基于高光譜成像技術的種子霉發、芽變識別分析報告（二）
二、基于高光譜成像技術的種子霉發、芽變識別分析報告數據分析：
本文以四川糧食所提供的正常種子、霉發種子、芽變為研究對象，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。
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。
基于高光譜成像技術的種子霉發、芽變識別分析報告（二）
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**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
下圖分別為正常種子與霉發種子、芽變種子的光譜反射率值（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和圖9可知，不同程度的霉變種子與正常種子的光譜反射率有較大的區別；種子芽變前后期，其光譜反射率也有較大的區別。
基于高光譜成像技術的種子霉發、芽變識別分析報告（二）
圖8 正常種子與霉發種子的光譜反射率值
圖9 種子芽變初期、后期的光譜反射率變化
利用SpecView軟件的Analysis-Animate功能，能快速瀏種子各波段圖像的灰度變化，結果表明能較為清楚地識別種子霉發、芽變的波段主要集中在紅光及紅邊區域，這與目前國內外的研究結果相同。圖10霉發種子、芽變種子在740 nm處的灰度圖像，從圖像可知，與正常種子相比，霉發種子表現較暗一些；發芽前期的種子比發芽后期的種子表現亮一些。
圖10 霉發種子、芽變種子在740 nm處的灰度圖像
基于高光譜成像技術的種子霉發、芽變識別分析報告（二）
假彩色合成是將不同波段的影像分別賦予不同的色彩，合成處理的過程。假彩色合成能夠增強圖像的局部信息，便于用戶觀察感興趣區域。本研究將830 nm、730 nm、630 nm賦予紅、綠、藍三種顏色合成影像，如圖11所示。從圖11可知，假彩色合成影像相對灰度影像而言，更容易識別霉發種子和芽變種子。
圖11 霉發種子、芽變種子在的假彩色合成影像
基于高光譜成像技術的種子霉發、芽變識別分析報告（二）
為了更為客觀地分析霉發種子、芽變種子，對經預處理后的高光譜數據進行主成分分析（Principal Component Analysis, PCA），去除波段之間的多余信息、將多波段的圖像信息壓縮到比原波段更有效的少數幾個轉換波段下。一般情況下，**主成分包含波段中的80%的方差信息，前三個主成分包含了所有波段的中95%以上的信息量。由于各波段之間的不相關，主成分波段可以生成更多顏色、飽和度更好的彩色合成圖像。圖12為霉發種子、芽變種子高光譜影像PCA的合成彩**。從圖12可知，經過PCA變換后，由PCA各主成分合成的彩**像更能識別出正常種子、霉發種子、芽變種子。
圖12霉發種子、芽發種子高光譜影像PCA合成圖
（左 R：PCA2,G:PCA1，B：PCA3；右 R：PCA1,G:PCA2，B：PCA3）
為了更加形象地分辨芽變種子的芽芯位置，運用*大似然法分類提取發芽種子，并對提取的發芽種子做PCA變換，再用PCA前三個主成分合成假彩**像，如圖13所示。從圖13可知，提取的芽變種子經主成分變換后發變種子不論是發芽前或發芽后，其芽芯位置均能較為清晰地顯示出來。
圖13提取芽變種子真彩色合成圖與PCA合成圖
（左 R：640 nm, G: 550 nm，B：460 nm；右 R：PCA1,G:PCA2，B：PCA3）
