Гиперспектральная визуализация , как и другие спектральные изображения , собирает и обрабатывает информацию по всему электромагнитному спектру . [1] Цель гиперспектральной визуализации - получить спектр для каждого пикселя изображения сцены с целью поиска объектов, идентификации материалов или обнаружения процессов. [2] [3] Есть три основных ветви спектральных формирователей изображения. Существуют сканеры с выталкивающей щеткой и соответствующие сканеры с метлой (пространственное сканирование), которые считывают изображения с течением времени, сканеры с последовательной полосой (спектральное сканирование), которые получают изображения области на разных длинах волн, и гиперспектральные изображения моментальных снимков., который использует стартовый массив для мгновенного создания изображения.
В то время как человеческий глаз видит цвет видимого света в основном в трех диапазонах (длинные волны - воспринимаются как красный, средние длины волн - как зеленые, а короткие - как синие), спектральная визуализация делит спектр на гораздо больше диапазонов. Этот метод разделения изображений на полосы может быть расширен за пределы видимого. При построении гиперспектральных изображений записанные спектры имеют высокое разрешение по длине волны и охватывают широкий диапазон длин волн. Гиперспектральная визуализация измеряет непрерывные спектральные полосы, в отличие от многополосной визуализации, которая измеряет разнесенные спектральные полосы. [4]
Инженеры создают гиперспектральные датчики и системы обработки данных для приложений в астрономии, сельском хозяйстве, молекулярной биологии, биомедицинской визуализации, науках о Земле, физике и наблюдении. Гиперспектральные датчики смотрят на объекты, используя большую часть электромагнитного спектра. Некоторые объекты оставляют уникальные «отпечатки пальцев» в электромагнитном спектре. Эти «отпечатки пальцев», известные как спектральные сигнатуры, позволяют идентифицировать материалы, из которых состоит сканируемый объект. Например, спектральная характеристика нефти помогает геологам находить новые месторождения нефти . [5]
Датчики
Образно говоря, гиперспектральные сенсоры собирают информацию в виде набора «изображений». Каждое изображение представляет собой узкий диапазон длин волн электромагнитного спектра, также известный как спектральный диапазон. Эти `` изображения '' объединяются для формирования трехмерного ( x , y , λ ) гиперспектрального куба данных для обработки и анализа, где x и y представляют два пространственных измерения сцены, а λ представляет собой спектральное измерение (включающее диапазон длины волн). [6]
С технической точки зрения, у датчиков есть четыре способа получения образцов гиперспектрального куба: пространственное сканирование, спектральное сканирование, получение снимков [5] [7] и пространственно-спектральное сканирование. [8]
Гиперспектральные кубы генерируются бортовыми датчиками, такими как бортовой спектрометр видимого и инфракрасного изображений НАСА (AVIRIS), или спутниками, такими как EO-1 НАСА с его гиперспектральным прибором Hyperion. [9] [10] Однако во многих исследованиях по разработке и проверке используются портативные датчики. [11]
Точность этих датчиков обычно измеряется спектральным разрешением, которое представляет собой ширину каждой полосы захваченного спектра. Если сканер обнаруживает большое количество довольно узких частотных диапазонов, можно идентифицировать объекты, даже если они зафиксированы только в небольшом количестве пикселей. Однако пространственное разрешение является важным фактором помимо спектрального разрешения. Если пиксели слишком большие, то несколько объектов захватываются одним и тем же пикселем, и их становится трудно идентифицировать. Если пиксели слишком малы, то интенсивность, захваченная каждой ячейкой датчика, низкая, а уменьшенное отношение сигнал / шум снижает надежность измеряемых характеристик.
Получение и обработка гиперспектральных изображений также называется спектроскопией изображений или, применительно к гиперспектральному кубу, трехмерной спектроскопией.
Техники сканирования
Существует четыре основных метода получения трехмерного ( x , y , λ ) набора данных гиперспектрального куба. Выбор метода зависит от конкретного приложения, поскольку каждый метод имеет контекстно-зависимые преимущества и недостатки.
