stringtranslate.com

Гиперспектральная визуализация

Двумерная проекция гиперспектрального куба

Гиперспектральная визуализация собирает и обрабатывает информацию со всего электромагнитного спектра . [1] Целью гиперспектральной визуализации является получение спектра для каждого пикселя изображения сцены с целью поиска объектов, идентификации материалов или обнаружения процессов. [2] [3] Существует три основных типа спектральных изображений. Существуют сканеры с метлой и соответствующие сканеры с метлой (пространственное сканирование), которые считывают изображения с течением времени, сканеры с последовательной полосой (спектральное сканирование), которые получают изображения области на разных длинах волн, и гиперспектральные сканеры моментальных снимков , которые используют смотровую решетку. для создания изображения в одно мгновение.

В то время как человеческий глаз видит цвета видимого света в основном в трех диапазонах (длинные волны — воспринимаются как красные, средние длины волн — воспринимаются как зеленые и короткие волны — воспринимаются как синие), спектральная визуализация делит спектр на множество дополнительных диапазонов. Этот метод разделения изображений на полосы можно расширить за пределы видимого. При гиперспектральной визуализации записанные спектры имеют высокое разрешение по длине волны и охватывают широкий диапазон длин волн. Гиперспектральная визуализация измеряет непрерывные спектральные полосы, в отличие от многоканальной визуализации , которая измеряет разнесенные спектральные полосы. [4]

Инженеры создают гиперспектральные датчики и системы обработки для приложений в астрономии, сельском хозяйстве, молекулярной биологии, биомедицинской визуализации, науках о Земле, физике и наблюдении. Гиперспектральные датчики исследуют объекты, используя обширную часть электромагнитного спектра. Некоторые объекты оставляют уникальные «отпечатки пальцев» в электромагнитном спектре. Эти «отпечатки пальцев», известные как спектральные сигнатуры, позволяют идентифицировать материалы, из которых состоит сканируемый объект. Например, спектральная подпись нефти помогает геологам находить новые нефтяные месторождения . [5]

Датчики

Образно говоря, гиперспектральные датчики собирают информацию в виде набора «изображений». Каждое изображение представляет собой узкий диапазон длин волн электромагнитного спектра, также известный как спектральный диапазон. Эти «изображения» объединяются для формирования трехмерного ( x , y , λ ) куба гиперспектральных данных для обработки и анализа, где x и y представляют собой два пространственных измерения сцены, а λ представляет спектральное измерение (включающее диапазон длины волн). [6]

С технической точки зрения, датчики могут получить образец гиперспектрального куба четырьмя способами: пространственное сканирование, спектральное сканирование, моментальное сканирование, [5] [7] и пространственно-спектральное сканирование. [8]

Гиперспектральные кубы генерируются с помощью бортовых датчиков, таких как бортовой видимый/инфракрасный спектрометр НАСА (AVIRIS), или со спутников, таких как EO-1 НАСА с его гиперспектральным инструментом Hyperion. [9] [10] Однако во многих исследованиях по разработке и проверке используются портативные датчики. [11]

Точность этих датчиков обычно измеряется спектральным разрешением, которое представляет собой ширину каждой полосы захватываемого спектра. Если сканер обнаруживает большое количество довольно узких полос частот, можно идентифицировать объекты, даже если они захвачены всего несколькими пикселями. Однако пространственное разрешение является фактором в дополнение к спектральному разрешению. Если пиксели слишком велики, в одном пикселе захватывается несколько объектов, и их становится трудно идентифицировать. Если пиксели слишком малы, интенсивность, улавливаемая каждой ячейкой датчика, будет низкой, а уменьшенное соотношение сигнал/шум снижает надежность измеренных характеристик.

Получение и обработка гиперспектральных изображений также называется спектроскопией изображений или, применительно к гиперспектральному кубу, 3D-спектроскопией.

Методы сканирования

Фотографии, иллюстрирующие выходные данные отдельных датчиков для четырех методов гиперспектральной визуализации. Слева направо: щелевой спектр; монохроматическая пространственная карта; «перспективная проекция» гиперспектрального куба; пространственная карта с кодировкой длины волны.

Существует четыре основных метода получения трехмерного ( x , y , λ ) набора данных гиперспектрального куба. Выбор метода зависит от конкретного приложения, поскольку каждый метод имеет контекстно-зависимые преимущества и недостатки.

