A imagem hiperspectral possui as vantagens de ultra-multibanda, alta resolução espectral (poucos nm), faixa estreita (≤ 10-2λ), ampla faixa espectral (200-2500nm) e combinação de espectros, etc. A vantagem é que as imagens coletadas Devido ao efeito "impressão digital" do espectro refletido do objeto, o princípio de que diferentes objetos têm diferentes espectros e mesmos objetos deve ser o mesmo espectro para distinguir informações materiais diferentes.
As propriedades espectrales de um objeto estão intimamente relacionadas às suas propriedades físico-químicas intrínsecas, que resultam na absorção seletiva e emissão de fótons de diferentes comprimentos de onda dentro do material devido a diferenças na composição e estrutura do material. Uma curva espectral completa e contínua pode refletir melhor essa diferença entre diferentes substâncias As diferenças inerentes nos espectadores, que é exatamente a base física da espectroscopia de imagem para alcançar a detecção fina de objetos terrestres.
O seguinte experimento utilizando Sichuan de dupla espectro Technology Co., Ltd. Altura de imagem Espectrômetro Execute o teste para concluir.
Primeiro, a resolução espectral é alta: a largura de banda espectral de cada banda do detector indica a capacidade do detector para detectar o espectro do objeto, que inclui a largura do espectro total do detector, o número de bandas, a faixa de comprimento de onda e o intervalo de cada banda, As bandas mais detectadas pelo detector, quanto menor a faixa de comprimento de onda de cada banda, menor o espaçamento da banda, maior a resolução espectral. O detector tem uma alta resolução espectral e a imagem obtida pelo detector pode refletir o espectro do objeto A natureza, as diferenças entre os diferentes objetos podem ser bem refletidas na imagem, a capacidade do detector para detectar características é forte. Os dados de imagem de sensoriamento remoto hiperspectral são uma característica importante da ultra-multi-banda e grande quantidade de dados, seu tratamento Tornou-se um dos principais problemas de sua aplicação bem sucedida. Geralmente, a largura do pico de absorção espectral de um mineral típico é de cerca de 30 nm, que só pode ser identificada por um sensor cuja resolução espectral é inferior a 30 nm.
Segundo: o espectro de imagem de uma unidade:
Principalmente refletida na imagem e o espectro é apresentado ao mesmo tempo, e o espectro característico do material é contínuo, o estudo de qualquer parte da informação pode ser analisado através de modelagem de dados.
Figura Processamento e análise de dados hiperspectrales
Minerais: com uma composição química estável e estrutura física, o espectro de um mineral depende principalmente das características da absorção espectral. O fator decisivo reside na interação entre o elétron e o campo de cristal na substância e a vibração da molécula.
Propriedades espectrales dos solos: Os minerais primários no solo são quartzo, feldspato, moscovita, uma pequena quantidade de anfíbolo, piroxeno, apatite, hematita, pirita, etc. O cascalho e a areia no solo são quase todos É composto de minerais primários, principalmente de quartzo. A maioria dos pó também é composta por quartzo e minerais primários de silicato. Os minerais secundários no solo são principalmente sobre as seguintes categorias: 1, sais simples, tais como carbonatados Sais, sulfatos e cloretos, etc., 2, óxidos contendo água, tais como óxido de ferro, óxido de alumínio, óxido de silício, etc. 3, aluminossilicatos stratiformes secundários, tais como caulinita, montmorilonite e mica Etc.
A umidade do solo é uma parte importante do solo, a reflectância do solo diminui à medida que o teor de umidade do solo aumenta, especialmente a 1400 nm, 1900 nm, 2700 nm em todas as bandas de absorção de água. Para plantas e solos, Obviamente, esse fenômeno aparentemente é causado pela mesma razão que a radiação incidente é fortemente absorvida pela água em uma faixa de absorção específica de água.
Figura Curva espectral do solo de baixa umidade
A reflectância espectral do arenito varia com o tempo de intrusão de água
A textura do solo refere-se às proporções relativas de partículas de vários tamanhos de partículas no solo. A influência da reflectância espectral do solo sobre as propriedades do solo se manifesta principalmente em dois aspectos:
1. Afetar a capacidade de retenção de água do solo, afetando assim a reflectância espectral do solo;
2. O tamanho de partícula do solo também tem um grande impacto na reflexividade do solo;
Devido à sua forte higroscopicidade, a banda de absorção de água a 1400nm, 1900nm, 2700nm e assim por diante é obviamente anormal para a parte de argila com menor tamanho de partícula do solo. Com a diminuição das partículas do solo e o espaço entre partículas, a área de superfície específica aumenta Grande, a superfície tende a ser suave, de modo que a reflectividade do limo no solo é maior que a da areia, mas quando o grão é bom para argil, aumenta a capacidade de retenção de água do solo, mas reduz a reflectividade.
