详细信息
首页 >> 应用方案 >> 应用实例详述

应用实例详述1-文博类高光谱应用

发表时间:2016-3-3  阅读次数:3589

高光谱图像分析简要原理

高光谱图像是将成像技术和光谱技术相结合的多维信息检测技术,它能够同时探测目标的二维几何空间与一维光谱信息,获取高光谱分辨率的连续、窄波段的图像数据。和以往的多光谱、多波段成像光谱技术相比,高光谱图像技术的优势,主要体现在高空间分辨率、高光谱分辨率和高信息质量等方面。

高光谱图像数据是一个光谱图像立方体,其最主要的特点是将传统的图像空间维与光谱信息维信息融合为一体,与单波段图像相比,他多出一维光谱信息,在获取目标物空间图像的同时,可以得到每个像元对应的光谱信息,高光谱数据以较窄的波段区间、较多的波段数量来描述目标物,包含非常丰富的物质光谱信息,能有效地捕捉物质的光谱特征。

我们可以根据获得的高光谱数据,分析得到具有诊断性意义的物质光谱特征,建立代表物质特性的“指纹光谱”(每种物质都有的自己独特的光谱特征),接着便可以针对高光谱图像中每个像元的光谱反射率曲线,基于光谱匹配与特征分析,利用光谱信息直接识别目标物质。

文物中,消失的文字、脱落的颜料,由于他们拥有自己独特的光谱特征,而高光谱图像的特点在于极高的光谱分辨率和空间分辨率,只要其留有微弱的信号,我们就可以根据光谱特征将其探测出来、并标明在什么位置。

应用分析流程

一、预处理

手册中,预处理的主要目的是将绝对辐射数据转换为反射率数据,对图像的噪声进行去除,对图像的有效区域(空间维和光谱维)进行选取,为后续处理提供高质量的原始数据。这里,预处理主要以Philumina的控制软件Philumina Image Analyzer为例,一般预处理步骤包括白板校正(calibration,光线校正)、噪声去除(noise remove,为提高信噪比,获得更有效的数据)、波段裁切(subset bands,去除光效率低的波段,获得更有效的数据),有时数据量太大,可对数据进行空间裁切(subset roi,加快处理速度,分段处理后再合成)。

二、单目标光谱分析

案例代表:秦代官墓墓文板。

分析目的:墓文板年代久远,表面文字脱落,需尽可能探测到丢失的文字(图1中红色文字即为探测目标),恢复整块墓文板的可读信息。

秦代官墓墓文板采集原稿

1.选取ROI(regions of interest,感兴趣区域)

借助ENVI的ROI工具,选取图1中的文字部分作为感兴趣区域,并保存。

2.使用target detection工具进行分析

借助ENVI的“Target Detection Wizard”工具,对目标信息进行提取:

2 target detction wizard

根据图2所示工具,按照左面板中的说明,按步骤点击“next”,直到分析完成,其中第3步中,选择之前保存的roi文件作为目标波谱,第6步中,选取目标探测方法时,可以多选择几种,最后根据效果选取最合适的结果。

经上述1、2处理步骤,得到秦代官墓墓文板分析结果:

                     

3 秦代墓文板分析结果

从图3可以看出,原先丢失的信息,很大一部分都被提取了出来,小部分完全没有信息的地方可能是年代太久远,刻字用的颜料已经消失了。

三、多目标光谱分析

案例代表:上海博物院古画。

分析目的:上海博物馆采集到的古画,画中有些地方有霉斑,需要识别霉斑区域是什么成分,以便于后期修复。

                    

4 上海博物院古画原稿

1.数据降维

高光谱图像数据量非常大,在处理前一般先进行降维处理,我们使用MNF进行数据降维。借助ENVI中的“Forward MNF Estimate Noise Statistics ”工具,对源数据(即图4所示数据)执行MNF变化,对数据降维。

这里截取MNF变换后第1波段图像和2,3,4波段的假彩色合成:

                     

5 mnf变换后第1波段

                    

 图6 mnf变换后第2/3/4波段假彩色合成效果

MNF变换后每个波段具有不同的意义,根据不同的用途,用户可以加以研究,MNF波段1代表整个波段的亮度背景,即光谱背景,在影像上都较其他的MNF波段亮,mnf波段2-x(x根据待检测的物质会有所不同,一般会集中在前2-10个波段内,不同的波段强调不同的主成分),每个波段的信息互不相关。

2.端元提取

本案例选用PPI方法进行端元提取,具体操作步骤为:

(1)利用ENVI中的“Pixel Purity Index(PPI) New Output Band”工具,对mnf变换结果文件执行PPI处理,获取纯净像元指数文件;

                       

图7  PPI文件

(2)根据PPI结果文件选取ROI;

(3)根据(1)(2)结果,利用ENVI中的“n-Dimensional Visualizer New Data”工具获取端元;

(4)获取端元波谱并保存。

        

 图8  端元                         图9  端元波谱

3.高光谱图像分类(光谱解混)

本例选用SAM(Spectral Angle Mapping,光谱角填图)方法进行高光谱分类。具体操作为,在ENVI中,调用“Spectral Angle Mapper Classification”工具,利用第2步中提取的端元波谱,设置阈值,执行分类。本例分类结果:

图10 SAM分类结果

图10中各类别的颜色与图8及图9中的颜色对应,根据图10的分类结果,可以知道霉斑部分原有的成分构成。在执行SAM分类时,可以选择生成SAM的丰度图像,这样,当您对分类结果不满意(因为分类之前需要设置阈值参数,这个值往往不好确定,因此会影响分类结果)时,可以利用各目标成分的丰度图进行进一步分析。

本例中生成的SAM丰度图示例:

图11  SAM丰度图

11中的SAM分类的丰度图依次为红色、绿色、蓝色及黄色分量,每一幅图中,黑色表示相应分量的目标,像素值越小(越黑),说明该像元中该端元所占比例越大。在该案例中,因不知道具体的物质成分,所以在分类时物质仅仅按照提取的端元简单的用颜色区分,实际中若有物质的光谱库,可以识别图中的物质,而且分类结果也将更加精确。

本文版权归南京高恳特科技有限公司所有

上一篇文章:暂无

联系,咨询和支持

·项目合作

·获得报价

·得到专业的建议