Пространственное сканирование

Методы получения гиперспектральных изображений, визуализируемых как разделы гиперспектрального куба данных с двумя пространственными измерениями (x, y) и одним спектральным измерением (лямбда).

При пространственном сканировании каждый двумерный (2-D) выходной сигнал датчика представляет собой полный спектр щели ( x , λ ). Устройства гиперспектральной визуализации (HSI) для пространственного сканирования получают щелевые спектры, проецируя полосу сцены на щель и рассеивая изображение щели с помощью призмы или решетки. Эти системы имеют тот недостаток, что изображение анализируется построчно (с помощью сканера с метлой ), а также имеют некоторые механические части, интегрированные в оптический ряд. С помощью этих камер линейного сканирования пространственное измерение собирается посредством движения или сканирования платформы. Для «реконструкции» изображения требуются стабилизированные крепления или точная информация о наведении. Тем не менее, системы линейного сканирования особенно распространены в дистанционном зондировании , где целесообразно использовать мобильные платформы. Системы линейного сканирования также используются для сканирования материалов, движущихся по конвейерной ленте. Особым случаем линейного сканирования является точечное сканирование (с помощью сканера-метлы ), при котором вместо щели используется точечная апертура, а датчик по существу является одномерным, а не двухмерным. [7] [12]

Спектральное сканирование

При спектральном сканировании каждый выходной сигнал двумерного датчика представляет собой монохроматическую («одноцветную») пространственную ( x , y ) карту сцены. Устройства HSI для спектрального сканирования обычно основаны на оптических полосовых фильтрах (перестраиваемых или фиксированных). Сцена спектрально сканируется путем замены одного фильтра за другим, пока платформа остается неподвижной. В таких «пристальных» системах сканирования по длине волны может произойти спектральное размытие, если внутри сцены есть движение, что делает недействительной спектральную корреляцию/обнаружение. Тем не менее, есть преимущество, заключающееся в возможности выбирать спектральные полосы и прямом представлении двух пространственных измерений сцены. [6] [7] [12] Если система формирования изображения используется на движущейся платформе, например в самолете, полученные изображения на разных длинах волн соответствуют разным областям сцены. Пространственные характеристики каждого изображения можно использовать для выравнивания пикселей.

Без сканирования

При отсутствии сканирования один выходной сигнал двухмерного датчика содержит все пространственные ( x , y ) и спектральные ( λ ) данные. Устройства HSI без сканирования выдают полный куб данных сразу, без какого-либо сканирования. Образно говоря, один снимок представляет собой перспективную проекцию датакуба, по которой можно реконструировать его трехмерную структуру. [7] [13] Наиболее заметными преимуществами этих систем гиперспектральной визуализации моментальных снимков являются преимущество моментальных снимков (более высокая светопроницаемость) и более короткое время сбора данных. Был разработан ряд систем, в том числе спектрометрия компьютерной томографии (CTIS), спектрометрия изображений с переформатированием волокна (FRIS), интегральная полевая спектроскопия с матрицами линз (IFS-L), многоапертурный интегральный полевой спектрометр (гиперпиксельная матрица), интегральная полевая спектроскопия с зеркалами среза изображения (IFS-S), спектрометрия изображений с репликацией изображений (IRIS), спектральная декомпозиция стека фильтров (FSSD), спектральная визуализация снимков с кодированной апертурой (CASSI), спектрометрия картографирования изображений (IMS) и мультиспектральная интерферометрия Саньяка ( МСИ). [14] Однако вычислительные усилия и производственные затраты высоки. В целях снижения вычислительных требований и потенциально высокой стоимости несканирующих гиперспектральных приборов были продемонстрированы прототипы устройств на основе многомерных оптических вычислений . Эти устройства основаны на механизме спектральных вычислений «Многомерный оптический элемент» [15] [16] или механизме спектральных вычислений «Пространственный модулятор света» [17] . На этих платформах химическая информация рассчитывается в оптической области перед визуализацией, так что химическое изображение опирается на обычные системы камер без каких-либо дополнительных вычислений. Недостатком этих систем является то, что никогда не получается никакая спектральная информация, т.е. только химическая информация, поэтому последующая обработка или повторный анализ невозможны.

