一、測試原理及方法：
高光譜成像技術是近二十年來發展起來的基于非常多窄波段的影像數據技術，其較為突出的應用是遙感探測領域，并在越來越多的民用領域有著更大的應用前景。它集中了光學、光電子學、電子學、信息處理、計算機科學等領域的先進技術，是傳統的二維成像技術和光譜技術有機的結合在一起的一門新興技術。
高光譜成像技術的定義是在多光譜成像的基礎上，在從紫外到近紅外（200-2500nm）的光譜范圍內，利用成像光譜儀，在光譜覆蓋范圍內的數十或數百條光譜波段對目標物體連續成像。在獲得物體空間特征成像的同時，也獲得了被測物體的光譜信息。
目標物體-成像物鏡-入射狹縫-準直透鏡-PGP-聚焦透鏡-CCD棱鏡-光柵-棱鏡：PGP
圖1 成像原理圖
光譜儀的光譜分辨率由狹縫的寬度和光學光譜儀產生的線性色散確定。最小光譜分辨率是由光學系統的成像性能確定的（點擴展大小）。
成像過程為：每次成一條線上的像后（X方向），在檢測系統輸送帶前進的過程中，排列的探測器掃出一條帶狀軌跡從而完成縱向掃描（Y方向）。綜合橫縱掃描信息就可以得到樣品的三維高光譜圖像數據。
圖2 像立方體
二、材料與分析：
1、實驗設備與材料
本文以中國礦業大學（北京）深部巖土力學與地下工程國家重點實驗室提供的砂巖、礫巖為研究對象，利用江蘇雙利合譜科技有限公司的近紅外高光譜成像儀GaiaField（光譜范圍900 nm - 1700 nm）采集測試對象的高光譜影像數據，從而分析水滲入巖石時，砂巖、礫巖的光譜反射率隨水滲入時間的變化規律。表1為近紅外高光譜成像儀GaiaField系統參數。
表1 近紅外高光譜成像儀GaiaField系統參數
| 序號 | 相關參數 | N17 |
| 1 | 光譜范圍 | 900-1700 nm |
| 2 | 光譜分辨率 | 4-5 nm |
| 3 | 像面尺寸 | 7.6×14.2 |
| 4 | 倒線色散 | 110 nm/mm |
| 5 | 相對孔徑 | F/2.0 |
| 6 | 雜散光 | <0.5% |
| 7 | 波段數 | 256 |
2、高光譜影像數據預處理
對成像光譜儀獲取的原始影像數據進行數據的預處理，預處理過程主要包括兩部分。第一部分是輻射定標；第二部分為噪聲去除。
首先進行輻射定標。輻射定標的計算公式如1所示。
其中，Reftarget為目標物的反射率，Refpanel為標準參考板的反射率，DNtarget為原始影像中目標物的的數值，DNpanel為原始影像中標準參考板的數值，DNdark為成像光譜儀系統誤差。
其次是噪聲去除，常用的方法有小波降噪、S-G降噪、均值濾波、最小噪聲分離等方法。本研究則運用國外較為常用的最小噪聲分離方法(Minimum Noise Fraction Rotation， MNF)進行噪聲去除。最小噪聲分離工具用于判定圖像數據內在的維數（即波段數），分離數據中的噪聲，減少隨后處理中的計算需求量。MNF本質上是兩次層疊的主成分變換。第一次變換（基于估計的噪聲協方差矩陣）用于分離和重新調節數據中的噪聲，這步操作使變換后的噪聲數據只有最小的方差且沒有波段間的相關。第二步是對噪聲白化數據（Noise-whitened）的標準主成分變換。為了進一步進行波譜處理，通過檢查最終特征值和相關圖像來判定數據的內在維數。數據空間可被分為兩部分：一部分與較大特征值和相對應的特征圖像相關，其余部分與近似相同的特征值以及噪聲占主導地位的圖像相關。由于此次采集的高光譜影像沒有白板校正，因此數據預處理的第一步輻射定標沒有進行分析處理，直接作MNF降噪分析。圖3為MNF降噪前后的成像高光譜數據中DN值的變化。
圖3 MNF變換前(左)后(右)高光譜影像DN值的變化
3、特征波段的獲取
