午夜精品白在线观看,美女欧美18禁,久久精一区二区,欧美在线二区

一、測(cè)試原理及方法：

 高光譜成像技術(shù)是近二十年來(lái)發(fā)展起來(lái)的基于非常多窄波段的影像數(shù)據(jù)技術(shù)，其突出的應(yīng)用是遙感探測(cè)領(lǐng)域，并在越來(lái)越多的民用領(lǐng)域有著更大的應(yīng)用前景。它集中了光學(xué)、光電子學(xué)、電子學(xué)、信息處理、計(jì)算機(jī)科學(xué)等領(lǐng)域的先進(jìn)技術(shù)，是傳統(tǒng)的二維成像技術(shù)和光譜技術(shù)有機(jī)的結(jié)合在一起的一門(mén)新興技術(shù)。

 高光譜成像技術(shù)的定義是在多光譜成像的基礎(chǔ)上，在從紫外到近紅外（200-2500nm）的光譜范圍內(nèi)，利用成像光譜儀，在光譜覆蓋范圍內(nèi)的數(shù)十或數(shù)百條光譜波段對(duì)目標(biāo)物體連續(xù)成像。在獲得物體空間特征成像的同時(shí)，也獲得了被測(cè)物體的光譜信息。

目標(biāo)物體-成像物鏡-入射狹縫-準(zhǔn)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(xué)光譜儀產(chǎn)生的線性色散確定。最小光譜分辨率是由光學(xué)系統(tǒng)的成像性能確定的（點(diǎn)擴(kuò)展大?。?/span>

成像過(guò)程為：每次成一條線上的像后（X方向），在檢測(cè)系統(tǒng)輸送帶前進(jìn)的過(guò)程中，排列的探測(cè)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(shù)據(jù)。

圖2 像立方體

圖3  Gaia Field高光譜成像儀

高光譜儀配置：鏡頭：22mm鍍膜消色差鏡頭；光譜范圍：400nm-1000nm，光譜分辨率: 4nm@435.8nm（@400-1000nm），像面尺寸（光譜x空間）：6.15 x 14.2 mm，相對(duì)孔徑：F/2.4，狹縫長(zhǎng)度14.2 mm. 內(nèi)置控制、掃描機(jī)構(gòu)；內(nèi)置電池；

SpecView軟件：控制完成自動(dòng)曝光、自動(dòng)對(duì)焦、自動(dòng)掃描速度匹配；數(shù)據(jù)處理：黑白、輻射度、均勻性、鏡頭等校準(zhǔn)；光譜查看。

GaiaField便攜式高光譜系統(tǒng)是雙利合譜自行研制的超便攜式高光譜成像儀器。它的核心由三部分構(gòu)成，分別是：多維運(yùn)動(dòng)控制器，光譜相機(jī)和成像光譜儀。使用此系統(tǒng)進(jìn)行掃描，在獲得目標(biāo)影像信息的基礎(chǔ)上，還可以獲得數(shù)百甚至上千波段的光譜信息。

GaiaField系統(tǒng)有著輕便靈活，續(xù)航能力出色的特點(diǎn)。廣泛適用于，目標(biāo)識(shí)別、wei裝與反wei裝等軍事領(lǐng)域，地面物體與水體遙測(cè)、現(xiàn)代精細(xì)農(nóng)業(yè)等生態(tài)環(huán)境監(jiān)測(cè)領(lǐng)域，以及刑偵、文物保護(hù)、生物醫(yī)學(xué)等領(lǐng)域。

覆蓋可見(jiàn)光與近紅外全波段可提供超過(guò)700個(gè)光譜通道，可自由選擇GaiaField便攜式高光譜系統(tǒng)采用了高分辨率的成像光譜儀。在可見(jiàn)光波段，光譜分辨率高達(dá)3nm，即使在短波紅外波段也能達(dá)到10nm。因而全波段內(nèi)可以獲得超過(guò)700個(gè)的光譜通道，更多的光譜通道意味著更多的信息，有助于研究人員通過(guò)對(duì)連續(xù)光譜的分析、反演，獲得更多的高價(jià)值數(shù)據(jù)細(xì)節(jié)。

