高光谱成像光谱仪

摘要通过近红外高光谱成像技术建立对冬虫夏草粉末的真假鉴别及含量判断的无损检测方法。方法：1、通过光谱范围为1um~2.5um的高光谱相机对真假及不同含量的虫草粉末进行高光谱反射光谱采集。2、通过反射率校正、噪声与背景去除后，通过主成分分析变换（PCA）提取真假样本，再通过偏最小二乘法变换（PLSA）对样本含量进行分析判断。结论：通过近红外高光成像技术可以准确的对虫草粉的真假进行差别，并可对虫草粉有效含量进行评判，含量评判准确性有待进一步验证。1、 实验部分 1.1 仪器与样本 仪器：测试仪器为北京卓立汉光仪器有限公司自主开发的高光谱分选仪-GaiaSorter-N25（如图1）。光谱范 围1~2.5um，光谱分辨率10nm，帧速100fps。http://ng1.17img.cn/bbsfiles/images/2017/01/201701191656_648459_488_3.jpg 样本：由青海唐古拉药业公司提供的10种[/s

[align=center][b]基于高光谱成像技术的包子在线检测研究[/b][/align]随着生活品质的提高以及消费者对食品安全意识的不断增强，消费者对包子食品安全问题越来越关注。在实际包子加工过程中，由于生产规模、生产速度、包子馅的加工机械等的影响，包子在生产过程其表面可能会存在污物或包子露馅、包子发霉等问题，因而存在严重的食品安全隐患。成像技术和光谱技术是传统的光学技术的两个重要方向，成像技术能够获得物体的影像，得到其空间信息；光谱技术能够得到物体的光学信息，进而研究其物质属性。20 世纪 70 年代以前，成像技术和光谱技术是相互独立的学科，随着遥感技术的发展，成像光谱技术迅速发展起来，它是一种快速、无损的检测技术，具有光谱分辨率高、多波段和图谱合一的特点，能在大尺度范围内识别地表并深入研究其地表物质的成分及结构。目前，成像高光谱技术已成熟应用于农业、食品、药品、化工产品、刑侦、文物保护等领域，但用于包子的品质检测目前尚未有研究者对其进行开展研究。[b]1. 可见、近红外设备介绍[/b]高光谱图像数据采集采用四川双利合谱科技有限公司的 GaiaSorter高光谱分选仪系统（fx10e）。该系统主要由高光谱成像仪、面阵列相机、卤素灯光源、暗箱、计算机组成，如图1。[align=center][img=,386,355]https://ng1.17img.cn/bbsfiles/images/2019/10/201910281452562204_1516_488_3.jpg!w386x355.jpg[/img] [/align][align=center]图1 GaiaSorter高光谱分选仪[/align]高光谱图像采集软件采用四川双利合谱科技有限公司提供的高光谱成像系统采集软件Specview完成。图像处理采用 ENVI5.3 软件进行处理。在进行图像处理之前，先要对采集的光谱图像进行图像校正，图像校正公式如下：[img=,291,63]https://ng1.17img.cn/bbsfiles/images/2019/10/201910281453117460_190_488_3.jpg!w291x63.jpg[/img] (1)式中，R[sub]ref[/sub] 是校正过的图像，DN[sub]raw[/sub] 是原始图像，DN[sub]white[/sub]为白板校正图像，DN[sub]dark[/sub] 是黑板校正图像，R[sub]white[/sub]为白板的反射率。[b]2. 实验目标[/b]本次实验对包子的混杂金属、混杂玻璃片、混杂塑料片、包子完整情况（是否有馅露出来）、有无包装纸、有何种颜色的包装纸进行了初步的检测，目的是为了分辨出包子中混杂的金属、玻璃片、塑料片，以及是否露馅、是否包含包装纸和用何种包装纸对其进行包装。[b]3. 分析方法3.1 波段选择方法[/b]目前应用比较广泛的最佳波段选取方法有各波段信息量的比较、波段间相关性比较、最佳指数法(O IF)、各波段数据的信息熵和联合熵、协方差矩阵特征值法、波段指数法等。在各种方法中，由美国查维茨提出的最佳指数法( OIF)综合考虑单波段图像的信息量及各波段间的相关性，更接近于波段选择的原则，且计算简单，易于实现，得到广泛的应用。OIF指数的计算公式如下：[img=,261,59]https://ng1.17img.cn/bbsfiles/images/2019/10/201910281453308659_4069_488_3.jpg!w261x59.jpg[/img] (2)其中：S[sub]i[/sub] 为第i个波段的标准差，R[sub]ij[/sub]为i、j 两波段的相关系数。对n波段图像，先统计计算单波段图像的标准差，计算各波段间的相关系数矩阵，再分别求出所有可能的波段组合对应的OIF指数，根据该指数大小来判断各种波段组合的优劣。指数越大，则相应组合影像所包含的信息量就越大。对OIF指数从大到小进行排序，最大O IF指数对应的波段组合即为最佳波段组合。[b]3.2 分类方法[/b]利用see5.0机器学习法进行分类。see5.0机器学习规则软件是美国USGS在完成国家土地覆盖制图(NLCD)项目中开发的一个自动提取分类规则的数据挖掘工具。[b]4. 分析结果[/b][align=center][img=,553,402]https://ng1.17img.cn/bbsfiles/images/2019/10/201910281453511269_6838_488_3.jpg!w553x402.jpg[/img][/align][align=center]图2 塑料托盘上有无包子进行判别分析[/align][align=center][img=,562,414]https://ng1.17img.cn/bbsfiles/images/2019/10/201910281454085302_6251_488_3.jpg!w562x414.jpg[/img][/align][align=center]图3 包子混杂塑料片原图及分类结果[/align][align=center][img=,541,389]https://ng1.17img.cn/bbsfiles/images/2019/10/201910281454249343_7458_488_3.jpg!w541x389.jpg[/img][/align][align=center]图4 包子混杂金属原图及分类结果[/align][align=center][img=,526,387]https://ng1.17img.cn/bbsfiles/images/2019/10/201910281454574305_7671_488_3.jpg!w526x387.jpg[/img][/align][align=center]图5 包子混杂玻璃片原图及分类结果[/align][align=center][img=,547,393]https://ng1.17img.cn/bbsfiles/images/2019/10/201910281455104118_736_488_3.jpg!w547x393.jpg[/img][/align][align=center]图6 包子多种包装纸原图及判别结果[/align][align=center][img=,570,409]https://ng1.17img.cn/bbsfiles/images/2019/10/201910281455437023_7191_488_3.jpg!w570x409.jpg[/img][/align][align=center]图7 包子露馅判别分析[/align][align=center][img=,587,427]https://ng1.17img.cn/bbsfiles/images/2019/10/201910281456093534_9772_488_3.jpg!w587x427.jpg[/img][/align][align=center]图8 包子过程有无包装纸判别分析[/align][align=center][img=,582,425]https://ng1.17img.cn/bbsfiles/images/2019/10/201910281456238943_7757_488_3.jpg!w582x425.jpg[/img][/align][align=center]图9 多种情形下包子品质分析[/align][align=left][b]5. 结论与讨论[/b] 从图2到图9我们可以看出，利用高光谱成像设备可实现包子在线生产过程中可能出现的各种问题，从而避免了有质量问题的包子流向市场。高光谱成像仪在实际生产过程中可快速实时无损地监测每个包子的品质，减少了人工的排查程序，有效地提高了包子的出厂效率。[/align]