特征波段的選擇對于建立穩定的光譜模型是至關重要的。采用全波段的光譜數據建立模型時，不僅計算工作量大，而且校正模型的預測精度也很難達到最優值。因此在建立校正模型前進行特征波段選擇是很有必要的。目前，常用的特征波段選擇方法有相關系數法、方差分析、逐步多元線性回歸、粒子群算法、反向區間偏最小二乘法和連續投影算法等。其中連續投影算法是一種新型的波長選擇方法，得到了越來越廣泛的應用(成忠等, 2010; Moreira et al., 2009; Gomes et al., 2013; Talfan et al., 2015; Liu et al., 2009)，本研究也采用該算法進行特征波段的提取。連續投影算法(Successive Projections Algorithm, SPA) (Araujo et al, 2001) 是一種能夠從光譜信息中充分尋找含有最低限度的冗余信息的變量組，使得各變量之間的共線性達到最小。它是一種確定性的搜索方法，其變量選擇的結果是可重現的，這對于驗證集的變量選擇會更穩健，它能夠從嚴重重疊的光譜信息中提取有效信息，極小化光譜變量之間的共線性影響，簡化校正模型和提高建模的速度和效率。
四、結果與分析
1、 砂巖光譜反射率隨著水滲入時間的變化
為了能較為客觀的了解砂巖光譜反射率隨水滲入時間的變化規律，本研究在高光譜影像上任意獲取砂巖的兩個像元點，觀察其隨水滲入時間光譜變化規律，像元點選取位置及其光譜反射率隨水滲入時間的變化如圖4所示。從圖4可知，從900-1700 nm范圍內，隨水滲入時間的推移，砂巖的光譜反射率總體趨勢為下降，在1420 nm附近較為顯著的水汽吸收谷，隨后反射率逐漸上升，在1650 nm后反射率呈指數上升趨勢。
圖4砂巖光譜反射率隨著水滲入時間的變化（左為紅色，右為綠色）
2、礫巖光譜反射率隨著水滲入時間的變化
與砂巖分析相似，為了能較為客觀的了解礫巖光譜反射率隨水滲入時間的變化規律，本研究在礫巖的高光譜影像上任意獲取兩個像元點，觀察其隨水滲入時間光譜變化規律，像元點選取位置及其光譜反射率隨水滲入時間的變化如圖5所示。從圖5可知，從總體上，兩個像元的光譜反射率隨水滲入時間，礫巖的光譜反射率變化趨勢相一致，不同的是反射率高低不一致（這是因為礫巖每個像元點之間也是存在差異的）。從900-1700 nm范圍內，隨水滲入時間的推移，礫巖的光譜反射率總體趨勢為下降，在1430 nm附近較為顯著的水汽吸收谷，隨后反射率回升。
圖5礫巖光譜反射率隨著水滲入時間的變化（左為紅色，右為綠色）
3、砂巖光譜反射率與水滲入巖石時間的相關性分析
圖4分別列舉了砂巖高光譜影像中兩像元點隨水滲入時間的光譜反射率變化規律，從圖4可知，隨著水滲入時間的推移，砂巖的光譜反射率呈一定的變化規律。圖6則分別分析砂巖高光譜影像中兩個像元光譜反射率與水滲入時間的相關性，其中左邊為紅色像元點，右邊為綠色像元點的相關性分析圖。從圖6可知，砂巖高光譜上的不同像元點，其波段相關性與水滲入有著顯著差異，但是相關性的變化趨勢及相關波段的范圍與相關系數等相似。
圖6砂巖光譜反射率與水滲入巖石時間的相關性分析（左為紅色像元，右為綠色像元）
4、礫巖光譜反射率與水滲入巖石時間的相關性分析
圖5分別列舉了礫巖高光譜影像中兩像元點隨水滲入時間的光譜反射率變化規律，從圖5可知，隨著水滲入時間的推移，雖然礫巖的像元點光譜反射率高低不太相似，但是呈現變化規律一致。圖7則分別分析礫巖高光譜影像中兩個像元光譜反射率與水滲入時間的相關性，其中左邊為紅色像元點，右邊為綠色像元點的相關性分析圖。從圖7可知，礫巖高光譜上的不同像元點，其波段相關性與水滲入有著顯著差異，但是相關性的變化趨勢及相關波段的范圍與相關系數等相似。
