Гиперспектральное изображение имеет преимущества ультра-многополосного, высокого спектрального разрешения (несколько нм), узкой полосы (≤10-2λ), широкого спектрального диапазона (200-2500 нм) и комбинации спектров и т. Д. Преимуществом является то, что собранные изображения Из-за эффекта «отпечатка пальца» отраженного спектра объекта принцип, что разные объекты имеют разные спектры и одни и те же объекты, должен быть одного и того же спектра для различения различной материальной информации.
Спектральные свойства объекта тесно связаны с его внутренними физико-химическими свойствами, что приводит к селективному поглощению и испусканию фотонов с разными длинами волн в материале из-за различий в составе и структуре материала. Полная и непрерывная спектральная кривая может лучше отражать эту разницу между различными веществами Врожденные различия в зрителях, которые являются точно физической основой спектроскопии изображений для достижения обнаружения мелкого наземного объекта.
Следующий эксперимент, используя Sichuan double-spectrum Technology Co., Ltd. высоту изображения спектрометр Проведите тест, чтобы закончить.
Во-первых, спектральное разрешение велико: спектральная ширина полосы каждой полосы детектора указывает на способность детектора обнаруживать спектр объекта, который включает в себя полную ширину спектра детектирования детектора, количество полос, диапазон длин волн и интервал каждой полосы, Чем больше полос детектируется детектором, тем меньше диапазон длин волн каждой полосы и чем меньше полосовой интервал, тем выше спектральное разрешение. Детектор имеет высокое спектральное разрешение, и полученное изображение может хорошо отражать спектр объекта Природа, различия между различными объектами могут быть хорошо отражены в изображении, способность детектора обнаруживать признаки сильна. Данные гиперспектрального дистанционного зондирования - важная особенность ультра-многополосного и большого количества данных, его обработка Это стало одной из ключевых проблем его успешного применения. Вообще, ширина пика спектрального поглощения типичного минерала составляет около 30 нм, что может быть обнаружено только датчиком, спектральное разрешение которого составляет менее 30 нм.
Второе: спектр изображения единицы:
В основном отражены в изображении и спектр представлены одновременно, а материальный характерный спектр является непрерывным, изучение любой части информации может быть проанализировано с помощью моделирования данных.
Рисунок Обработка и анализ гиперспектральных данных
Минералы: со стабильным химическим составом и физической структурой спектр минерала зависит в основном от характеристик спектрального поглощения. Решающим фактором является взаимодействие между электроном и кристаллическим полем в веществе и вибрация молекулы.
Спектральные свойства почв: первичными минералами в почве являются кварц, полевой шпат, мусковит, небольшое количество амфибола, пироксена, апатита, гематита, пирита и т. Д. Гравий и песок в почве почти все Состоит из первичных минералов, в основном кварца. Большая часть порошка также состоит из кварцевых и первичных силикатных минералов. Вторичные минералы в почве в основном относятся к следующим категориям: 1, простые соли, такие как газированные Соли, сульфаты и хлориды и т. Д. 2, водосодержащие оксиды, такие как оксид железа, оксид алюминия, оксид кремния и т. Д. 3, вторичные слоистые алюмосиликаты, такие как каолинит, монтмориллонит и слюда и так далее.
Почвенная влажность является важной частью почвы, коэффициент отражения почвы уменьшается по мере увеличения влажности почвы, особенно при 1400 нм, 1900 нм, 2700 нм во всех полосах поглощения воды. Для растений и почв, Очевидно, что это явление, по-видимому, вызвано той же причиной, что падающее излучение сильно поглощается водой в определенной полосе поглощения воды.
Рисунок Низкоуглеродистая спектральная кривая почвы
Спектральная отражательная способность песчаника изменяется со временем проникновения воды
Текстура почвы относится к относительным пропорциям частиц разных размеров частиц в почве. Влияние спектральной отражательной способности почвы на свойства почвы в основном проявляется в двух аспектах:
1. Влиять на способность удерживать воду в почве, тем самым влияя на отражательную способность почвы;
2. Сам размер частиц почвы также оказывает большое влияние на отражательную способность почвы;
Благодаря своей сильной гигроскопичности полоса поглощения воды при 1400 нм, 1900 нм, 2700 нм и т. Д., Очевидно, аномальна для глинистой части с меньшим размером частиц почвы. При уменьшении частиц почвы и пространства между частицами удельная площадь поверхности увеличивается Большая, поверхность имеет тенденцию быть гладкой, так что отражательная способность ила в почве выше, чем у песка, но когда зерно хорошо доходит до глины, оно увеличивает водоудерживающую способность почвы, но уменьшает отражательную способность.