Пространственное сканирование
При пространственном сканировании каждый двумерный (2-D) выходной сигнал датчика представляет собой полный спектр щелей ( x , λ ). Устройства гиперспектральной визуализации (HSI) для пространственного сканирования получают спектры щелей, проецируя полосу сцены на щель и диспергируя изображение щели с помощью призмы или решетки. У этих систем есть недостаток, заключающийся в том, что изображение анализируется по строкам (с помощью сканера с нажимной щеткой ), а также в наличии некоторых механических частей, интегрированных в оптическую цепь. С помощью этих систем линейного сканирования пространственный размер собирается путем перемещения платформы или сканирования. Для этого требуются стабилизированные крепления или точная информация о наведении для «реконструкции» изображения. Тем не менее, системы линейного сканирования особенно распространены в дистанционном зондировании , где разумно использовать мобильные платформы. Системы линейного сканирования также используются для сканирования материалов, движущихся по конвейерной ленте. Особым случаем строчного сканирования является точечное сканирование (с помощью сканера-метлы ), при котором вместо щели используется точечная апертура, а датчик по существу является одномерным, а не двухмерным. [7] [12]
Спектральное сканирование
При спектральном сканировании выход каждого двухмерного датчика представляет собой монохроматическую («одноцветную») пространственную ( x , y ) карту сцены. Устройства HSI для спектрального сканирования обычно основаны на оптических полосовых фильтрах (настраиваемых или фиксированных). Сцена спектрально сканируется путем замены одного фильтра на другой, пока платформа остается неподвижной. В таких «смотрящих» системах сканирования по длине волны спектральное размытие может происходить, если есть движение внутри сцены, что делает недействительной спектральную корреляцию / обнаружение. Тем не менее, есть преимущество возможности выбирать спектральные диапазоны и иметь прямое представление двух пространственных измерений сцены. [6] [7] [12] Если система формирования изображения используется на движущейся платформе, такой как самолет, полученные изображения на разных длинах волн соответствуют разным областям сцены. Пространственные особенности на каждом из изображений могут использоваться для перестройки пикселей.
Без сканирования
В режиме без сканирования выходной сигнал одного двухмерного датчика содержит все пространственные ( x , y ) и спектральные ( λ ) данные. Устройства HSI без сканирования выдают полный куб данных сразу, без какого-либо сканирования. Образно говоря, одиночный снимок представляет собой перспективную проекцию куба данных, по которой может быть восстановлена его трехмерная структура. [7] [13] Наиболее заметными преимуществами этих систем гиперспектральной визуализации моментальных снимков являются преимущество моментальных снимков (более высокая светопропускная способность) и более короткое время сбора данных. Был разработан ряд систем, включая компьютерную томографическую спектрометрию визуализации (CTIS), спектрометрию визуализации с переформатированием волокна (FRIS), интегральную полевую спектроскопию с матрицами линз (IFS-L), мультиапертурный интегральный полевой спектрометр (Hyperpixel Array), интегральный полевая спектроскопия с зеркалами нарезки изображений (IFS-S), спектрометрия репликации изображений (IRIS), спектральная декомпозиция набора фильтров (FSSD), спектральная визуализация снимков с кодированной апертурой (CASSI), спектрометрия отображения изображений (IMS) и мультиспектральная интерферометрия Саньяка MSI). [14] Однако вычислительные усилия и производственные затраты высоки. В попытке снизить вычислительные требования и потенциально высокую стоимость несканирующих гиперспектральных приборов были продемонстрированы прототипы устройств на основе многомерных оптических вычислений . Эти устройства были основаны на механизме спектральных вычислений многомерных оптических элементов [15] [16] или на механизме спектральных вычислений пространственного модулятора света [17] . На этих платформах химическая информация вычисляется в оптической области до построения изображения, так что химическое изображение полагается на обычные системы камер без дополнительных вычислений. Недостатком этих систем является то, что спектральная информация никогда не собирается, т.е. только химическая информация, так что постобработка или повторный анализ невозможны.