圖7礫巖光譜反射率與水滲入巖石時間的相關性分析（左為紅色像元，右為綠色像元）
5、砂巖隨水滲入巖石時間的光譜特征波長選擇及模型構建
本研究利用Matlab編寫的SPA來提取砂巖基于水滲入時間變化的特征波長，以減少變量的輸入個數簡化后期建模過程。SPA運算過程所設定的特征個數為3-10，特征波個數根據RMSE確定，如圖8的Figure1所示，RMSE越小，水滲入時間的估算越精確，Figure2為確定特征波段的波段位置。表2分別列出了基于連續投影算法的砂巖隨水侵時間的特征波長的波段位置，越靠前，其特征波段重要性越高，特征波段分別為1552.65、1658.47、1698.22、903.28 nm。
圖8砂巖隨水滲入巖石時間的光譜特征波長選擇參數設置及特征波長確定
表2 基于連續投影算法的砂巖隨水侵時間的特征波長
| 對象 | 特征波長（根據特征波長的主次排列，越靠前波段越重要）(nm) |
| 砂巖 | 1552.65、1658.47、1698.22、903.28 |
根據選取的砂巖特征波段運用逐步多元回歸分析SMR構建模型并運用獨立的數據對模型進行檢驗，實測值與預測值之間的PRESS為207.49，RMSEP為4.16 min，SDV為4.13，BIAS為-1.30，相關系數r為0.997.
圖9 基于特征波段構建模型及檢驗效果圖
6、礫巖隨水滲入巖石時間的光譜特征波長選擇及模型構建
與砂巖研究相似，SPA運算過程所設定的特征個數為3-10，特征波個數根據RMSE確定，如圖10的Figure1所示，RMSE越小，水滲入時間的估算越精確，Figure2為確定特征波段的波段位置。表3分別列出了基于連續投影算法的礫巖隨水侵時間的特征波長的波段位置，越靠前，其特征波段重要性越高，特征波段分別為1381.20、1430.59、909.80、1698.22、903.28 nm。
圖10礫巖隨水滲入巖石時間的光譜特征波長選擇參數設置及特征波長確定
表3 基于連續投影算法的礫巖隨水侵時間的特征波長
| 對象 | 特征波長（根據特征波長的主次排列，越靠前波段越重要）(nm) |
| 礫巖 | 1381.20、1430.59、909.80、1698.22、903.28 |
根據選取的礫巖特征波段運用逐步多元回歸分析SMR構建模型并運用獨立的數據對模型進行檢驗，實測值與預測值之間的PRESS為1672.61，RMSEP為13.63 min，SDV為13.67，BIAS為-4.46，相關系數r為0.984。
圖11 基于特征波段構建模型及檢驗效果圖
五、討論
本研究運用單個像元點來分析砂巖、礫巖受水滲入后，其光譜反射率的變化趨勢，并運用連續投影算法提取了特征波長，同時利用逐步多元回歸分析構建光譜與水滲入時間的模型，結果表明，無論是砂巖或者礫巖，所構建的模型精度都較高，其中砂巖的RMSP為RMSEP為4.16 min，相關系數r為0.997；礫巖的RMSEP為13.63 min，相關系數r為0.984。
研究者可根據自己的研究方向，針對局部（整體）砂巖或者礫巖，研究其隨水滲入時間光譜反射率的變化規律。除了逐步多元回歸分析算法，研究者還可以運用光譜指數、主成分分析、偏最小二乘法、人工神經網絡、支持向量機、方法有相關系數法、方差分析、逐步多元線性回歸、粒子群算法、反向區間偏最小二乘法和連續投影算法等，研究者均可嘗試分析。常用的數據處理軟件有ENVI、ERDAS、MATLAB、excel等，研究者往往不可能只通過一個軟件就完成數據分析，需要綜合幾個軟件進行分析，而且要求研究者有較好的編程能力。
© 2019 版權所有：江蘇雙利合譜科技有限公司 備案號：蘇ICP備2021046114號-3 技術支持：化工儀器網 GoogleSitemap 管理登陸
在線客服