Кроме того, текстура почвы влияет на характеристики отражения факторов, не только связанных с размерами частиц и их поверхностных условий, но также и с составом с различным химическим составом по размеру частиц.
RGB изображение конгломерата R: 1112 G: 1322 B: 1533
Анализ основных компонентов (PCA) выполняется по данным калибровки, отражающим отражательную способность, при отсутствии конгломерата: PCA преобразует данные в новую систему координат, используя линейное преобразование многодиапазонных данных для максимизации разностей данных. Этот метод полезен для улучшения информационного наполнения, изоляции шума и уменьшения количества измерений данных.
Значение: Основной анализ компонентов (PCA) является одним из наиболее широко используемых методов уменьшения линейной размерности и широко используется во многих методах сокращения размерности. Анализ основных компонентов (PCA) использует дисперсию как меру объема информации и считает, что чем больше дисперсия Чем больше информация, тем меньше информация предоставляется наоборот. Основная идея заключается в уменьшении размерности данных путем сохранения больших дисперсий и компонентов, богатых информацией, путем линейного преобразования, Является ли линейная комбинация исходных переменных, поэтому метод анализа основных компонентов является, по существу, методом уменьшения линейной размерности. Шаги расчета обычно делятся на следующие четыре этапа:
1) Стандартизировать сбор необработанных выборок данных.
2) Вычислить матрицу ковариации нормированной матрицы данных и ортогонализировать ее для получения главных компонентов.
3) Рассчитайте совокупный вклад каждого основного компонента, выберите главный компонент в соответствии с порогом требуемой ставки взноса.
4) Для выбранных основных компонентов для установления уравнения основной составляющей вычислите значение основного компонента.
PCA сопоставляется с первоначальным аргументом несколько латентных переменных, содержащих большую часть информации, а затем определяют линейные коэффициенты методом наименьших квадратов этих скрытых переменных, скрытых переменных и установить преобразованного в переменную уравнения регрессии, потому что тогда первоначальные независимые переменные и зависимой переменной уравнение регрессии. высокая эффективность сжатия аргумент, но он не имеет ничего общего процесса отображение и зависимые переменные, и, следовательно, трудно достичь высокой точности прогнозирования.
Savitzky-golay (цифровое сглаживание и фильтрация)
Данные с различными весами, чтобы получить более эффективное разглаживание данные основаны на принципе наименьших квадратов, полезная информация может быть сохранена в анализе сигнала, эффективно устраняя данные случайного шума метод сглаживания с использованием высокого порядка сглаживающих полиномиальных данных, на самом деле, Это своего рода операция деконволюции.
Поскольку спектральный сигнал, собранный спектрометром, содержит как экспериментальную, так и полезную информацию, в то же время из-за инструмент Точность и другие причины привели случайный шум, самый распространенный способ удаления шума Савицкого-Голея (SG), сглаживающий свертку для перемещения данных в пределах окна полиномом методом наименьших квадратов полином сглаживания сигнала, который устраняет шум удержания Спектральный профиль Из-за неравномерного распределения между образцами будут сформированы различные размеры выборки, рассеяние поверхности образца и изменение длины оптического пути и т. Д. Эффекты рассеяния будут генерироваться. Использование мультипликативной коррекции рассеяния (MSC) может эффективно устранить эти рассеяния Кроме того, спектр производных может эффективно устранять базовые и другие фоновые помехи, идентифицировать перекрывающиеся пики, улучшать чувствительность и разрешение. Для спектрального источника возможных шумов при приобретении, соответственно, с использованием метода свертки MSC и SG разного направления Сочетание спектральных данных и обработки.
После получения и сравнения опыта следующего периода времени, конгломерат после поглощения влаги, общая производительность его конгломерата воды изменения изображения в породе или гравия в ближней инфракрасной области спектра 900 нм-2500nm группы показали сильное поглощение, что было описано выше.
В этом эксперименте спектральная полоса камеры составляет 900 нм-1700 нм, а полоса поглощения воды в основном сосредоточена в районе 1400 нм. Спектральные характеристики минеральной породы в основном сосредоточены в диапазоне 2000 нм-2400 нм.
