高光譜技術(shù)典型應用案例

高光譜成像技術(shù)在水果分選的應用案例

隨著我國農(nóng)產(chǎn)品加工業(yè)的發(fā)展和農(nóng)業(yè)現(xiàn)代化進程的加快,使得農(nóng)產(chǎn)品品質(zhì)檢測和分技術(shù)顯得更加重要，迫切性日益增加，水果的內(nèi)部品質(zhì)表示水果內(nèi)部的生理、化學和物理性質(zhì)，高光譜成像系統(tǒng)目已經(jīng)開始應用于水果分選，反映水果品質(zhì)光譜信息主要集中在650-950nm之間，水果的糖分含量是決定光譜品質(zhì)的重要因素，糖分光譜特征主要在700nm-820nm的吸收以及750nm附近800-900nm的峰值等。

高光譜成像系統(tǒng)水果分選利用工業(yè)域的傳送帶作為高光譜相機的推掃成像機構(gòu)，高光譜相機利用龍門架結(jié)構(gòu)架設在傳送帶上方，配合用線型光源進行照明。系統(tǒng)主要包括高光譜相機及其支架、線型光源、控制模塊、相關(guān)定位傳感器、計算機（運行控制與數(shù)據(jù)采集軟件）等組成。
高光譜成像技術(shù)在血液氧含量檢測的應用案例

2015年發(fā)表的論文“Hyperspectral optical tomography of intrinsic signals in the rat cortex”一文中，研究人員研究了大鼠大腦皮層的高光譜成像，研究者發(fā)現(xiàn)有氧血紅蛋白和脫氧血紅蛋白分別在529nm和630nm處有敏感變化。鑒于高光譜技術(shù)數(shù)據(jù)算法的靈活多邊性，作者開發(fā)了一種新的高光譜算法DOT，用于方便快捷的判斷血液中結(jié)合氧含量。
高光譜成像技術(shù)在光合作用研究的應用案例

2017年發(fā)表的“Kleplast photosynthesis is nutritionally relevant in the sea slug Elysia viridis”一文中，研究了海蛞蝓的“光合作用”，海蛞蝓以大型藻類為食，并將葉綠體滲入其腎小管細胞中，研究者利用高光譜成像對海蛞蝓體內(nèi)的葉綠體的豐度、分布和光合作用機制進行了研究，發(fā)現(xiàn)黑暗饑餓24天的海蛞蝓體內(nèi)的葉綠體明顯變少，可見，在其惡劣的環(huán)境中，海蛞蝓體內(nèi)的葉綠體可進行分解，以滿足其能量需求。

高光譜成像技術(shù)在生物醫(yī)學的應用案例

2012年發(fā)表的論文“Hyperspectral imaging and spectral-spatial classification for cancer detection”，文中提出高光譜成像是一種用于生物醫(yī)學應用的新興技術(shù)。本研究提出了一種*的圖像處理和分類方法，用于分析列腺癌檢測的高光譜圖像數(shù)據(jù)。開發(fā)了小二乘支持向量機（LS-SVM）并對其進行了評估以對高光譜數(shù)據(jù)進行分類，以增強對癌組織的檢測。該方法用于檢測荷瘤小鼠的列腺癌。創(chuàng)建空間分辨圖像以突出癌癥的反射特性與正常組織的反射特性的差異。小鼠的初步結(jié)果表明，高光譜成像和分類方法能夠可靠地檢測動物模型中的列腺腫瘤。高光譜成像技術(shù)可以為癌癥的光學診斷提供新工具。

Houzhu Dingd等（2015）、Michael S. Chin等（2015）本別以豬和裸鼠作為實驗動物，對燒傷分和恢復進行了高光譜成像研究。左圖為根據(jù)高光譜成像分析得出的燒傷區(qū)域氧飽和分布與血紅蛋白分布，T00、T01、T04、T24分別為燒傷0時、1小時、4小時、24小時后；右圖上圖為裸鼠燒傷皮膚彩色成像，中圖為高光譜成像分析的氧合血紅蛋白成像，下圖為組織切片，高光譜成像可以將燒傷深度進行非損傷、非接觸、高通量分。
高光譜成像技術(shù)在生物分類的應用案例

