结果
3.4.1 S VM 建模结果
建立S VM 模型时首先需要确定核函数以及
两个关键参数,即惩罚因子
和核参数
。参数
控制着训练错误率和模型复杂程度,控制着样本数据向高维空间映射的复杂程度。常用的核函数有线性函数、多项式函数和径向基函数。本研究选用径向基函数为核函数,采用5折交叉验证方法确定和。具体方法是先将参数和
粗略设
置为2×10
-8~2×108
,定精细的取值为2×10
-4~2×104
,然后计算R M S E C V ,根据最小R M S E C V 确定最优的,值。表2给出了不同变量选择方向下最优的和。
表2 不同变量选择方法下S V M 模型参数
T a b .2 P a r a m e t e r s o f S VM w i t h d i f f e r e n t v a r i a b l e
s e l e c t i o nm e t h o d s
变量选择方法
S P A 0.500.50
U V E 0.50
1.5692
C A R S
0.50
8S VM 模型对桃硬度的预测结果及模型的运
算时间见表3,所用计算机主频为2.2G H z
,内存为4G B 。表3说明,C A R S -S VM 具有最高的
c
(0.958)、较高的p (0.821)以及最低的R M S E C (0.626)和R M S E P (1.110)。F S -S VM 虽具有最
高的
p
(0.832),但c 较低,只有0.638,
且R M S E C 较高(1.612)。U V E -S VM 模型效果略
次于C A R S -S VM 。S P A -S VM 具有最低的c 和4
351 光学 精密工程
第23卷
p,以及最高的R M S E C和R M S E P,说明其校正和预测性能最差。相比于F S的216个波长, U V E虽剔除了多一半的无用信息,但提取的特征波长还有103个,导致模型复杂。S P A虽只用了12个特征波长,但所建模型的性能很差,说明一些反映硬度信息的波长没有被提取出来。C A R S 提取了22个特征波长,所用波长数是全波长下的10.2%,模型运算时间(0.0067s)少于F S (0.0115s)和U V E(0.0075s),能够有效地简化模型。因此,C A R S-S VM被确定为最佳的S VM模型。
表3 基于不同特征波长提取方法建立的S V M和
B P模型对硬度的检测结果
T a b.3 F i r m n e s s e sd e t e c t e d b y S VM a n d B P m o d e l s
b a s e do nd i f f e r e n t s e l e
c t i o nm e t h o
d s
建模方法变量选
择方法
变量数
校正集
c R M S E C
预测集
p R M S E P
运算
时间/s
S VM F S2160.6381.6120.8321.1550.0115 S P A120.6161.6370.7581.1810.0061
U V E1030.9460.7080.8101.1770.0075
C A R S220.9580.6260.8211.1100.0067 B P F S2160.8311.2150.8560.9310.0173
S P A120.7691.3630.8121.0880.0162
U V E1030.7951.2820.8131.0740.0165
C A R S220.8041.2860.8271.0560.0165
3.4.2 B P网络建模结果
实验将全波长及经S P A、U V E和C A R S分别选取的特征波长作为B P网络的输入。K o l m o g o r o v理论表明:具有单隐层的神经网络能以任意精度逼近任意函数。本文建立三层B P 网络模型。隐含层节点数的选取由以下经验公式[25]近似确定:
=()0.5,(2)
=(+)0.5+,(3)
=l o g2,(4)其中:为隐层节点数,为输入层节点数,为输出层节点数,为0~10的常数。经反复试验发现隐含层节点数为5时模型具有良好的综合性能。输入层的传递函数为t a n s i g,隐含层的传递函数为t a n s i g,桃硬度作为网络输出,输出层的传递函数为p u r e l i n。目标均方差设定为0.00001,迭代次数为100,学习率为0.1。由于B P网络随机选取初始权值,因此采用50次重复建模结果的平均值作为最终结果,见表3。以F S-B P为例,50次重复建模p 为0.815~0.877,平均值为0.856,方差为0.017,其中有28次建模的p大于平均值。
表3表明,F S-B P模型具有最高的c(0.831)和p(0.856),以及最小的R M S E C(1.215)和R M S E P(0.931),说明F S-B P模型具有最好的校正和预测性能。C A R S-B P的校正和预测性能略劣于F S-B P。S P A-B P模型的性能最差,因为其c和p最小,且R M S E C和R M S E P最大。U V E-B P的性能稍优于S P A-B P。从运算时间看,虽然F S-B P的运算时间最长,但仅为0.0173s,略大于B P下其他几种模型,能够应用于快速无损检测。
3.4.3 不同模型的比较
同F S-B P模型相比,C A R S-S VM模型的c 为0.958,明显大于F S-B P的0.831,且C A R S-S VM的R M S E C为0.626,明显低于F S-B P的
1.215,说明C A R S-S VM的校正性能明显优于
F S-B P。F S-B P的p为0.856,高于C A R S-S VM 的0.821,且其R M S E P为0.931,低于C A R S-B P 的1.056,说明F S-B P具有较好的预测性能。除此之外,发现C A R S-S VM的预测性能劣于其校正性能,但F S-B P的预测性能优于其校正性能,说明F S-B P具有较强的样本适应性,更有利于提高模型预测的精度。从运算时间上来看,C A R S-S V M 模型的运算时间较短,比F S-B P少0.0106s,但0.0173s的运算时间能够满足工业化检测的需求。综合考虑,本文确定F S-B P为预测桃硬度的最优模型。
对比国内外研究,本研究的结果略劣于F u 等[8]基于近红外光谱建立的白桃硬度的P L S R模型(c=0.948)和基于高光谱散射图像利用洛仑兹系数建立的“R e d H a v e n”品种桃硬度的多元线性回归模型(2=0.77),但优于L u等[13]对“C o r a l S t a r”品种桃硬度的预测(2=0.58),由此表明基于高光谱建立的桃硬度的非线性模型具有良好的预测能力,可应用于桃硬度的无损检测。4 结 论
本文基于900~1700n m间的反射高光谱并利用S P A、U V E和C A R S法选取特征波长简化模型,比较了基于全光谱和提取的特征波长建立
5351
第6期 郭文川,等:高光谱成像结合人工神经网络无损检测桃的硬度
的S VM和B P模型对桃硬度预测性能的影响。实验结果表明:利用S P A、U V E和C A R S从全谱的216个波长中分别选取了12个、103个和22个特征波长,所选特征波长数分别是全谱波长数的5.6%,47.7%和10.2%。特征波长的提取有利于简化模型及提高模型的运算速度。在基于全谱和不同方法提取的特征波长所建立的S VM和B P模型中,基于全谱建立的B P模型(F S-B P)的预测性能最好,其p和R M S E P分别为0.856和0.931。本文将高光谱图像技术结合人工神经网络方法应用于无损检测桃的硬度,为依据内部品质实现桃的工业化分级提供了研究基础。
参考文献椇
[1] 毕金峰,阮卫红,刘璇,等.桃汁贮藏期间的品质变
化研究[J].现代食品科技,2014,30(7):117-123.
B I JF,R U A N W H,L I U X,..T h e q u a l i t y
c h a n g e o f p e a c h j u i c e
d u r i n g s t o r a g e[J].
,2014,30(7):117-123.(i nC h i n e s e)
[2] 朱伟兴,江辉,陈全胜.特征波长筛选在近红外光谱
测定梨硬度中的应用[J].农业工程学报,2010,26
(8):368-372.
Z HU W X,J I A N G H,C H E N QS H.A p p l i c a t i o n
o f c h a r a c t e r i s t i cw a v e l e n g t h s s e l e c t i o n i nd e t e r m i n a-t i o no f p e a r f i r m n e s sb y n e a r i n f r a r e d(N I R)s p e c-t r o s c o p y[J].,2010,26
(8):368-372.(i nC h i n e s e)
[3] 刘卉,郭文川,岳绒.猕猴桃硬度近红外漫反射光谱
无损检测[J].农业机械学报,2011,42(3): 145-149.