高光谱技术对水果中的农药残留检测应用一、 实验目的通过高光谱成像系统能对水果中的残留农药进行无损检测。二、 实验仪器V10E-PS高光谱成像仪系统。http://ng1.17img.cn/bbsfiles/images/2015/08/201508180951_561278_488_3.jpg三、 简要原理高光谱成像系统组成包括：暗箱，光源，光谱相机（高光谱成像仪），一维位移台等。光源照射放在位移台上的字迹样本，面阵CCD探测器在光学焦面的垂直方向上做横向排列完成横向扫描（X方向），获取的是对象在条状空间中每个像素在各波长下的图像信息。同时，在位移台前进在过程中，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）。首先要对样品进行对焦，使之成像是最清晰的。然后在测试前要进行黑白校正，具体方法是：黑校正：扣上物镜盖，选择 Dark Frame，Calculate&Save，获得黑校正文件。白校正：选择 White Frame，校正白板在 Live模式下显示反射率最大值时，Calculate&Save，获得白校正文件。加载黑白校正文件进行校正。请确保校正文件的采集参数（曝光时间、像素合并等）相同。还要注意曝光时间要和扫描速度相匹配，否则得到的将是横纵比失真的图像，丢失采集信息。四、测试条件样本的情况为：在脐橙表面滴有浓度为1:100的炔幔特类农药，在通风阴凉处放置72个小时以上。实验时，当曝光光源选用卤钨灯时，根据光强和曝光时间的关系，得到的最佳的曝光时间是15ms，速度2-3mm/s，binning：2×2，波长范围：360-981nm，波段数：519。采集时显示的RGB合成图像如下所示：http://ng1.17img.cn/bbsfiles/images/2015/08/201508180955_561284_488_3.jpg 图4.1 采集软件显示的图像五、数据分析数采软件采集到的数据格式包括.hdr头文件和.raw初始文件。使用数据分析软件对其进行分析。经过Resize（重置图像大小和波段范围）、ROI（感兴趣区）、Filter（中值滤波）和Mask(阈值)、PCA(主成分分析)后得到图像如下。http://ng1.17img.cn/bbsfiles/images/2015/08/201508180956_561287_488_3.jpg图1样本的RGB合成图像主成分分析后的图像如下，（a）为第二主成分波段的图像（PC2），经过阈值分割后（b），可清楚的看到涂有农药区域和没涂农药（正常区域）的图像是不同的。http://ng1.17img.cn/bbsfiles/images/2015/08/201508180957_561290_488_3.jpghttp://ng1.17img.cn/bbsfiles/images/2015/08/201508180959_561294_488_3.jpg图3 不同区域的波谱曲线http://ng1.17img.cn/bbsfiles/images/2015/08/201508180959_561295_488_3.jpg图4 PC2的光谱曲线权重系数http://ng1.17img.cn/bbsfiles/images/2015/08/201508181000_561296_488_3.jpg图5 在不同波长下的灰度图像六、结论通过以上的在可见光波段范围内的高光谱成像技术的实验，可以同时得到样本的图像信息和光谱信息。根据这些丰富的信息量可以对有农药残留的蔬果等农产品进行有效快速的无损检测，从而适应蔬果农药残留无损检测的未来发展方向。

一：试验目的： 利用近红外波段的高光谱成像仪获取矿物岩石的高光谱数据，并对其进行光谱分析进而对矿物岩石的组成成分进行研判。二：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，其最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。http://ng1.17img.cn/bbsfiles/images/2015/08/201508181012_561300_488_3.jpg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 高光谱成像原理图 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。最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）。 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。 利用GaiaSorter高光谱分选仪为测试设备并配置光谱范围在1000nm-2500nm范围的成像仪来完成数据的获取。http://ng1.17img.cn/bbsfiles/images/2015/08/201508181013_561301_488_3.jpg图2 高光谱图像立方体一、未知岩石的识别 利用400-1000nm波段的成像仪对样品进行测试，矿物岩石在400nm-1000nm波段的光谱特征信息非常的有限，通过此波段的光谱特征来对其进行分类识别，其结果并不理想。 如3所示的是其中一种待测样品，选取其中3处感兴趣的区域作为研究对象，图4所示的是图3处感兴趣区域对应的特征光谱曲线。其特征光谱曲线非常的有限。http://ng1.17img.cn/bbsfiles/images/2015/08/201508181014_561302_488_3.jpg图3 样品的RGB图http://ng1.17img.cn/bbsfiles/images/2015/08/201508181014_561303_488_3.jpg图4 样品在400-1000nm波段下的光谱特征曲线 而相同的样品对象在1000-2500nm波段下，其光谱特征信息如图5所示，http://ng1.17img.cn/bbsfiles/images/2015/08/201508181018_561304_488_3.jpg图5样品在1000-2500nm波段下的光谱特征曲线http://ng1.17img.cn/bbsfiles/images/2015/08/201508181018_561305_488_3.jpg图7 矿物岩石识别的结果http://ng1.17img.cn/bbsfiles/images/2015/08/201508181019_561306_488_3.jpg图8 不同的颜色表示不同的矿物成分 （clinochlore）斜绿泥石：斜绿泥石（clinochlore；Seraphinite），释文：成分(Mg,Fe)4.75Al1.25〔Al1.25Si2.75O10〕(OH)8。单斜晶系。晶体呈假六方片状，集合体呈鳞片状。草绿至淡橄榄绿色。 释文：成分(Mg,Fe)4.75Al1.25〔Al1.25Si2.75O10〕(OH)8。单斜晶系。晶体呈假六方片状，集合体呈鳞片状。草绿至淡橄榄绿色。解理平行底面极完全。薄片具挠性。密度2.61～2.78克/厘米^3。产状同叶绿泥石。 （Calcite）方解石：方解石是一种碳酸钙矿物，天然碳酸钙中最常见的就是它。因此，方解石是一种分布很广的矿物。方解石的晶体形状多种多样，它们的集合体可以是一簇簇的晶体，也可以是粒状、块状、纤维状、钟乳状、土状等等。敲击方解石可以得到很多方形碎块，故名方解石。http://ng1.17img.cn/bbsfiles/images/2015/08/201508181020_561307_488_3.jpg图9 不同成分岩石的分别二、石墨样品数据分析一：http://ng1.17img.cn/bbsfiles/images/2015/08/201508181023_561308_488_3.jpg图1 石墨矿物岩石图（手机拍摄）http://ng1.17img.cn/bbsfiles/images/2015/08/201508181023_561310_488_3.jpg

河道房屋道路树木干草车辆数据分析与处理测试设备：无人机+高光谱相机测试高度：300米测试时间：2015/4/17-14:00-14:30光谱分辨率：4nm；光谱范围：400nm-1000nm；测试目标对象：地面目标物http://ng1.17img.cn/bbsfiles/images/2015/09/201509161505_566268_488_3.jpg http://ng1.17img.cn/bbsfiles/images/2015/09/201509161515_566272_488_3.jpg 无人机+高光谱相机（图1） 图2 RGB图 http://ng1.17img.cn/bbsfiles/images/2015/09/201509161517_566273_488_3.jpg http://ng1.17img.cn/bbsfiles/images/2015/09/201509161517_566274_488_3.jpg 图 3 不同地物目标的特征光谱 图 4 不同地物目标的特征光谱比较植被（树木）的目标识别，将感兴趣植被（树木）的特征光谱作为标准光谱，识别出整个图像中植被的分布情况，与实际环境中的植被分布基本吻合。包括河边的树木，公路两边的树木等。 http://ng1.17img.cn/bbsfiles/images/2015/09/201509161521_566279_488_3.jpg 房屋（铁皮房）的目标识别，将感兴趣房屋（铁皮房）的特征光谱作为标准光谱，识别出整个图像中植被的分布情况，与实际环境中的植被分布基本吻合。将自己的汽车也识别为房屋（铁皮房），这个把汽车识别为铁皮房是正常的，在分析是，选择的也是汽车上局部区域作为感兴趣区域来研究的。http://ng1.17img.cn/bbsfiles/images/2015/09/201509161522_566280_488_3.jpg 公路（沥青）的目标识别出入稍微有点大，实际上只有一条公路是沥青的，其他地方识别出为沥青公路的，在设置算法阈值上有一些步合理，但整体上还是能够把公路（沥青）的轮廓找到并识别出来。