В спектроскопии изображений (также гиперспектральных изображений или спектральных изображений ) каждый пиксель изображения получает множество полос данных интенсивности света из спектра, а не только три полосы цветовой модели RGB . Точнее, это одновременное получение пространственно совмещенных изображений во многих спектрально смежных полосах .
Некоторые спектральные изображения содержат только несколько плоскостей изображения куба спектральных данных , в то время как другие лучше рассматривать как полные спектры в каждом месте изображения. Например, солнечные физики используют спектрогелиограф для создания изображений Солнца, созданных путем сканирования щели спектрографа, для изучения поведения поверхностных элементов на Солнце; такая спектрогелиограмма может иметь спектральное разрешение более 100000 ( ) и использоваться для измерения локального движения (через доплеровский сдвиг ) и даже магнитного поля (через расщепление Зеемана или эффект Ханле).) в каждом месте плоскости изображения. В мультиспектральных изображениях , собранные возможности ровера , напротив, имеют только четыре полосы длин волн и , следовательно, лишь немногим больше , чем 3-цветные изображения .
Чтобы такие измерения были полезными с научной точки зрения, их следует проводить с использованием международно признанной системы единиц.
Одним из приложений является построение спектрально- геофизических изображений , которое позволяет количественно и качественно характеризовать поверхность и атмосферу с помощью радиометрических измерений. Эти измерения затем могут быть использованы для однозначной прямой и косвенной идентификации поверхностных материалов и атмосферных микрогазов, измерения их относительных концентраций, последующего определения пропорционального вклада смешанных сигналов пикселей (например, проблема спектрального разделения), получения их пространственное распределение (задача картирования) и, наконец, их изучение во времени (разновременный анализ). Луны минералогии Mapper на Чандраян-1 был геофизической спектрометр формирования изображения. [1]
Фон [ править ]
В 1704 году сэр Исаак Ньютон продемонстрировал, что белый свет можно разделить на составляющие цвета. Последующая история спектроскопии привела к точным измерениям и предоставила эмпирическую основу для атомной и молекулярной физики (Born & Wolf, 1999). Значительные достижения в визуальной спектроскопии приписываются бортовым приборам, особенно появившимся в начале 1980-х и 1990-х годах (Goetz et al., 1985; Vane et al., 1984). Однако только в 1999 году первый спектрометр для получения изображений был запущен в космос ( спектрорадиометр для получения изображений среднего разрешения НАСА , или MODIS).
Терминология и определения со временем меняются. В свое время> 10 спектральных диапазонов было достаточно, чтобы оправдать термин « спектрометр формирования изображений », но в настоящее время этот термин редко определяется общим минимальным количеством спектральных диапазонов, а скорее непрерывным (или избыточным) указанием спектральных диапазонов .
Термин « гиперспектральная визуализация» иногда используется как синоним визуальной спектроскопии. Из-за его интенсивного использования в военных приложениях гражданский мир отдает предпочтение термину "спектроскопия изображения".
Разъединение [ править ]
Гиперспектральные данные часто используются для определения материалов, присутствующих в сцене. Представляющие интерес материалы могут включать дороги, растительность и конкретные цели (например, загрязнители, опасные материалы и т. Д.). Проще говоря, каждый пиксель гиперспектрального изображения можно сравнить с базой данных материалов для определения типа материала, составляющего пиксель. Однако многие платформы для получения гиперспектральных изображений имеют низкое разрешение (> 5 м на пиксель), поэтому каждый пиксель представляет собой смесь нескольких материалов. Процесс разделения одного из этих «смешанных» пикселей называется разделением гиперспектрального изображения или просто разделением гиперспектрального изображения.
Модели [ править ]
Решением проблемы гиперспектрального разделения является обратный процесс смешивания. Обычно предполагается две модели перемешивания: линейная и нелинейная. Линейное перемешивание моделирует землю как плоскую, и падающий на нее солнечный свет заставляет материалы излучать некоторое количество падающей энергии обратно на датчик. Затем каждый пиксель моделируется как линейная сумма всех кривых излучаемой энергии материалов, составляющих пиксель. Следовательно, каждый материал способствует наблюдению датчика положительным линейным образом. Кроме того, часто наблюдается ограничение сохранения энергии, в результате чего веса линейной смеси вынуждают суммироваться до единицы в дополнение к положительным значениям. Математически модель можно описать следующим образом:
где представляет собой пиксель, наблюдаемый датчиком, представляет собой матрицу сигнатур отражательной способности материала (каждая сигнатура является столбцом матрицы) и представляет собой долю материала, присутствующего в наблюдаемом пикселе. Этот тип модели также называют симплексной .