Пространственно-спектральное сканирование
При пространственно-спектральном сканировании выход каждого двухмерного датчика представляет собой кодированную по длине волны («цвет радуги», λ = λ ( y )) пространственную ( x , y ) карту сцены. Прототип этой техники, представленный в 2014 году, состоит из камеры на некотором ненулевом расстоянии за базовым щелевым спектроскопом (щель + диспергирующий элемент). [8] [18] Усовершенствованные системы пространственно-спектрального сканирования могут быть получены путем размещения диспергирующего элемента перед системой пространственного сканирования. Сканирование может быть достигнуто перемещением всей системы относительно сцены, перемещением только камеры или перемещением только щели. Пространственно-спектральное сканирование объединяет некоторые преимущества пространственного и спектрального сканирования, тем самым устраняя некоторые их недостатки. [8]
Отличие гиперспектральных изображений от мультиспектральных изображений
Гиперспектральная визуализация - это часть класса методов, обычно называемых спектральной визуализацией или спектральным анализом . Гиперспектральная визуализация связана с мультиспектральной визуализацией . Различие между гипер- и многодиапазонным иногда ошибочно основывается на произвольном «количестве диапазонов» или на типе измерения. Гиперспектральная визуализация (HSI) использует непрерывные и смежные диапазоны длин волн (например, 400 - 1100 нм с шагом 1 нм), в то время как многополосная визуализация (MSI) использует подмножество целевых длин волн в выбранных местах (например, 400 - 1100 нм с шагом 20 нм). ). [19]
Многополосная визуализация имеет дело с несколькими изображениями в дискретных и несколько узких полосах. «Дискретность и несколько узкость» - вот что отличает мультиспектральное изображение в видимой длине волны от цветной фотографии . Мультиспектральный датчик может иметь много диапазонов, охватывающих спектр от видимого до длинноволнового инфракрасного. Мультиспектральные изображения не создают «спектр» объекта. Landsat - отличный пример получения мультиспектральных изображений.
Гиперспектральный имеет дело с отображением узких спектральных полос в непрерывном спектральном диапазоне, создавая спектры всех пикселей в сцене. Датчик только с 20 полосами также может быть гиперспектральным, когда он охватывает диапазон от 500 до 700 нм с 20 полосами шириной 10 нм каждая. (В то время как датчик с 20 дискретными полосами, охватывающими видимую, ближнюю, коротковолновую, средневолновую и длинноволновую инфракрасную области, будет считаться мультиспектральным.)
Ультраспектральный может быть зарезервирован для датчиков изображения интерферометрического типа с очень высоким спектральным разрешением. Эти датчики часто имеют (но не обязательно) низкое пространственное разрешение, всего несколько пикселей , ограничение, налагаемое высокой скоростью передачи данных.
Приложения
Гиперспектральное дистанционное зондирование используется в широком спектре приложений. Хотя первоначально разработан для горнодобывающей промышленности и геологии (способность гиперспектральной изображений для идентификации различных минералов делает его идеальным для горнодобывающей и нефтяной промышленности, где он может быть использован для поиска руды и нефти), [11] [20] В настоящее время распространение в такие широко распространенные области, как экология и наблюдение, а также исследования исторических рукописей, такие как создание изображений Архимедового Палимпсеста . Эта технология становится все более доступной для общественности. Такие организации, как НАСА и Геологическая служба США, имеют каталоги различных минералов и их спектральные характеристики и разместили их в Интернете, чтобы сделать их доступными для исследователей. В меньшем масштабе гиперспектральная визуализация в ближнем инфракрасном диапазоне может использоваться для быстрого мониторинга применения пестицидов к отдельным семенам для контроля качества оптимальной дозы и однородного покрытия.
сельское хозяйство
Хотя стоимость получения гиперспектральных изображений обычно высока для конкретных культур и в конкретном климате, использование гиперспектрального дистанционного зондирования для мониторинга развития и состояния сельскохозяйственных культур возрастает. В Австралии ведется работа по использованию спектрометров с визуализацией для выявления разновидностей винограда и разработки системы раннего предупреждения о вспышках болезней. [21] Кроме того, ведется работа по использованию гиперспектральных данных для определения химического состава растений [22], которые могут быть использованы для определения содержания питательных веществ и воды в пшенице в орошаемых системах. [23] В меньшем масштабе гиперспектральная визуализация в ближнем ИК-диапазоне может использоваться для быстрого мониторинга применения пестицидов к отдельным семенам для контроля качества оптимальной дозы и однородного покрытия. [24]
Еще одно применение в сельском хозяйстве - определение животных белков в комбикормах, чтобы избежать губчатой энцефалопатии крупного рогатого скота (BSE) , также известной как коровье бешенство. Были проведены различные исследования, чтобы предложить инструменты, альтернативные эталонному методу обнаружения (классическая микроскопия ). Одна из первых альтернатив - микроскопия в ближнем инфракрасном диапазоне (NIR), которая сочетает в себе преимущества микроскопии и NIR. В 2004 году было опубликовано первое исследование, посвященное этой проблеме с помощью гиперспектральных изображений. [25] Были созданы гиперспектральные библиотеки, которые представляют разнообразие ингредиентов, обычно присутствующих при приготовлении комбикормов. Эти библиотеки можно использовать вместе с хемометрическими инструментами для исследования предела обнаружения, специфичности и воспроизводимости метода гиперспектральной визуализации NIR для обнаружения и количественной оценки ингредиентов животного происхождения в кормах.
