Einleitung

Hochspektrale Bilder haben die Fähigkeit, das menschliche Auge unsichtbar zu sehen, aber was wirklich Daten in Informationen verwandelt und Merkmale aus dem Lärm "ausgegraben" lässt, ist spektrale Vorverarbeitung und Reduzierung. In dieser Ausgabe zeigen wir Ihnen, wie das ursprüngliche Spektrum durch eine Reihe von Vorbehandlungsmethoden (Gleichung, SNV, MSC) und Reduktionsmethoden (PCA, MNF) allmählich klare Gewebestrukturen und Verletzungsmerkmale aufzeigt. Mit nur wenigen Grafiken können Sie den großen Unterschied zwischen der "Vor- und Nachbehandlung mit hohem Spektrum" erkennen und schnell verstehen, warum die Vorbehandlung wichtiger ist als die Modellierung selbst.

4 Spektrale Bildverarbeitung

4.1 Spektrale Vorbehandlung

Die Gleitmethode wird hauptsächlich zur Beseitigung von hochfrequenten zufälligen Geräuschen im Spektrum verwendet, während die Gesamttendenz und Spitzenform des Spektrums so gut wie möglich beibehalten werden.

1) Bewegender Durchschnitt

Der gleitende Durchschnitt ist die grundlegendste Gleitmethode. Es glättet das Spektrum, indem es den Durchschnittswert des aktuellen Punktes und seiner Nachbarschaft nimmt. Diese Methode glättet hochfrequentes Geräusch, ist aber nicht empfindlich für einige spitze Geräusche. Die Formel lautet wie folgt:

Dazu die Größe des Fensters bewegen.

Beispiele für Python-Code:

(2) Savitzky-Golay Glattheit

Die zentrale Idee der SG-Gleichstellung besteht darin, das spektrale Signal in einem Schiebefenster polynomial anzupassen und den ursprünglichen Spektralpunkt durch einen angepassten Wert zu ersetzen. Im Vergleich zu einfachen gleitenden Durchschnitten entfernt die SG-Gleichung nicht nur hochfrequente Geräusche, sondern behält auch die spektralen Spitzenformen und die lokalen Eigenschaften des Signals. Die Formel lautet wie folgt: Die Fenstergröße ist 2mUnter den Bedingungen von +1iDie Gleichheit eines Spektrumspunkts ist:

Dabei handelt es sich um den Koeffizienten der Polynomialpassung, der der ursprüngliche Wert des Spektralpunkts im Fenster ist.

Beispiele für Python-Code:

(3) Mittelwertfilter

Mittelwertfilterung ersetzt den aktuellen Punktwert durch die Mediane im Fenster und ist besonders effektiv bei gelegentlichen Spitzenräuschen.

Beispiele für Python-Code:

Norm-Normalumwandlung (SNV)

SNV ist eine normalisierte Methode, die Streueffekte oder Intensitätsunterschiede zwischen den Spektren durch Zentralisierung und Standardisierung jedes Spektrums eliminiert und die relative Form des Spektrums beibehält. Die Formel lautet wie folgt:

Dies zeigt den spektralen Mittelwert an und zeigt die spektrale Standardabweichung an.

Beispiele für Python-Code:

Multiple Spread Correction (MSC)

MSC passt jedes Spektrum durch lineare Regression an das Referenzspektrum an (in der Regel das durchschnittliche Spektrum), um den Multiplikations- und Additionsstreueffekt zu korrigieren. Diese Methode korrigiert den durch die Streuung verursachten Intensitätsunterschied und behält die Formeigenschaften des Spektrums. Die Formel lautet wie folgt:Unter ihnen

Dazu gehört dieiDas Spektrum der Wellenlänge, das Referenzspektrum, ist in der Regel das durchschnittliche Spektrum aller Proben, der Regressionskoeffizient, das angepasste Spektrum.

Beispiele für Python-Code:

4.2 Spektrale Bildreduzierung

(1) Hauptkomponentenanalyse Reduzierung (PCA)

Bei der hochspektralen Bildverarbeitung ist PCA eine häufig verwendete Dimensionsreduktionsmethode zur Reduzierung der Bandredundanz, zur Verringerung des Rauschens und zur Extraktion primärer spektraler Informationen. Hochspektrale Bilder werden in der Regel durch dreidimensionale Datenwürfel dargestellt, die räumliche Dimensionen und Hunderte von Spektralbanden enthalten. Die zentrale Idee der PCA-Reduktion besteht darin, den Spektralvektor jedes Pixels als hochdimensionale Daten zu betrachten und die Hauptkomponenten nach der Varianzgröße zu sortieren, indem Sie alle Pixeldaten nullwertig durchschnitten, die Kovarianzmatrix berechnen und ihre Charakterwerte und Charaktervektoren aufsuchen. Durch die Auswahl mehrerer Hauptkomponenten können hochspektrale Daten von hohen Dimensionen in niedrige Dimensionen abgebildet werden, während die meisten spektralen Informationen beibehalten werden. Die reduzierten Daten reduzieren nicht nur die Berechnungsmenge, sondern verbessern auch das Signal-Rausch-Verhältnis erheblich und können für Visualisierung, Klassifizierung oder Clusteranalyse verwendet werden. Beispielsweise können die ersten drei Hauptkomponenten zu einem falsch farbigen Bild kombiniert werden, das die räumliche Struktur intuitiv darstellt. Insgesamt ist die PCA-Reduktion ein wichtiges Vorverarbeitungsmittel in der hochspektralen Bildverarbeitung und -analyse, um Daten effektiv zu komprimieren, Redundanz und Rauschen zu beseitigen und gleichzeitig die spektralen Eigenschaften zu erhalten.

