一、測試原理及方法：
高光譜成像技術是近二十年來發展起來的基于非常多窄波段的影像數據技術，其突出的應用是遙感探測領域，并在越來越多的民用領域有著更大的應用前景。它集中了光學、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）的光譜范圍內，利用成像光譜儀，在光譜覆蓋范圍內的數十或數百條光譜波段對目標物體連續成像。在獲得物體空間特征成像的同時，也獲得了被測物體的光譜信息。
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系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后（X方向），在檢測系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
圖3 Gaia Field高光譜成像儀
高光譜儀配置：鏡頭：22mm鍍膜消色差鏡頭；光譜范圍：400nm-1000nm，光譜分辨率: 4nm@435.8nm（@400-1000nm），像面尺寸（光譜x空間）：6.15 x 14.2 mm，相對孔徑：F/2.4，狹縫長度14.2 mm. 內置控制、掃描機構；內置電池；
SpecView軟件：控制完成自動曝光、自動對焦、自動掃描速度匹配；數據處理：黑白、輻射度、均勻性、鏡頭等校準；光譜查看。
GaiaField便攜式高光譜系統是雙利合譜自行研制的超便攜式高光譜成像儀器。它的核心由三部分構成，分別是：多維運動控制器，光譜相機和成像光譜儀。使用此系統進行掃描，在獲得目標影像信息的基礎上，還可以獲得數百甚至上千波段的光譜信息。
GaiaField系統有著輕便靈活，續航能力出色的特點。廣泛適用于，目標識別、偽裝與反偽裝等軍事領域，地面物體與水體遙測、現代精細農業等生態環境監測領域，以及刑偵、文物保護、生物醫學等領域。
覆蓋可見光與近紅外全波段可提供超過700個光譜通道，可自由選擇GaiaField便攜式高光譜系統采用了高分辨率的成像光譜儀。在可見光波段，光譜分辨率高達3nm，即使在短波紅外波段也能達到10nm。因而全波段內可以獲得超過700個的光譜通道，更多的光譜通道意味著更多的信息，有助于研究人員通過對連續光譜的分析、反演，獲得更多的高價值數據細節。
圖4 高光譜成像儀采集的影像效果圖
軟硬件功能：
輔助攝像頭功能
通過輔助攝像頭觀察目標拍攝區域
當前狹縫位置指示
選擇自動曝光與自動調焦區域，直觀方便，僅需鼠標即可完成操作。
.jpg)
圖 5 輔助攝像頭觀察目標拍攝區域
自動掃描速度匹配、自動曝光：
自動曝光：根據當前光照環境，進行曝光測試，獲得精準的曝光時間。在得到最佳信噪比的同時，又可避免過度曝光造成數據作廢。同時軟件具有實時過度曝光監視功能。
自動掃描速度匹配：根據當前的曝光時間等參數，進行測試拍攝，得到實時幀速，進而計算出合適的掃描速度。從而避免了掃描圖像的變形（拉伸或壓縮）。
.jpg)
圖6 采集數據自動曝光、速度匹配
二、數據分析：
本文以江蘇雙利合譜科技有限公司自行拍攝的高光譜人臉數據為研究對象，利用江蘇雙利合譜科技有限公司的高光譜成像儀GaiaField（光譜范圍400 nm - 1000 nm）采集測試對象的高光譜數據，以分析人臉上黑痣的分布情況。圖7為人臉拍攝的現場圖片。
圖 7 基于成像高光技術人臉拍攝的現場
對成像高光譜儀拍攝的人臉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，Reftarget為目標物的反射率，Refpanel為標準參考板的反射率，DNtarget為原始影像中目標物的的數值，DNpanel為原始影像中標準參考板的數值，DNdark為成像光譜儀系統誤差。
其次是噪聲去除，本文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于判定圖像數據內在的維數（即波段數），分離數據中的噪聲，減少隨后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（基于估計的噪聲協方差矩陣）用于分離和重新調節數據中的噪聲，這步操作使變換后的噪聲數據只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：一部分與較大特征值和相對應的特征圖像相關，其余部分與近似相同的特征值以及噪聲占主導地位的圖像相關。由于此次采集的高光譜影像沒有白板校正，因此數據預處理的第一步輻射定標沒有進行分析處理，直接作MNF降噪分析。圖8為MNF降噪前后的成像高光譜數據中DN值的變化。
.jpg)
圖7 MNF變換前(左)后(右)高光譜影像DN值的變化
由于本研究的高光譜影像數據在采集過程中無白板數據作為參考。圖8分別為高光譜人臉上白眼珠、黑眼珠、黑痣、皮膚、頭發、嘴唇的DN值變化規律。從圖8可知，除350-450 nm范圍內，嘴唇與黑痣的DN值變化曲線及其相似外，在450-1000 nm范圍內，黑痣的DN值變化規律有白眼珠、黑眼珠、皮膚、頭發、嘴唇均不相同，這說明黑痣的光譜反射率也異于白眼珠、黑眼珠、皮膚、頭發、嘴唇。
圖8 人臉上各目標物在350-1000 nm范圍內的DN值變化
利用SpecView軟件的Analysis-Animate功能，能快速地瀏覽高光譜影像各波段的灰度信息變化，本研究通過快速瀏覽人臉的高光譜影像的各波段灰度信息變化可知，在不同波段范圍內，圖像中不同目標物的顯示效果并不相同，有些目標物只有在特定的波長即特征波長才顯示出來。圖9分別列舉了400 nm、640 nm和800 nm的灰度圖。從圖9可知，400 nm和800 nm處，人臉上的黑痣幾乎無法用肉眼識別出來，而在640 nm處，臉上的黑痣能隱約看到，但效果并不明顯。
.jpg)
圖9 人臉在400 nm、640 nm和800 nm的灰度圖
在本研究中，由于人臉在不同波長下成像，得到幾百景人臉圖像，且在不同的波長下人臉的灰度圖像顯示效果并不同，有的圖像清晰，有的圖像模糊，還有些基本上看不見。如果用計算機處理，會因為圖像信息量太大而難以處理，浪費時間過多。所以，需要經過主成分分析法篩選出特征圖像。主成分分析（Principal Component Analysis, PCA）的作用是去除波段之間的多余信息、將多波段的圖像信息壓縮到比原波段更有效的少數幾個轉換波段下。圖10分別展示了人臉經主成分變換后的15個主成分圖像，從圖10可知，前2個主成分雖然包含了較多信息，且圖像較為清晰，但黑痣的顯示效果并不理想。從圖10中我們可以發現，第4、6和10主成分能較為清晰地人臉黑痣的分布情況。
.jpg)
.jpg)
圖10 人臉經主成分變換后的前15個主成分
經主成分變換后，各主成分間相關性較小且包含較多的圖像信息，因此可以通過波段間的組合更清晰地識別各目標物。圖11為原始圖像的真彩色合成及各主成分變換的假彩色合成。從圖11可知，PCA假彩色合成，并不是主成分越靠前，其合成圖中各目標物顯示就越清晰，而是根據在各主成分中較為清晰地識別目標物的主成分進行彩色合成。根據圖10可知，第4、6和10主成分能較為清晰地人臉黑痣的分布情況，因此運用4、6和10三個主成分構建的假彩色合成能較為清晰識別人臉黑痣的分布范圍。
圖11 人臉經主成分變換后的前15個主成分
© 2019 版權所有：江蘇雙利合譜科技有限公司 備案號：蘇ICP備2021046114號-3 技術支持：化工儀器網 GoogleSitemap 管理登陸
在線客服