基于成像高光谱的小麦种子状态分析报告
基于成像高光谱的小麦种子状态分析报告
四川双利合谱科技有限公司
一、测试原理及方法：
高光谱成像技术是近二十年来发展起来的基于非常多窄波段的影像数据技术，其*突出的应用是遥感探测领域，并在越来越多的民用领域有着更大的应用前景。它集中了光学、光电子学、电子学、信息处理、计算机科学等领域的先进技术，是传统的二维成像技术和光谱技术有机的结合在一起的一门新兴技术。
高光谱成像技术的定义是在多光谱成像的基础上，在从紫外到近红外（200 -2500nm）的光谱范围内，利用成像光谱仪，在光谱覆盖范围内的数十或数百条光谱波段对目标物体连续成像。在获得物体空间特征成像的同时，也获得了被测物体的光谱信息。
目标物体-成像物镜-入射狭缝-准直透镜-PGP-聚焦透镜-CCD棱镜-光栅-棱镜：PGP
图1 成像原理图
光谱仪的光谱分辨率由狭缝的宽度和光学光谱仪产生的线性色散确定。*小光谱分辨率是由光学系统的成像性能确定的（点扩展大小）。
成像过程为：每次成一条线上的像后（X方向），在检测系统输送带前进的过程中，排列的探测器扫出一条带状轨迹从而完成纵向扫描（Y方向）。综合横纵扫描信息就可以得到样品的三维高光谱图像数据。
图2 像立方体
图3为四川双利合谱科技有限公司发布的GaiaSorter “盖亚”高光谱分选仪的外观图像
图3 GaiaSorter “盖亚”高光谱分选仪
GaiaSorter “盖亚”高光谱分选仪的核心部件包括均匀光源、光谱相机、电控移动平（或传送带）、计算机及控制软件等部分。工作原理是通过光源照射在放置于电控移动平台（或传送带）上的待测物体（样品），样品的反射光通过镜头被光谱相机捕获，得到一维的影像以及光谱信息，随着电控移动平台（或传送带）带动样品连续运行，从而能够得到连续的一维影像以及实时的光谱信息，所有的数据被计算机软件所记录，*终获得一个包含了影像信息和光谱信息的三维数据立方体。其结构示意如图4所示。
图4 GaiaSorter “盖亚”高光谱分选仪结构示意图
高光谱仪配置：镜头：22mm镀膜消色差镜头；光谱范围：400 nm-1000 nm，光谱分辨率: 4nm@435.8nm（@400-1000nm），像面尺寸（光谱x空间）：6.15 x 14.2 mm，相对孔径：F/2.4，狭缝长度14.2 mm.
SpecView软件：控制完成自动曝光、自动对焦、自动扫描速度匹配；数据处理：黑白、辐射度、均匀性、镜头等校准；光谱查看。
二、数据预处理分析
本文以四川粮食所提供的小麦种子为研究对象，利用四川双利合谱科技有限公司的高光谱分选仪Gaia sorter（光谱范围400 nm - 1000 nm）采集测试对象的高光谱数据，以分析发芽、发霉、病害、虫咬等不同状态下的小麦种子。
对成像高光谱分选仪采集的小麦原始影像数据进行数据的预处理，预处理过程主要包括两部分。**部分是辐射定标；**部分为噪声去除。
首先进行辐射定标。辐射定标的计算公式如1所示。
(1)
其中，Reftarget为目标物的反射率，Refpanel为标准参考板的反射率，DNtarget为原始影像中目标物的的数值，DNpanel为原始影像中标准参考板的数值，DNdark为成像光谱仪系统误差。
其次是噪声去除，本文运用国外较为常用的*小噪声分离方法(Minimum Noise Fraction Rotation， MNF)进行噪声去除。*小噪声分离工具用于判定图像数据内在的维数（即波段数），分离数据中的噪声，减少随后处理中的计算需求量。MNF本质上是两次层叠的主成分变换。**次变换（基于估计的噪声协方差矩阵）用于分离和重新调节数据中的噪声，这步操作使变换后的噪声数据只有*小的方差且没有波段间的相关。**步是对噪声白化数据（Noise-whitened）的标准主成分变换。为了进一步进行波谱处理，通过检查*终特征值和相关图像来判定数据的内在维数。数据空间可被分为两部分：一部分与较大特征值和相对应的特征图像相关，其余部分与近似相同的特征值以及噪声占主导地位的图像相关。图5为MNF降噪前后的光谱反射率变化。
图5 MNF变换前(左)后(右)高光谱影像反射率的变化
三、数据分析与结果
图6不同状态下的小麦种子的光谱曲线图。从图6可知，不同状态下的小麦种子光谱曲线总体趋势相似，但反射值有较大的差别。