Пространственно-спектральное сканирование

При пространственно-спектральном сканировании каждый выходной сигнал двумерного датчика представляет собой закодированную по длине волны («радужного цвета», λ = λ ( y ) ) пространственную ( x , y ) карту сцены. Прототип этого метода, представленный в 2014 году, состоит из камеры, расположенной на некотором ненулевом расстоянии позади базового щелевого спектроскопа (щель + дисперсионный элемент). [8] [18] Усовершенствованные системы пространственно-спектрального сканирования можно получить, поместив дисперсионный элемент перед системой пространственного сканирования. Сканирование может быть достигнуто путем перемещения всей системы относительно сцены, перемещения только камеры или перемещения только щели. Пространственно-спектральное сканирование объединяет некоторые преимущества пространственного и спектрального сканирования, тем самым смягчая некоторые их недостатки. [8]

Отличие гиперспектральной визуализации от мультиспектральной

Мультиспектральные и гиперспектральные различия

Гиперспектральная визуализация является частью класса методов, обычно называемых спектральной визуализацией или спектральным анализом . Термин «гиперспектральная визуализация» происходит от разработки НАСА бортового спектрометра визуализации (AIS) и AVIRIS в середине 1980-х годов. Хотя НАСА предпочитает более ранний термин «спектроскопия изображений» «гиперспектральному изображению», использование последнего термина стало более распространенным в научном и ненаучном языке. В рецензируемом письме эксперты рекомендуют использовать термины «визуальная спектроскопия» или «спектральная визуализация» и избегать преувеличенных префиксов , таких как «гипер-», «супер-» и «ультра-», чтобы избежать неправильных терминов в обсуждении. [19]

Гиперспектральная визуализация связана с мультиспектральной визуализацией . Различие между гипер- и многополосными иногда ошибочно основывается на произвольном «количестве полос» или типе измерения. Гиперспектральная визуализация (HSI) использует непрерывные и непрерывные диапазоны длин волн (например, 400–1100 нм с шагом 1 нм), тогда как многоканальная визуализация (MSI) использует подмножество целевых длин волн в выбранных местах (например, 400–1100 нм с шагом 20 нм). ). [20]

Многоканальная визуализация имеет дело с несколькими изображениями в дискретных и несколько узких диапазонах. «Дискретность и несколько узость» — вот что отличает многоспектральную визуализацию в видимом диапазоне волн от цветной фотографии . Мультиспектральный датчик может иметь множество диапазонов, охватывающих спектр от видимого до длинноволнового инфракрасного диапазона. Мультиспектральные изображения не создают «спектр» объекта. Landsat — отличный пример мультиспектральной съемки.

Гиперспектральный метод позволяет отображать узкие спектральные полосы в непрерывном спектральном диапазоне, создавая спектры всех пикселей сцены. Датчик всего с 20 полосами также может быть гиперспектральным, если он охватывает диапазон от 500 до 700 нм с 20 полосами шириной 10 нм каждая. (Хотя датчик с 20 дискретными диапазонами, охватывающими видимый, ближний, коротковолновый, средневолновый и длинноволновый инфракрасный диапазон, будет считаться мультиспектральным.)

Ультраспектральный может быть зарезервирован для датчиков изображения интерферометрического типа с очень высоким спектральным разрешением. Эти датчики часто (но не обязательно) имеют низкое пространственное разрешение , составляющее всего несколько пикселей , что является ограничением, налагаемым высокой скоростью передачи данных.

Приложения

Гиперспектральное дистанционное зондирование используется в широком спектре приложений. Хотя изначально он был разработан для горнодобывающей промышленности и геологии (способность гиперспектральной визуализации идентифицировать различные минералы делает его идеальным для горнодобывающей и нефтяной промышленности, где его можно использовать для поиска руды и нефти), [11] [21] в настоящее время он получил широкое распространение. в такие широко распространенные области, как экология и наблюдение, а также в исследования исторических рукописей, таких как изображения Архимеда Палимпсеста . Эта технология постоянно становится все более доступной для общественности. Такие организации, как НАСА и Геологическая служба США , имеют каталоги различных минералов и их спектральные характеристики и разместили их в Интернете, чтобы сделать их доступными для исследователей. В меньших масштабах гиперспектральную визуализацию в ближнем ИК-диапазоне можно использовать для быстрого мониторинга применения пестицидов к отдельным семенам для контроля качества оптимальной дозы и однородного покрытия.

