Introducción

Las imágenes hiperespectrales tienen la capacidad de "ver que el ojo humano no puede ver", pero lo que realmente hace que los datos se conviertan en información y que las características sean "excavadas" del ruido es el preprocesamiento espectral y la reducción de dimensión. En este número utilizamos el caso más intuitivo, el kiwi magullado, para mostrarte cómo el espectro original revela gradualmente una estructura tisular clara y características de daño bajo la acción de una serie de métodos de pretratamiento (suavización, snv, msc) y reducción de dimensión (pca, mnf). Con solo unas pocas imágenes se puede ver la gran diferencia entre "antes y después del procesamiento hiperespectral" y se puede entender rápidamente por qué el preprocesamiento es más importante que el propio modelado.

4 preprocesamiento de imágenes espectrales

4.1 pretratamiento espectral

El método de suavización se utiliza principalmente para eliminar el ruido aleatorio de alta frecuencia en el espectro, manteniendo al mismo tiempo la tendencia general y la forma del pico del espectro tanto como sea posible.

(1) media móvil

El promedio móvil es el método de suavización más básico. Suaviza el espectro tomando el promedio del punto actual y sus puntos vecinos. Este método puede suavizar el ruido de alta frecuencia, pero no es sensible a algunos ruidos de espinas afiladas. La fórmula es la siguiente:

Entre ellos, es el tamaño de la ventana en movimiento.

Ejemplo de código python:

(2) suavizado savitzky - Golay

La idea central de la suavización de SG es ajustar polinómica la señal espectral en una ventana deslizante y reemplazar el punto espectral original con el valor ajustado. En comparación con la media móvil simple, el suavizado SG No solo puede eliminar el ruido de alta frecuencia, sino también mantener la forma del pico espectral y las características locales de la señal. La fórmula es la siguiente: en el tamaño de la ventana es de 2mEn las condiciones de + 1, paraiEl suavizado de los puntos espectrales es el siguiente:

Entre ellos, se trata del coeficiente obtenido por el ajuste polinómico, que es el valor original del punto espectral dentro de la ventana.

Ejemplo de código python:

(3) filtro mediano

El filtro mediano reemplaza el valor actual del punto por la mediana dentro de la ventana y es particularmente eficaz para el ruido ocasional de espinas afiladas (burras).

Ejemplo de código python:

(4) transformación normal estándar (snv)

El SNV es un método de normalización que elimina los efectos de dispersión o las diferencias de intensidad entre los espectros mediante la centralización y estandarización de cada espectro y conserva la morfología relativa del espectro. La fórmula es la siguiente:

Entre ellos, se indica la media espectral y la desviación estándar espectral.

Ejemplo de código python:

(5) corrección de dispersión múltiple (msc)

MSC ajusta cada espectro al espectro de referencia (generalmente el espectro medio) a través de una regresión lineal para corregir los efectos de dispersión multiplicativa y aditiva. Este método puede corregir las diferencias de intensidad causadas por la dispersión y conservar las características de forma del espectro. La fórmula es la siguiente:Entre ellos

Entre ellos, el númeroiEl espectro de longitud de onda, el espectro de referencia, suele ser el espectro promedio de todas las muestras, y es el coeficiente de regresión, que es el espectro ajustado.

Ejemplo de código python:

4.2 reducción de dimensión de la imagen espectral

(1) reducción de dimensión del análisis de componentes principales (pca)

En el procesamiento de imágenes hiperespectrales, el PCA es un método común de reducción de dimensión para reducir la redundancia de banda, reducir el ruido y extraer la información espectral principal. Las imágenes hiperespectrales suelen estar representadas por cubos de datos tridimensionales, que contienen dimensiones espaciales y cientos de bandas espectrales. La idea central de la reducción de dimensión de PCA es considerar el vector espectral de cada píxel como un dato de alta dimensión, y obtener el componente principal ordenado por el tamaño de la variación mediante la media cero de todos los datos de píxeles, el cálculo de la matriz de Covarianza y la búsqueda de sus valores propios y vectores propios. La selección de los primeros componentes principales permite mapear los datos hiperespectrales de alta dimensión a baja dimensión, manteniendo la mayor parte de la información espectral. Los datos después de la reducción de dimensión no solo reducen la cantidad de cálculo, sino que también mejoran significativamente la relación señal - ruido, que se puede utilizar para la visualización, clasificación o análisis de clústeres. Por ejemplo, los tres primeros componentes principales se pueden combinar en imágenes de pseudo - color para mostrar intuitivamente la estructura espacial. En general, la reducción de dimensión PCA es un importante método de preprocesamiento en el procesamiento y análisis de imágenes hiperespectrales, que puede comprimir eficazmente los datos, eliminar redundancias y ruido, manteniendo al mismo tiempo las características espectrales.

