基于成像高光谱技术的作物叶片提取测试试验

基于成像高光谱技术的作物叶片提取测试试验

一、基于成像高光谱技术的作物叶片提取测试试验测试原理及方法：

    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）。

    基于成像高光谱技术的作物叶片提取测试试验成像过程为：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  Gaia Field高光谱成像仪

高光谱仪配置：镜头：22mm镀膜消色差镜头；光谱范围：400nm-1000nm，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. 内置控制、扫描机构；内置电池；

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。

GaiaField便携式高光谱系统是双利合谱自行研制的超便携式高光谱成像仪器。它的核心由三部分构成，分别是：多维运动控制器，光谱相机和成像光谱仪。使用此系统进行扫描，在获得目标影像信息的基础上，还可以获得数百甚至上千波段的光谱信息。

GaiaField系统有着轻便灵活，续航能力出色的特点。广泛适用于，目标识别、伪装与反伪装等**领域，地面物体与水体遥测、现代精细农业等生态环境监测领域，以及刑侦、文物保护、生物医学等领域。

覆盖可见光与近红外全波段可提供超过700个光谱通道，可自由选择GaiaField便携式高光谱系统采用了高分辨率的成像光谱仪。在可见光波段，光谱分辨率高达3nm，即使在短波红外波段也能达到10nm。因而全波段内可以获得超过700个的光谱通道，更多的光谱通道意味着更多的信息，有助于研究人员通过对连续光谱的分析、反演，获得更多的高价值数据细节。

图4  高光谱成像仪数据效果图

独有的软硬件功能：

辅助摄像头功能

通过辅助摄像头观察目标拍摄区域

当前狭缝位置指示

选择自动曝光与自动调焦区域，直观方便，仅需鼠标即可完成操作。

图 5  辅助摄像头观察目标拍摄区域

基于成像高光谱技术的作物叶片提取测试试验

自动扫描速度匹配、自动曝光：

自动曝光：根据当前光照环境，进行曝光测试，获得精准的曝光时间。在得到*佳信噪比的同时，又可避免过度曝光造成数据作废。同时软件具有实时过度曝光监视功能。

自动扫描速度匹配：根据当前的曝光时间等参数，进行测试拍摄，得到实时帧速，进而计算出合适的扫描速度。从而避免了扫描图像的变形（拉伸或压缩）

图 6   采集数据自动曝光、速度匹配

基于成像高光谱技术的作物叶片提取测试试验：本文以水稻、小麦为研究对象，利用双利合谱的高光谱成像仪Gaia Field（光谱范围400 nm - 1000 nm）采集测试对象的高光谱数据。

对成像高光谱仪拍摄的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。

其中，Ref_target为目标物的反射率，Ref_panel为标准参考板的反射率，DN_target为原始影像中目标物的的数值，DN_panel为原始影像中标准参考板的数值，DN_dark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7为MNF降噪前后的光谱反射率变化。

图7  MNF变换前(左)后(右)高光谱影像数据DN值变化

成像高光谱影像经过预处理后，以拔节期的小麦为例，选择影像中不同地物(光照叶片、阴影叶片、光照土壤和阴影土壤)在可见/近红外光谱区间的光谱特征值进行组合运算，并根据运算的结果对高光谱影像中的地物进行分类。图8为小麦拔节期光照叶片、阴影叶片、光照土壤和阴影土壤光谱反射率曲线。从图8可知，这四类地物在553 nm(绿峰)、680 nm(红谷)、760-1000 nm(近红外)有明显的光谱特征差异，即小麦在可见光波段的绿峰处有明显的反射锋，红谷处有明显的吸收特征，近红外有较高的反射率；而土壤既没有反射峰也没有吸收谷，在这四类地物中，光照叶片在553 nm处有*高的反射率值，阴影土壤有*低的反射率值，553 nm处反射率值的整体规律是光照叶片>光照土壤>阴影叶片>阴影土壤；而在680 nm处，光照土壤则有*大的反射率值，阴影土壤有*低的反射率值，其反射率值整体规律是光照土壤>光照叶片>阴影叶片>阴影土壤；从图3还可以看出，在近红外波段范围内，光照叶片的反射率值远大于其他三种地物，阴影叶片相对于光照土壤和阴影土壤，其反射率值也保持较高水平，其整体规律是光照叶片>阴影叶片>光照土壤>阴影土壤。在选择上述波段的基础上，进行波段间的组合运算，构建光谱指数，首先，进行波段间的差值运算，应用553 nm的反射率值减去680 nm的反射率值，光照土壤表现为负值，能很好地将其与其他地物区分，而阴影土壤表现为零值或接近零值，想要从小麦中把阴影土壤区分开，则需引入近红外波段，因为在近红外波段范围内，阴影土壤相对于光照叶片和阴影叶片，其反射率值较低，应用553 nm的反射率值减去680 nm的反射率值的差值乘以近红外反射率值可以很好的将阴影土壤从光照叶片和阴影叶片中区分出来。从图8可知，应用553 nm的反射率值减去680 nm的反射率值，光照叶片的差值大于阴影叶片的差值，而且在近红外波段范围内，光照叶片反射率值是阴影叶片反射率值的近两倍，应用553 nm的反射率值减去680 nm的反射率值的差值乘以近红外反射率值也可以很大程度上把光照叶片和阴影叶片区分开来。此外，为了使不同目标成分区分差异更显著，在上述波段运算后再乘以100，这样不同地物的分割阈值呈明显的数值梯度。提出的光谱分类指数如式2所示。图9分别列举了不同生育期各目标地物基于光谱指数分类的散点图。图10为小麦拔节期各目标成分的提取效果图。

式中，b₁, b₂, b₃分别代表单个波长553 nm、680 nm和770 nm(近红外波段取770 nm作分析)处反射率，NSIC(new spectral index classification)光谱指数分类。

图 10  拔节期N0处理下小麦各目标成分示意图

(A：未去背景小麦；B：去背景小麦叶片；C：光照叶片；D：阴影叶片)

图11  水稻的图像分割

(A：拔节期原始图像；B：拔节期水稻提取；C：抽穗期原始图像；D：抽穗期水稻提取)