сельское хозяйство

Гиперспектральная камера, встроенная в БПЛА OnyxStar HYDRA-12 от AltiGator

Хотя стоимость получения гиперспектральных изображений обычно высока для конкретных культур и в определенных климатических условиях, использование гиперспектрального дистанционного зондирования для мониторинга развития и здоровья сельскохозяйственных культур растет. В Австралии ведутся работы по использованию визуализирующих спектрометров для выявления сортов винограда и разработки системы раннего предупреждения о вспышках болезней. [22] Кроме того, ведутся работы по использованию гиперспектральных данных для определения химического состава растений, [23] которые можно использовать для определения состояния питательных веществ и воды в пшенице в орошаемых системах. [24] В меньшем масштабе гиперспектральную визуализацию в ближнем ИК-диапазоне можно использовать для быстрого мониторинга применения пестицидов к отдельным семенам для контроля качества оптимальной дозы и однородного покрытия. [25]

Еще одним применением в сельском хозяйстве является обнаружение животных белков в комбикормах во избежание губчатой ​​энцефалопатии крупного рогатого скота (ГЭКРС) , также известной как коровье бешенство. Были проведены различные исследования, чтобы предложить инструменты, альтернативные эталонному методу обнаружения (классической микроскопии ). Одной из первых альтернатив является микроскопия ближнего инфракрасного диапазона (БИК), которая сочетает в себе преимущества микроскопии и БИК. В 2004 году было опубликовано первое исследование, посвященное этой проблеме с помощью гиперспектральной визуализации. [26] Были созданы гиперспектральные библиотеки, представляющие разнообразие ингредиентов, обычно присутствующих при приготовлении комбикормов. Эти библиотеки можно использовать вместе с хемометрическими инструментами для исследования предела обнаружения, специфичности и воспроизводимости метода гиперспектральной визуализации NIR для обнаружения и количественного определения ингредиентов животного происхождения в кормах.

Камеры HSI также можно использовать для обнаружения стресса, вызываемого тяжелыми металлами в растениях, и стать более ранней и быстрой альтернативой влажным химическим методам после сбора урожая. [27] [28]

Сортировка и переработка мусора

Гиперспектральная визуализация может предоставить информацию о химических компонентах материалов, что делает ее полезной для сортировки и переработки отходов . [29] Его применяли для различения веществ из разных тканей и для идентификации натуральных, животных и синтетических волокон. [30] Камеры HSI могут быть интегрированы с системами машинного зрения и за счет упрощения платформ позволяют конечным клиентам создавать новые приложения для сортировки мусора и другие приложения для сортировки/идентификации. [31] Система машинного обучения и гиперспектральная камера могут различать 12 различных типов пластмасс, таких как ПЭТ и ПП, для автоматического разделения отходов, по состоянию на 2020 год, крайне нестандартизированных [32] [ необходимы дополнительные ссылки ] пластмассовых изделий. и упаковка . [33] [34]

Уход за глазами

Исследователи из Университета Монреаля сотрудничают с Photon и Optina Diagnostics [35] для проверки использования гиперспектральной фотографии в диагностике ретинопатии и отека желтого пятна до того, как произойдет повреждение глаза. Метаболическая гиперспектральная камера обнаружит падение потребления кислорода в сетчатке, что указывает на потенциальное заболевание. Затем офтальмолог сможет лечить сетчатку с помощью инъекций, чтобы предотвратить любое потенциальное повреждение . [36]

Переработка пищевых продуктов

Для сканирования сыров использовалась система линейного сканирования, а изображения были получены с использованием камеры линейного сканирования, оснащенной матрицей Hg-Cd-Te (386x288), с галогенным светом в качестве источника излучения.

В пищевой промышленности гиперспектральная визуализация в сочетании с интеллектуальным программным обеспечением позволяет цифровым сортировщикам (также называемым оптическими сортировщиками ) выявлять и удалять дефекты и посторонние материалы (FM), невидимые для традиционных камерных и лазерных сортировщиков. [37] [38] За счет повышения точности удаления дефектов и FM цель пищевой промышленности состоит в том, чтобы улучшить качество продукции и увеличить выход продукции.