Уход за глазами
Исследователи из Университета Монреаля работают с Photon etc. и Optina Diagnostics [26], чтобы протестировать использование гиперспектральной фотографии в диагностике ретинопатии и отека желтого пятна до того, как произойдет повреждение глаза. Метаболическая гиперспектральная камера обнаружит снижение потребления кислорода сетчаткой, что указывает на потенциальное заболевание. После этого офтальмолог сможет обработать сетчатку с помощью инъекций, чтобы предотвратить возможное повреждение. [27]
Переработка пищевых продуктов
В пищевой промышленности создание гиперспектральных изображений в сочетании с интеллектуальным программным обеспечением позволяет цифровым сортировщикам (также называемым оптическими сортировщиками ) выявлять и удалять дефекты и посторонние материалы (FM), которые невидимы для традиционных камер и лазерных сортировщиков. [28] За счет повышения точности удаления дефектов и удаления FM цель кухонного комбайна заключается в улучшении качества продукции и увеличении выхода продукции.
Использование гиперспектральных изображений на цифровых сортировщиках обеспечивает неразрушающий, 100-процентный контроль на линии при полном объеме производства. Программное обеспечение сортировщика сравнивает полученные гиперспектральные изображения с заданными пользователем порогами приема / отклонения, а система выброса автоматически удаляет дефекты и посторонние предметы.
Недавнее коммерческое внедрение сортировщиков пищевых продуктов на основе гиперспектральных датчиков наиболее продвинуто в ореховой промышленности, где установленные системы максимально удаляют камни, скорлупу и другие посторонние материалы (FM) и посторонние растительные вещества (EVM) из грецких орехов, орехов пекан, миндаля, фисташек. , арахис и другие орехи. Здесь улучшенное качество продукции, низкий уровень ложных браковок и способность справляться с большим количеством поступающих дефектов часто оправдывают стоимость технологии.
Коммерческое внедрение гиперспектральных сортировщиков также быстро продвигается в отрасли переработки картофеля, где эта технология обещает решить ряд нерешенных проблем с качеством продукции. В настоящее время ведется работа по использованию гиперспектральной визуализации для обнаружения «кончиков сахара» [29], «полого сердца» [30] и «парши обыкновенной» [31] , от которых страдают переработчики картофеля.
Минералогия
С помощью гиперспектральных изображений можно быстро нанести на карту геологические образцы, такие как керны , почти все полезные ископаемые, представляющие коммерческий интерес. Слияние спектральных изображений SWIR и LWIR является стандартом для обнаружения минералов в группах полевого шпата , кремнезема , кальцита , граната и оливина , поскольку эти минералы имеют наиболее отличительную и сильную спектральную сигнатуру в областях LWIR. [32]
Развито гиперспектральное дистанционное зондирование полезных ископаемых. Многие минералы можно идентифицировать по аэрофотоснимкам, и их связь с присутствием ценных минералов, таких как золото и алмазы, хорошо изучена. В настоящее время наблюдается прогресс в понимании взаимосвязи между утечками нефти и газа из трубопроводов и естественных скважин и их воздействием на растительность и спектральные характеристики. Последние работы включают докторские диссертации Верффа [33] и Нумена. [34]
Наблюдение
Гиперспектральное наблюдение - это реализация технологии гиперспектрального сканирования для целей наблюдения . Гиперспектральная визуализация особенно полезна при военном наблюдении из-за мер противодействия, которые военные организации теперь принимают, чтобы избежать наблюдения с воздуха. Идея, лежащая в основе гиперспектрального наблюдения, заключается в том, что гиперспектральное сканирование извлекает информацию из такой большой части светового спектра, что любой объект должен иметь уникальную спектральную сигнатуру по крайней мере в нескольких из множества сканируемых полос. В SEALs из NSWDG , убившие Усаму бен Ладена в мае 2011 года использовал эту технологию при проведении рейда (Spear Операция Нептуна) на соединения Усамы бен Ладена в Абботтабаде , Пакистан . [9] [ необходим лучший источник ] [35] Гиперспектральная визуализация также показала потенциал для использования в целях распознавания лиц . Было показано, что алгоритмы распознавания лиц с использованием гиперспектральных изображений работают лучше, чем алгоритмы с использованием традиционных изображений. [36]
Традиционно коммерчески доступные тепловые инфракрасные гиперспектральные системы визуализации нуждались в охлаждении жидким азотом или гелием , что делало их непрактичными для большинства приложений наблюдения. В 2010 году Specim представила тепловизионную инфракрасную гиперспектральную камеру, которую можно использовать для наружного наблюдения и приложений БПЛА без внешнего источника света, такого как солнце или луна. [37] [38]
Астрономия
В астрономии гиперспектральные изображения используются для определения спектрального изображения с пространственным разрешением. Поскольку спектр является важной диагностикой, наличие спектра для каждого пикселя позволяет решать больше научных задач. В астрономии, этот метод обычно называют интегральной полевой спектроскопии , и примеры этой техники включают FLAMES [39] и Sinfoni [40] на Very Large Telescope , но также Расширенный ПЗС - спектрометра с формированием изображения на Чандра использует этот техника.