http://ng1.17img.cn/bbsfiles/images/2015/09/201509161522_566281_488_3.jpg 河流的识别：所拍摄区域是当地的一条凤河，通过相关的算法很好的能够找到识别出河流的整个分布，对水域的具体是否有污染尚未做分析和处理。通过光谱可以发现水的吸收特征峰所在的光谱波段。http://ng1.17img.cn/bbsfiles/images/2015/09/201509161523_566283_488_3.jpg对干草的研究，在所拍摄区域有一大片的干草区域，也是利用相关的算法，来对未知区域进行地物识别。存现误判区域是由于算法里面的参数阈值设置不合理造成的，但整个大的区域里面包含的干草区域基本与实际中的相吻合。http://ng1.17img.cn/bbsfiles/images/2015/09/201509161524_566284_488_3.jpg 在识别汽车类别时，可以发现在路上行驶的汽车、自己的汽车、房屋（铁皮房）都给识别为一类，汽车的特征光谱与房屋（铁皮房的光谱特征基本相似），识别出行驶在路上上的汽车。http://ng1.17img.cn/bbsfiles/images/2015/09/201509161524_566285_488_3.jpg总结：图11显示的结果是利用CEM、ACE、MTMF三种算法来对目标区域的地物进行分类识别和划分，虽然在一些识别上存在一些误判，但整体的分类识别效果还是非常好的。无论是硬件上还是在软件上都我们都能够提供非常好的平台来满足不同的需要和需求，这些技术成果将会为科学研究、生产、生活等各个方面提供有价值的信息。http://ng1.17img.cn/bbsfiles/images/2015/09/201509161525_566286_488_3.jpg

[align=center][color=#333333] [/color][b]基于高光谱图像的化橘红快速鉴别研究[/b][/align][color=#333333] [/color][color=#333333] [/color][color=#333333]化橘红Pummelo Peel，拉丁文exocarpium citri grandis，Citrus grandis‘Tomentosa'，化橘红Pummelo Peel，拉丁文exocarpium citri grandis，Citrus grandis‘Tomentosa'，异名，化皮、化州橘红、柚皮橘红、柚类橘红、兴化红、毛柑、毛化红、赖橘红。本草记载，橘红一词始出于元王好古《汤液本草》，柚出自《本草经集注》。《神农本草经》仅载有橘柚。《唐本草》记载：柚皮厚味甘，不似橘皮薄，味辛而苦。其肉有亦如橘，有甘有酸。特产于广东省化州市部分村镇，其外果皮为道地药材化橘红，由于密被绒毛，称之为毛橘红，为治疗痰证常用中药。明代《本草原始》云：“橘红，广东化州者胜”。自古以来，化州特产毛橘红就以质优效佳而闻名于世，曾列为明清两代皇室镇咳祛痰贡品。这种外果皮密被绒毛的柚(化州柚)种植历史已有千年，仅分布于东经110°~111°、北纬21°~22°15'的广东省化州市部分地区。20世纪80年代初，受到来源于柚的非道地化橘红~光橘红的冲击，化州柚一度濒临灭绝。如何判断中药的品质并进行鉴定是中药科技工作者工作的重要内容之一。[/color][color=#333333] [/color][color=#333333]中药鉴定常用的鉴别方法主要有性状鉴定、显微鉴定、高效液相色谱法。这些方法虽然各有优势，但是有的对人员经验要求极高，有的实验过程较为复杂等特点，不能满足市场快速、可靠检测的需要。本研究探讨建立一种高光谱检测方法，结合计算机人工智能算法，对四种不同的化橘红进行了鉴定研究，并用独立样本数据对不同的模型进行验证。[/color][b][color=#333333]1. [/color][color=#333333]材料与方法[/color][color=#333333]1.1[/color][color=#333333]材料[/color][/b][color=#333333] [/color][color=#333333]化橘红四种不同成分正品皮、伪品皮、正品果、伪品果由中山大学提供，其中正品皮样本32个自编批号ZPP1-32、正品果10个自编编号ZPG1-10、伪品果11个自编编号WPG1-11，伪品皮7个自编编号WPP1-7。样本经粉碎均匀后，各取5g放置于培养皿上，备用。[/color][b][color=#333333]1.2[/color][color=#333333]高光谱图像采集[/color][/b][color=#333333] [/color][color=#333333]利用GaiaSorter高光谱分选仪系统（V10E、N25E-SWIR）。高光谱成像仪、面阵列相机、卤素灯光源、暗箱、计算机组成。图像采集软件采用高光谱成像系统采集软件完成。高光谱图像预处理在specview上进行，后期的图像处理和光谱处理采用 ENVI5.3和MATLAB2011b 进行处理。[/color][align=center][img=,400,300]https://ng1.17img.cn/bbsfiles/images/2019/10/201910301716370797_992_488_3.jpg!w400x300.jpg[/img][/align][align=center][color=#333333]图1 GaiaSorter双系统分选仪[/color][/align][b][color=#333333]1.3 [/color][color=#333333]特征波长选择[/color][/b][color=#333333] [/color][color=#333333]光谱信息之间存在大量的冗余和共线性信息特征，对光谱有效信息的提取产生了较大的干扰，且大量光谱数据造成模型复杂、计算量大的问题。本文采用连续投影算法（successive projections algorithm，SPA）进行特征波长的选择，以减少信息冗余和共线性的影响，简化模型，减少计算量。[/color][color=#333333] SPA [/color][color=#333333]是一种特征变量前向选择算法，在光谱特征波长中取得了广泛的应用。本文采用 SPA 算法对去噪处理后的光谱进行特征波长选择。进行SPA 计算时，以建模集的光谱数据和类别赋值为输入，设置选择特征波长数的范围为 5～30。[/color][b][color=#333333]1.4 [/color][color=#333333]光谱指数[/color][/b][color=#333333] [/color][color=#333333]光谱指数的产生来源于植被指数，植被指数是指利用卫星不同波段探测数据组合而成的，能反映植物生长状况的指数。植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测利用卫星不同波段探测数据组合而成的，能反映植物生长状况的指数。植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测的物理基础，通过这两个波段测值的不同组合可得到不同的植被指数。光谱指数是通过任意两波段组合或三波段组合成各种光谱指数，如归一化植被指数（Normalized difference vegetable index，NDVI）、差值植被指数Difference vegetable index，DVI等，探寻最佳的波段组合用于各个领域的模型构建等。[/color][b][color=#333333]1.5 [/color][color=#333333]判别分析方法[/color][/b][color=#333333] [/color][color=#333333]偏最小二乘法判别分析( Partial least squaresdiscrimination analysis，PLS-DA)是一种用于判别分析的多变量统计分析方法。判别分析是一种根据观察或测量到的若干变量值，来判断研究对象如何分类的常用统计分析方法。其原理是对不同处理样本（如观测样本、对照样本）的特性分别进行训练，产生训练集，并检验训练集的可信度。本文分别基于全光谱、特别波长光谱建立 PLS-DA 判别分析模型，通过建立光谱数据与类别特征之间的回归模型，进行判别分析。[/color][b][color=#333333]1.6 [/color][color=#333333]极限学习机[/color][/b][color=#333333] [/color][color=#333333]极限学习机（extreme learning machine，ELM）是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。2004年由南洋理工大学黄广斌副教授提出。传统的神经网络学习算法（如BP算法）需要人为设置大量的网络训练参数，并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点。本文中隐含层神经元个数从 1 到 520（288）以步长 1 进行寻优，以最小训练误差下的神经元个数为 ELM 模型隐含层神经元个数。[/color][b][color=#333333]1.7 [/color][color=#333333]评价指标[/color][/b][color=#333333] [/color][color=#333333]回归模型得到的样本的预测值不是整数，需要设置阈值以判断样本的归属。