Além disso, a textura do solo afeta as características de reflexão dos fatores não apenas as combinações de tamanho de partícula e suas condições de superfície, mas também com a composição da composição química de tamanho de partícula diferente está intimamente relacionada.
Imagem RGB do conglomerado R: 1112 G: 1322 B: 1533
A Análise de Componentes Principais (PCA) é realizada nos dados calibrados por reflexibilidade quando nenhum conglomerado é adicionado: o PCA transforma os dados em um novo sistema de coordenadas usando uma transformação linear dos dados multibanda para maximizar as diferenças de dados. Esta técnica é útil para aumentar o conteúdo da informação, isolar o ruído e reduzir o número de dimensões dos dados.
Significado: a análise de componentes principais (PCA) é um dos métodos de redução de dimensionalidade linear mais utilizados e é amplamente utilizada em muitos métodos de redução de dimensionalidade. A análise de componentes principais (PCA) usa a variância como uma medida da quantidade de informação e considera que quanto maior a variância Quanto mais a informação é, menos informações são fornecidas ao contrário. A idéia básica é reduzir a dimensionalidade dos dados, preservando a variância grande e componentes ricos em informações por transformação linear, É uma combinação linear das variáveis originais, portanto, o método de análise de componente principal é essencialmente um método de redução de dimensão linear. As etapas de cálculo são geralmente divididas nas seguintes quatro etapas:
1) Padronizar a coleção de amostras de dados brutos.
2) Calcule a matriz de covariância da matriz de dados normalizada e ortogonalize-a para obter os principais componentes.
3) Calcule a contribuição cumulativa de cada componente principal, selecione o componente principal de acordo com o limite da taxa de contribuição requerida.
4) Para os componentes principais selecionados para estabelecer a equação do componente principal, calcule o valor do componente principal.
O PCA mapeia as variáveis originais em poucas variáveis latentes com a maioria das informações e, em seguida, usa método de mínimos quadrados lineares para determinar os coeficientes dessas variáveis latentes. Depois de estabelecer a equação de regressão de variáveis latentes e variáveis dependentes, PCA converte-as em variáveis originais e variáveis dependentes A equação de regressão tem uma alta eficiência de compactação de variáveis independentes, mas seu processo de mapeamento não tem nada a ver com a variável dependente, de modo que a precisão da previsão também é difícil de alcançar muito alta.
Savitzky-golay (suavização e filtragem digital)
Os dados com pesos diferentes, para obter um alisamento de dados mais efetivo, com base no princípio dos mínimos quadrados, podem reter o sinal útil de análise de informações para eliminar o método de suavização de dados eficazes por ruído aleatório, usando alisamento de dados polinomiais de alta ordem, de fato É uma espécie de operação de desconvolução.
Como o sinal espectral coletado pelo espectrômetro contém informações experimentais e úteis, ao mesmo tempo devido a Instrumento Precisão e outras razões para trazer o ruído aleatório, o método mais utilizado para eliminar o método de suavização de convolução Savitzky-Golay (SG), através do polinômio para mover os dados da janela para o alinhamento do sinal de montagem de mínimos quadrados polinômicos, tanto para eliminar o ruído quanto para reter Perfil espectral. Devido à distribuição desigual entre as amostras, os diferentes tamanhos de amostra, a dispersão da superfície da amostra e a mudança do comprimento do caminho óptico, etc., os efeitos de dispersão serão gerados. O uso da correção de dispersão multiplicativa (MSC) pode efetivamente eliminar essas dispersões Além disso, o espectro de derivadas pode efetivamente eliminar a linha de base e outras interferências de fundo, identificar picos sobrepostos, melhorar a sensibilidade e a resolução. Para a fonte espectral de possível ruído durante a aquisição, respectivamente, usando o método de convolução MSC e SG de diferentes orientações A combinação de dados espectrais e processamento.
Depois de obter e comparar os seguintes períodos de tempo, a imagem geral do conglomerado muda após o conglomerado absorver a umidade. A água mostra uma forte absorção na rocha ou conglomerado na faixa de 900nm-2500nm da banda do infravermelho próximo, que foi descrita acima.
Nessa experiência, a banda espectral da câmera é 900nm-1700nm e a banda de absorção de água é concentrada principalmente na proximidade de 1400nm. As características espectrais do mineral rock são principalmente concentradas na faixa de 2000nm-2400nm.