Химическая визуализация
Солдаты могут подвергаться разнообразным химическим опасностям. Эти угрозы в основном невидимы, но обнаруживаются с помощью технологии гиперспектральной визуализации. Telops Hyper-Cam, введенный в 2005 году, продемонстрировал это на расстоянии до 5 км. [42]
Среда
В большинстве стран требуется постоянный мониторинг выбросов, производимых угольными и мазутными электростанциями, установками для сжигания бытовых и опасных отходов, цементными заводами, а также многими другими типами промышленных источников. Этот мониторинг обычно выполняется с использованием систем экстракционного отбора проб в сочетании с методами инфракрасной спектроскопии. Некоторые недавно выполненные измерения зазора позволили оценить качество воздуха, но не многие удаленные независимые методы позволяют проводить измерения с низкой погрешностью.
Гражданское строительство
Недавние исследования показывают, что гиперспектральные изображения могут быть полезны для обнаружения развития трещин на тротуарах [44], которые трудно обнаружить по изображениям, полученным с помощью камер видимого спектра. [44]
Сжатие данных
В феврале 2019 года Консультативный комитет по стандартам космических данных ( CCSDS ), основанный ведущими мировыми отраслями космической промышленности, утвердил стандарт сжатия мультиспектральных и гиперспектральных изображений как без потерь, так и почти без потерь ( CCSDS 123 ). Основанный на алгоритме NASA fast-lossless, он требует очень мало памяти и вычислительных ресурсов по сравнению с альтернативами, такими как JPEG 2000 .
Коммерческие реализации CCSDS 123 включают:
- Европейское космическое агентство «s SHyLoC IP ядро, без потерь сжатия до 1 Gpbs. [45]
- Metaspectral для сжатия без потерь и почти без потерь, достигая пропускной способности более 30 Гбит / с. [46]
Преимущества и недостатки
Основное преимущество гиперспектральной визуализации заключается в том, что, поскольку в каждой точке собирается весь спектр, оператору не требуется предварительное знание образца, а постобработка позволяет извлекать всю доступную информацию из набора данных. Гиперспектральная визуализация также может использовать преимущества пространственных отношений между различными спектрами в окрестности, позволяя создавать более сложные спектрально-пространственные модели для более точной сегментации и классификации изображения. [47] [48]
Основные недостатки - стоимость и сложность. Для анализа гиперспектральных данных необходимы быстрые компьютеры, чувствительные детекторы и большие объемы хранения данных. Необходим значительный объем хранилища данных, поскольку гиперспектральные кубы без сжатия представляют собой большие многомерные наборы данных, потенциально превышающие сотни мегабайт . Все эти факторы значительно увеличивают стоимость получения и обработки гиперспектральных данных. Кроме того, одним из препятствий, с которыми пришлось столкнуться исследователям, является поиск способов запрограммировать гиперспектральные спутники для сортировки данных самостоятельно и передачи только наиболее важных изображений, поскольку передача и хранение такого большого количества данных может оказаться сложной и дорогостоящей. [9] Как относительно новый аналитический метод, весь потенциал гиперспектральной визуализации еще не реализован.