Использование гиперспектральной визуализации на цифровых сортировщиках обеспечивает неразрушающий 100-процентный контроль в процессе работы при полных объемах производства. Программное обеспечение сортировщика сравнивает собранные гиперспектральные изображения с заданными пользователем пороговыми значениями принятия/отбраковки, а система выброса автоматически удаляет дефекты и посторонние материалы.

Гиперспектральное изображение полосок картофеля с «сахарным кончиком» показывает невидимые дефекты.

Недавнее коммерческое внедрение сортировщиков пищевых продуктов на основе гиперспектральных датчиков является наиболее передовым в ореховой промышленности, где установленные системы максимально удаляют косточки, скорлупу и другие посторонние материалы (FM) и посторонние растительные вещества (EVM) из грецких орехов, орехов пекан, миндаля, фисташек. , арахис и другие орехи. В данном случае улучшенное качество продукции, низкий процент ложных браков и способность обрабатывать большое количество поступающих дефектов часто оправдывают стоимость технологии.

Коммерческое внедрение гиперспектральных сортировщиков также быстрыми темпами развивается в картофелеперерабатывающей промышленности, где эта технология обещает решить ряд нерешенных проблем с качеством продукции. В настоящее время ведутся работы по использованию гиперспектральной визуализации для обнаружения состояний «сахарных концов», [39], «полого сердца» [40] и «парши обыкновенной» [41] , от которых страдают переработчики картофеля.

Минералогия

Набор камней сканируется с помощью тепловизора Specim LWIR-C в тепловом инфракрасном диапазоне от 7,7 мкм до 12,4 мкм. Спектры кварца и полевого шпата четко различимы. [42]

Геологические образцы, такие как керны буровых скважин , можно быстро картировать практически для всех минералов, представляющих коммерческий интерес, с помощью гиперспектральной визуализации. Объединение спектральных изображений SWIR и LWIR является стандартным для обнаружения минералов групп полевого шпата , кремнезема , кальцита , граната и оливина , поскольку эти минералы имеют наиболее характерную и сильную спектральную подпись в областях LWIR. [42]

Хорошо развито гиперспектральное дистанционное зондирование полезных ископаемых. Многие минералы можно идентифицировать по аэрофотоснимкам, и их связь с наличием ценных минералов, таких как золото и алмазы, хорошо понятна. В настоящее время достигнут прогресс в понимании взаимосвязи между утечками нефти и газа из трубопроводов и естественных скважин, а также их влиянием на растительность и спектральные характеристики. Недавние работы включают докторские диссертации Верффа [43] и Ноомена. [44]

Наблюдение

Гиперспектральное измерение теплового инфракрасного излучения , сканирование на открытом воздухе в зимних условиях, температура окружающей среды -15°С — относительные спектры излучения от различных целей на изображении показаны стрелками. Инфракрасные спектры различных объектов, таких как стекло часов, имеют четко различимые характеристики. Уровень контрастности указывает на температуру объекта. Это изображение было получено с помощью гиперспектрального формирователя изображений Specim LWIR. [42]

Гиперспектральное наблюдение — это реализация технологии гиперспектрального сканирования в целях наблюдения . Гиперспектральная визуализация особенно полезна при военном наблюдении из-за контрмер , которые сейчас принимают военные подразделения, чтобы избежать наблюдения с воздуха. Идея, лежащая в основе гиперспектрального наблюдения, заключается в том, что гиперспектральное сканирование извлекает информацию из такой большой части светового спектра, что любой данный объект должен иметь уникальную спектральную подпись хотя бы в нескольких из множества сканируемых диапазонов. Гиперспектральная визуализация также показала потенциал для использования в целях распознавания лиц . Было показано, что алгоритмы распознавания лиц с использованием гиперспектральной визуализации работают лучше, чем алгоритмы, использующие традиционную визуализацию. [45]

Традиционно коммерчески доступные тепловые инфракрасные гиперспектральные системы визуализации нуждались в охлаждении жидким азотом или гелием , что делало их непрактичными для большинства приложений наблюдения. В 2010 году компания Specim представила тепловизионную инфракрасную гиперспектральную камеру, которую можно использовать для наружного наблюдения и применения БПЛА без внешнего источника света, такого как солнце или луна. [46] [47]

Астрономия

В астрономии гиперспектральная визуализация используется для получения спектрального изображения с пространственным разрешением. Поскольку спектр является важным диагностическим средством, наличие спектра для каждого пикселя позволяет рассмотреть больше научных случаев. В астрономии этот метод обычно называют спектроскопией интегрального поля , и примеры этого метода включают FLAMES [ 48] и SINFONI [49] на Очень Большом Телескопе , а также расширенный CCD-спектрометр формирования изображения на рентгеновской обсерватории Чандра. техника.