L I U H,G U O W C H,Y U ER.N o n-d e s t r u c t i v e d e-t e c t i o no fk i w i f r u i t f i r m n e s sb a s e do nn e a r-i n f r a r e d
d i f f u s
e d s p e c t r o s c o p y[J].
,2011,42
(3):145-149.(i nC h i n e s e)
[4] 赵强,张工力,陈星旦.多元散射校正对近红外光谱
分析定标模型的影响[J].光学精密工程,2005,13
(1):53-58.
Z H A O Q,Z H A N G G L,C H E N X D.E f f e c t so f
m u l t i p l i c a t i v e s c a t t e r c o r r e c t i o n o n a c a l i b r a t i o n
m o d e l o fn e a r i n f r a r e ds p e c t r a la n a l y s i s[J]..
.,2005,13(1):53-58.(i nC h i n e s e) [5] M E N D O Z AF,L U RF,C E N H Y.G r a d i n g o f a p-
p l e s b a s e do n f i r m n e s s a n d s o l u b l e s o l i d s c o n t e n t u-s i n g V i s/S WN I Rs p e c t r o s c o p y a n ds p e c t r a l s c a t t e r-i n g t e c h n i q u e s[J].,
2014,125:59-68.
[6] 曾一凡,刘春生,孙旭东,等.可见/近红外光谱技术
无损检测果实坚实度的研究[J].农业工程学报, 2008,24(5):250-252.
Z E N G YF,L I U C H S H,S U N X D,..N o n-
d e s t r u c t i v em e a s u r e m e n to f f i r m n e s so f p e a ru s i n g
v i s i b l e a n d n e a r-i n f r a r e d s p e c t r o s c o p y t e c h n i q u e
[J].,2008,24(5):250-252.(i nC h i n e s e)
[7] 王加华,陈卓,李振茹,等.洋梨硬度的便携式可见/
近红外漫透射检测技术[J].农业机械学报,2010, 41(11):129-133.
W A N GJH,C H E NZ H,L I Z H R,..E v a l u a t i o n o f e u r o p e a n p e a r(L.)f i r m n e s s b a s e d o n p o r t a b l e V i s/N I R t r a n s m i t t a n c e t e c h n i q u e[J].
,2010,41(11):129-133.(i nC h i n e s e) [8] F U XP,Y I N G Y B,Z H O U Y,..A p p l i c a t i o n
o fN I Rs p e c t r o s c o p y f o r f i r m n e s s e v a l u a t i o no f p e a-
c h e s[J].
,2008,9(7):552-557.
[9] WA N GS,HU A N G M,Z HU QB.M o d e l f u s i o n f o r
p r e d i c t i o n o f a p p l e f i r m n e s s u s i n g h y p e r s p e c t r a l s c a t t e r i n g i m a g e[J].
,2012,80:1-7.
[10] Z HU Q B,HU A N G M,Z H A O X,..W a v e-
l e n g t hs e l e c t i o no fh y p e r s p e c t r a ls c a t t e r i n g i m a g e
u s i n g n e ws e m i-s u p e r v i s e da f f i n i t yp r o p a g a t i o n f o r
p r e d i c t i o no f f i r m n e s sa n ds o l u b l es o l i dc o n t e n t i n
a p p l e s[J].,2013,6
(1):334-342.
[11] 徐爽,何建国,贺晓光,等.基于高光谱技术的长枣
内外品质同时检测[J].光电子·激光,2013,24
(10):1972-1976.
X US H,H EJG,H E X G,..S i m u l t a n e o u s
d e t e c t i o no fe x t e r n a la n di n t e r n a l q u a l i t yp a r a m e-
t e r so fl o n gj u j u b e su s i n g h y p e r s p e c t r a li m a g i n g
t e c h n o l o g y[J].·
,2013,24(10):1972-1976.(i nC h i n e s e)
[12] L E I V A-V A L E N Z U E L A G A,L U R F,A G U I L-
E R AJM.P r e d i c t i o no f f i r m n e s s a n ds o l u b l e s o l-
i d sc o n t e n to fb l u e b e r r i e su s i n g h y p e r s p e c t r a l r e-
f l e c t a n c e i m a
g i n g[J].
,2013,115(1):91-98.
[13] L U RF,P E N G Y K.H y p e r s p e c t r a l s c a t t e r i n g f o r
a s s e s s i n gp e a c h f r u i t f i r m n e s s[J].
,2006,93(2):161-171.
6351 光学 精密工程 第23卷
[14] L I UDY,G U O WC.I d e n t i f i c a t i o n o f k i w i f r u i t s t r e a-
t e dw i t h e x o g e n o u s p l a n t g r o w t h r e g u l a t o r u s i n g n e a r-
i n f r a r e dh y p e r s p e c t r a l r e f l e c t a n c e i m a g i n g[J].
,2015,8:164-172. [15] 刘燕德,周延睿,彭彦颖.基于近红外漫反射光谱
检测鸡蛋品质[J].光学精密工程,2013,21(1):
40-45.
L I U YD,Z H O U Y R,P E N G Y Y.D e t e c t i o no f
e g g q u a l i t y b y n e a ri n
f r a r e d d i f f u s e r e f l e c t a n c e
s p e c t r o s c o p y[J]...,2013,21
(1):40-45.(i nC h i n e s e)
[16] G A L VàORK H,A R A U J O M CU,J O SéGE,
..A m e t h o d f o r c a l i b r a t i o n a n d v a l i d a t i o n s u b s e t
p a r t i t i o n i n g[J].,2005,67(4):736-740.
[17] 展晓日,朱向荣,史新元,等.S P X Y样本划分法及
蒙特卡罗交叉验证结合近红外光谱用于橘叶中橙
皮苷的含量测定[J].光谱学与光谱分析,2009,29
(4):964-968.
Z H A N XR,Z HU X R,S H IX Y,..D e t e r-
m i n a t i o no f h e s p e r i d i n i n t a n g e r i n e l e a f b y n e a r-i n-
f r a r e d s p e c t r o s c o p y w i t hS P X Ya l
g o r i t
h mf o r s a m-
p l e s u b s e t p a r t i t i o n i n g a n d m o n t ec a r l oc r o s sv a l i-
d a t i o n[J].,
2009,29(4):964-968.(i nC h i n e s e) [18] 商亮,谷静思,郭文川.基于介电特性及A N N的
油桃糖度无损检测方法[J].农业工程学报,2013,
29(17):257-264.
S H A N GL,G UJ S,G U O WC H.N o n-d e s t r u c t i v e l y
d e t e c t i n g s u g a r c o n t e n t o f n e c t a r i n e sb a s e do nd i e l e c-
t r i c p r o p e r t i e sa n d A N N[J].
,2013,29(17):257-264.(i nC h i n e s e) [19] 郭文川,王铭海,谷静思,等.近红外光谱结合极限
学习机识别贮藏期的损伤猕猴桃[J].光学精密
工程,2013,21(10):2720-2727.
G U O W C H,WA N G M H,G UJ S,..I d e n-
t i f i c a t i o no fb r u i s e d k i w i f r u i t sd u r i n g s t o r a g eb y
n e a ri n f r a r e d s p e c t r o s c o p y a n d e x t r e m el e a r n i n g
m a c h i n e[J]...,2013,21
(10):2720-2727.(i nC h i n e s e)
[20] L IH D,L I A N G YZ,X U Q S,..K e y w a v e-
l e n g t h s s c r e e n i n g u s i n g c o m p e t i t i v e a d a p t i v e r e-
w e i g h t e d s a m p l i n g m e t h o d f o rm u l t i v a r i a t e c a l i b r a t i o n
[J].,2009,648(1):
77-84.
[21] V A P N I K V N.[M].
N e w Y o r k:W i l e y,1998.