При выполнении двух ограничений: 1. Ограничение неотрицательности изобилия (ANC) - каждый элемент x положителен. 2. Ограничение суммы-к-одному изобилия (ASC) - сумма элементов x должна быть равна единице.
Нелинейное перемешивание возникает в результате многократного рассеяния, часто из-за неровной поверхности, такой как здания или растительность.
Алгоритмы размешивания (обнаружение конечных элементов) [ править ]
Существует множество алгоритмов разделения гиперспектральных данных, каждый из которых имеет свои сильные и слабые стороны. Многие алгоритмы предполагают, что в сцене присутствуют чистые пиксели (пиксели, содержащие только один материал). Некоторые алгоритмы для выполнения размешивания перечислены ниже:
- Индекс чистоты пикселей. Работает, проецируя каждый пиксель на один вектор из набора случайных векторов, охватывающих пространство отражательной способности. Пиксель получает оценку, когда он представляет собой экстремум всех проекций. Пиксели с наибольшим количеством баллов считаются спектрально чистыми.
- N-FINDR [2]
- Алгоритм подарочной упаковки
- Алгоритм извлечения конечных элементов независимого анализа компонентов - работает, предполагая, что чистые пиксели возникают независимо, чем смешанные. Предполагает наличие чистых пикселей.
- Анализ компонент вершин - работает на том факте, что аффинное преобразование симплекса - это еще один симплекс, который помогает найти скрытые (свернутые) вершины симплекса. Предполагает наличие чистых пикселей.
- Анализ главных компонентов - также может использоваться для определения конечных членов, проекция на главные оси может позволить выбор конечных элементов [Смит, Джонсон и Адамс (1985), Бейтсон и Кертисс (1996)]
- Многокомпонентный пространственный анализ смеси на основе алгоритма SMA
- Спектральный фазорный анализ на основе преобразования Фурье спектров и построение их на 2D графике.
Также существуют нелинейные алгоритмы несмешивания: вспомогательные векторные машины или аналитическая нейронная сеть.
Также были предприняты попытки вероятностных методов размешивания пикселей с помощью алгоритма размешивания Монте-Карло .
Карты изобилия [ править ]
После определения основных материалов сцены часто бывает полезно построить карту изобилия каждого материала, которая отображает дробное количество материала, присутствующего в каждом пикселе. Часто линейное программирование выполняется для наблюдаемых ANC и ASC.
Датчики [ править ]
Планируется
- EnMAP
Настоящее и прошлое
- AVIRIS - бортовой
- MODIS - на борту платформ EOS Terra и Aqua
- MERIS - на борту Envisat
- Гиперион - на борту наблюдателя Земли-1
- Несколько коммерческих производителей лабораторных, наземных, авиационных или промышленных спектрографов для получения изображений.
См. Также [ править ]
- Дистанционное зондирование
- Гиперспектральная визуализация
- Полное спектральное изображение
- Список спутников наблюдения Земли
- Химическая визуализация
- Спектрометр изображения
- Инфракрасная микроскопия
- Фазорный подход к времени жизни флуоресценции и спектральной визуализации
- Видео спектроскопия
Ссылки [ править ]
- ^ "На Луне обнаружено большое количество воды" . Телеграф . 24 сентября 2009 г.
- ^ http://proceedings.spiedigitallibrary.org/proceeding.aspx?articleid=994814
- Goetz, AFH, Vane, G., Solomon, JE, & Rock, BN (1985) Спектрометрия изображений для дистанционного зондирования Земли. Наука, 228, 1147.
- Шепман, М. (2005) Спектральная визуализация: от пикселей к процессам. Инаугурационная речь, Университет Вагенингена, Вагенинген (Нидерланды).
- Вейн, Г., Крисп, М., Эммарк, Х., Масенка, С., и Соломон, Дж. (1984) Спектрометр визуализации в видимой части спектра в видимой области спектра ( AVIRIS ): усовершенствованный инструмент для дистанционного зондирования Земли. Европейское космическое агентство, (специальная публикация) ESA SP, 2, 751.
Внешние ссылки [ править ]
- О спектроскопии изображений (USGS): http://speclab.cr.usgs.gov/aboutorsp.html
- Ссылка на ресурсы (OKSI): http://www.techexpo.com/WWW/opto-knowledge/IS_resources.html
- Спектроскопия изображений для специальных групп по интересам (EARSeL): https://web.archive.org/web/20051230225147/http://www.op.dlr.de/dais/SIG-IS/SIG-IS.html
- Применение спектроскопической и химической визуализации в исследованиях: http://www3.imperial.ac.uk/vibrationalspectroscopyandchemicalimaging/research
- Инструмент анализа для спектрального разделения: http://www.spechron.com