本文中阈值设置为 0.5 ，预测值小数点大于或等于0.5则加1归整，小于0.5则减1归整。总体识别精度是指正确识别的个数除以总数，正品皮识别精度是指正品皮正确识别的个数除以正品皮的总数，正品皮识别错误率指数被错误分为正品皮的个数除以正品皮的总数。[/color][b][color=#333333]2 [/color][color=#333333]结果与分析[/color][color=#333333]2.1 [/color][color=#333333]化橘红不同成分的原始光谱曲线[/color][/b][color=#333333] [/color][color=#333333]本试验采用V10E 相机获取400-1000 nm波长范围共520个波段的可见/[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]数据，N25E-SWIR相机获取1000-2500 nm波长范围共288个波段的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]数据，正品皮、伪品皮、正品果、伪品果的光谱比较图如图2所示。[/color][color=#333333] [/color][color=#333333]从图1可以看到，总体而言，无论是400-1000 nm或1000-2500 nm波长范围内，正品皮的光谱反射率值低于其他三种成分的光谱曲线，从曲线变化趋势来看四种不同成分并没有十分明显的差异。本研究按照Kennard-Stone 算法将样本分成建模集和预测集，其中建模集 38 个样本，预测集32个样本。正品皮、伪品皮、正品果、伪品果分别赋值为 1、2、3、4（表1），不同化橘红成分建模集和预测集样本的划分如表1所示。[/color][align=center][img=,32,32]https://bbs.instrument.com.cn/xheditor/xheditor_skin/blank.gif[/img][img=,690,316]https://ng1.17img.cn/bbsfiles/images/2019/10/201910301716490687_6323_488_3.png!w690x316.jpg[/img][/align][align=center][color=#333333]图2化橘红不同成分反射光谱曲线图[/color][/align][align=center][color=#333333]表1 化橘红不同成分类别赋值与建模集合检验集样本划分[/color][/align] [table=568][tr][td] [align=center] [/align] [/td][td] [align=center]正品皮[/align] [/td][td] [align=center]伪品皮[/align] [/td][td] [align=center]正品果[/align] [/td][td] [align=center]伪品果[/align] [/td][/tr][tr][td] [align=center]类别赋值[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2[/align] [/td][td] [align=center]3[/align] [/td][td] [align=center]4[/align] [/td][/tr][tr][td] [align=center]建模集[/align] [/td][td] [align=center]22[/align] [/td][td] [align=center]4[/align] [/td][td] [align=center]5[/align] [/td][td] [align=center]7[/align] [/td][/tr][tr][td] [align=center]检验集[/align] [/td][td] [align=center]20[/align] [/td][td] [align=center]3[/align] [/td][td] [align=center]5[/align] [/td][td] [align=center]4[/align] [/td][/tr][/table][b][color=#333333] [/color][color=#333333]2.2 [/color][color=#333333]化橘红鉴别算法分析[/color][/b][color=#333333] [/color][color=#333333]综合表2、表3和表4，对比光谱指数模型，PLS-DA模型，和 ELM 模型的识别效果可知，无论是光谱指数模型，PLS-DA模型或ELM 模型，基于1000-2500nm范围内构建的模型，其预测值的总体识别率、正品皮识别率均高于400-1000nm范围内的模型，且正品皮的识别错误率也低于400-1000nm范围内的模型。在光谱指数模型、PLS-DA 模型和 ELM 模型的模型中，ELM模型的识别准确性最高，其次是PLS-DA模型，最后是光谱指数模型。基于特征波段光谱的PLS-DA模型其识别准确性低于基于全波段光谱的PLS-DA的模型，但是基于特征波段光谱的ELM模型在400-1000 nm范围内，其识别准确性高于基于全波段光谱的ELM模型，在1000-2500nm范围内，其识别准确性与基于全波段光谱的ELM模型相同。图3为利用ELM模型在400-1000nm和1000-2500nm光谱范围内，基于特征波长和全波段检验集的实测值与预测值的赋予值。[/color][align=center][color=#333333]表2基于光谱指数模型检验化橘红样本的精度评价[/color][/align][align=center][img=,690,200]https://ng1.17img.cn/bbsfiles/images/2019/10/201910301718080089_2220_488_3.png!w690x200.jpg[/img][/align][align=center][color=#333333]表3基于PLS-DA模型检验化橘红样本的精度评价[/color][/align][align=center][img=,690,240]https://ng1.17img.cn/bbsfiles/images/2019/10/201910301718171948_4107_488_3.png!w690x240.jpg[/img][/align][align=center][color=#333333]表4 基于ELM模型检验化橘红样本的精度评价[/color][/align][align=center][img=,690,200]https://ng1.17img.cn/bbsfiles/images/2019/10/201910301718314357_9332_488_3.png!w690x200.jpg[/img][/align][align=center][img=,690,662]https://ng1.17img.cn/bbsfiles/images/2019/10/201910301718433557_9929_488_3.png!w690x662.jpg[/img][/align][align=center][color=#333333]图3 基于400-1000和1000-2500nm的ELM模型预测结果[/color][/align][b][color=#333333]3 [/color][color=#333333]结论与讨论[/color][/b][color=#333333] [/color][color=#333333]本研究分别基于V10E与N25E-SWIR两款成像高光谱相机在400-1000nm、1000-2500nm波段分别获取四种化橘红样品的高光谱反射率，采用 SG 平滑算法对提取出的光谱数据进行去噪处理，同时采用 SPA 算法对去噪后的光谱提取特征波长，并分别基于全波段光谱、特征波段光谱建立 PLS-DA 判别模型和 ELM 模型，同时采用全波段循环，探寻最佳的NDVI、DVI两个光谱指数构建判别模型，用于鉴别正品皮、正品果、伪品皮、伪品果，取得了比较好的识别效果。基于特征波段光谱与全波段光谱建立的 ELM 模型取得了最佳效果，总体识别精度、正品皮识别精度、正品皮识别错误率分别为84%、95%和5%。在实际运用中，考虑到识别时间与成分，基于SPA算法提取的特征波段构建的ELM模型效果最佳。本论文研究结果为高光谱成像技术在药品真伪等鉴别检测中的应用提供了可行性。（本文已在中文核心期刊《时珍国医国药》沈小钟,黄宇,苏薇薇,陈兴海,崔穗旭.基于高光谱图像的化橘红快速鉴别研究.时珍国医国药,2019,30(06):1391-1396.）[/color]