[22] 丁世飞,齐丙娟,谭红艳.支持向量机理论与算法
研究综述[J].电子科技大学学报,2011,40(1):
2-10.
D I N GS HF,Q I B J,T A N HY.A n r e v i e wo n t h e o-
r y a n d a l g o r i t h mo f s u p p o r t v e c t o rm a c h i n e s[J].
,2011,40(1):2-10.(i nC h i n e s e) [23] 郭文川,王铭海,岳绒.基于近红外漫反射光谱的
损伤猕猴桃早期识别[J].农业机械学报,2013,44
(2):142-146.
G U O W C H,WA N G M H,Y U ER.E a r l y r e c o g-
n i t i o no fb r u i s e dk i w i f r u i tb a s e do nn e a r i n f r a r e d
d i f f u s
e r e
f l e c t a n c es p e c t r o s c o p y[J].
,2013,44(2):142-146.(i nC h i n e s e) [24] K AM R U Z Z AMA N M,E l MA S R YG,S U ND W,
..P r e d i c t i o no f s o m e q u a l i t y a t t r i b u t e so f l a m b
m e a t u s i n g n e a r-i n f r a r e d h y p e r s p e c t r a l i m a g i n g a n d
m u l t i v a r i a t e a n a l y s i s[J].
,2012,714:57-67.
[25] 林喜娜,王相友,丁莹.双孢蘑菇远红外干燥神经
网络预测模型建立[J].农业机械学报,2010,41
(5):110-114.
L I N X N,WA N GX Y,D I N G Y.E x p e r i m e n t o n
n e u r a l n e t w o r k p r e d i c t i o n m o d e l i n g o f f a r i n f r a r e d
r a d i a t i o nd r y i n g f o r[J]
.
,2010,41(5):110-114.(i nC h i n e s e)作者简介:
郭文川(1969-),女,陕西临潼人,博
士,教授,
博士生导师,2004年于西北
农林科技大学获得博士学位,主要从事
农产品和食品品质无损检测技术方面
的研究。E-m a i l:g u o w e n c h u a n69@
126.c o m
董金磊(1990-),男,河南新乡人,硕士
研究生,主要从事农产品品质的高光谱
无损检测技术的研究。E-m a i l:d j l2012
@126.c o m
(版权所有 未经许可 不得转载)
7351
第6期 郭文川,等:高光谱成像结合人工神经网络无损检测桃的硬度
高光谱成像专业技术进展(光电检测专业技术大作业)
高光谱成像技术进展 Ｂy 1３0４０51０0xx 一．高光谱成像技术的简介 高光谱成像技术的出现是一场革命，尤其是在遥感界。它使本来在宽波段不可探测的物质能够被探测,其重大意义已得到世界公认。高光谱成像技术光谱分辨率远高于多光谱成像技术,因此高光谱成像技术数据的光谱信息更加详细，更加丰富,有利于地物特征分析。有人说得好，如果把多光谱扫描成像的MSＳ（mulｔi-specｔral sｃannｅｒ)和TM（thｅｍatｉc mapｐeｒ）作为遥感技术发展的第一代和第二代的话, 那么高光谱成像( hｙｐｅｒspeｃtral iｍaｇeｒｙ) 技术则是第三代的成像技术。 高光谱成像技术的具体定义是在多光谱成像的基础上，从紫外到近红外(2００－2500nm）的光谱范围内,利用成像光谱仪,在光谱覆盖范围内的数十或数百条光谐波段对目标物体连续成像。在获得物体空间特征成像的同时，也获得了被测物体的光谱信息。 （一）高光谱成像系统的组成和成像原理 而所谓高光谱图像就是在光谱维度上进行了细致的分割，不仅仅是传统所谓的黑、白或者R、G、B的区别，而是在光谱维度上也有N个通道,例如:我们可以把400nm-100０nm分为３00个通道。因此，通过高光谱设备获取到的是一个数据立方,不仅有图像的信息，并且在光谱维度上进行展开,结果不仅可以获得图像上每个点的光谱数据，还可以获得任一个谱段的影像信息。 目前高光谱成像技术发展迅速，常见的包括光栅分光、声光可调谐滤波分光、棱镜分光、芯片镀膜等。下面分别介绍下以下几种类别： （1）光栅分光光谱仪 空间中的一维信息通过镜头和狭缝后，不同波长的光按照不同程度的弯散传播，这一维图像上的每个点，再通过光栅进行衍射分光,形成一个谱带,照射到探测器上，探测器上的每个像素位置和强度表征光谱和强度。一个点对应一个谱段，一条线就对应一个谱面，因此探测器每次成像是空间一条线上的光谱信息，为了获得空间二维图像再通过机械推扫,完成整个平面的图像和光谱数据采集。如下
高光谱图像分类
《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 35 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月
一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为 21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。
高光谱成像检测技术
高光谱成像检测技术 一、高光谱成像技术的简介 高光谱成像技术是近二十年来发展起来的基于非常多窄波段的影像数据技术，其最突出的应用是遥感探测领域，并在越来越多的民用领域有着更大的应用前景。它集中了光学、光电子学、电子学、信息处理、计算机科学等领域的先进技术，是传统的二维成像技术和光谱技术有机的结合在一起的一门新兴技术。 高光谱成像技术的定义是在多光谱成像的基础上，在从紫外到近红外（200-2500nm）的光谱范围内，利用成像光谱仪，在光谱覆盖范围内的数十或数百条光谱波段对目标物体连续成像。在获得物体空间特征成像的同时，也获得了被测物体的光谱信息。 高光谱成像技术具有超多波段（上百个波段）、高的光谱分辨率（几个nm）、波段窄（≤10-2λ）、光谱范围广（200-2500nm）和图谱合一等特点。优势在于采集到的图像信息量丰富，识别度较高和数据描述模型多。由于物体的反射光谱具有“指纹”效应，不同物不同谱，同物一定同谱的原理来分辨不同的物质信息。 二、高光谱成像系统的组成和成像原理 高光谱成像技术的硬件组成主要包括光源、光谱相机（成像光谱仪+CCD）、装备有图像采集卡的计算机。光谱范围覆盖了200-400nm、400-1000nm、900-1700 nm、1000-2500 nm。 CCD 光源光栅光谱仪成像镜头
光谱相机的主要组成部分有：准直镜、光栅光谱仪、聚焦透镜、面阵CCD。 高光谱成像仪的扫描过程：面阵CCD探测器在光学焦面的垂直方向上做横向排列完成横向扫描（X方向），横向排列的平行光垂直入射到透射光栅上时，形成光栅光谱。这是一列像元经过高光谱成像仪在CCD上得到的数据。它的横向是X方向上的像素点，即扫描的一列像元；它的纵向是各像元所对应的光谱信息。 同时，在检测系统输送带前进的过程中，排列的探测器扫出一条带状轨迹从而完成纵向扫描（Y方向）。
利用高光谱图像技术检测水果轻微损伤