Смотрите также
- Акустооптический перестраиваемый фильтр
- Бортовая гиперспектральная разведка в режиме реального времени
- Катодолюминесценция
- Полное спектральное изображение
- HyMap , широко используемый датчик гиперспектрального изображения
- Перестраиваемый жидкокристаллический фильтр
- Метамерия (цвет) , перцептивная эквивалентность, которую преодолевает гиперспектральная визуализация
- Мультиспектральное изображение
- Слияние датчиков
- Видео спектроскопия
Рекомендации
- ^ Чилтон, Александр (2013-10-07). «Принцип работы и основные области применения инфракрасных датчиков» . AZoSensors . Проверено 11 июля 2020 .
- ^ Чейн-И Чанг (31 июля 2003 г.). Гиперспектральная визуализация: методы спектрального обнаружения и классификации . Springer Science & Business Media. ISBN 978-0-306-47483-5.
- ^ Ганс Гран; Пол Гелади (27 сентября 2007 г.). Методы и приложения анализа гиперспектральных изображений . Джон Вили и сыновья. ISBN 978-0-470-01087-7.
- ^ Хаген, Натан; Куденов, Майкл В. (2013). «Обзор технологий получения спектральных изображений моментальных снимков» (PDF) . Оптическая инженерия . 52 (9): 090901. Bibcode : 2013OptEn..52i0901H . DOI : 10.1117 / 1.OE.52.9.090901 . S2CID 215807781 .
- ^ а б Лу, G; Фэй, Б. (январь 2014 г.). «Медицинская гиперспектральная визуализация: обзор» . Журнал биомедицинской оптики . 19 (1): 10901. Bibcode : 2014JBO .... 19a0901L . DOI : 10.1117 / 1.JBO.19.1.010901 . PMC 3895860 . PMID 24441941 .
- ^ а б «Nikon MicroscopyU - конфокальная микроскопия - спектральная визуализация» .
- ^ а б в г http://www.bodkindesign.com/wp-content/uploads/2012/09/Hyperspectral-1011.pdf
- ^ а б в «OSA - Щелевой спектроскоп Basic показывает трехмерные сцены через диагональные срезы гиперспектральных кубов» .
- ^ a b c Schurmer, JH, (декабрь 2003 г.), Air Force Research Laboratories Technology Horizons
- ^ «Наблюдение Земли 1 (ЭО-1)» . earthobservatory.nasa.gov . 2000-11-15 . Проверено 17 июля 2020 .
- ^ a b Эллис, Дж. (январь 2001 г.) Поиск нефтяных выходов и нефтеносных грунтов с помощью гиперспектральных изображений. Архивировано 5 марта 2008 г. в Wayback Machine , журнал Earth Observation.
- ^ а б Лу, Гуолань; Фэй, Баовей (2014). «SPIE - Журнал биомедицинской оптики - Медицинская гиперспектральная визуализация: обзор» . Журнал биомедицинской оптики . 19 (1): 010901. Bibcode : 2014JBO .... 19a0901L . DOI : 10.1117 / 1.JBO.19.1.010901 . PMC 3895860 . PMID 24441941 .
- ^ «Гиперспектральное изображение: однокадровая камера получает одновременные гиперспектральные данные» .
- ^ Хаген, Натан; Кестер, Роберт Т .; Гао, Лян; Ткачик, Томаш С. (2012). «SPIE - Оптическая инженерия - Преимущества моментального снимка: обзор улучшения сбора света для параллельных систем измерения больших размеров» . Оптическая инженерия . 51 (11): 111702. Bibcode : 2012OptEn..51k1702H . DOI : 10.1117 / 1.OE.51.11.111702 . PMC 3393130 . PMID 22791926 .
- ^ Myrick, Michael L .; Soyemi, Olusola O .; Хайбах, Фред; Чжан, Ликсия; Грир, Эшли; Ли, Хунли; Приоре, Райан; Schiza, Maria V .; Фарр, младший (22 февраля 2002 г.). Кристесен, Стивен Д.; Седлачек III, Артур Дж (ред.). «Применение многомерных оптических вычислений к формированию изображений в ближнем инфракрасном диапазоне». Сенсорные системы на основе вибрационной спектроскопии . 4577 : 148–158. Bibcode : 2002SPIE.4577..148M . DOI : 10.1117 / 12.455732 . S2CID 109007082 .
