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
鏡頭：22mm鍍膜消色差鏡頭；光譜范圍：900nm-1700nm，光譜分辨率:5.36nm@1129.58nm
探測器像素：320x256；內置控制、掃描機構；內置電池；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。
圖3 高光譜成像儀
本文以不同種類的紅棗作為研究對象，利用近紅外相機（光譜范圍900nm-1700nm）采集測試對象的高光譜數據。
圖4 樣本的RGB圖（R:1235nm G：1409nm B:1536nm）
對原始數據進行主成分分析（Principal Component Analysis, PCA），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。同時利用由于光譜儀采集得到的光譜信號中既包含實驗所需的有用信息，同時由于儀器精密度等原因帶來隨機噪聲，常用的消除噪聲的方法Savitzky-Golay(SG)卷積平滑法，通過多項式來移動窗口內的數據進行多項式最小二乘擬合信號平滑，既消除噪聲又保留了光譜輪廓。由于各個樣本間分布不均勻、樣本大小不一樣、樣本表面散射及光程變化等都會產生散射影響，采用多遠散射校正（multiplicative scatter correction，MSC）的方法可以有效的消除這些散射影響。
圖5 經PCA處理
分別選取樣本上的兩個區域標注為駿棗-A和灰棗-B，以此為標樣對其他樣品進行歸類識別。對已經劃分出來的類別進行PLS-DA算法處理，評估劃分出來類別成分。
-
分別在前面幾種不同預處理方法的基礎上，對樣品進行主成分分析聚類。并對數據做PLS-DA算法處理，PLS-DA方法是基于PLS回歸的一種判別分析方法，在構造因素時考慮到了輔助矩陣以代碼形式提供的類成員信息，因此具有高效的鑒別能力。
-
利用主成分分析得到的載荷圖提取對各類植物識別敏感的特征波長。以特征波長為輸入變量，從每種植物的樣本中隨機抽取2/3組成建模集，通過這組樣本的光譜及其對應的基礎數據，利用簇類的獨立軟模式 soft independent modeling of class analogy(SIMCA)分類法建立識別模型，對樣本進行分類。
SIMCA方法為每個類建立了獨立的主成分分析(principal component analysis，PCA)模型，然后依據該模型對未知樣品進行分類。然而，該方法在建立模型時沒有考慮到其他的類，因此，在每個類的模型中，有些因素在獲取類中明顯的變化時只能反映出有限的鑒別信息。當多維數據不同類中的子空間都非常接近時，由于類之間不必要的重疊，從而存在產生非優化鑒別模型的危險。
獲取灰棗和駿棗的特征光譜，可以看出，兩種栆的特征光譜位置基本一致，只是其光譜反射率會有一些差別。具體成因還需進一步分析。
圖6 灰棗（紅色）和駿棗（綠色）特征高光譜
圖7 SIMCA方法分類識別結果
通過獲取感興趣的平均光譜，利用(SIMCA)分類法建立識別模型，對樣本進行分類。預測駿棗-A所占比例為65.6%，灰棗-B所占比例為34.4%。
圖8 SIMCA方法分類統計結果
.jpg)
.jpg)
8
立即詢價
您提交后，專屬客服將第一時間為您服務