圖4  高光譜成像儀采集的影像效果圖

*的軟硬件功能：

輔助攝像頭功能

通過(guò)輔助攝像頭觀察目標(biāo)拍攝區(qū)域

當(dāng)前狹縫位置指示

選擇自動(dòng)曝光與自動(dòng)調(diào)焦區(qū)域，直觀方便，僅需鼠標(biāo)即可完成操作。

圖 5  輔助攝像頭觀察目標(biāo)拍攝區(qū)域

自動(dòng)掃描速度匹配、自動(dòng)曝光：

自動(dòng)曝光：根據(jù)當(dāng)前光照環(huán)境，進(jìn)行曝光測(cè)試，獲得精準(zhǔn)的曝光時(shí)間。在得到最佳信噪比的同時(shí)，又可避免過(guò)度曝光造成數(shù)據(jù)作廢。同時(shí)軟件具有實(shí)時(shí)過(guò)度曝光監(jiān)視功能。

自動(dòng)掃描速度匹配：根據(jù)當(dāng)前的曝光時(shí)間等參數(shù)，進(jìn)行測(cè)試拍攝，得到實(shí)時(shí)幀速，進(jìn)而計(jì)算出合適的掃描速度。從而避免了掃描圖像的變形（拉伸或壓縮）。

圖 6   采集數(shù)據(jù)自動(dòng)曝光、速度匹配

二、數(shù)據(jù)分析：

本文以貴州學(xué)院提供的作物葉片為研究對(duì)象，利用江蘇雙利合譜科技有限公司的高光譜成像儀Gaia Field（光譜范圍400 nm - 1000 nm）采集測(cè)試對(duì)象的高光譜數(shù)據(jù)，以分析作物葉片的病害情況。

對(duì)成像高光譜儀拍攝的原始影像數(shù)據(jù)進(jìn)行數(shù)據(jù)的預(yù)處理，預(yù)處理過(guò)程主要包括兩部分。第一部分是輻射定標(biāo)；第二部分為噪聲去除。

首先進(jìn)行輻射定標(biāo)。輻射定標(biāo)的計(jì)算公式如1所示。

                       (1)

其中，Ref_target為目標(biāo)物的反射率，Ref_panel為標(biāo)準(zhǔn)參考板的反射率，DN_target為原始影像中目標(biāo)物的的數(shù)值，DN_panel為原始影像中標(biāo)準(zhǔn)參考板的數(shù)值，DN_dark為成像光譜儀系統(tǒng)誤差。

其次是噪聲去除，本文運(yùn)用國(guó)外較為常用的最小噪聲分離方法(Minimum Noise Fraction Rotation， MNF)進(jìn)行噪聲去除。最小噪聲分離工具用于判定圖像數(shù)據(jù)內(nèi)在的維數(shù)（即波段數(shù)），分離數(shù)據(jù)中的噪聲，減少隨后處理中的計(jì)算需求量。MNF本質(zhì)上是兩次層疊的主成分變換。第一次變換（基于估計(jì)的噪聲協(xié)方差矩陣）用于分離和重新調(diào)節(jié)數(shù)據(jù)中的噪聲，這步操作使變換后的噪聲數(shù)據(jù)只有最小的方差且沒(méi)有波段間的相關(guān)。第二步是對(duì)噪聲白化數(shù)據(jù)（Noise-whitened）的標(biāo)準(zhǔn)主成分變換。為了進(jìn)一步進(jìn)行波譜處理，通過(guò)檢查最終特征值和相關(guān)圖像來(lái)判定數(shù)據(jù)的內(nèi)在維數(shù)。數(shù)據(jù)空間可被分為兩部分：一部分與較大特征值和相對(duì)應(yīng)的特征圖像相關(guān)，其余部分與近似相同的特征值以及噪聲占主導(dǎo)地位的圖像相關(guān)。由于此次采集的高光譜影像沒(méi)有白板校正，因此數(shù)據(jù)預(yù)處理的第一步輻射定標(biāo)沒(méi)有進(jìn)行分析處理，直接作MNF降噪分析。圖7為MNF降噪前后的成像高光譜數(shù)據(jù)中DN值的變化。