- ^ Дж. Приоре, Райан; Хайбах, Фредерик; V Schiza, Мария; Е. Грир, Эшли; Л. Перкинс, Дэвид; Мирик, ML (2004-08-01). "Миниатюрная стереосистема спектральной визуализации для многомерных оптических вычислений" . Прикладная спектроскопия . 58 (7): 870–3. Bibcode : 2004ApSpe..58..870P . DOI : 10.1366 / 0003702041389418 . PMID 15282055 . S2CID 39015203 .
- ^ Дэвис, Брэндон М .; Хемфилл, Аманда Дж .; Дебечи Мальташ, Дерья; Зиппер, Майкл А .; Ван, Пинг; Бен-Амоц, Дор (01.07.2011). «Многомерная гиперспектральная рамановская визуализация с использованием компрессионного обнаружения». Аналитическая химия . 83 (13): 5086–5092. DOI : 10.1021 / ac103259v . ISSN 0003-2700 . PMID 21604741 .
- ^ Гиперспектральные изображения с пространственно-спектральными изображениями от простого спектроскопа . 12 июля 2014 г. - через YouTube.
- ^ CM Veys; и другие. (2017). «Сверхдешевый активный прибор для многоспектральной диагностики сельскохозяйственных культур» (PDF) . Журнал датчиков IEEE . 113 : 1005–1007.
- ^ Смит, РБ (14 июля 2006 г.), Введение в получение гиперспектральных изображений с помощью TMIPS. Архивировано 9 мая 2008 г. на Wayback Machine , веб-сайт учебного пособия MicroImages.
- ^ Лакар, FM; и другие. (2001). « Использование гиперспектральных изображений для картографирования сортов винограда в долине Баросса, Южная Австралия ». Симпозиум по геонаукам и дистанционному зондированию (IGARSS'01) - IEEE 2001 International . 6 : 2875–2877. DOI : 10.1109 / IGARSS.2001.978191 . S2CID 61008168 . Внешняя ссылка в
|title=
( помощь ) - ^ Ферверда, JG (2005), Составление диаграмм качества кормов: измерение и картографирование изменений химических компонентов в листве с помощью гиперспектрального дистанционного зондирования , Университет Вагенингена , диссертация ИТЦ 126, 166 стр. ISBN 90-8504-209-7
- ^ Tilling, AK, et al., (2006) Дистанционное зондирование для обнаружения азотного и водного стресса у пшеницы , Австралийское агрономическое общество.
- ^ Vermeulen, Ph .; и другие. (2017). «Оценка пестицидного покрытия семян зерновых с помощью гиперспектральной визуализации в ближнем инфракрасном диапазоне» . Журнал спектральной визуализации . 6 : а1. DOI : 10.1255 / jsi.2017.a1 .
- ^ Фернандес Пьерна, JA и др., «Комбинация машин опорных векторов (SVM) и спектроскопии изображений в ближнем инфракрасном диапазоне (NIR) для обнаружения мяса и костей (MBM) в комбикормах» Journal of Chemometrics 18 (2004) 341 -349
- ^ «ДОМ» .
- ^ AM Шахиди; и другие. (2013). «Региональные различия в насыщении кислородом сосудов сетчатки глаза человека». Экспериментальные исследования глаза . 113 : 143–147. DOI : 10.1016 / j.exer.2013.06.001 . PMID 23791637 .
- ^ Хиггинс, Кевин. «Пять новых технологий контроля» . Пищевая промышленность . Проверено 6 сентября 2013 года .
- ^ Бургшталлер, Маркус; и другие. "В центре внимания: дефекты" сахарного конца "с помощью спектральной визуализации" . PennWell.
- ^ Дакал-Ньето, Ангел; и другие. (2011). Неразрушающее обнаружение полого сердца в картофеле с помощью гиперспектральной визуализации (PDF) . С. 180–187. ISBN 978-3-642-23677-8. Архивировано из оригинального (PDF) 10 августа 2014 года.
- ^ Дакал-Ньето, Ангел; и другие. (2011). «Распространенное обнаружение парши на картофеле с помощью системы инфракрасной гиперспектральной визуализации». Анализ и обработка изображений - ICIAP 2011 . Конспект лекций по информатике. 6979 . С. 303–312. DOI : 10.1007 / 978-3-642-24088-1_32 . ISBN 978-3-642-24087-4.