[color=#333333]高光谱遥感具有光谱分辨率高、波段范围窄、图谱合一、连续成像等特点，能够区分出地物光谱的细微差别，探测到其他宽波段遥感无法探测的信息。因此，高光谱遥感在生态、大气、海洋、农业、林业、矿业等诸多应用领域具有非常大的优势。近年来随着成像光谱仪硬件技术不断发展，成像光谱仪的体积越来越小、重量越来越轻、成本越来越低，因而利用成像光谱仪获取高光谱影像更为方便、快捷。随着无人机技术的日益成熟，基于无人机平台的新型遥感技术异军突起，得到科研工作者的青睐，从而将成像光谱仪与无人机高度集成获取地物无人机成像高光谱影像成为新的研究热点。[/color][color=#333333] [/color][color=#333333]然而由于无人机航拍受飞行高度，相机本身参数的影响，单张无人机影像所覆盖的区域面积不大，需要对多张影像进行拼接，才能有效地覆盖研究区域。无人机载高光谱影像图幅较小，为每幅影像单独添加控制点信息工作量大、耗时长，而对影像统一添加控制点信息将大大缩短工作时间，提高工作效率。近年来，学者们对无人机影像数据的拼接做了很多研究，主要方法有基于姿态参数（POS数据）的拼接、基于非特征的拼接和基于特征的拼接等，其中无人机影像的拼接大部分是针对RGB图像或者多波段图像，而针对无人机高光谱影像的拼接方法较少，特别是对于无人机高光谱内置推扫获取的高光谱影像数据，目前还没有研究者对其拼接方法进行研究。[/color][color=#333333] [/color][color=#333333]鉴于目前对无人机高光谱影像数据拼接技术存在的不足之处，本文旨在研究一种低空无人机载高光谱影像自动拼接方法，其具有易于实现、拼接精度高、光谱畸变小等优点，可实现无地面控制点的无人机载高光谱影像的自动拼接，以解决当前单幅无人机载高光谱遥感影像图幅过小的问题。[/color][b][color=#333333]1 [/color][color=#333333]仪器设备与数据处理流程[/color][color=#333333]1.1 [/color][color=#333333]数据采集设备[/color][/b][color=#333333] [/color][color=#333333]本次试验地点在北京市大兴区南六环外黄村镇李村，无人机采用大疆无人机M600 Pro，在无人机平台上搭载的自主研发的高光谱成像仪GaiaSky-mini。无人机高光谱影像获取时间为2017年11月8日下午的12:00-14:00，天气为晴，无人机飞行高度为400米，采用的是2*4 binning方式获取高光谱影像（2是空间维的，4是光谱维），高光谱影像的空间分辨率约为20cm，此次飞行共获取24景高光谱影像数据，每景高光谱影像数据代表的地面幅宽约为190米*190米，面积约为36100平方米，其中每景高光谱影像数据之间的横向重叠率为50%，纵向重叠率为40%。[/color][b][color=#333333]1.2 [/color][color=#333333]数据的预处理与分析[/color][/b][color=#333333] [/color][color=#333333]无人机高光谱影像的预处理在SpecView软件中进行，包括镜像变换、黑白帧校准、大气校正。[/color][b][color=#333333]1.3 [/color][color=#333333]无人机高光谱影像拼接流程[/color][/b][color=#333333] [/color][color=#333333]对消除大气、水汽等因素影响的高光谱影像计算其波段信噪比，根据其信噪比的峰值筛选出特征波段，然后基于SIFT算法对选出的特征波段提取特征点并对特征点进行匹配，图像拼接过程中利用经纬度信息及墨卡托投影（Mercator）纠正图像的变形，同时利用重投影空三（Reproj）算法细化高光谱相机参数。在高光谱影像拼接之前选择是否对拼接图像进行匀色，最后得到拼接好的高光谱影像数据。[/color][b][color=#333333]1.4 [/color][color=#333333]高光谱影像拼接效果检验[/color][/b][color=#333333] [/color][color=#333333]为了准确地验证高光谱影像拼接结果的有效性，提取了拼接结果重叠区域和非拼接图像相同经纬度的8个采样点的光谱反射率，利用光谱角填图（SAM）、波谱特征拟合分类法（SFF）及二进制编码（BE）对拼接前后、是否匀色的光谱曲线进行匹配与相似性计算，得到一个0-1的匹配度分值，结果总分值越高，则相似性越好。[/color][b][color=#333333]2 [/color][color=#333333]高光谱影像拼接结果分析[/color][color=#333333]2.1 [/color][color=#333333]高光谱拼接图分析[/color][color=#333333] [/color][/b][color=#333333]以高光谱拼接图像的任意三波段作为RGB（R:red,G:green, B:blue）伪彩色合成图为例，从图1可知，从总体上看，对图像特征点明显的区域，是否选择匀色对高光谱影像的拼接无显著差异。但在特征点不显著区域则图像显示差异较大，如图2可知，对拼接图像是否采用匀色对高光谱影像的“图”有较为显著的差异，显然在采用匀色对拼接结果的“图”效果更好，而匀色是否对高光谱影像的“光谱”有较大的影响，则需要进一步的分析验证。[/color][align=center][color=#333333] [/color][img=,32,32]https://bbs.instrument.com.cn/xheditor/xheditor_skin/blank.gif[/img][img=,491,317]https://ng1.17img.cn/bbsfiles/images/2019/10/201910301711364656_1384_488_3.png!w491x317.jpg[/img][/align][align=center][color=#333333]图1 高光谱影像拼接前后效果图（以RGB伪彩色为例）[/color][/align][align=center][img=,404,223]https://ng1.17img.cn/bbsfiles/images/2019/10/201910301711509831_6894_488_3.png!w404x223.jpg[/img][/align][align=center][color=#333333]图2 高光谱影像重叠区域拼接匀色与否对比[/color][/align][b][color=#333333]2.2 [/color][color=#333333]高光谱影像拼接光谱分析[/color][/b][color=#333333] [/color][color=#333333]为了进一步验证高光谱影像拼接结果的有效性，本文提取了拼接结果重叠区域中典型地物（如植被、土壤、房屋等）的8个采样点的光谱反射率及拼接前2景图像对应位置的光谱反射率进行对比分析，这8个采样点的光谱反射率曲线如图3所示。图3中第一条光谱和第二条光谱代表的是拼接前2景图像重叠区相同位置的光谱反射率，未匀色和匀色分别代表的是未匀色和匀色拼接图像相应位置的光谱反射率。从图3可知，反射率较高的地物，其拼接前后的光谱重叠率较高，如第三类和第六类地物；而反射率较低的地物，其拼接前后的光谱差异较大，如第七类地物所示。总体而言拼接前后高光谱图像的光谱反射率曲线相似度非常高，拼接后其光谱反射率曲线保留了未拼接前高光谱图像的反射率曲线的大部分信息。[/color][align=center][img=,467,450]https://ng1.17img.cn/bbsfiles/images/2019/10/201910301712198573_4784_488_3.png!w467x450.jpg[/img][/align][align=center][img=,32,32]https://bbs.instrument.com.cn/xheditor/xheditor_skin/blank.gif[/img][img=,470,450]https://ng1.17img.cn/bbsfiles/images/2019/10/201910301712340082_5650_488_3.png!w470x450.jpg[/img][/align][align=center][color=#333333]图3 8个采样点拼接前光谱曲线与拼接后光谱曲线对比分析[/color][/align][b][color=#333333]2.3 [/color][color=#333333]高光谱影像拼接前后光谱匹配度分析[/color][/b][color=#333333] [/color][color=#333333]在高光谱影像的实际应用中不仅注重空间信息更加注重其光谱信息，因此为了更为准确地验证拼接方法的有效性，分别选用光谱角填图（SAM）、波谱特征拟合分类法（SFF）及二进制编码（BE）对拼接前后、是否匀色的光谱曲线进行匹配与相似性计算，得到一个0-1的匹配度分值， SAM、SFF和BE三者总分值越高，则相似性越好，具体计算结果如表1所示。[/color][color=#333333] [/color][color=#333333]从表1可以看出，在SAM方面，在8个采样点中，未匀色拼接结果图像的匹配度最小值为0.959，最大值为1，匀色拼接结果图像的匹配度最小值为0.958，最大值为0.995；在SFF方面，在8个采样点中，未匀色拼接结果图像的匹配度最小值为0.881，最大值为0.999，匀色拼接结果图像的匹配度最小值为0.807，最大值为0.995；在BE方面，在8个采样点中，未匀色拼接结果图像的匹配度最小值为0.942，最大值为1，匀色拼接结果图像的匹配度最小值为0.883，最大值为1；在SAM、SFF和BE三者总分值方面，在8个采样点中，未匀色拼接结果图像的匹配度最小值为2.826，最大值为2.999，匀色拼接结果图像的匹配度最小值为2.801，最大值为2.985，因此是否对高光谱图像的拼接结果采用匀色处理，对其光谱并无太大影响。