圖7  MNF變換前(左)后(右)高光譜影像DN值的變化

下圖分別為作物綠葉、黃葉、病害葉的光譜反射率值（因本次測(cè)試無(wú)白板數(shù)據(jù)，故以背景值作為參考板計(jì)算種子的光譜反射率）。從圖8可知，綠色葉片在綠光區(qū)域有明顯的反射峰，在紅光區(qū)域有明顯的吸收谷，在可見(jiàn)光波段與近紅外波段之間，即大約0.73um附近，反射率急劇上升，形成“紅邊”現(xiàn)象，“綠峰”、“紅谷”、“紅邊”均是綠色植物曲線的最為明顯的三個(gè)特征；但黃葉、病害葉均沒(méi)有綠色植物該有的這三個(gè)特征。

圖8  綠葉、黃葉、病害葉的光譜反射率值

利用SpecView軟件的Analysis-Animate功能，能快速瀏高光譜影像各波段的灰度信息變化，本研究通過(guò)快速瀏覽病害葉的高光譜影像的各波段灰度信息變化可知，作物葉子的病害位置在紅光區(qū)域能較為清楚的分辨出來(lái)，這與目前國(guó)內(nèi)外的研究結(jié)果相同。圖9為病害作物葉片在680 nm處的灰度圖像，從圖像可知，與正常綠葉葉片相比，葉片受病害區(qū)域表現(xiàn)較亮一些；這是因?yàn)榫G葉在紅光區(qū)域有吸收谷，反射率值較低，而受病害葉片在紅光區(qū)域無(wú)吸收谷，反射率值相對(duì)較高，故圖像灰度值表現(xiàn)較亮一些。

圖9  正常綠葉與病害葉在680 nm處的灰度圖像

植被指數(shù)主要反映植被在可見(jiàn)光、近紅外波段反射與土壤背景之間差異的指標(biāo)，各個(gè)植被指數(shù)在一定條件下能用來(lái)定量說(shuō)明植被的生長(zhǎng)狀況。NDVI能反映出植物冠層的背景影響，如土壤、潮濕地面、雪、枯葉、粗超度等，且與植被覆蓋有關(guān)。其被定義為兩個(gè)通道反射率之差除以它們的和。在植被處于中、低覆蓋度時(shí)，NDVI隨覆蓋度的增加而迅速增大，當(dāng)達(dá)到一定覆蓋度后增長(zhǎng)緩慢，所以適用于植被早、中期生長(zhǎng)階段的動(dòng)態(tài)監(jiān)測(cè)。圖10分別為綠葉與病害葉的NDVI圖，其中用到的近紅外波段是800 nm，紅光波段是680 nm。從圖10可知，在NDVI圖像中，綠葉的灰度值高于病害葉片，相對(duì)于單波段圖像而言，NDVI圖像更容易分辨出病害葉片的位置。通常來(lái)說(shuō)，綠葉的NDVI值為0.2-0.8之間。

圖10  正常綠葉與病害葉的NDVI的圖像

在科研研究中，我們需要去除作物葉片的背景信息，即提取作物葉片，常用的提取方法有面向?qū)ο蠓指?、監(jiān)督分類(lèi)（馬氏距離法、最大似然法、光譜匹配法、神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)等）、非監(jiān)督分類(lèi)（K-Means、ISODATA）、決策樹(shù)、數(shù)學(xué)形態(tài)學(xué)分割等算法。本研究運(yùn)用數(shù)學(xué)形態(tài)學(xué)分割算法提取作物葉片。