高光谱图像技术检测苹果轻微损伤 摘要 传统的近红外光谱分析法和可见光图像技术应用于水果品质无损检测 中存在的检测区域小、检测时间长、仅能检测表面情况等局限性。提出了 利用高光谱图像技术检测水果轻微损伤的方法。试验以苹果为研究对象, 利 用 500~ 900nm范围内的高光谱图像数据, 通过主成分分析提取 547nm 波长 下的特征图像, 然后设计不均匀二次差分消除了苹果图像亮度分布不均匀 的影响, 最后通过合适的数字图像处理方法提取苹果的轻微损伤。 关键词: 无损检测苹果高光谱图像检测轻微损伤 引言 水果在采摘或运输过程中, 因外力的作用使其表皮受到机械损伤, 损伤处 表皮未破损, 伤面有轻微，色稍变暗, 肉眼难于觉察。受水果色泽的影响, 传统的计算机视觉技术不能对轻微损伤加以检测。但是轻微损伤是水果在线检测的主要指标之一, 随着时间的延长, 轻微损伤部位逐渐褐变, 最终导致整个果实腐 烂并影响其他果实。因此, 水果轻微损伤的快速有效检测是目前研究的难点和热点之一。虽然轻微损伤和正常区域在外部特征上呈现出极大的相似性, 但是损伤区域的内部组织发生一定的变化, 这种变化可以通过特定波长下的光谱表现出来。 当前, 一种能集成光谱检测和图像检测优点的新技术。高光谱图像技术正好能满足水果表面轻微损伤检测的需要。高光谱图像技术是光谱分析和图像处理在最低层面上的融合技术, 可以对研究对象的内外部特征进行可视化分析。在国内, 高光谱图像技术在农畜产品品质检测的应用还没有相关的文献报道; 在国外, 近几年来有部分学者将该技术应用于肉类和果蔬类的品质检测上。 本文采用高光谱图像技术对水果表面轻微损伤检测进行研究, 并通过合适 的数据处理方法寻找到最能准确辨别水果表面损伤的特征波长下的图像, 为实 现高光谱图像技术对水果轻微损伤的在线检测提供依据。 1 高光谱图像基本原理 高光谱图像是在特定波长范围内由一系列波长处的光学图像组成的三维图 像块。图 1 为苹果的高光谱图像三维数据块示意图。图中, x 和y 表示二维平面坐标轴, K表示波长信息坐标轴。可以看出,高光谱图像既具有某个特定波长 下的图像信息,并且针对 xy 平面内某个特定像素又具有不同波长下的光谱n
高光谱遥感技术的介绍及应用
高光谱遥感技术的介绍及应用在20世纪，人类的一大进步是实现了太空对地观测，即可以从空中和太空对人类赖以生存的地球通过非接触传感器的遥感进行观测。最近几十年，随着空间技术、计算机技术、传感器技术等与遥感密切相关学科技术的飞速发展，遥感正在进入一个以高光谱遥感技术、微波遥感技术为主要标志的时代。本文简要介绍了高光谱遥感技术的特点、发展状况及其在一些领域的应用。 1 高光谱遥感简介 1.1高光谱遥感概念 所谓高光谱遥感，即高光谱分辨率遥感，指利用很多很窄的电磁波波段（通常<10nm）从感兴趣的物体获取有关数据；与之相对的则是传统的宽光谱遥感，通常>100nm，且波段并不连续。高光谱图像是由成像光谱仪获取的，成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，产生一条完整而连续的光谱曲线。它使本来在宽波段遥感中不可探测的物质，在高光谱中能被探测。 高光谱遥感技术是近些年来迅速发展起来的一种全新遥感技术，它是集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体的综合性技术。在成像过程中，它利用成像光谱仪以纳米级的光谱分辨率，以几十或几百个波段同时对地表地物像，能够获得地物的连续光谱信息，实现了地物空间信息、辐射信息、光谱信息的同步获取，因而在相关领域具有巨大的应用价值和广阔的发展前景。 1.2高光谱遥感数据的特点 同其他常用的遥感手段相比,成像光谱仪获得的数据具有以下特点: 1）、多波段、波段宽度窄、光谱分辨率高。波段宽度< 10 nm ，波段数较多光谱遥感(由几个离散的波段组成)大大增多，在可见光和近红外波段可达几十到几百个。如A VIRIS在0. 4～214 波段范围内提供了224 个波段。研究表明许多地物的吸收特征在吸收峰深度一半处的宽度为20～40 nm。这是传统的多光谱等
高光谱成像检测技术.
高光谱成像检测技术 、高光谱成像技术的简介 高光谱成像技术是近二十年来发展起来的基于非常多窄波段的影像数据技术, 其最突出的应用是遥感探测领域, 并在越来越多的民用领域有着更大的应用前景。 它集中了光学、光电子学、电子学、信息处理、计算机科学等领域的先进传统的二维成像技术和光谱技术有机的结合在一起的一门新兴技术。 技术,是高光谱成像 技术的定义是在多光谱成像的基础上,在从紫外到近红外（200-2500nm 的光谱范围内,利用成像光谱仪,在光谱覆盖范围内的数十或数百条光谱波段对目标物体连续成 像。在获得物体空间特征成像的同时, 也获得了被测物体的光谱信息。 高光谱成像技术具有超多波段（上百个波段、高的光谱分辨率（几个nm 、波 段窄（＜1-2入光谱范围广（200-2500nm和图谱合一等特点。优势在于采集到的图像信息量丰富, 识别度较高和数据描述模型多。由于物体的反射光谱具有“指纹” 效应, 不同物不同谱, 同物一定同谱的原理来分辨不同的物质信息。、高光谱成像系统的组成和成像原理 高光谱成像技术的硬件组成主要包括光源、光谱相机（成像光谱仪+CCD 、装备有图像采集 卡的计算机。光谱范围覆盖了200-400nm 、400-1000nm 、900-1700 nm 、1000-2500 nm。
CC D 朮源「一光栅壯谱以 —a I \、 「维电移台 . 样品 A CCD。 光谱相机的主要组成部分有：准直镜、光栅光谱仪、聚焦透镜、面阵
高光谱成像仪的扫描过程：面阵CCD探测器在光学焦面的垂直方向上做横向排列完成横向扫描（X方向，横向排列的平行光垂直入射到透射光栅上时，形成光栅光谱。这是一列像元经过高光谱成像仪在CCD上得到的数据。它的横向是X方 向上的像素点，即扫描的一列像元；它的纵向是各像元所对应的光谱信息。 同时,在检测系统输送带前进的过程中，排列的探测器扫出一条带状轨迹从而完成纵向扫描（丫方向。 1\ 综合横纵扫描信息就可以得到样品的三维高光谱图像数据。
高光谱成像仪市场调研报告
目录 一.高光谱成像仪的简介 (2) 二.高光谱成像仪市场现状 (2) 三.产品类型分类 (4) 四.主要产品供应商 (5) 五.高光谱成像应用实例 (10)
一.高光谱成像仪的简介 高光谱成像（HSI）是光谱技术和成像技术的结合，通常也被成为成像光谱技术。高光谱成像是加入了彩色三维成像的技术，包括目标频谱数据的反射图像，通过数据处理得到电磁光谱图像中每个像素。高光谱成像系统一般包括高光谱成像仪，摄像机，光源，数据软件和计算机等。 二.高光谱成像仪市场现状 2017年全球高光谱成像系统产量达到395台，销售额约6849万美元。预计2023年将达到13456万美元，年复合增长率（CAGR）为11.91%。 2019年全球高光谱成像系统产量达到549台，销售额约9042万美元。从全球范围看，北美是最大生产地区，主要生产企业也集中在这一地区，比如美国Headwall Photonics,美国Resonon，美国Surface Optics，美国康宁（并购NovaSol），加拿大ITRES，加拿大Telops和美国Brimrose等。北美地区2019产量共318套，占全球的58.01%，其次是欧洲，主要生产商有芬兰Specim，欧洲微电子研究中心（IMEC），挪威纳斯克电子光学公司（Norsk Elektro Optikk AS）等。
图1 2017年全球不同分类高光谱成像系统产量份额 图2 2017年全球高光谱成像系统主要应用领域消费量份额
