Введение

Гиперспектральные изображения обладают способностью « видеть невидимое человеческим глазом», но то, что действительно превращает данные в информацию и делает характеристики « выкопаными» из шума, - это предварительная обработка спектра и снижение измерения. В этом выпуске мы используем самый интуитивный случай - синяки киви, чтобы показать вам, как оригинальный спектр постепенно раскрывает четкую организационную структуру и характеристики повреждения под действием ряда методов предварительной обработки (сглаживания, SNV, MSC) и снижения измерения (PCA, MNF). Всего несколько диаграмм, вы можете увидеть огромную разницу « до и после гиперспектральной обработки», а также быстро понять, почему предварительная обработка более важна, чем само моделирование.

4 Предварительная обработка спектральных изображений

4.1 Спектральная предварительная обработка

Метод сглаживания в основном используется для устранения высокочастотного случайного шума в спектре, сохраняя при этом общую тенденцию и пиковую форму спектра.

(1) Мобильное среднее

Перемещение в среднем является основным методом сглаживания. Он сглаживает спектр путем усреднения текущих и соседних точек. Этот метод сглаживает высокочастотный шум, но не чувствителен к некоторым острым шумам. Формула выглядит следующим образом:

Среди них размер движущегося окна.

Примеры кода Python:

(2) Сглаживание Savitzky - Golay

Основная идея SG - сглаживания заключается в полиномиальном согласовании спектральных сигналов в скользящем окне и замене исходных спектральных точек соответствующими значениями. По сравнению с простым скользящим средним, сглаживание SG не только устраняет высокочастотный шум, но и сохраняет локальные характеристики спектральных пиков и сигналов. Формула выглядит следующим образом: размер окна 2мВ условиях + 1, в случаеиСглаживание спектральных точек:

Среди них коэффициент, полученный полином, является исходным значением спектральной точки в окне.

Примеры кода Python:

(3) Средняя фильтрация

Средняя фильтрация заменяет текущую точку медианной величиной в окне и особенно эффективна для случайных резких шумов (заусенцев).

Примеры кода Python:

(4) Стандартное нормальное преобразование (SNV)

SNV - это метод нормализации, который устраняет эффекты рассеяния или различия в интенсивности между спектрами путем централизации и стандартизации каждого спектра и сохраняет относительную форму спектра. Формула выглядит следующим образом:

Это означает среднее спектральное значение, обозначающее стандартное отклонение спектра.

Примеры кода Python:

(5) Коррекция на множественное рассеяние (MSC)

С помощью линейной регрессии MSC сопоставляет каждый спектр с референтным (обычно средним) спектром, корректируя эффект умножения и аддитивного рассеяния. Этот метод может корректировать разницу в интенсивности, вызванную рассеянием, сохраняя форму спектра. Формула выглядит следующим образом:В том числе

В том числе номериСпектр длины волны, референсный спектр, обычно средний спектр всех образцов, коэффициент регрессии, спектр после согласования.

Примеры кода Python:

4.2 Описание спектральных изображений

(1) Анализ основных компонентов понижающее измерение (PCA)

В гиперспектральной обработке изображений PCA является широко используемым методом уменьшения размерности, используемым для уменьшения избыточности диапазона, снижения шума и извлечения основной спектральной информации. Гиперспектральные изображения обычно представлены трехмерными кубиками данных, которые содержат пространственные измерения и сотни спектральных диапазонов. Основная идея PCA заключается в том, чтобы рассматривать спектральные векторы каждого пикселя как высокомерные данные, получая основные компоненты, сортируемые по размеру дисперсии, путем нулевой усреднения всех пиксельных данных, вычисления ковариационной матрицы и поиска ее собственных значений и собственных векторов. Выбор первых нескольких основных компонентов позволяет отображать гиперспектральные данные из высоких в низкие, сохраняя при этом большую часть спектральной информации. Данные после снижения измерения не только уменьшают количество вычислений, но и значительно улучшают отношение сигнала к шуму, которое может быть использовано для визуализации, классификации или кластерного анализа. Например, первые три основных компонента могут быть объединены в псевдоцветные изображения для визуального отображения пространственной структуры. В целом, уменьшение измерения PCA является важным средством предварительной обработки при обработке и анализе гиперспектральных изображений, которое эффективно сжимает данные, устраняет избыточность и шум, сохраняя при этом спектральные характеристики.