數(shù)學(xué)形態(tài)學(xué)(Mathematical Morphology)誕生于1964年，最初它只是分析幾何形狀和結(jié)構(gòu)的數(shù)學(xué)方法，是建立在數(shù)學(xué)基礎(chǔ)上用集合論方法定量描述幾何結(jié)構(gòu)的科學(xué)。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡(jiǎn)化圖像數(shù)據(jù)，保持它們基本的形狀特性，并除去不相干的結(jié)構(gòu)。在對(duì)圖像的分析研究過(guò)程中，為了辨別和分析目標(biāo)，人們往往僅對(duì)各幅圖像中的某些部分感興趣，需要將這些有關(guān)區(qū)域分別提取出來(lái)即實(shí)現(xiàn)圖像的分割，在此基礎(chǔ)上才有可能對(duì)目標(biāo)進(jìn)一步利用。數(shù)學(xué)形態(tài)學(xué)以圖像的形態(tài)特征為研究對(duì)象，描述圖像的基本特征和基本結(jié)構(gòu)，通常形態(tài)學(xué)圖像處理表現(xiàn)為一種鄰域運(yùn)算形式，采用鄰域結(jié)構(gòu)元素的方法，在每個(gè)像素位置上鄰域結(jié)構(gòu)元素與二值圖像對(duì)應(yīng)的區(qū)域進(jìn)行特定的邏輯運(yùn)算，邏輯運(yùn)算的結(jié)果為輸出圖像的相應(yīng)像素。圖11為作物葉片提取前后的高光譜影像RGB合成圖像。從圖11可知，運(yùn)用數(shù)學(xué)形態(tài)學(xué)分割的方法在沒(méi)有去除病害葉區(qū)域的情況下能較好地獲取純作物的葉片。

圖11  作物葉片提取前后的圖像（含葉片病害區(qū)域）

在科學(xué)研究中，作物的營(yíng)養(yǎng)（如氮素、葉綠素、蛋白質(zhì)、糖等）監(jiān)測(cè)，通常是針對(duì)綠葉信息而言。由于受病蟲(chóng)害等影響，葉片變黃或枯萎的區(qū)域，其營(yíng)養(yǎng)狀況發(fā)生了較大變化。因此，在分析構(gòu)建作物營(yíng)養(yǎng)的監(jiān)測(cè)模型時(shí)，應(yīng)去除葉片的受病害區(qū)域。本研究在數(shù)學(xué)形態(tài)學(xué)分析的基礎(chǔ)上，構(gòu)建NDVI指數(shù)，通過(guò)NDVI指數(shù)的閾值分割算法，提取作物葉片的綠葉信息，如圖12所示。從圖12可知，利用數(shù)學(xué)形態(tài)學(xué)與NDVI指數(shù)相結(jié)合的辦法，能較好地去除背景、葉片病害區(qū)域，從而獲取綠葉部分的信息，為構(gòu)建作物營(yíng)養(yǎng)監(jiān)測(cè)模型奠定了基礎(chǔ)。

圖12  作物綠葉提取前后的圖像（去除葉片病害區(qū)域）

    科學(xué)研究表明，歸一化植被指數(shù)NDVI能較好地反映作物的生長(zhǎng)狀態(tài)及其營(yíng)養(yǎng)是否缺失等。本研究運(yùn)用近紅外800 nm和紅光680 nm 構(gòu)建歸一化植被指數(shù)以分析提取的作物綠葉生長(zhǎng)狀態(tài)及營(yíng)養(yǎng)分布情況，如圖13。從圖13可知，無(wú)病害感染的作物綠葉，其N(xiāo)DVI較高，說(shuō)明其生長(zhǎng)較好；受病害感染的葉片，其N(xiāo)DVI值較低，雖然表面看起來(lái)是綠色的，但是其營(yíng)養(yǎng)已經(jīng)缺失，隨著時(shí)間的推移，會(huì)變黃，甚至枯萎。

圖13  作物綠葉的NDVI分割效果圖