一：試驗目的：

    以雜草中的蟲草為樣本，對樣品的400nm-1000nm波段的紅外光譜進行分析，獲取此波段的光譜信息，為后期的分類蟲草檢測識別提供依據。

二：測試原理及方法：

    高光譜成像技術是近二十年來發展起來的基于非常多窄波段的影像數據技術，其突出的應用是遙感探測領域，并在越來越多的民用領域有著更大的應用前景。它集中了光學、光電子學、電子學、信息處理、計算機科學等領域的先進技術，是傳統的二維成像技術和光譜技術有機的結合在一起的一門新興技術。

    高光譜成像技術的定義是在多光譜成像的基礎上，在紫外到近紅外（200-2500nm）的光譜范圍內，利用成像光譜儀，在光譜覆蓋范圍內的數十或數百條光譜波段對目標物體連續成像。在獲得物體空間特征成像的同時，也獲得了被測物體的光譜信息。

目標物體-成像物鏡-入射狹縫-準直透鏡-PGP-聚焦透鏡-CCD棱鏡-光柵-棱鏡：PGP。

光譜儀的光譜分辨率由狹縫的寬度和光學光譜儀產生的線性色散確定。最小光譜分辨率是由光學系統的成像性能確定的（點擴展大小）。

    成像過程為：每次成一條線上的像后（X方向），在檢測系統輸送帶前進的過程中，排列的探測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據。

利用GaiaField便攜式高光譜成像儀作為測試設備并配置光譜范圍在350nm-2500nm范圍的光源來完成數據的獲取。

圖 儀器設備

圖 像立方體

圖 RGB圖像（R:650nm G:550nm B：450nm）

首先對原始高光譜圖像進行裁剪，因在原始數據中有大量的冗余影像，這些會對數據的分析帶來干擾，其次再對原始數據進行噪聲背景進行扣除，減少干擾信號，同時對非研究對象進行剔除（比如說在樣品中有一部分是泥土，它與植被的光譜圖像是有非常明顯的區別的，所以首先將其排除掉）。如下圖所示，對數據進行背景扣除后的圖像。

圖 扣除背景后的圖像

對扣除背景后的原始數據進行主成分分析（PCA），因高光譜圖像的各個波段之間經常是高度相關的，它們的DN值以及顯示出來的視覺效果往往很相似。主成分分析能夠去除波段之間的多余信息、將波段的圖像信息壓縮到比原波段更為有效的少數幾個轉換波段的方法。

圖 主成分分析結果

對經過背景信號扣除后的數據進行主成分分析之后，獲取其前8個PC狀態的圖像。

經過主成分分析、光譜平滑等算法處理之后，能夠發現在主成分分析的1/6/7/8狀態下對蟲草的分類識別不是非常的精確，而在主成分分析的2、3、4、5狀態下能夠很好的將蟲草和其他非蟲草類的植被進行分開，測算精度非常高（在圖PC-2  PC-3  PC-4  PC-5中蟲草顯示不同的顏色，這種顏色只是一個顏色顯示，非蟲草的本質顏色，只是為了區分區別）。

高光譜技術是將圖像和光譜結合在一起的一門新型成像技術，在成像的同時，能夠借助物質的標準光譜與其測試到的特征光譜進行光譜匹配，這樣的話就能夠很快、精準的對所測試的對象進行分類識別。

圖 分類識別出來的蟲草樣本（藍色標注）-PC3

圖 分類識別出來的蟲草樣本（紅色標注）-PC5

圖 4根蟲草樣本的平均光譜曲線（400nm-1000nm）

圖 4根蟲草樣本的平均光譜曲線（1000nm-2500nm）

    因4根蟲草表明由于光源照射的角度等因素影響，反射光譜被相機接收之后，表現處理的特征光譜的反射率有高低之分，但是4（根）種蟲草的特征光譜的形狀是一致的。其他類別的草劃分在一起，不具備與4種蟲草有相似的特征信息，所以能夠從整個圖像中對其進行分類識別和提取。

而其他雜草的光譜曲線起始和蟲草的很相似，這是因為在400nm-1000nm波段和在1000-2500nm波段，雜草和蟲草都表現出來植被的特征光譜信息。

圖 標準植被的特征光譜（草）-1000nm-2500nm

圖 標準植被的特征光譜（草）-400nm-2500nm

下圖中的紅色的線為雜草的光譜曲線，與標準光譜對比非常相似。