[/color][color=#333333] [/color][color=#333333]不同采样点之间，当利用第一条光谱作为基准对其他光谱曲线进行匹配分析时，得出的匹配结果与利用第二条光谱作为基准对其他光谱曲线进行匹配分析时不一样，这是因为两景图像虽然有着重叠区域，但是受空间分辨率的影响，并不能保证存在重叠区的高光谱图像，其相应像素代表的地面物体完全相同，因此光谱曲线存在差异是正常的。为减少两景图像重叠区相同像素光谱的差异性，在选择采样点时尽量选择周边较为均一的地物。[/color][align=center][color=#333333]表1　影像拼接前后其光谱相似度评价[/color][/align] [table=327][tr][td=1,10] [align=center]采样点1[/align] [/td][td=1,2] [align=center][b] [/b][/align] [/td][td=4,1] [align=center]光谱匹配度鉴定结果[/align] [/td][/tr][tr][td]SAM[/td][td]SFF[/td][td]BE[/td][td]总分[/td][/tr][tr][td=5,1] [align=center]第一条光谱[/align] [/td][/tr][tr][td] [align=center]第二条光谱[/align] [/td][td] [align=center]0.965[/align] [/td][td] [align=center]0.883[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.848[/align] [/td][/tr][tr][td] [align=center]未平滑[/align] [/td][td] [align=center]0.959[/align] [/td][td] [align=center]0.901[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.859[/align] [/td][/tr][tr][td] [align=center]平滑[/align] [/td][td] [align=center]0.958[/align] [/td][td] [align=center]0.897[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.856[/align] [/td][/tr][tr][td=5,1] [align=center]第二条光谱[/align] [/td][/tr][tr][td] [align=center]第一条光谱[/align] [/td][td] [align=center]0.965[/align] [/td][td] [align=center]0.889[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.854[/align] [/td][/tr][tr][td] [align=center]未平滑[/align] [/td][td] [align=center]0.971[/align] [/td][td] [align=center]0.881[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.853[/align] [/td][/tr][tr][td] [align=center]平滑[/align] [/td][td] [align=center]0.973[/align] [/td][td] [align=center]0.872[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.845[/align] [/td][/tr][tr][td=1,8] 采样点2[/td][td=5,1] [align=center]第一条光谱[/align] [/td][/tr][tr][td] [align=center]第二条光谱[/align] [/td][td] [align=center]0.987[/align] [/td][td] [align=center]0.951[/align] [/td][td] [align=center]0.994[/align] [/td][td] [align=center]2.933[/align] [/td][/tr][tr][td] [align=center]未平滑[/align] [/td][td] [align=center]0.983[/align] [/td][td] [align=center]0.955[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.938[/align] [/td][/tr][tr][td] [align=center]平滑[/align] [/td][td] [align=center]0.983[/align] [/td][td] [align=center]0.949[/align] [/td][td] [align=center]0.994[/align] [/td][td] [align=center]2.927[/align] [/td][/tr][tr][td=5,1] [align=center]第二条光谱[/align] [/td][/tr][tr][td] [align=center]第一条光谱[/align] [/td][td] [align=center]0.996[/align] [/td][td] [align=center]0.993[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.989[/align] [/td][/tr][tr][td] [align=center]未平滑[/align] [/td][td] [align=center]0.987[/align] [/td][td] [align=center]0.930[/align] [/td][td] [align=center]0.994[/align] [/td][td] [align=center]2.911[/align] [/td][/tr][tr][td] [align=center]平滑[/align] [/td][td] [align=center]0.970[/align] [/td][td] [align=center]0.880[/align] [/td][td] [align=center]0.994[/align] [/td][td] [align=center]2.845[/align] [/td][/tr][tr][td=1,8] 采样点3[/td][td=5,1] [align=center]第一条光谱[/align] [/td][/tr][tr][td] [align=center]第二条光谱[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]0.999[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.999[/align] [/td][/tr][tr][td] [align=center]未平滑[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]0.999[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.999[/align] [/td][/tr][tr][td] [align=center]平滑[/align] [/td][td] [align=center]0.995[/align] [/td][td] [align=center]0.995[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.985[/align] [/td][/tr][tr][td=5,1] [align=center]第二条光谱[/align] [/td][/tr][tr][td] [align=center]第一条光谱[/align] [/td][td] [align=center]0.995[/align] [/td][td] [align=center]0.990[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.985[/align] [/td][/tr][tr][td] [align=center]未平滑[/align] [/td][td] [align=center]0.995[/align] [/td][td] [align=center]0.990[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.985[/align] [/td][/tr][tr][td] [align=center]平滑[/align] [/td][td] [align=center]0.995[/align] [/td][td] [align=center]0.990[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.985[/align] [/td][/tr][tr][td=1,8] 