三.产品类型分类 1. 紫外光谱（10～380 nm） 军事领域：飞机发动机尾焰紫外追踪，导弹预警，紫外预警目标观察，紫外火控目标瞄准系统 公安刑侦：现场侦查痕迹，可观察指纹印、体液、火药、麻药 航天领域：空间探测 2. 可见光谱（380～780nm） 农业领域：防病虫害 增强视场：获取高光谱分辨率和高空间分辨率 公安刑侦：手印显现 3. 近红外光谱（780-2526nm） 生物医学领域：测定脑血流量和脑血管中CO2的活性、血或血清中血红蛋白载氧量、PH、葡萄糖、尿素等含量 农业、食品、纺织、聚合物、药物、石油化工、生化和环保。 4. 中红外光谱（2.5-25μm） 在军事、环境监测、医学治疗以及基础研究等领域 环境监测：监测甲烷和氧化亚氮 生物医学：蛋白质分析、液相色谱/生物反应器监控、无标签数字病理学、纳米成像5.远红外光谱（25-1000μm） 基础研究：半导体监测，超导体监测、等离子体诊断、天体物理研究。
高光谱成像国内外研究与应用
前言 随着科学技术的发展，人们的感官得到了延伸，认识事物的能力也不断的提高，其中光谱成像和雷达成像成为其中的佼佼者，高谱和图像使人们能够在大千世界更好的认识到事物。高光谱成像技术作为一项优点显著，实用的成像技术，从20世纪80年代开始得到了世界各国的重视，经过深入的研究和发展如今已经被广泛地应用于各个领域。 高光谱遥感是当前遥感技术的前沿领域,它利用很多很窄的电磁波波段从感兴趣的物体获得有关数据，它包含了丰富的空间、辐射和光谱三重信息。高光谱遥感的出现是遥感界的一场革命,它使本来在宽波段遥感中不可探测的物质,在高光谱遥感中能被探测。 高光谱成像技术是基于非常多窄波段的影像数据技术，其中最突出的应用是在遥感探测领域，并在民用领域有着更大的应用前景。 本文通过分析介绍高光谱图像的成像原理，探讨了高光谱图像在国内外发展现状及其应用。
1.高光谱图像成像原理及特点 1.1高光谱遥感基本概念 高光谱遥感是通过高光谱传感器探测物体反射的电磁波而获得地物目标的空间和频谱数据，成立于20世纪初期的测谱学就是它的基础。高光谱遥感的出现使得许多使用宽波段无法探查到的物体，更加容易被探测到，所以高光谱遥感的出现时成功的是革命性的。 1.2高光谱图像成像原理 光源相机（成像光谱仪+ccd）装备有图像采集卡的计算机是高光谱成像技术的硬件组成，其光谱的覆盖范围为200-400nm，400-1000nm，900-1700nm，1000-2500nm。其中光谱相机的主要组成部分为准直镜，光栅光谱仪，聚焦透镜以及面阵ccd。 其扫描过程是当ccd探测器在光学焦面的垂直方向上做横向扫描（x），当横向的平行光垂直入射到投身光栅是就形成了光栅光谱，这是象元经过高光谱仪在ccd上得出的数据，它的横向式x方向上的像素点也就是扫描的象元，它的总想是各象元对应的信息。在检测系统输送前进是排列的他测器完成纵向扫面（y）。综合扫描信息即可得到物体的三围高光谱数据。 1.3高光谱遥感的特点 （1）波段多且宽度窄能够使得高光谱遥感探测到别的宽波段无法探测到的物体。 （2）光谱响应范围更广和光谱分辨率高使得它能够更加精细的发硬出被探测物的微小特征。 （3）它可以提供空间域和光谱域信息也就是“谱像合一”。 （4）数据量大和信息冗余多，由于高光谱数据的波段多，其数据量大，而且和相邻波段的相关性比较高就使得信息冗余度增加很多。 （5）高光谱遥感的数据描述模型多能够分析的更灵活。经常使用的3种模型有：图像，光谱和特征模型。 1.4高光谱的优势 随着高光谱成像的光谱分辨率的提高，其探测能力也有所增强。因此，与全色和多光谱成像相比较，高光谱成像有以下显著优著: (1)有着近似连续的地物光谱信息。高光谱影像在经过光谱反射率重建后，能获取与被探测物近似的连续的光谱反射率曲线，与它的实测值相匹配，将实验室中被探测物光谱分析模型应用到成像过程中。 (2)对于地表覆盖的探测和识别能力极大提高。高光谱数据能够探测具有诊断性光谱
机器视觉之高光谱成像技术分析
高光谱成像技术 高光谱成像技术起源于地质矿物识别填图研究，逐渐扩展为植被生态、海洋海岸水色、冰雪、土壤以及大气的研究中。对空间探测、军事安全、国土资源、科学研究等领域都具有非常重要的意义。 所谓高光谱图像就是在光谱维度上进行了细致的分割，不仅仅是传统所谓的黑、白或者R、G、B的区别，而是在光谱维度上也有N个通道，例如：我们可以把400nm-1000nm分为300个通道。因此，通过高光谱设备获取到的是一个数据立方，不仅有图像的信息，并且在光谱维度上进行展开，结果不仅可以获得图像上每个点的光谱数据，还可以获得任一个谱段的影像信息。 目前高光谱成像技术发展迅速，常见的包括光栅分光、声光可调谐滤波分光、棱镜分光、芯片镀膜等。 原理： 光栅分光原理： 在经典物理学中，光波穿过狭缝、小孔或者圆盘之类的障碍物时，不同波长的光会发生不同程度的弯散传播，再通过光栅进行衍射分光，形成一条条谱带。也就是说：空间中的一维信息通过镜头和狭缝后，不同波长的光按照不同程度的弯散传播，这一维图像上的每个点，再通过光栅进行衍射分光，形成一个谱带，照射到探测器上，探测器上的每个像素位置和强度表征光谱和强度。一个点对应一个谱段，一条线就对应一个谱面，因此探测器每次成像是空间一条线上的光谱信息，为了获得空间二维图像再通过机械推扫，完成整个平面的图像和光谱数据采集。 经过狭缝的光由于不同波长照射到不同的探测器像元上，光能量很低，因此需要选择高灵敏相机，同时需要加光源。例如系统如下：
声光可调谐滤波分光(AOTF)原理： AOTF由声光介质、换能器和声终端三部分组成。射频驱动信号通过换能器在声光介质内激励出超声波。改变射频驱动信号的频率，可以改变AOTF衍射光的波长，从而实现电调谐波长的扫描。 最常用的AOTF晶体材料为TeO2即非共线晶体，也就是说光波通过晶体之后以不同的出射角传播。如上图所示：在晶体前端有一个换能器，作用于不同的驱动频率，产生不同频率的振动即声波。不同的驱动频率对应于不同振动的声波，声波通过晶体TeO2之后，使晶体中晶格产生了布拉格衍射，晶格更像一种滤波器，使晶体只能通过一种波长的光。光进入晶体之后发生衍射，产生衍射光和零级光。 l AOTF系统组成： AOTF系统组成：成像物镜+准直镜+偏振片+晶体+偏振片+物镜+detector，入射光经过物镜会聚之后进入准平行镜(把所有的入射光变成平行光)，准平行光进入偏振片通过同一方向的传播的光，平行光进入晶体之后，平行于光轴的光按照原来方向前行，非平行光进行衍射，分成两束相互垂直o光和e光(入射光的波长不同经过晶体之后的o光与e光的角度也不同，因此在改变波长的过程中，图像会出现漂移);o 光和e光及0级光分别会聚在不同的面上。
高光谱在遥感技术的应用
高光谱在遥感技术的应用 高光谱遥感技术（Hyperspectral Remote Sensing）的兴起是20世纪80年代遥感技术发展的主要成就之一.作为当前遥感的前沿技术，高光谱遥感在光谱分辨率上具有巨大的优势。，随着高光谱遥感技术的日趋成熟，其应用领域也日益广泛。本文主要阐述高光谱遥感的特点和主要应用。 1 高光谱遥感 孙钊在《高光谱遥感的应用》中提到，高光谱遥感是在电磁波谱的可见光、近红外、中红外和热红外波段范围内，利用成像光谱仪获取许多非常窄的光谱连续的影像数据的技术。 [1]高光谱遥感具有较高的光谱分辨率，通常达到10～2λ数量级。[2] 1.1 高光谱遥感特点 综合多篇关于高光谱的期刊文章，总结高光谱具有如下特点： （1）波段多，波段宽度窄。成像光谱仪在可见光和近红外光谱区内有数十甚至数百个波段。[3]与传统的遥感相比，高光谱分辨率的成像光谱仪为每一个成像象元提供很窄的(一般<10nm) 成像波段，波段数与多光谱遥感相比大大增多，在可见光和近红外波段可达几十到几百个，且在某个光谱区间是连续分布的，这不只是简单的数量的增加，而是有关地物光谱空间信息量的增加。[4] （2）光谱响应范围广，光谱分辨率高。成像光谱仪响应的电磁波长从可见光延伸到近红外，甚至到中红外。[5]成像光谱仪采样的间隔小，光谱分辨率达到纳米级，一般为10nm 左右。精细的光谱分辨率反映了地物光谱的细微特征。 （3）可提供空间域信息和光谱域信息，即“谱像合一”，并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。在成像高光谱遥感中，以波长为横轴，灰度值为纵轴建立坐标系，可以使高光谱图像中的每一个像元在各通道的灰度值都能产生1 条完整、连续的光谱曲线，即所谓的“谱像合一”。 （4）数据量大，信息冗余多。高光谱数据的波段众多，其数据量巨大，而且由于相邻波段的相关性高，信息冗余度增加。 （5）数据描述模型多，分析更加灵活。高光谱影像通常有三种描述模型：图像模型、光谱模型与特征模型。 1.2 高光谱遥感的优势 高光谱遥感的光谱分辨率的提高，使地物目标的属性信息探测能力有所增强。因此，较之全色和多光谱遥感，高光谱遥感有以下显著优势:
无人机载高光谱成像系统
无人机载高光谱成像系统 主要参数应优于以下参数。 波长范围：400-1000nm；像素扭曲不超过一个像素， 空间通道数：≥620；光谱通道数：≥250； 光谱采样间隔：优于2.4nm/pixel； 光谱分辨率在20μm狭缝时优于6nm； 最大数值孔径：F/2.5； 重量：<0.6kg(含内部的采集控制模块)； 反射率标准布：不小于3m x 3m，包含3种反射率，可以为计算地物反射率提供标准参考； 定制3轴云台，通电后自动垂直向下，无需手动调平衡； 可在地面站软件上看到云台上图传相机的实时画面； 云台重量：≤0.8kg；
无人机载多光谱/热红外成像系统 主要参数应优于以下参数。 重量≤800 g 光谱波段：EO即电力光学：蓝色、绿色、红色、红边、近红外（NIR）LW IR（长波红外辐射） / 热红外： 8-14um 传感器分辨率：不低于2064*1544（每个EO（即电力光学）波段3.2 MP）/热红外线：不低于160*120
北斗GPS定位系统 仪器参数应优于以下主要参数。 解算技术：超越传统（固定/浮动）技术的 HD-GNSS处理引擎算法，比传统GNSS技术提供的误差估算评定更加精确。 卫星跟踪：360全星座技术,能够跟踪包括GPS、GLONASS、Galileo、北斗和QZSS卫星信号同步跟踪： –– GPS：L1C/A、L1C、L2C、L2E、L5； –– GLONASS：L1C/A、L1P、L2C/A、L2P、L3； –– SBAS：L1C/A、L5； –– Galileo：E1、E5A、E5B； ––北斗：B1、B2、B3 多星多频：不止于接收卫星数量，同时接收GPS、GLANASS、伽利略、北斗的第三频段 信号通道：接收机通道数不少于440个通道，支持更多的卫星信号同步跟踪 高精度静态精度：平面3mm+0.1ppm 高程3.5mm+0.4ppm RTK实时动态精度：平面8mm+1ppm 高程15mm+1ppm 网络RTK精度：平面8mm+0.5ppm 高程15mm+0.5ppm 定位速率：1Hz、2Hz、5Hz 10Hz和20Hz 数据格式：CMR+, CMRx, RTCM 2.1, RTCM 2.3, RTCM 3.0, RTCM 3.1, RT CM 3.2的输入输出 星站差分功能：具有OmniSTAR HP、XP、G2、VBS定位功能 智能化程度：接收机可以通过WBUI管理界面，实现远程管理，下载数据等 工作温度：-40℃～65℃ 防水/防尘：满足IP67等级，可侵入水下1米深 可以承受从2米高测杆处跌落 数据存储：主机4G内存：可以3年以上原始观测数据通讯链路：电台与
光谱图像与高光谱图像的区别介绍
光谱图像与高光谱图像的区别介绍 光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像（Hyperspectral Image）。遥感技术经过20世纪后半叶的发展，无论在理论上、技术上和应用上均发生了重大的变化。其中，高光谱图像技术的出现和快速发展无疑是这种变化中十分突出的一个方面。通过搭载在不同空间平台上的高光谱传感器，即成像光谱仪，在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像。在获得地表图像信息的同时，也获得其光谱信息，第一次真正做到了光谱与图像的结合。与多光谱遥感影像相比，高光谱影像不仅在信息丰富程度方面有了极大的提高，在处理技术上，对该类光谱数据进行更为合理、有效的分析处理提供了可能。因而，高光谱图像技术所具有的影响及发展潜力，是以往技术的各个发展阶段所不可比拟的，不仅引起了遥感界的关注，同时也引起了其它领域（如医学、农学等）的极大兴趣。 高光谱图像：是指一系列包含一些列可见/近红外光谱，一般有400-1000 nm，已经包含了可见光（400-780 nm）和近红外（780-1000nm）。 多光谱图像简介多光谱图像是指包含很多带的图像，有时只有3个带（彩色图像就是一个例子）但有时要多得多，甚至上百个。每个带是一幅灰度图像，它表示根据用来产生该带的传感器的敏感度得到的场景亮度。在这样一幅图像中，每个像素都与一个由像素在不同带的数值串，即一个矢量相关。这个数串就被称为像素的光谱标记。 1．用不相关或独立的其他带替换当前带；这个问题特别与遥感应用有关，但在一般的图像处理中，如果要从多光谱图像生成一幅单带灰度图像也与此有关。 2．使用一个像素的光谱标记来识别该像素所表示的目标种类。这是一个模式识别问题，它取决于下列图像处理问题的解：消除一个像素的光谱标记对图像采集所用光谱的依赖性。这是一个光谱恒常性问题。 3．处理多光谱图像的特定子集，它包括在电磁谱里仅光学部分的3个带，它需要以或者替换或者模仿人类感知颜色的形式来进行处理。 4．在特定应用中使用多光谱图像，并对它们进行常规的操作。这里的一个问题是，现在
高光谱遥感技术综述_袁迎辉
第07卷 第08期 中 国 水 运 Vol.7 No.08 2007年 08月 China Water Transport August 2007 收稿日期：2007-5-4 作者简介：袁迎辉 女（1983—） 东华理工大学矿产普查与勘探专业在读硕士研究生 （344000） 高光谱遥感技术综述 袁迎辉 林子瑜 摘 要：高光谱分辨率遥感是20世纪80年代兴起的新型对地观测技术，与传统遥感相比，高光谱遥感具有更为广泛的应用前景。文中概述了高光谱遥感的特点、发展过程、发展程度及目前几种典型的成像光谱仪数据特点。 关键词：高光谱遥感 数据处理技术 成像光谱仪 中图分类号：TP72 文献标识码：A 文章编号：1006-7973（2007）08-0155-03 遥感是20世纪60年代发展起来的对地观测综合性技术，是指应用探测仪器，不与探测目标相接触，从远处把目标的电磁波特性记录下来，通过分析，揭示出物体的特征性质及其变化的综合性探测技术[1]。经过几十年的发展，无论在遥感平台、遥感传感器、还是遥感信息处理、遥感应用等方面，都获得了飞速的发展，目前遥感正进入一个以高光谱遥感技术、微波遥感技术为主的时代。本文系统地阐述了高光谱遥感技术在分析技术及应用方面的发展概况，并简要介绍了高光谱遥感技术主要航空/卫星数据的参数及特点。 一、高光谱遥感的概念及特点 所谓高光谱遥感，即高光谱分辨率遥感，指利用很多很窄的电磁波波段（通常<10nm）从感兴趣的物体获取有关数据[3]；与之相对的则是传统的宽光谱遥感，通常>100nm，且波段并不连续。高光谱图像是由成像光谱仪获取的，成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，产生一条完整而连续的光谱曲线。它使本来在宽波段遥感中不可探测的物质，在高光谱中能被探测。 