Mindestgeräuschreduzierung (MNF)

Bei der hochspektralen Bildverarbeitung ist die MNF-Reduktion eine häufig verwendete Methode zur Datendämpfung und -komprimierung, deren Kerngedenken darin besteht, die wichtigsten Signalkomponenten durch Berücksichtigung der spektralen Rauschieigenschaften zu extrahieren. MNF-Dimensionierung wird in der Regel in zwei Schritten durchgeführt: * Ein Schritt, die Rauschanschätzung der Rohdaten mit hohem Spektrum und die Rauschannormalisierung der Daten, die Standardisierung der Rauscheinflüsse; Im zweiten Schritt wird die Hauptkomponentenanalyse (PCA) der normalisierten Daten durchgeführt, wobei die Komponenten mit hoher Varianz * als Hauptsignal extrahiert werden und die Komponenten mit niedriger Varianz, die durch Rauschen dominieren, aufgegeben werden. Im Gegensatz zu herkömmlichen PCA, MNF durch die Berücksichtigung der Rauschstruktur zuerst, so dass die ersten Hauptbestandteile nach der Reduzierung der Dimension in der Signal-Rausch-Verhältnis besser, um die wahren spektralen Signale besser hervorzuheben. Die MNF-Reduktionsdaten reduzieren nicht nur die Bandredundanz, sondern reduzieren auch effektiv das Rauschen und sind weit verbreitet bei Aufgaben wie Visualisierung, Klassifizierung und Zielerkennung von hochspektralen Bildern. Aufgrund seiner Fähigkeit, sowohl Geräuschunterdrückung als auch Charakterkompression zu ermöglichen, wird MNF oft als fortgeschrittene Reduktionsmethode für die Verarbeitung hochspektraler Daten angesehen.

4.4 Vergleich vor und nach dem Fall

(1) Spektrale Vorbehandlungsfälle

Die Spektralkurven nach der Behandlung durch verschiedene Vorbehandlungsmethoden sind in der folgenden Abbildung dargestellt. Im Vergleich zum ursprünglichen Spektrum beseitigen glatte Vorbehandlungsverfahren wie Savitzky-Golay, gleitender Mittelwert und Mittelwertfilter hauptsächlich die hohen Frequenzschwankungen auf der Spektralkurve, wodurch die Spektralkurve glatter ist und gleichzeitig die grundlegende Form des Gesamtspitzes und der Basislinie beibehalten wird. Die SNV-Methode standardisiert die Amplitude und den Offset des ursprünglichen Spektrums, so dass die Spektren verschiedener Proben auf der gleichen Ebene ausgerichtet werden, während die Gesamthöhe der Kurve leicht verändert wird. MSC korrigiert durch lineare Regression die Differenzen in der Amplitude und der Verschiebung, die durch die Lichtstreuung verursacht werden, und behält sowohl die Spitzenform als auch die Differenzen in der Streuung zwischen den Proben. SNV und MSC beseitigen jedoch keine Hochfrequenzrauschen im Spektrum. Eine Kombinationsmethode (wie SG + SNV oder SG + MSC) führt zuerst die Hochfrequenzrauschglattung des Spektrums durch und führt anschließend eine Streukorriktur durch, die den Effekt der Glattung und der Streukorriktur berücksichtigt, so dass das Spektrum sowohl glatt als auch spitzenförmig ist. Durch den Vergleich der Spektren vor und nach der Behandlung können die Auswirkungen der Methoden auf die Regelung von Rauschen, Streuung und Basislinien intuitiv beobachtet werden und die geeignete Vorbehandlungsstrategie ausgewählt werden.

(2) Spektrale Bildreduzierung

Nehmen Sie zum Beispiel das spektrale Bild eines Bluten-Kiwis zur Reduzierung der Dimension, ein hochspektrales Bild eines Bluten-Kiwis und ein Graustufenbild mit einer bestimmten Wellenlänge sind in der folgenden Abbildung gezeigt.

Hochspektrales Bild von Bluten Kiwi und Graustufenbild mit bestimmten Wellenlängen

Nach einer PCA- und MNF-Analyse der hochspektralen Daten von bluten Kiwischen wurde festgestellt, dass beide Methoden in der Hauptbestandteil mit Gewebeveränderungen verbundene Merkmale extrahieren konnten, aber es gab erhebliche Unterschiede in der Leistung. PC1 von PCA charakterisiert hauptsächlich die allgemeine Reflexivität und Dichteverteilung von Fruchtfleisch, PC2 kann deutlich die Verbesserung der Absorption der Bluterblütenbereiche hervorheben und ist ein diagnostischer Anteil in PCA *; Seit dem PC3 dominiert das Geräusch und die offensichtliche Streifenprofession ist nicht mehr für eine weitere Analyse geeignet. Im Gegensatz dazu unterdrückt MNF effektiv das Geräusch, indem es nach dem Signal-Rausch-Verhältnis sortiert wird, seine MNF1 zeigt eine stabile Gewebehintergrundcharakteristik, MNF2 kann den Kernbereich der Bleue mit höherem Kontrast und klareren Grenzen trennen, während MNF3 die Schädigungsrandstruktur weiter verstärkt und eine hierarchische Veränderung der Bleue-Verbreitung zeigt. Insgesamt ist MNF deutlich besser als PCA in Bezug auf die Verbesserung der Bleue-Charakteristik, die Lärmunterdrückung und die Aufrechterhaltung der Gewebedetaile, wobei MNF2-MNF3 die Charakteristikkomponente von diagnostischem Wert ist.

Vollspektrumbild von Kiwi-Proben zur PCA- und MNF-Analyse

Nächste Anzeige

In der nächsten Phase werden wir die Klassifizierung der Erkennung von Bildern mit hohem Spektrum und die Methode zur Überwachung der Klassifizierung von Bildern mit hohem Spektrum vorstellen.