采样点4[/td][td=5,1] [align=center]第一条光谱[/align] [/td][/tr][tr][td] [align=center]第二条光谱[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]0.999[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.999[/align] [/td][/tr][tr][td] [align=center]未平滑[/align] [/td][td] [align=center]0.978[/align] [/td][td] [align=center]0.881[/align] [/td][td] [align=center]0.989[/align] [/td][td] [align=center]2.848[/align] [/td][/tr][tr][td] [align=center]平滑[/align] [/td][td] [align=center]0.968[/align] [/td][td] [align=center]0.882[/align] [/td][td] [align=center]0.972[/align] [/td][td] [align=center]2.821[/align] [/td][/tr][tr][td=5,1] [align=center]第二条光谱[/align] [/td][/tr][tr][td] [align=center]第一条光谱[/align] [/td][td] [align=center]0.968[/align] [/td][td] [align=center]0.886[/align] [/td][td] [align=center]0.972[/align] [/td][td] [align=center]2.826[/align] [/td][/tr][tr][td] [align=center]未平滑[/align] [/td][td] [align=center]0.968[/align] [/td][td] [align=center]0.886[/align] [/td][td] [align=center]0.972[/align] [/td][td] [align=center]2.826[/align] [/td][/tr][tr][td] [align=center]平滑[/align] [/td][td] [align=center]0.981[/align] [/td][td] [align=center]0.837[/align] [/td][td] [align=center]0.983[/align] [/td][td] [align=center]2.801[/align] [/td][/tr][tr][td=1,8] 采样点5[/td][td=5,1] [align=center]第一条光谱[/align] [/td][/tr][tr][td] [align=center]第二条光谱[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]0.996[/align] [/td][td] [align=center]0.972[/align] [/td][td] [align=center]2.968[/align] [/td][/tr][tr][td] [align=center]未平滑[/align] [/td][td] [align=center]0.994[/align] [/td][td] [align=center]0.991[/align] [/td][td] [align=center]0.942[/align] [/td][td] [align=center]2.927[/align] [/td][/tr][tr][td] [align=center]平滑[/align] [/td][td] [align=center]0.994[/align] [/td][td] [align=center]0.981[/align] [/td][td] [align=center]0.883[/align] [/td][td] [align=center]2.859[/align] [/td][/tr][tr][td=5,1] [align=center]第二条光谱[/align] [/td][/tr][tr][td] [align=center]第一条光谱[/align] [/td][td] [align=center]0.991[/align] [/td][td] [align=center]0.931[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.922[/align] [/td][/tr][tr][td] [align=center]未平滑[/align] [/td][td] [align=center]0.985[/align] [/td][td] [align=center]0.903[/align] [/td][td] [align=center]0.994[/align] [/td][td] [align=center]2.882[/align] [/td][/tr][tr][td] [align=center]平滑[/align] [/td][td] [align=center]0.981[/align] [/td][td] [align=center]0.890[/align] [/td][td] [align=center]0.994[/align] [/td][td] [align=center]2.866[/align] [/td][/tr][tr][td=1,8] 采样点6[/td][td=5,1] [align=center]第一条光谱[/align] [/td][/tr][tr][td] [align=center]第二条光谱[/align] [/td][td] [align=center]0.991[/align] [/td][td] [align=center]0.970[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.961[/align] [/td][/tr][tr][td] [align=center]未平滑[/align] [/td][td] [align=center]0.991[/align] [/td][td] [align=center]0.970[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.960[/align] [/td][/tr][tr][td] [align=center]平滑[/align] [/td][td] [align=center]0.978[/align] [/td][td] [align=center]0.927[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.905[/align] [/td][/tr][tr][td=5,1] [align=center]第二条光谱[/align] [/td][/tr][tr][td] [align=center]第一条光谱[/align] [/td][td] [align=center]0.991[/align] [/td][td] [align=center]0.971[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.961[/align] [/td][/tr][tr][td] [align=center]未平滑[/align] [/td][td] [align=center]0.987[/align] [/td][td] [align=center]0.956[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.944[/align] [/td][/tr][tr][td] [align=center]平滑[/align] [/td][td] [align=center]0.982[/align] [/td][td] [align=center]0.942[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.923[/align] [/td][/tr][tr][td=1,8] 