同其它传统遥感相比，高光谱遥感具有以下特点： ⑴ 波段多。成像光谱仪在可见光和近红外光谱区内有数十甚至数百个波段。⑵ 光谱分辨率高。成像光谱仪采样的间隔小，一般为10nm 左右。精细的光谱分辨率反映了地物光谱的细微特征。⑶ 数据量大。随着波段数的增加，数据量呈指数增加[2]。⑷ 信息冗余增加。由于相邻波段的相关性高，信息冗余度增加。⑸ 可提供空间域信息和光谱域信息，即“图谱合一”，并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。 近二十年来，高光谱遥感技术迅速发展，它集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体，已成为当前遥感领域的前沿技术。 二、发展过程 自80年代以来，美国已经研制了三代高光谱成像光谱仪。1983年，第一幅由航空成像光谱仪（AIS-1）获取的高光谱分辨率图像的正式出现标志着第一代高光谱分辨率传感 器面世。第一代成像光谱仪（AIS），由美国国家航空和航天管理局（NASA）所属的喷气推进实验室设计，共有两种，AIS-1(1982年~1985年，128波段)和AIS-2(1985年~1987年，128波段)，其光谱覆盖范围为1.2~2.4μm。 1987年，由NASA 喷气推进实验室研制成功的航空可见光/红外光成像光谱仪（AVIRIS）成为第二代高光谱成像仪的代表。与此同时，加拿大、澳大利亚、日本等国家竞相投入力量研究成像光谱仪。在AVIRIS 之后,美国地球物理环境研究公司(GER)又研制了1台64通道的高光谱分辨率扫描仪(GERIS),主要用于环境监测和地质研究。其中63个通道为高光谱分辨率扫描仪,第64通道是用来存储航空陀螺信息。 第三代高光谱成像光谱仪为克里斯特里尔傅立叶变换高光谱成像仪(FTHSI)，其重量仅为35kg，采用256通道,光谱范围为400~1050nm，光谱分辨率为2~10nm，视场角为150°。而于1999年和2000年发射升空的中分辨率成像光谱仪(MODIS 和Hyperion)都已经成为主要的应用数据来源。 在国内，成像光谱仪的研制工作紧跟国际前沿技术，目前已跻身国际先进行列。先后研制成功了专题应用扫描仪、红光细分光谱扫描仪FIMS、热红外多光谱扫描仪TIMS、19波段多光谱扫描仪AMSS、71波段的模块化航空成像光谱仪MAIS、128波段的OMIS 以及244波段的推扫式成像仪PHI 等。此外，中国科学院上海技术物理研究所研制的中分辨率成像光谱仪于2002年随“神州”三号飞船发射升空，这是继美国1999年发射EOS 平台之后第二次将中分辨率成像光谱仪送上太空，从而使中国成为世界上第二个拥有航天载成像光谱仪的国家。 经过20世纪80年代的起步与90年代的发展，至90年代后期，高光谱遥感应用由实验室研究阶段逐步转向实际应用阶段。迄今为止，国际上已有许多套航空成像光谱仪与少数几个卫星成像光谱仪处于运行状态，在实验、研究以及信息的商业化方面发挥着重要作用。
多光谱高光谱及成像光谱仪的区别
光谱技术知识讲堂1.2 多光谱、高光谱与高光谱成像仪的区别 高光谱成像是新一代光电检测技术，兴起于20世纪80年代，目前仍在迅猛发展中。高光谱成像是相对多光谱成像而言，高光谱成像方法获得的高光谱图像与多光谱图像相比具有更丰富的图像和光谱信息。如果根据传感器的光谱分辨率对光谱成像技术进行分类，光谱成像技术一般可分成3类。 (1) 多光谱仪——光谱分辨率在10-1λ数量级范围内称为多光谱(Multi-spectral)，传感器在可见光和近红外区域一般只有几个波段，不能成像。 (2) 高光谱仪——光谱分辨率在10-2λ数量级范围内称为高光谱(Hyper-spectral)，这样的传感器在可见光和近红外区域有几十到数百个波段，光谱分辨率可达nm级，但不能成像。 (3) 高光谱成像仪——光谱分辨率小于10nm，传感器在可见光和近红外区域可达数百个波段，而且测量结果以图像方式表达出来，每一个像元均由光谱曲线组成，可以更为准确地获取目的物的反射光谱。比起高光谱仪，高光谱成像仪对样品的测量定位更为精准。 众所周知，光谱技术能检测到被测物体的物理结构、化学成分等指标。多光谱仪及高光谱仪是基于点的测量，而高光谱成像仪的测量所得到是目的物面上的光谱图。因此，高光谱成像技术是光谱分析技术和图像分析技术发展的必然结果，是二者完美结合的产物。高光谱成像技术不仅具有光谱分辨能力，还具有图像分辨能力，利用高光谱成像技术不仅可以对待检测物体进行定性和定量分析，而且还能进对其进行定位分析。 高光谱成像系统的主要工作部件是成像光谱仪，它是一种新型传感器，研制这类仪器的目的是为获取大量窄波段连续光谱图像数据，使每个像元具有几乎连续的光谱数据。它是一系列光波在不同波长处的光学图像，通常包含数十到数百个波段，光谱分辨率一般为小于l0nm（如美国SOC公司的SOC730，具有300个波段，光谱分辨率达2nm）。由于高光谱成像所获得的高光谱图像对图像中的每个像素都能提供一条几乎连续的光谱曲线，其在待测物上获得空间信息的同时又能获得比多光谱更为丰富光谱数据信息，这些数据信息可用来生成复杂模型，来进行判别、分类、识别图像中的材料。 通过高光谱成像获取待测物的高光谱图像包含 了待测物的丰富的空间、光谱和辐射三重信息。这些 信息不仅表现了地物空间分布的影像特征，同时也可 能以其中某一像元或像元组为目标获取它们的辐射强 度以及光谱特征。影像、辐射与光谱是高光谱图像中 的3个重要特征，这3个特征的有机结合就是高光谱 图像。 高光谱图像数据为数据立方体(cube)。通常图像 像素的横坐标和纵坐标分别用z和Y来表示，光谱的 波长信息以(Z即轴)表示。该数据立方体由沿着光谱 轴的以一定光谱分辨率间隔的连续二维图像组成。 地面使用的成像光谱仪多为推扫式，配备旋转位移台或线形位移台，以产生两种效果：成像光谱仪运动而待测物目标静止，或者成像光谱仪静止而待测目标运动的效果。目前，已经有新型的地面成像光谱仪，如美国SOC710，利用仪器内部的扫描装置实现推扫成像，即光谱仪和被测物均不运动即可完成高光谱成像，而不需要配备位移云台，重量仅3kg，仪器更为轻巧便携，便于野外使用。 （本节完） 18
简述高光谱遥感及其进展与应用综述
高光谱遥感及其进展与应用综述 摘要：高光谱遥感是20世纪80年代兴起的新型对地观测技术。文中归纳了高光谱遥感技术波段多、波段宽度窄，光谱分辨率高，数据量大、信息冗余，“图谱合一”等特点，具有近似连续的地物光谱信息、地表覆盖的识别能力极大提高、地形要素分类识别方法灵活多样、地形要素的定量或半定量分类识别成为可能等优势，简单介绍了高光谱遥感在国外及国内的发展情况。在此基础上，概述了高光谱遥感在植被生态、大气科学、地质矿产、海洋、农业等领域的应用。 关键词：高光谱遥感；发展；应用 高光谱遥感（Hyperspectral Remote Sensing）的兴起是20世纪80年代遥感技术发展的主要成就之一，是当前遥感的前沿技术。高光谱遥感在光谱分辨率上具有巨大的优势，被称为遥感发展的里程碑。世界各国对此类遥感的发展都十分重视，随着高光谱遥感技术的日趋成熟，其应用领域也日益广泛。本文系统地阐述了高光谱遥感及其发展的概况，并简要介绍了高光谱遥感技术的主要应用。 1 高光谱遥感 孙钊在《高光谱遥感的应用》中提到，高光谱遥感是在电磁波谱的可见光、近红外、中红外和热红外波段范围内，利用成像光谱仪获取许多非常窄的光谱连续的影像数据的技术。[1] 高光谱遥感具有较高的光谱分辨率，通常达到10～2λ数量级。[2] 1.1 高光谱遥感特点 综合多篇关于高光谱的期刊文章，总结高光谱具有如下特点： （1）波段多，波段宽度窄。成像光谱仪在可见光和近红外光谱区内有数十甚至数百个波段。 [3]与传统的遥感相比，高光谱分辨率的成像光谱仪为每一个成像象元提供很窄的(一般<10nm) 成像波段，波段数与多光谱遥感相比大大增多，在可见光和近红外波段可达几十到几百个，且在某个光谱区间是连续分布的，这不只是简单的数量的增加，而是有关地物光谱空间信息量的增加。[4] （2）光谱响应范围广，光谱分辨率高。成像光谱仪响应的电磁波长从可见光延伸到近红外，甚至到中红外。[5]成像光谱仪采样的间隔小，光谱分辨率达到纳米级，一般为10nm左右。精细的光谱分辨率反映了地物光谱的细微特征。 （3）可提供空间域信息和光谱域信息，即“谱像合一”，并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。在成像高光谱遥感中，以波长为横轴，灰度值为纵轴建立坐标系，可以使高光谱图像中的每一个像元在各通道的灰度值都能产生1 条完整、连续的光谱曲线，即所谓的“谱像合一”。 （4）数据量大，信息冗余多。高光谱数据的波段众多，其数据量巨大，而且由于相邻波段的相关性高，信息冗余度增加。 （5）数据描述模型多，分析更加灵活。高光谱影像通常有三种描述模型：图像模型、光谱模型与特征模型。 1.2 高光谱遥感的优势
高光谱成像技术进展(光电检测技术大作业)
高光谱成像技术进展 By 130405100xx 一．高光谱成像技术的简介 高光谱成像技术的出现是一场革命，尤其是在遥感界。它使本来在宽波段不可探测的物质能够被探测，其重大意义已得到世界公认。高光谱成像技术光谱分辨率远高于多光谱成像技术，因此高光谱成像技术数据的光谱信息更加详细,更加丰富,有利于地物特征分析。有人说得好，如果把多光谱扫描成像的MSS ( multi-spectral scanner) 和TM( thematic mapper) 作为遥感技术发展的第一代和第二代的话, 那么高光谱成像( hyperspectral imagery) 技术则是第三代的成像技术。 高光谱成像技术的具体定义是在多光谱成像的基础上，从紫外到近红外（200-2500nm）的光谱范围内，利用成像光谱仪，在光谱覆盖范围内的数十或数百条光谐波段对目标物体连续成像。在获得物体空间特征成像的同时，也获得了被测物体的光谱信息。 （一）高光谱成像系统的组成和成像原理 而所谓高光谱图像就是在光谱维度上进行了细致的分割，不仅仅是传统所谓的黑、白或者R、G、B的区别，而是在光谱维度上也有N个通道，例如：我们可以把400nm-1000nm分为300个通道。因此，通过高光谱设备获取到的是一个数据立方，不仅有图像的信息，并且在光谱维度上进行展开，结果不仅可以获得图像上每个点的光谱数据，还可以获得任一个谱段的影像信息。 目前高光谱成像技术发展迅速，常见的包括光栅分光、声光可调谐滤波分光、棱镜分光、芯片镀膜等。下面分别介绍下以下几种类别： （1）光栅分光光谱仪 空间中的一维信息通过镜头和狭缝后，不同波长的光按照不同程度的弯散传播，这一维图像上的每个点，再通过光栅进行衍射分光，形成一个谱带，照射到探测器上，探测器上的每个像素位置和强度表征光谱和强度。一个点对应一个谱段，一条线就对应一个谱面，因此探测器每次成像是空间一条线上的光谱信息，为了获得空间二维图像再通过机械推扫，完成整个平面的图像和光谱数据采集。
高光谱研究综述
浙江师范大学 研究生课程论文封面 课程名称：遥感理论与技术 开课时间： 2014-2015年第一学期 学院地理与环境科学学院学科专业自然地理学 学号2014210580 姓名张勇 学位类别全日制硕士 任课教师陈梅花 交稿日期2015年1月21日 成绩 评阅日期 评阅教师 签名 浙江师范大学研究生学院制
高光谱遥感应用研究综述 张勇 （浙江师范大学地理环境与科学学院，浙江金华321004） 摘要：高光谱遥感是近二十年发展起来的谱像和一的遥感前沿技术。虽然发展时间不长，但由于其本身的特点，使其获得了广泛的重视和应用。本文阐述了高光谱遥感的特点、优势，以及在航空及航天领域的发展情况，列举了几种典型高光谱成像仪的光学系统原理和主要技术指标。在此基础上，概述了高光谱遥感在植被生态、大气环境、地质矿产、海洋、军事等领域的应用情况。最后对高光谱遥感发展趋势提出了几点建议，包括低反射率目标遥感、高信噪比、高空间分辨率及宽覆盖范围等方面。 关键字：高光谱遥感；应用；成像光谱以；研究综述 Conclusion application of hyperspectral remote sensing Zhang Yong (Geography and environmental sciences, Zhejiang Normal University, Jinhua 321004) Abstract:Hyperspectral remote sensing, developed in the late twenty years, is the advanced technology of remote sensing. Because of its characters, Hyperspectral Remote Sensing has been attached importance to and used widly. The characteristics and advantages of hyperspectral remote sensing, and development situation are presented in the fields of aviation and aerospace. Several typical hyperspectral imager optical system principle and the main technical indicators are particularized. At the same time, the applications with hyperspectral remote sensing in vegetation ecology, atmospheric science ,geology and mineral resources, marine and military fields are summarized. The suggestions for the future development trend of hyperspectral remote sensing are given in the end，including the remote sensing of low reflectivity target, high signal-to-noise ratio, high spatial resolution and wide coverages. Keywords: hyperspectral remote sensing；application；imaging spectrometer 1 引言 遥感是20世纪60年代发展起来的对地观测综合性技术，是指应用探测仪器，不与探测目标相接触，从远处把目标的电磁波特性记录下来，通过分析，揭示出物体的特征性质及其变化的综合性探测技术[1]。经过几十年的发展，无论在遥感平台、遥感传感器、还是遥感信息处理、遥感应用等方面，都获得了飞速的发展，目前遥感正进入一个以高光谱遥感技术、微波遥感技术为主的时代。本文系统地阐述了高光谱遥感技术在分析技术及应用方面的发展概况，并简要介绍了高光谱遥感技术主要航空/卫星数据的参数及特点。 1.1高光谱遥感简介 高光谱遥感技术又称为成像光谱技术，是指利用很多很窄的电磁波波段从感兴趣的物体获取有关数据[2]。它是源于多光谱遥感技术，以测谱学为基础在二十世纪八十年代初发展起