基于高光谱成像技术的种子霉发、芽变识别分析报告（二）
基于高光谱成像技术的种子霉发、芽变识别分析报告（二）
二、基于高光谱成像技术的种子霉发、芽变识别分析报告数据分析：
本文以四川粮食所提供的正常种子、霉发种子、芽变为研究对象，利用四川双利合谱科技有限公司的高光谱成像仪Gaia Field（光谱范围400 nm - 1000 nm）采集测试对象的高光谱数据。
对成像高光谱仪拍摄的原始影像数据进行数据的预处理，预处理过程主要包括两部分。**部分是辐射定标；**部分为噪声去除。
首先进行辐射定标。辐射定标的计算公式如1所示。
(1)
其中，Reftarget为目标物的反射率，Refpanel为标准参考板的反射率，DNtarget为原始影像中目标物的的数值，DNpanel为原始影像中标准参考板的数值，DNdark为成像光谱仪系统误差。
基于高光谱成像技术的种子霉发、芽变识别分析报告（二）
其次是噪声去除，本文运用国外较为常用的*小噪声分离方法(Minimum Noise Fraction Rotation， MNF)进行噪声去除。*小噪声分离工具用于判定图像数据内在的维数（即波段数），分离数据中的噪声，减少随后处理中的计算需求量。MNF本质上是两次层叠的主成分变换。**次变换（基于估计的噪声协方差矩阵）用于分离和重新调节数据中的噪声，这步操作使变换后的噪声数据只有*小的方差且没有波段间的相关。**步是对噪声白化数据（Noise-whitened）的标准主成分变换。为了进一步进行波谱处理，通过检查*终特征值和相关图像来判定数据的内在维数。数据空间可被分为两部分：一部分与较大特征值和相对应的特征图像相关，其余部分与近似相同的特征值以及噪声占主导地位的图像相关。由于此次采集的高光谱影像没有白板校正，因此数据预处理的**步辐射定标没有进行分析处理，直接作MNF降噪分析。图7为MNF降噪前后的成像高光谱数据中DN值的变化。
图7 MNF变换前(左)后(右)高光谱影像DN值的变化
下图分别为正常种子与霉发种子、芽变种子的光谱反射率值（因本次测试无白板数据，故以背景值作为参考板计算种子的光谱反射率）。从图8和图9可知，不同程度的霉变种子与正常种子的光谱反射率有较大的区别；种子芽变前后期，其光谱反射率也有较大的区别。
基于高光谱成像技术的种子霉发、芽变识别分析报告（二）
图8 正常种子与霉发种子的光谱反射率值
图9 种子芽变初期、后期的光谱反射率变化
利用SpecView软件的Analysis-Animate功能，能快速浏种子各波段图像的灰度变化，结果表明能较为清楚地识别种子霉发、芽变的波段主要集中在红光及红边区域，这与目前国内外的研究结果相同。图10霉发种子、芽变种子在740 nm处的灰度图像，从图像可知，与正常种子相比，霉发种子表现较暗一些；发芽前期的种子比发芽后期的种子表现亮一些。
图10 霉发种子、芽变种子在740 nm处的灰度图像
基于高光谱成像技术的种子霉发、芽变识别分析报告（二）
假彩色合成是将不同波段的影像分别赋予不同的色彩，合成处理的过程。假彩色合成能够增强图像的局部信息，便于用户观察感兴趣区域。本研究将830 nm、730 nm、630 nm赋予红、绿、蓝三种颜色合成影像，如图11所示。从图11可知，假彩色合成影像相对灰度影像而言，更容易识别霉发种子和芽变种子。
图11 霉发种子、芽变种子在的假彩色合成影像
基于高光谱成像技术的种子霉发、芽变识别分析报告（二）
为了更为客观地分析霉发种子、芽变种子，对经预处理后的高光谱数据进行主成分分析（Principal Component Analysis, PCA），去除波段之间的多余信息、将多波段的图像信息压缩到比原波段更有效的少数几个转换波段下。一般情况下，**主成分包含波段中的80%的方差信息，前三个主成分包含了所有波段的中95%以上的信息量。由于各波段之间的不相关，主成分波段可以生成更多颜色、饱和度更好的彩色合成图像。图12为霉发种子、芽变种子高光谱影像PCA的合成彩**。从图12可知，经过PCA变换后，由PCA各主成分合成的彩**像更能识别出正常种子、霉发种子、芽变种子。
图12霉发种子、芽发种子高光谱影像PCA合成图
（左 R：PCA2,G:PCA1，B：PCA3；右 R：PCA1,G:PCA2，B：PCA3）
为了更加形象地分辨芽变种子的芽芯位置，运用*大似然法分类提取发芽种子，并对提取的发芽种子做PCA变换，再用PCA前三个主成分合成假彩**像，如图13所示。从图13可知，提取的芽变种子经主成分变换后发变种子不论是发芽前或发芽后，其芽芯位置均能较为清晰地显示出来。
图13提取芽变种子真彩色合成图与PCA合成图
（左 R：640 nm, G: 550 nm，B：460 nm；右 R：PCA1,G:PCA2，B：PCA3）