采样点7[/td][td=5,1] [align=center]第一条光谱[/align] [/td][/tr][tr][td] [align=center]第二条光谱[/align] [/td][td] [align=center]0.979[/align] [/td][td] [align=center]0.940[/align] [/td][td] [align=center]0.977[/align] [/td][td] [align=center]2.896[/align] [/td][/tr][tr][td] [align=center]未平滑[/align] [/td][td] [align=center]0.994[/align] [/td][td] [align=center]0.981[/align] [/td][td] [align=center]0.994[/align] [/td][td] [align=center]2.970[/align] [/td][/tr][tr][td] [align=center]平滑[/align] [/td][td] [align=center]0.990[/align] [/td][td] [align=center]0.969[/align] [/td][td] [align=center]0.994[/align] [/td][td] [align=center]2.954[/align] [/td][/tr][tr][td=5,1] [align=center]第二条光谱[/align] [/td][/tr][tr][td] [align=center]第一条光谱[/align] [/td][td] [align=center]0.979[/align] [/td][td] [align=center]0.936[/align] [/td][td] [align=center]0.977[/align] [/td][td] [align=center]2.892[/align] [/td][/tr][tr][td] [align=center]未平滑[/align] [/td][td] [align=center]0.989[/align] [/td][td] [align=center]0.968[/align] [/td][td] [align=center]0.983[/align] [/td][td] [align=center]2.940[/align] [/td][/tr][tr][td] [align=center]平滑[/align] [/td][td] [align=center]0.985[/align] [/td][td] [align=center]0.955[/align] [/td][td] [align=center]0.983[/align] [/td][td] [align=center]2.923[/align] [/td][/tr][tr][td=1,8] 采样点8[/td][td=5,1] [align=center]第一条光谱[/align] [/td][/tr][tr][td] [align=center]第二条光谱[/align] [/td][td] [align=center]0.990[/align] [/td][td] [align=center]0.930[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.920[/align] [/td][/tr][tr][td] [align=center]未平滑[/align] [/td][td] [align=center]0.985[/align] [/td][td] [align=center]0.910[/align] [/td][td] [align=center]0.983[/align] [/td][td] [align=center]2.877[/align] [/td][/tr][tr][td] [align=center]平滑[/align] [/td][td] [align=center]0.981[/align] [/td][td] [align=center]0.899[/align] [/td][td] [align=center]0.983[/align] [/td][td] [align=center]2.863[/align] [/td][/tr][tr][td=5,1] [align=center]第二条光谱[/align] [/td][/tr][tr][td] [align=center]第一条光谱[/align] [/td][td] [align=center]0.996[/align] [/td][td] [align=center]0.974[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2.970[/align] [/td][/tr][tr][td] [align=center]未平滑[/align] [/td][td] [align=center]0.990[/align] [/td][td] [align=center]0.949[/align] [/td][td] [align=center]0.983[/align] [/td][td] [align=center]2.923[/align] [/td][/tr][tr][td] [align=center]平滑[/align] [/td][td] [align=center]0.981[/align] [/td][td] [align=center]0.889[/align] [/td][td] [align=center]0.983[/align] [/td][td] [align=center]2.853[/align] [img=,32,32]https://bbs.instrument.com.cn/xheditor/xheditor_skin/blank.gif[/img][/td][/tr][/table][b][color=#333333]2.4 [/color][color=#333333]图像拼接效率对比[/color][/b][color=#333333] [/color][color=#333333]为了验证无人机高光谱影像的拼接效率，本文选取了两台笔记本的电脑，分别是Dell7520和ThinkPad T440P对24景、50景、120景、500景无人机高光谱影像进行拼接，如表2所示。研究结果表明，硬件配置较好的DeLL7520拼接效率远远高于硬件配置较差的ThinkPad T440P，在处理24景无人机高光谱影像拼接时，DeLL7520比ThinkPad T440P处理速度快4个小时；在处理50景无人机高光谱影像拼接时，DeLL7520比ThinkPad T440P处理速度快7.7个小时；在处理120景和500景无人机高光谱影像时，ThinkPadT440P处理速度显然更慢，甚至出现笔记本卡死/蓝屏重启，而DELL7520则正常拼接。[/color][align=center][color=#333333]表2 硬件配置及图像拼接效率对比[/color][/align][table=323][tr][td=2,1] 笔记本[/td][td]DELL7520[/td][td]ThinkPad T440P[/td][/tr][tr][td=1,4] 硬盘配置[/td][td]CPU[/td][td]i7-7700HQ[/td][td]I7-4710MQ[/td][/tr][tr][td]内存[/td][td]64GB[/td][td]16GB[/td][/tr][tr][td]硬盘[/td][td]SSD[/td][td]SSD[/td][/tr][tr][td]显卡[/td][td]NVIDIA Quadro M2200，4GB[/td][td]NVIDIA GeForce GT 730M＋Intel GMA HD 4600, 1GB[/td][/tr][tr][td=1,4] 效率对比[/td][td]24景[/td][td]1小时[/td][td]5小时[/td][/tr][tr][td]50景[/td][td]1.8小时[/td][td]9.5小时[/td][/tr][tr][td]120景[/td][td]3.5小时[/td][td]20小时，进程1/3[/td][/tr][tr][td]500景[/td][td]8.5小时[/td][td]笔记本卡死[/td][/tr][/table][b][color=#333333]3 [/color][color=#333333]结论[/color][/b][color=#333333] [/color][color=#333333]本文对消除大气、水汽等因素影响的高光谱影像计算其波段信噪比，并根据其信噪比的峰值筛选出特征波段，利用SIFT算法对选出的特征波段提取特征点并对特征点进行匹配，墨卡托投影（Mercator）纠正图像的变形以及重投影空三（Reproj）算法细化高光谱相机参数的方法对无人机高光谱影像进行自动拼接并对拼接结果进行匀色，同时运用SAM、SFF和BE光谱匹配算法验证了高光谱影像拼接算法的可行性。研究表明本文提出的无人机高光谱影像拼接算法解决了当前单幅无人机载高光谱影像图幅过小的问题，且对无控制点的无人机载内置推扫式的高光谱遥感影像可实现自动拼接，且拼接效果好、精度高、光谱畸变小，研究结果为其他无人机载高光谱遥感影像的自动拼接提供借鉴，同时无人机高光谱影像的拼接结果可应用于大范围的高光谱遥感影像分类与识别、土地利用/覆盖分类、精细农业、环保、矿产矿物勘测等多种领域中。[/color][b][color=red]本文参考文献[/color][/b][color=#333333]：黄宇,陈兴海,刘业林,等.无人机高光谱内置推扫影像快速拼接方法.测绘地理信息,2019,44(05):24-28.[/color]