图 6 不同状态下小麦的光谱曲线图
如图7分别展示了单波段灰度图、真彩色合成图。从图7可知，RGB真彩色合成图像比单波段图像更加清晰地看到种子之间的差异性。
图7 单波段和RGB真彩色合成图像显示
在本研究中，成像高光谱仪得到几百景小麦种子在不同波长的灰度图像，且在不同的波长下小麦种子灰度图像显示效果不同，有的图像清晰，有的图像模糊，还有些基本上看不见。如果用计算机处理，会因为图像信息量太大而难以处理，浪费时间过多。所以，需要运用主成分分析法筛选出特征图像。主成分分析（Principal Component Analysis, PCA）的作用是去除波段之间的多余信息、将多波段的图像信息压缩到比原波段更有效的少数几个转换波段下。一般情况下，**主成分包含波段中的80%的方差信息，前三个主成分包含了所有波段的中95%以上的信息量。由于各波段之间的不相关，主成分波段可以生成更多颜色、饱和度更好的彩色合成图像。
1. 发芽种子
图8为发芽种子高光谱影像经主成分分析后的前6个主成分。从图8可知，**主成分包含的信息*多，没有噪声信息，**主成分次之，再次是第三主成分，第4主成分之后噪声越来越多，图像模糊不清。从前2个主成分可以看出小麦的芽芯位置，但发芽的位置并不明显。
图8 发芽种子的前6个主成分
由于各主成分之间的不相关，主成分波段可以生成更多颜色、饱和度更好的彩色合成图像，因此本研究利用前三个主成分进行波段组合，合成彩**像，如图9所示。从图9可知，相比较单波段图像，RGB真彩色合成图像，独个主成分图像，利用主成分进行组合分析更能清晰地看到种子发芽的芽芯及发芽的位置。
图9 发芽种子前3个主成分彩色合成图
(左为原始图像，中为PCA123合成，又为PCA321合成)
2. 虫咬种子
图10为虫咬种子高光谱影像经主成分分析后的前6个主成分。从图10可知，前2个主成分能清晰地看到被虫咬过的小麦种子的位置，第3主成分之后的图像只能看到小麦种子的整体轮廓，对于小麦种子的内部成分信息由于所含噪声较多，无法分辨出来。
图10 虫咬种子前6个主成分
由于各主成分之间的不相关，主成分波段可以生成更多颜色、饱和度更好的彩色合成图像，因此本研究利用前三个主成分进行波段组合，合成彩**像，如图11所示。从图11可知，相比较单波段图像，RGB真彩色合成图像和独个主成分图像，利用主成分进行组合分析更能清晰地看到种子被虫咬过的位置及种子内部成分的差异性。
图11 发芽种子前3个主成分彩色合成图
(左为原始图像，中为PCA123合成，又为PCA321合成)
3. 病害种子
图12为病害种子高光谱影像经主成分分析后的前6个主成分。从图12可知，第1个主成分包含较多的信息，第2和第3主成分包含的信息次之，第4主成分之后只能分辨小麦种子的轮廓，噪声越来越多。
图12 病害种子前6个主成分
图13为病害种子的原始图像及主成分123和321合成彩图。从图13可知，相比较单波段图像，RGB真彩色合成图像和独个主成分图像，利用主成分进行组合分析更能清晰地看到种子受病害影响的变化及种子纹理及内部成分的差异。
图13 病害种子前3个主成分彩色合成图
(左为原始图像，中为PCA123合成，又为PCA321合成)
4. 发霉种子
图14为发霉种子高光谱影像经主成分分析后的前6个主成分。从图14可知，第1个主成分中发霉区域为较白区域，第2个主成分中发霉区域显示为黑色，第3主成分之后只能分辨小麦种子的轮廓，噪声越来越多，不宜分辨小麦的发霉区域。
图14 发霉种子前6个主成分
图15为发霉种子的原始图像及主成分123和321合成彩图。从图14可知，相比较单波段图像，RGB真彩色合成图像和独个主成分图像，利用主成分进行组合分析更能清晰地看到种子的发霉区域。
图15 病害种子前3个主成分彩色合成图
(左为原始图像，中为PCA123合成，又为PCA321合成)
5. 不同状态下的小麦种子主成分变化对比
图16分别列出了不同状态下小麦种子的主成分合成图，4个主成分合成图是根据前三个主成分并按照RGB分别代表123主成分合成而成。从图16可知，不同状态下的小麦种子显示效果并不相同，如发芽种子的发芽区域显示为浅绿色，芽芯位置显示为紫色等。
图16 不同状态下小麦种子PCA123合成图像
(从左到右依次为：发芽种子，虫咬种子，病害种子，发霉种子)