2013年發(fā)表的“Non-Invasive Measurement of Frog Skin Reflectivity in High Spatial Resolution Using a Dual Hyperspectral Approach”一文中，研究者采用了由兩個推掃式高光譜成像系統(tǒng)組成的雙攝像機設置，其產(chǎn)生400和2500nm之間的反射圖像，分析了三種樹棲青蛙的光譜反射率。3中樹蛙都呈現(xiàn)出肉眼可見的綠色，但物種之間的光譜反射率在700和1100nm之間顯著不同，依次可以區(qū)分不同種類。

高光譜成像技術(shù)在文物考古的應用案例

自1974年兵馬俑被發(fā)現(xiàn)以來，一直為全關(guān)注，被法國統(tǒng)希拉克譽為“第八大奇跡”。但是，包括兵馬俑在內(nèi)的這些埋于地下兩千多年的珍貴文物，突然暴露在空氣中，易發(fā)生變化，其修復和保護工作為困難。高光譜成像技術(shù)通過非接觸直接獲取兵馬俑的圖像光譜信息，通過分析兵馬俑的圖像及光譜信息，可了解兵馬俑被病害侵蝕程度以及兵馬俑制造的顏料，*后根據(jù)分析結(jié)果對其進行模擬修復。

高光譜成像技術(shù)在作物的精細分類和識別到應用案例

高光譜數(shù)據(jù)能區(qū)分作物更細微的光譜差異，探測作物在更窄波譜范圍內(nèi)的變化，從而能夠準確地對作物進行詳細分類與信息提取。目流行、應用廣的高光譜作物分類方法有光譜角分類（SAM）、決策樹分層分類等。

中科遙感所熊楨基于高光譜影像對常州水稻生長期進行監(jiān)測，利用混合決策樹法對水稻的品種進行了高光譜圖像的精細分類，包括6個水稻品種的劃分，分類精度達到 94.9%。張兵充分考慮自然界地物分布的一般性規(guī)律，針對高光譜遙感海量數(shù)據(jù)的特征，利用光譜特征優(yōu)化的家決策分類方法，用高光譜影像對日本南牧農(nóng)作物進行精細分類。結(jié)果表明，這種分類模式一方面可以提高像元分類精度，另一方面也大大減少了分類結(jié)果圖像上的誤判噪聲。
高光譜成像技術(shù)在谷物檢測的應用案例

我國是上大的糧食生產(chǎn)國，谷物類包含水稻、小麥、玉米、花生等。通過高光譜成像技術(shù)對大米急性檢測，檢測質(zhì)量及種類，得到大米高光譜圖像，以主成分分析方式，對圖像中的數(shù)據(jù)降維處理，提取堊白度及形狀特點，以PCA、BPNN建立谷物識別模型，發(fā)現(xiàn)采用BPNN模型效果較為理想，其準確率達到89.91%，而PCA準確率為89.18%，兩者相差不大。BPNN和數(shù)據(jù)融合結(jié)合，準確率進一步提高，可達到94.45%。因此，采用高光譜成像技術(shù)對谷物進行檢測，對大米種類及質(zhì)量分析具有實用性。

高光譜成像技術(shù)在森林物種識別的應用案例

森林樹種類型識別的主要目的是提取森林樹種的題信息，為劃分森林類型、繪制林相圖和清查森林資源提供基礎(chǔ)和依據(jù)。

目研究多集中在河湖、鹽沼、海岸灘等濕地生境的植被識別及制圖，即群落尺度的區(qū)分。結(jié)合地面調(diào)查來提取不同物種典型的特征光譜曲線。數(shù)據(jù)源采用高光譜成像儀實地測得的數(shù)據(jù)，通過建立光譜信息模型等方法，實現(xiàn)對主要物種、森林類型或具體樹種的識別。有學者借此對植被空間分布制圖、植被變化監(jiān)測進行研究，均取得了與地面數(shù)據(jù)相當好的一致性。（混合決策樹、家決策樹法常用于農(nóng)作物的精細分類，高光譜更多應用于草原生物量估算、農(nóng)作物理化信息提取等方面。