A figura abaixo mostra que o conglomerado é tratado com PCA, Savitzky-golay (suavização e filtragem digital) e correção de dispersão multiplicativa (MSC) quando o conglomerado não está em contato com a água. Componente PC-3 no estado do desempenho da imagem.
Figura conglomerado sem água (PC3)
Da mesma forma, 10 amostras de toda a coleção de dados de conglomerados foram selecionadas para 11:08, 11:17, 11:20, 11:27, 12:00, 12:30, 12:58, 13:36, 13 : 57, 14:35 Um total de 10 imagens hiperespectrais foram comparadas com imagens de conglomerados não revestidos.
Os conglomerados mostram o mesmo estado geral quando não estão absorvendo água, e quando os conglomerados começam a absorver a umidade, começando do ponto em que eles entram em contato com água até a absorção parece conter, o conglomerado se comporta Um estado muito óbvio de absorção de água.
Na imagem abaixo, da direita para a esquerda, podemos ver a mudança de conglomerado ao longo do tempo. O conglomerado absorve continuamente a umidade e quanto mais profunda a cor, mais mostra que quanto mais óbvia a água é absorvida nesta área, mais informações sobre o desempenho do conglomerado Sim, todo o conglomerado absorve a umidade em graus variados, em vez de um único componente granular.
O relatório de análise de dados que você forneceu anteriormente é baseado em uma das partículas para analisar suas mudanças no tempo, as mesmas partículas exibem mudanças espectrales características depois de absorverem a umidade.
11: 08 11: 17
11: 20 11: 27
12: 00 12: 30
12: 58 13: 36
13: 57 14: 35
Suas mudanças espectrales, não vou estar aqui para uma análise detalhada, porque cada pixel em conglomerado ou cada conglomerado pode ser efetivamente estudado no hiperespectral.
Esta é uma vantagem técnica muito importante da hiperespectral: a combinação de imagens e espectros pode ser uma grande quantidade de aquisição de dados, muito eficaz para o estudo do macro desempenho geral de objetos ou substâncias, mas também muito intuitivo. Outras tecnologias Pode haver algumas vantagens na precisão espectral, mas não podem coletar tantos dados e imagens ao mesmo tempo, e a análise da precisão pode ser fornecida por meio de análise.
A reflectância espectral do conglomerado varia com o tempo de intrusão de água
A: Conglomerado sem água Imagem do estado do PC: 20160408 11: 08
PC-1 PC-2
PC-3 PC-4
PC-5 PC-6
Segundo: status do PC da água do conglomerado Imagem: intervalo de tempo: 20160408 11:17
newrawfile-conglomerate-1 water-1_ref
PC-1 PC-2
PC-3 PC-4
PC-5 PC-6
Três: estado conglomerado de água da imagem do PC: intervalo de tempo: 20160408 11:20
Newrawfile-conglomerate -1- grampo de água -10_ref
PC-1 PC-2
PC-3 PC-4
PC-5 PC-6
Quatro: estado de água do conglomerado da imagem do PC: intervalo de tempo: 20160408 11: 27
20160408112703 teste:
Imagem RGB
PC-1 PC-2
PC-3 PC-4
PC-5 PC-6
Cinco: estado de água do conglomerado da imagem do PC: intervalo de tempo: 20160408 12: 00
20160408120014
PC-1 PC-2
PC-3 PC-4
PC-5 PC-6
VI: status de PC do conglomerado com água Imagem: intervalo de tempo: 20160408 12: 30
newrawfile20160408123032_ref
PC-1 PC-2
PC-3 PC-4
PC-5 PC-6
Sete: estado da água do conglomerado da imagem do PC: intervalo de tempo: 20160408 12: 58
newrawfile20160408125820
PC-1 PC-2
PC-3 PC-4
PC-5 PC-6
Oito: estado de água do conglomerado da imagem do PC: intervalo de tempo: 20160408 13: 36
newrawfile20160408133617
PC-1 PC-2
PC-3 PC-4
PC-5 PC-6
Nove: status de PC da água conglomerada Imagem: intervalo de tempo: 20160408 13: 57
newrawfile20160408135737_ref
PC-1 PC-2
PC-3 PC-4
PC-5 PC-6
Dez: estado de água do conglomerado da imagem do PC: intervalo de tempo: 20160408 14: 35
newrawfile20160408143523_ref
PC-1 PC-2
PC-3 PC-4
PC-5 PC-6
