基于高光譜成像技術的秦俑分析報告

基于高光譜成像技術的秦俑分析報告

一、測試原理及方法：

 高光譜成像技術是近二十年來發(fā)展起來的基于非常多窄波段的影像數據技術，其最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(tǒng)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(xù)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(tǒng)的成像性能確定的（點擴展大?。?。

成像過程為：每次成一條線上的像后（X方向），在檢測系統(tǒng)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

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，相對孔徑：F/2.4，狹縫長度14.2 mm. 內置控制、掃描機構；內置電池；

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。

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成，分別是：多維運動控制器，光譜相機和成像光譜儀。使用此系統(tǒng)進行掃描，在獲得目標影像信息的基礎上，還可以獲得數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。廣泛適用于，目標識別、偽裝與反偽裝等軍事領域，地面物體與水體遙測、現代精細農業(yè)等生態(tài)環(huán)境監(jiān)測領域，以及刑偵、文物保護、生物醫(yī)學等領域。

覆蓋可見光與近紅外全波段可提供超過700個光譜通道，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。在可見光波段，光譜分辨率高達3nm，即使在短波紅外波段也能達到10nm。因而全波段內可以獲得超過700個的光譜通道，更多的光譜通道意味著更多的信息，有助于研究人員通過對連續(xù)光譜的分析、反演，獲得更多的高價值數據細節(jié)。

圖4  高光譜成像儀數據效果圖

獨有的軟硬件功能：

輔助攝像頭功能

通過輔助攝像頭觀察目標拍攝區(qū)域

當前狹縫位置指示

選擇自動曝光與自動調焦區(qū)域，直觀方便，僅需鼠標即可完成操作。

圖 5  輔助攝像頭觀察目標拍攝區(qū)域

自動掃描速度匹配、自動曝光：

自動曝光：根據當前光照環(huán)境，進行曝光測試，獲得精準的曝光時間。在得到最佳信噪比的同時，又可避免過度曝光造成數據作廢。同時軟件具有實時過度曝光監(jiān)視功能。

自動掃描速度匹配：根據當前的曝光時間等參數，進行測試拍攝，得到實時幀速，進而計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   采集數據自動曝光、速度匹配

二、數據分析：

本文以西安秦俑為研究對象，利用雙利合譜的高光譜成像儀Gaia Field（光譜范圍400 nm - 1000 nm）采集測試對象的高光譜數據。

對成像高光譜儀拍攝的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(tǒng)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(jié)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7為MNF降噪前后的光譜反射率變化。

圖7  MNF變換前(左)后(右)高光譜影像數據反射率值變化

下圖分別秦俑鎧甲、手背、肢體(軀干沒有白板校正數據)的高光譜影像數據的RGB（640 nm、550 nm、460 nm）真彩色合成數據及影像中不同位置的光譜反射率變化。

圖8  鎧甲及其不同位置的光譜反射率變化

圖9  手背及其不同位置的光譜反射率變化

圖10  肢體及其不同位置的光譜反射率變化

利用SpecView軟件的Analysis-Animate功能，快速瀏覽能識別軀干、手背、肢體、鎧甲的各波段圖像的變化，結果表明能較為清楚地識別軀干、手背、肢體、鎧甲等高光譜影像信息的波段主要集中在紅光與近紅外區(qū)域，這與目前國內外的研究結果相同。以760 nm波段影像為例，對軀干、手背、肢體、鎧甲760 nm處影像的灰度圖作密度分割，以期能更清楚地分辨軀干、手背、肢體、鎧甲中內部成分的變化，如下圖所示。從圖11可知，通過對成像高光譜特定某一波段作密度分割并賦予不同的顏色，不僅在圖像能較為清晰的看到秦俑各部位內部成分的變化，而且也能看到其在數值上的變化。

圖11  秦俑各部位在760 nm處的灰度影像的密度分割效果圖

為了客觀地分別秦俑各部位內部成分的變化，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。分別對比分析秦俑各部分PCA變化前后影像合成圖。

圖12  鎧甲的PCA變化前影像合成圖

（左 R：800 nm,G:640 nm，B：550 nm；右 R：PCA2,G:PCA1，B：PCA3）

圖13  軀干的PCA變化前影像合成圖

（左 R：800 nm,G:640 nm，B：550 nm；右 R：PCA2,G:PCA1，B：PCA3）

圖14  手背的PCA變化前影像合成圖

（左 R：800 nm,G:640 nm，B：550 nm；右 R：PCA2,G:PCA1，B：PCA3）

圖15  肢體的PCA變化前影像合成圖

（左 R：800 nm,G:640 nm，B：550 nm；右 R：PCA2,G:PCA1，B：PCA3）

通過對比分析圖12-圖15可知，利用成像高光譜原始影像數據進行波段組合時，其無法較為清晰地看到秦俑各部位內部的變化規(guī)律，但經過PCA變換之后，通過PCA各主成分的波段組合，秦俑各部位內部信息的變化能較為清晰的展現出來。