(2) reducción de la dimensión de la fracción de ruido mínimo (mnf)

En el procesamiento de imágenes hiperespectrales, la reducción de dimensión MNF es un método común de reducción de ruido y compresión de datos, cuya idea central es extraer los principales componentes de señal teniendo en cuenta las características del ruido espectral. La reducción de la dimensión del MNF generalmente se realiza en dos pasos: * un paso, estimar el ruido de los datos hiperespectrales originales y normalizar el ruido de los datos, estandarizando el impacto del ruido; En el segundo paso, se realiza un análisis de componentes principales (pca) en los datos normalizados, extrayendo componentes con gran variación * como señal principal y abandonando los componentes de baja variación dominados por el ruido. A diferencia del PCA tradicional, al considerar primero la estructura de ruido, el MNF hace que los primeros componentes principales después de la reducción de dimensión sean mejores en la relación señal - ruido y destaquen mejor las señales espectrales reales. Los datos después de la reducción de dimensión de MNF no solo reducen la redundancia de banda, sino que también reducen efectivamente el ruido, que es ampliamente utilizado en tareas como la visualización, Clasificación y reconocimiento de objetivos de imágenes hiperespectrales. Debido a que puede lograr tanto la supresión de ruido como la compresión de características, el MNF a menudo se considera un método avanzado de reducción de dimensión para el procesamiento de datos hiperespectrales.

4.4 comparación de casos antes y después

(1) casos de preprocesamiento espectral

Las curvas espectrales procesadas por diferentes métodos de pretratamiento se muestran en la siguiente imagen. En comparación con el espectro original, los métodos de preprocesamiento liso (como savitzky - golay, media móvil y filtro mediano) eliminan principalmente las fluctuaciones de alta frecuencia en la curva espectral, haciendo que la curva espectral sea más suave, manteniendo al mismo tiempo la morfología básica del pico general y la línea de base. El método snv, por su parte, estandarizó la amplitud y el desplazamiento del espectro original, alineando los espectros de las diferentes muestras al mismo nivel, mientras cambiaba ligeramente la altura general de la curva. MSC corrige las diferencias de amplitud y desplazamiento causadas por la dispersión de la luz a través de la regresión lineal, manteniendo tanto las características de pico como eliminando las diferencias de dispersión entre las muestras. Sin embargo, SNV y MSC no eliminaron el ruido de alta frecuencia en el espectro. Los métodos combinados (como SG + SNV o SG + msc) primero suavizan el ruido de alta frecuencia del espectro y luego corrigen la dispersión, teniendo en cuenta el efecto de suavización y corrección de dispersión, para que el espectro sea plano y mantenga las características de pico. Al comparar los espectros antes y después del tratamiento, se puede observar intuitivamente el efecto regulador de cada método sobre el ruido, la dispersión y la línea de base, seleccionando así la estrategia de preprocesamiento adecuada.

(2) casos de reducción de dimensión de imágenes espectrales

Tomando como ejemplo la reducción de dimensión de la imagen espectral del kiwi magullado, la imagen hiperespectral del kiwi Magullado y la imagen gris de una longitud de onda específica se muestran en la siguiente imagen.

Imagen hiperespectral del kiwi magullado e imagen gris de una longitud de onda específica

Después de analizar los datos hiperespectrales del kiwi magullado por PCA y mnf, se encontró que ambos métodos pueden extraer características relacionadas con cambios tisulares en los componentes principales, pero hay diferencias significativas en su rendimiento. El PC1 del PCA caracteriza principalmente la reflectividad general y la distribución de densidad del tejido de pulpa. el PC2 puede resaltar significativamente el aumento de la absorción en el área de moretones y es un peso diagnóstico en el pca. A partir del pc3, el ruido domina y aparecen artefactos de rayas obvias, que ya no son adecuados para un análisis más a fondo. Por el contrario, el MNF inhibe eficazmente el ruido ordenando por la relación señal - ruido, su mnf1 muestra características de fondo tisular estables, el mnf2 puede separar el área central del hematoma con un mayor contraste y límites más claros, y el mnf3 fortalece aún más la estructura marginal del daño, mostrando cambios graduales en la propagación del hematoma. En general, el MNF es significativamente mejor que el PCA en términos de mejora de las características de moretones, supresión de ruido y mantenimiento de detalles tisulares, de los cuales el mnf2 - mnf3 es el componente característico de * valor diagnóstico.

Las imágenes multiespectrales de las muestras de kiwi fueron analizadas por PCA y mnf.

Previsión para el próximo período

En el próximo número presentaremos la clasificación de reconocimiento de imágenes hiperespectrales y la clasificación de supervisión de métodos sobre la clasificación de imágenes hiperespectrales.