基于成像高光譜技術的作物病害分析報告
一、基于成像高光譜技術的作物病害分析報告測試原理及方法：
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*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。*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
圖3 Gaia Field高光譜成像儀
高光譜儀配置：鏡頭：22mm鍍膜消色差鏡頭；光譜范圍：400nm-1000nm，光譜分辨率: 4nm@435.8nm（@400-1000nm），像面尺寸（光譜x空間）：6.15 x 14.2 mm，相對孔徑：F/2.4，狹縫長度14.2 mm. 內置控制、掃描機構；內置電池；
SpecView軟件：控制完成自動曝光、自動對焦、自動掃描速度匹配；數據處理：黑白、輻射度、均勻性、鏡頭等校準；光譜查看。
GaiaField便攜式高光譜系統是雙利合譜自行研制的超便攜式高光譜成像儀器。它的核心由三部分構成，分別是：多維運動控制器，光譜相機和成像光譜儀。使用此系統進行掃描，在獲得目標影像信息的基礎上，還可以獲得數百甚至上千波段的光譜信息。
GaiaField系統有著輕便靈活，續航能力出色的特點。廣泛適用于，目標識別、偽裝與反偽裝等**領域，地面物體與水體遙測、現代精細農業等生態環境監測領域，以及刑偵、文物保護、生物醫學等領域。
覆蓋可見光與近紅外全波段可提供超過700個光譜通道，可自由選擇GaiaField便攜式高光譜系統采用了高分辨率的成像光譜儀。在可見光波段，光譜分辨率高達3nm，即使在短波紅外波段也能達到10nm。因而全波段內可以獲得超過700個的光譜通道，更多的光譜通道意味著更多的信息，有助于研究人員通過對連續光譜的分析、反演，獲得更多的高價值數據細節。
圖4 高光譜成像儀采集的影像效果圖
獨有的軟硬件功能：
輔助攝像頭功能
通過輔助攝像頭觀察目標拍攝區域
當前狹縫位置指示
選擇自動曝光與自動調焦區域，直觀方便，僅需鼠標即可完成操作。
圖 5 輔助攝像頭觀察目標拍攝區域
自動掃描速度匹配、自動曝光：
自動曝光：根據當前光照環境，進行曝光測試，獲得精準的曝光時間。在得到*佳信噪比的同時，又可避免過度曝光造成數據作廢。同時軟件具有實時過度曝光監視功能。
自動掃描速度匹配：根據當前的曝光時間等參數，進行測試拍攝，得到實時幀速，進而計算出合適的掃描速度。從而避免了掃描圖像的變形（拉伸或壓縮）。
圖 6 采集數據自動曝光、速度匹配
二、基于成像高光譜技術的作物病害分析報告數據分析：
本文以貴州學院提供的作物葉片為研究對象，利用四川雙利合譜科技有限公司的高光譜成像儀Gaia Field（光譜范圍400 nm - 1000 nm）采集測試對象的高光譜數據，以分析作物葉片的病害情況。
對成像高光譜儀拍攝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。**部分是輻射定標；**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。
(1)
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，本文運用國外較為常用的*小噪聲分離方法(Minimum Noise Fraction Rotation， MNF)進行噪聲去除。*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。**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*小的方差且沒有波段間的相關。**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*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��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**步輻射定標沒有進行分析處理，直接作MNF降噪分析。圖7為MNF降噪前后的成像高光譜數據中DN值的變化。
圖7 MNF變換前(左)后(右)高光譜影像DN值的變化
