什么是高光譜成像技術？光譜成像技術是一種新穎的多維成像技術，由光學二維成像技術和光譜分析技術相結合而形成，可以同時探測到目標的空間信息和光譜信息，具有“圖譜合一”的特點。那么，高光譜成像技術的高光譜圖像怎么分析與處理？本文為大家做了介紹，對此感興趣的朋友可以了解一下！
怎么理解高光譜成像技術？
高光譜成像（Hyperspectral Imaging，HSI）技術是一種檢測速率快、對樣品沒有損傷、可以大范圍掃描分析樣品的檢測技術，被廣泛應用在農業、軍事、食品、環境、醫療、微生物、礦物勘探的研究中，高光譜成像技術在二維圖譜的獲取方面超越了拉曼光譜與 FT-IR，具有圖譜合一的優點，這是由于高光譜圖像特有的空間和光譜分辨率。空間分辨率與測量樣品圖像像素具有一定的幾何關系，而光譜分辨率確定了空間像素點代表的波長變化函數，每個空間像素點對應著一條具有數十至數百個光譜波段的連續光譜曲線。高光譜成像技術將傳統的二維RGB圖像與光譜技術相結合，通過將圖像上每個空間像素點的光譜特性與對應的空間信息聯系，來確定每個像素點所代表物質的化學性質，從而完成對不同樣品的詳細檢測分類。
使用高光譜成像光譜儀采集樣品的數據，不僅摻雜有噪音信息，還會受到儀器本身和外部環境的影響，因此往往需要利用光譜預處理過程來去除或削減干擾信息，保留更多有效信息，提高進一步的光譜數據處理的準確度，同時，高光譜數據是由數千個甚至數萬個數據點組成，相鄰數據間通常會呈現出高度相關的光譜特征，因此高光譜圖像中常常包含大量重疊的冗余信息。而數據量過大的高光譜數據在進行統計識別時，會出現數據特征維數過多的現象，導致“休斯”效應，為數據的處理帶來了巨大挑戰。休斯效應會對高光譜圖像的分類過程產生負面影響，導致分類器性能變差，分類識別結果的精確度降低，因此，在對高光譜圖像進行分類時，非常有必要找到一種對“休斯”效應具有魯棒性的化學計量學算法。
高光譜成像技術的高光譜圖像分析與處理方法：
化學計量學算法是一種適用于從最簡單圖像到復雜高光譜圖像的數據處理方法，這一強大的圖像數據處理工具對分析光譜數據集，適當修改數據結構，突出光譜特定特征方面具有很強的實用性。在對高光譜圖像進行分類前，往往需要借助預處理方法來對原始光譜數據進行優化，常用的高光譜預處理方法有平滑、濾波、多元散射矯正和導數算法等。
平滑算法對于降低高光譜數據的噪音信號有很明顯的效果，具體過程是將選定數據作為中心，并結合其一定范圍內的數據，使用不同的計算公式計算出該選中心數據的具體值，從而使處理后的光譜曲線更加光滑，可以很大程度的增大高光譜數據的信噪比。主成分分析法（PCA）對數據進行預處理時，將數據集中最重要的信息集中到前幾個主成分（PCs）來減少數據維度，可以有效的克服休斯現象，使用預處理方法處理后的高光譜圖像數據，會大大減小數據量，提高數據信噪比，為下一步的圖像識別檢測節省分析時間。
目前常用的高光譜數據分類處理方法主要有MD、ML和SVM等。MD是一種有監督的線性距離學習算法，通過挑選訓練集樣本計算出可以最大反應樣品數據間差異的有效度量矩陣。對高光譜數據分析時，根據度量矩陣使同類數據樣本的分布更加靠近，同時使相似度低的數據樣本分散度增大。
ML是一種基于貝葉斯準則的非線性監督分類方法，在高光譜圖像上選擇已知物體作為訓練樣品集，然后利用特定參數空間統計訓練集樣品的特征標準，根據不同的判別函數確定分類邊界，將高光譜圖像上的未知像元分成不同的類別。
SVM是一種廣泛使用在科學研究中的非線性分類算法。傳統分析方法是將計算過程中的經驗誤差最小化，而SVM是通過優化各個超平面，使各類物質的信息差值最大化，來減小一般化誤差的上限。相比其他分類算法，SVM對處理非線性和高維的小樣本數據更具有優勢，很多研究也證明了SVM對“休斯”效應具有很好的魯棒性。
