久久高潮一级毛片免费_久久成人免费电影_XXX2高清在线观看免费视频_2021久久精品免费观看

一、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，在從紫外到近紅外（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

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。

圖2 像立方體

本文以手臂靜脈為研究對象，利用雙利合譜的高光譜成像儀GaiaSorter（光譜范圍400nm-1000nm）采集測試對象的高光譜數據。測試時間為2015年8月4日。圖3為GaiaSorter “蓋亞”高光譜分選儀的外觀圖像

圖3  GaiaSorter “蓋亞”高光譜分選儀

GaiaSorter “蓋亞”高光譜分選儀的核心部件包括均勻光源、光譜相機、電控移動平（或傳送帶）、計算機及控制軟件等部分。工作原理是通過光源照射在放置于電控移動平臺（或傳送帶）上的待測物體（樣品），樣品的反射光通過鏡頭被光譜相機捕獲，得到一維的影像以及光譜信息，隨著電控移動平臺（或傳送帶）帶動樣品連續運行，從而能夠得到連續的一維影像以及實時的光譜信息，所有的數據被計算機軟件所記錄，最終獲得一個包含了影像信息和光譜信息的三維數據立方體。其結構示意如圖4所示。

圖4  GaiaSorter “蓋亞”高光譜分選儀結構示意圖

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，相對孔徑：F/2.4，狹縫長度14.2 mm.

SpecView軟件：控制完成自動曝光、自動對焦、自動掃描速度匹配；數據處理：黑白、輻射度、均勻性、鏡頭等校準；光譜查看。

圖5為成像高光譜的拍攝手臂正反面的真彩色合成圖像。

圖5 基于成像高光譜手臂正反面的真彩色合成圖像 (640 nm、550 nm、460 nm)

對成像高光譜儀拍攝的手臂原始影像數據進行數據的預處理，預處理過程主要包括兩部分。第一部分是輻射定標；第二部分為噪聲去除。

首先進行輻射定標。輻射定標的計算公式如1所示。

                        (1)

其中，Ref_target為目標物的反射率，Ref_panel為標準參考板的反射率，DN_target為原始影像中目標物的的數值，DN_panel為原始影像中標準參考板的數值，DN_dark為成像光譜儀系統誤差。

其次是噪聲去除，本文運用國外較為常用的最小噪聲分離方法(Minimum Noise Fraction Rotation， MNF)進行噪聲去除。最小噪聲分離工具用于判定圖像數據內在的維數（即波段數），分離數據中的噪聲，減少隨后處理中的計算需求量。MNF本質上是兩次層疊的主成分變換。第一次變換（基于估計的噪聲協方差矩陣）用于分離和重新調節數據中的噪聲，這步操作使變換后的噪聲數據只有最小的方差且沒有波段間的相關。第二步是對噪聲白化數據（Noise-whitened）的標準主成分變換。為了進一步進行波譜處理，通過檢查最終特征值和相關圖像來判定數據的內在維數。數據空間可被分為兩部分：一部分與較大特征值和相對應的特征圖像相關，其余部分與近似相同的特征值以及噪聲占主導地位的圖像相關。圖6為MNF降噪前后的光譜反射率變化。

圖6  MNF降噪前后的光譜反射率變化

對原始數據進行預處理之后，分別分析手臂正反面皮膚與手臂靜脈的光譜反射率差異，如圖7所示。

圖7  手臂正反面皮膚與手臂靜脈的光譜反射率差異

利用SpecView軟件的Analysis-Animate功能，快速瀏覽能識別手臂靜脈的波段，結果表明能識別手臂靜脈的波段主要集中在近紅外區間，這與目前國內外的研究結果相同。為了較為清晰地看到靜脈血管，本文對近紅外波段的進行均衡化處理。均衡化是圖像處理領域中利用圖像直方圖對對比度進行調整的方法，其“中心思想”是把原始圖像的灰度直方圖從比較集中的某個灰度區間變成在全部灰度范圍內的均勻分布。圖8為手臂正面780 nm的灰度圖與經均衡化處理后直方圖。

圖8   手臂正面780 nm處均衡化處理前（左）后（右）的灰度圖

為了客觀地識別手臂上的靜脈，對經預處理后的高光譜數據進行主成分分析（Principal Component Analysis, PCA），去除波段之間的多余信息、將多波段的圖像信息壓縮到比原波段更有效的少數幾個轉換波段下。圖9為手臂正反面經PCA變換后的前6個主成分。

圖9  手臂正反兩面PCA處理后的前6個主成分

為了更客觀真實地識別出手臂靜脈，根據波段組合的特點，對PCA前六個主成分組合成各種假彩色圖像，如圖10為手臂正面的假彩色合成圖像，圖11為手臂反面的假彩色合成圖像。與灰度圖相比，假彩色合成更能直觀地識別出手臂靜脈。

圖10     手臂正面PCA假彩色合成圖像

圖11     手臂反面PCA假彩色合成圖像