(2) Минимальное уменьшение доли шума (MNF)

В гиперспектральной обработке изображений MNF является широко используемым методом снижения шума и сжатия данных, основная идея которого заключается в извлечении основных компонентов сигнала, принимая во внимание спектральные шумовые характеристики. Снижение MNF обычно происходит в два этапа: * один шаг, оценка шума исходных гиперспектральных данных и нормализация шума данных, стандартизация воздействия шума; На втором этапе проводится анализ основного компонента (PCA) на нормализованных данных, извлекаются компоненты с большой дисперсией * в качестве основного сигнала и отбрасываются компоненты с низкой дисперсией, где преобладает шум. В отличие от традиционных PCA, MNF делает первые несколько основных компонентов после снижения измерения лучше с точки зрения отношения сигнала и шума и лучше выделяет реальные спектральные сигналы, рассматривая структуру шума. Данные MNF не только уменьшают избыточность диапазона, но и эффективно уменьшают шум, широко используются для визуализации, классификации и распознавания целей гиперспектральных изображений. Поскольку он может одновременно подавлять шум и сжатие характеристик, MNF часто рассматривается как усовершенствованный метод снижения измерения для обработки гиперспектральных данных.

4.4 Сопоставление случаев до и после

(1) Случаи предварительной обработки спектра

Спектральные кривые, обработанные различными методами предварительной обработки, показаны на рисунке ниже. По сравнению с исходным спектром методы плавной предварительной обработки (например, Savitzky - Golay, скользящая средняя и медианная фильтрация) в основном устраняют высокочастотные колебания на спектральных кривых, делая спектральные кривые более гладкими, сохраняя при этом основную форму общего пикового и базисного уровней. Метод SNV стандартизирует амплитуду и смещение исходного спектра, выравнивая спектры различных образцов на одном уровне и слегка изменяя общую высоту кривой. MSC корректирует различия в амплитуде и смещении, вызванные рассеянием света, с помощью линейной регрессии, сохраняя пиковые характеристики и устраняя различия в рассеянии между образцами. Однако SNV и MSC не устраняют высокочастотный шум в спектре. Комбинированные методы (например, SG + SNV или SG + MSC) сначала сглаживают высокочастотный шум спектра, а затем корректируют рассеяние, чтобы сбалансировать эффект сглаживания и коррекции рассеяния, чтобы спектр был плоским и сохранял пиковые характеристики. Сравнивая спектры до и после обработки, можно визуально наблюдать регулирующее воздействие каждого метода на шум, рассеяние и исходный уровень, чтобы выбрать * подходящую стратегию предварительной обработки.

(2) Случаи снижения размеров спектральных изображений

В качестве примера можно привести уменьшение размеров спектральных изображений киви с синяками, гиперспектральные изображения киви с синяками и изображения серого цвета с определенной длиной волны, как показано на рисунке ниже.

Высокоскоростные изображения синяков киви и серого цвета на определенных длинах волн

Анализ PCA и MNF гиперспектральных данных о синяках киви показал, что оба метода могут выявить характеристики, связанные с изменениями в тканях в основных компонентах, но результаты значительно различаются. PCA PC1 в основном характеризует общее распределение альбедо и плотности плодовых тканей, PC2 может значительно подчеркнуть усиление поглощения в области синяков, является диагностическим компонентом PCA *; Начиная с PC3 преобладает шум, появляются явные полосатые псевдотени, которые больше не подходят для дальнейшего анализа. Напротив, MNF эффективно подавляет шум, сортируя его по соотношению сигнала и шума, MNF1 демонстрирует стабильные организационные фоновые характеристики, MNF2 может отделять основную область синяков с более высоким контрастом и более четкими границами, а MNF3 еще больше усиливает структуру края повреждения, демонстрируя иерархические изменения в распространении синяков. В целом, MNF значительно превосходит PCA в улучшении характеристик синяков, подавлении шума и поддержании тканевых деталей, где MNF2 - MNF3 является * диагностическим компонентом.

Полные спектральные изображения образцов киви для анализа PCA и MNF

Следующая публикация

В следующем выпуске мы рассмотрим классификацию распознавания гиперспектральных изображений и методологическую классификацию классификации гиперспектральных изображений.