Дистанционная химическая визуализация одновременного выброса SF 6 и NH 3 на расстоянии 1,5 км с использованием визуализирующего спектрометра Telops Hyper-Cam [50]

Химическая визуализация

Солдаты могут подвергаться широкому спектру химических опасностей. Эти угрозы по большей части невидимы, но их можно обнаружить с помощью технологии гиперспектральной визуализации. Telops Hyper-Cam, представленная в 2005 году, продемонстрировала это на расстоянии до 5 км. [51]

Среда

Верхняя панель: Контурная карта усредненной по времени спектральной яркости на частоте 2078 см -1 , соответствующей линии излучения CO 2 . Нижняя панель: Контурная карта спектральной яркости на частоте 2580 см -1 , соответствующей непрерывному излучению частиц в шлейфе. Полупрозрачный серый прямоугольник указывает положение стопки. Горизонтальная линия в строке 12 между столбцами 64-128 указывает пиксели, используемые для оценки спектра фона. Измерения выполнены с помощью Telops Hyper-Cam. [52]

В большинстве стран требуется постоянный мониторинг выбросов, производимых угольными и нефтяными электростанциями, мусоросжигательными заводами для городских и опасных отходов, цементными заводами, а также многими другими типами промышленных источников. Этот мониторинг обычно осуществляется с использованием экстрактивных систем отбора проб в сочетании с методами инфракрасной спектроскопии. Некоторые недавние измерения расстояния позволили оценить качество воздуха, но не многие дистанционные независимые методы позволяют проводить измерения с низкой погрешностью.

Гражданское строительство

Недавние исследования показывают, что гиперспектральная визуализация может быть полезна для обнаружения трещин в дорожных покрытиях [53] , которые трудно обнаружить по изображениям, сделанным камерами видимого спектра. [53]

Биомедицинская визуализация

Гиперспектральная визуализация также использовалась для обнаружения рака, идентификации нервов и анализа синяков. [54]

Преимущества и недостатки

Основное преимущество гиперспектральной визуализации заключается в том, что, поскольку в каждой точке получается весь спектр, оператору не требуется предварительных знаний об образце, а постобработка позволяет извлечь всю доступную информацию из набора данных. Гиперспектральная визуализация также может использовать преимущества пространственных отношений между различными спектрами в окрестностях, позволяя создавать более сложные спектрально-пространственные модели для более точной сегментации и классификации изображения. [55] [56]

Основными недостатками являются стоимость и сложность. Для анализа гиперспектральных данных необходимы быстрые компьютеры, чувствительные детекторы и большие емкости для хранения данных. Необходима значительная емкость хранилища данных, поскольку несжатые гиперспектральные кубы представляют собой большие многомерные наборы данных, потенциально превышающие сотни мегабайт . Все эти факторы значительно увеличивают стоимость получения и обработки гиперспектральных данных. Кроме того, одним из препятствий, с которыми пришлось столкнуться исследователям, является поиск способов запрограммировать гиперспектральные спутники для самостоятельной сортировки данных и передачи только самых важных изображений, поскольку как передача, так и хранение такого большого количества данных могут оказаться трудными и дорогостоящими. [9] Будучи относительно новым аналитическим методом, весь потенциал гиперспектральной визуализации еще не реализован.