下圖分別為作物綠葉、黃葉、病害葉的光譜反射率值（因本次測試無白板數據，故以背景值作為參考板計算種子的光譜反射率）。從圖8可知，綠色葉片在綠光區域有明顯的反射峰，在紅光區域有明顯的吸收谷，在可見光波段與近紅外波段之間，即大約0.73um附近，反射率急劇上升，形成“紅邊”現象，“綠峰”、“紅谷”、“紅邊”均是綠色植物曲線的*為明顯的三個特征；但黃葉、病害葉均沒有綠色植物該有的這三個特征。
圖8 綠葉、黃葉、病害葉的光譜反射率值
基于成像高光譜技術的作物病害分析報告，利用SpecView軟件的Analysis-Animate功能，能快速瀏高光譜影像各波段的灰度信息變化，本研究通過快速瀏覽病害葉的高光譜影像的各波段灰度信息變化可知，作物葉子的病害位置在紅光區域能較為清楚的分辨出來，這與目前國內外的研究結果相同。圖9為病害作物葉片在680 nm處的灰度圖像，從圖像可知，與正常綠葉葉片相比，葉片受病害區域表現較亮一些；這是因為綠葉在紅光區域有吸收谷，反射率值較低，而受病害葉片在紅光區域無吸收谷，反射率值相對較高，故圖像灰度值表現較亮一些。
圖9 正常綠葉與病害葉在680 nm處的灰度圖像
植被指數主要反映植被在可見光、近紅外波段反射與土壤背景之間差異的指標，各個植被指數在一定條件下能用來定量說明植被的生長狀況。NDVI能反映出植物冠層的背景影響，如土壤、潮濕地面、雪、枯葉、粗超度等，且與植被覆蓋有關。其被定義為兩個通道反射率之差除以它們的和。在植被處于中、低覆蓋度時，NDVI隨覆蓋度的增加而迅速增大，當達到一定覆蓋度后增長緩慢，所以適用于植被早、中期生長階段的動態監測。圖10分別為綠葉與病害葉的NDVI圖，其中用到的近紅外波段是800 nm，紅光波段是680 nm。從圖10可知，在NDVI圖像中，綠葉的灰度值高于病害葉片，相對于單波段圖像而言，NDVI圖像更容易分辨出病害葉片的位置。通常來說，綠葉的NDVI值為0.2-0.8之間。
圖10 正常綠葉與病害葉的NDVI的圖像
在科研研究中，我們需要去除作物葉片的背景信息，即提取作物葉片，常用的提取方法有面向對象分割、監督分類（馬氏距離法、*大似然法、光譜匹配法、神經網絡法、支持向量機等）、非監督分類（K-Means、ISODATA）、決策樹、數學形態學分割等算法。本研究運用數學形態學分割算法提取作物葉片。
基于成像高光譜技術的作物病害分析報告
數學形態學(Mathematical Morphology)誕生于1964年，*初它只是分析幾何形狀和結構的數學方法，是建立在數學基礎上用集合論方法定量描述幾何結構的科學。數學形態學的應用可以簡化圖像數據，保持它們基本的形狀特性，并除去不相干的結構。在對圖像的分析研究過程中，為了辨別和分析目標，人們往往僅對各幅圖像中的某些部分感興趣，需要將這些有關區域分別提取出來即實現圖像的分割，在此基礎上才有可能對目標進一步利用。數學形態學以圖像的形態特征為研究對象，描述圖像的基本特征和基本結構，通常形態學圖像處理表現為一種鄰域運算形式，采用鄰域結構元素的方法，在每個像素位置上鄰域結構元素與二值圖像對應的區域進行特定的邏輯運算，邏輯運算的結果為輸出圖像的相應像素。圖11為作物葉片提取前后的高光譜影像RGB合成圖像。從圖11可知，運用數學形態學分割的方法在沒有去除病害葉區域的情況下能較好地獲取純作物的葉片。
圖11 作物葉片提取前后的圖像（含葉片病害區域）
在科學研究中，作物的營養（如氮素、葉綠素、蛋白質、糖等）監測，通常是針對綠葉信息而言。由于受病蟲害等影響，葉片變黃或枯萎的區域，其營養狀況發生了較大變化。因此，在分析構建作物營養的監測模型時，應去除葉片的受病害區域。本研究在數學形態學分析的基礎上，構建NDVI指數，通過NDVI指數的閾值分割算法，提取作物葉片的綠葉信息，如圖12所示。從圖12可知，利用數學形態學與NDVI指數相結合的辦法，能較好地去除背景、葉片病害區域，從而獲取綠葉部分的信息，為構建作物營養監測模型奠定了基礎。
圖12 作物綠葉提取前后的圖像（去除葉片病害區域）
科學研究表明，歸一化植被指數NDVI能較好地反映作物的生長狀態及其營養是否缺失等。本研究運用近紅外800 nm和紅光680 nm 構建歸一化植被指數以分析提取的作物綠葉生長狀態及營養分布情況，如圖13。從圖13可知，沒有病害感染的作物綠葉，其NDVI較高，說明其生長較好；受病害感染的葉片，其NDVI值較低，雖然表面看起來是綠色的，但是其營養已經缺失，隨著時間的推移，會變黃，甚至枯萎。
圖13 作物綠葉的NDVI分割效果圖