- ^ a b c Холма, Х., (май 2011 г.), Thermische Hyperspektralbildgebung im langwelligen Infrarot. Архивировано 26 июля 2011 г. в Wayback Machine , Photonik.
- ^ Верфф Х. (2006), Дистанционное зондирование сложных объектов на основе знаний: распознавание спектральных и пространственных структур, возникающих в результате естественных просачиваний углеводородов , Утрехтский университет , диссертация ИТЦ 131, 138 стр. ISBN 90-6164-238-8
- ^ Noomen, MF (2007), Гиперспектральная отражательная способность растительности, затронутой просачиванием подземного углеводородного газа , Enschede, ITC 151p. ISBN 978-90-8504-671-4 .
- ^ Марк Амбиндер (3 мая 2011 г.). «Секретная команда, убившая бен Ладена» . Национальный журнал . Архивировано из оригинала на 24 мая 2012 года . Проверено 12 сентября 2012 года .
- ^ «Исследования гиперспектрального распознавания лиц в видимом спектре с выбором диапазона характеристик - журналы и журнал IEEE». CiteSeerX 10.1.1.413.3801 . DOI : 10.1109 / TSMCA.2010.2052603 . S2CID 18058981 . Цитировать журнал требует
|journal=
( помощь ) - ↑ Frost & Sullivan (февраль 2011 г.). Технические исследования, аэрокосмическая промышленность и оборона: первая в мире тепловизионная гиперспектральная камера для беспилотных летательных аппаратов.
- ^ Сова Specim видит невидимый объект и определяет свои материалы даже в непроглядной ночи. Архивировано 21 февраля 2011 года на Wayback Machine .
- ^ "FLAMES - Многоэлементный спектрограф с оптоволоконной большой решеткой" . ESO . Проверено 30 ноября 2012 года .
- ^ «СИНФОНИ - спектрограф для интегральных полевых наблюдений в ближней инфракрасной области» . ESO . Проверено 30 ноября 2012 года .
- ^ М. Чемберленд, В. Фарли, А. Валлиер, Л. Белхумер, А. Виллемер, Ж. Жиру и Дж. Лего, "Высокопроизводительная портативная технология радиометрического спектрометра для получения изображений для гиперспектральных изображений", Proc. SPIE 5994, 59940N, сентябрь 2005 г.
- ^ Фарли, В., Чемберленд, М., Лагуукс, П., и др., «Обнаружение и идентификация химических агентов с помощью инфракрасного датчика гиперспектрального изображения», Архивировано 13 июля 2012 г. на сайте archive.today Proceedings of SPIE Vol. 6661, 66610L (2007).
- ^ Гросс, Кевин С.; Брэдли, Кеннет С.; Перрам, Глен П. (2010). «Дистанционная идентификация и количественная оценка промышленных дымовых стоков с помощью спектроскопии с преобразованием Фурье». Наука об окружающей среде и технологии . 44 (24): 9390–9397. Bibcode : 2010EnST ... 44.9390G . DOI : 10.1021 / es101823z . PMID 21069951 .
- ^ а б Абделлатиф, Мохамед; Пил, Харриет; Кон, Энтони Дж .; Фуэнтес, Рауль (2020). «Обнаружение трещин на асфальте по гиперспектральным изображениям с использованием нового индекса трещин в асфальте» . Дистанционное зондирование . 12 (18): 3084. DOI : 10.3390 / rs12183084 .
- ^ «Сессия сжатия и сжатия данных» (PDF) .
- ^ «Управление гиперспектральными данными» .
- ^ А. Пикон, О. Гита, П. Ф. Уилан, П. Ириондо (2009), Интеграция спектральных и пространственных характеристик для классификации цветных материалов в гиперспектральных данных , IEEE Transactions по промышленной информатике, Vol. 5, N ° 4, ноябрь 2009 г.
- ^ Ран, Линъянь; Чжан, Яньнин; Вэй, Вэй; Чжан, Цилинь (2017-10-23). «Структура классификации гиперспектральных изображений с функциями пространственных пар пикселей» . Датчики . 17 (10): 2421. DOI : 10,3390 / s17102421 . PMC 5677443 . PMID 29065535 .
Внешние ссылки
- Спектральная библиотека АСТЕР (сборник более 2400 спектров природных и искусственных материалов)
- Примеры гиперспектральных изображений (AVIRIS) из JPL