На следующем рисунке показано, что конгломерат обрабатывается PCA, Savitzky-golay (цифровое сглаживание и фильтрация) и мультипликативной коррекцией рассеяния (MSC), когда конгломерат не контактирует с водой. Компонент ПК-3 в состоянии производительности изображения.
Конгломерат контуров без воды (PC3)
Аналогично, 10 образцов всего сбора данных конгломерата были отобраны для 11:08, 11:17, 11:20, 11:27, 12:00, 12:30, 12:58, 13:36, 13 : 57, 14:35 В общей сложности 10 гиперспектральных изображений сравнивались с изображениями без покрытия конгломератов.
Конгломераты показывают одно и то же общее состояние, когда они не поглощают воду, и когда конгломераты начинают поглощать влагу, начиная с точки, где они контактируют с водой до тех пор, пока поглощение, как представляется, не содержит, конгломерат ведет себя Очень очевидное состояние водопоглощения.
На рисунке ниже справа налево мы видим изменение конгломерата с течением времени. Конгломерат непрерывно поглощает влагу, а чем глубже цвет, тем больше он показывает, что чем более очевидным является поглощение воды в этой области, тем лучше информация о конгломерате Да, весь конгломерат поглощает влагу в разной степени, а не один гранулированный компонент.
Отчет по анализу данных, который вы предоставили ранее, основан на одной из частиц для анализа его характерных изменений в спектрах с изменением содержания влаги в одних и тех же частицах с течением времени.
11: 08 11: 17
11: 20 11: 27
12: 00 12: 30
12: 58 13: 36
13: 57 14: 35
Его спектральные изменения, я не буду здесь для подробного анализа, потому что каждый пиксель на конгломерате или каждой конгломератной частице может быть эффективно изучен в гиперспектре.
Это очень важное техническое преимущество гиперспектрального анализа: комбинация изображений и спектров может быть большой сбор данных, очень эффективна для изучения общей макроэффективности объектов или веществ, но также очень интуитивно понятна. Другие технологии В спектральной точности могут быть некоторые преимущества, но они не могут собирать сразу столько данных и изображений, и анализ точности может быть обеспечен посредством анализа.
Спектральная отражательная способность конгломерата изменяется со временем проникновения воды
A: Конгломерат без воды. Статус состояния ПК: 20160408 11: 08
ПК-1 ПК-2
PC-3 PC-4
PC-5 PC-6
Второе: состояние ПК конгломератной воды Изображение: Временной интервал: 20160408 11:17
newrawfile-conglomerate-1 water-1_ref
ПК-1 ПК-2
PC-3 PC-4
PC-5 PC-6
Три: состояние конгломерата воды ПК: интервал времени: 20160408 11:20
newrawfile-conglomerate -1-clamp water -10_ref
ПК-1 ПК-2
PC-3 PC-4
PC-5 PC-6
Четыре: состояние конгломерата воды ПК: интервал времени: 20160408 11: 27
20160408112703 тест:
Изображение RGB
ПК-1 ПК-2
PC-3 PC-4
PC-5 PC-6
Пять: состояние конгломерата воды ПК: интервал времени: 20160408 12: 00
20160408120014
ПК-1 ПК-2
PC-3 PC-4
PC-5 PC-6
VI: Состояние ПК конгломерата с водой Изображение: Временной интервал: 20160408 12: 30
newrawfile20160408123032_ref
ПК-1 ПК-2
PC-3 PC-4
PC-5 PC-6
Семь: состояние конгломерата воды ПК: Временной интервал: 20160408 12: 58
newrawfile20160408125820
ПК-1 ПК-2
PC-3 PC-4
PC-5 PC-6
Восемь: состояние конгломерата воды ПК: интервал времени: 20160408 13: 36
newrawfile20160408133617
ПК-1 ПК-2
PC-3 PC-4
PC-5 PC-6
Девять: состояние ПК конгломератной воды Изображение: интервал времени: 20160408 13: 57
newrawfile20160408135737_ref
ПК-1 ПК-2
PC-3 PC-4
PC-5 PC-6
Десять: состояние конгломерата воды ПК: интервал времени: 20160408 14: 35
newrawfile20160408143523_ref
ПК-1 ПК-2
PC-3 PC-4
PC-5 PC-6