Смотрите также

Рекомендации

  1. ^ Чилтон, Александр (07 октября 2013 г.). «Принцип работы и ключевые применения инфракрасных датчиков». АЗосенсоры . Проверено 11 июля 2020 г.
  2. ↑ Чейн-И Чанг (31 июля 2003 г.). Гиперспектральная визуализация: методы спектрального обнаружения и классификации. Springer Science & Business Media. ISBN 978-0-306-47483-5.
  3. ^ Ханс Гран; Пол Гелади (27 сентября 2007 г.). Методы и приложения анализа гиперспектральных изображений. Джон Уайли и сыновья. ISBN 978-0-470-01087-7.
  4. ^ Хаген, Натан; Куденов, Майкл В. (2013). «Обзор технологий спектральной визуализации моментальных снимков» (PDF) . Оптическая инженерия . 52 (9): 090901. Бибкод : 2013OptEn..52i0901H. дои : 10.1117/1.OE.52.9.090901 . S2CID  215807781.
  5. ^ аб Лу, Г; Фей, Б. (январь 2014 г.). «Медицинская гиперспектральная визуализация: обзор». Журнал биомедицинской оптики . 19 (1): 10901. Бибкод : 2014JBO....19a0901L. дои : 10.1117/1.JBO.19.1.010901. ПМЦ 3895860 . ПМИД  24441941. 
  6. ^ ab «Спектральная визуализация и линейное несмешивание». Микроскопия NikonU .
  7. ^ abcd http://www.bodkindesign.com/wp-content/uploads/2012/09/Hyperspectral-1011.pdf [ пустой URL-адрес PDF ]
  8. ^ abc Груше, Саша (2014). «OSA - базовый щелевой спектроскоп обнаруживает трехмерные сцены через диагональные срезы гиперспектральных кубов». Прикладная оптика . 53 (20): 4594–5103. Бибкод : 2014ApOpt..53.4594G. дои : 10.1364/AO.53.004594. ПМИД  25090082.
  9. ^ аб Шурмер, Дж. Х. (декабрь 2003 г.), Технологические горизонты исследовательских лабораторий ВВС
  10. ^ «Наблюдение за Землей 1 (ЭО-1)» . Earthobservatory.nasa.gov . 15 ноября 2000 г. Проверено 17 июля 2020 г.
  11. ^ аб Эллис, Дж. (январь 2001 г.) Поиск выходов нефти и загрязненной нефтью почвы с помощью гиперспектральных изображений. Архивировано 5 марта 2008 г. в Wayback Machine , журнал Earth Observation.
  12. ^ Аб Лу, Гуолан; Фей, Баовэй (2014). «SPIE - Журнал биомедицинской оптики - Медицинская гиперспектральная визуализация: обзор». Журнал биомедицинской оптики . 19 (1): 010901. Бибкод : 2014JBO....19a0901L. дои : 10.1117/1.JBO.19.1.010901. ПМЦ 3895860 . ПМИД  24441941. 
  13. ^ "СтекПат". www.laserfocusworld.com .
  14. ^ Хаген, Натан; Кестер, Роберт Т.; Гао, Лян; Ткачик, Томаш С. (2012). «SPIE - Оптическая инженерия - Преимущество моментального снимка: обзор улучшения сбора света для параллельных многомерных измерительных систем». Оптическая инженерия . 51 (11): 111702. Бибкод : 2012OptEn..51k1702H. дои :10.1117/1.OE.51.11.111702. ПМЦ 3393130 . ПМИД  22791926. 
  15. ^ Мирик, Майкл Л.; Соеми, Олусола О.; Хайбах, Фред; Чжан, Лися; Грир, Эшли; Ли, Хунли; Прайор, Райан; Шиза, Мария Владимировна; Фарр, младший (22 февраля 2002 г.). Кристесен, Стивен Д.; Седлачек III, Артур Дж (ред.). «Применение многомерных оптических вычислений для получения изображений в ближнем инфракрасном диапазоне». Сенсорные системы на основе вибрационной спектроскопии . 4577 : 148–158. Бибкод : 2002SPIE.4577..148M. дои : 10.1117/12.455732. S2CID  109007082.
  16. ^ Дж. Прайор, Райан; Хайбах, Фредерик; В Шиза, Мария; Э. Грир, Эшли; Л. Перкинс, Дэвид; Мирик, ML (1 августа 2004 г.). «Миниатюрная система стереоспектральной визуализации для многомерных оптических вычислений». Прикладная спектроскопия . 58 (7): 870–3. Бибкод : 2004ApSpe..58..870P. дои : 10.1366/0003702041389418. PMID  15282055. S2CID  39015203.
  17. ^ Дэвис, Брэндон М.; Хемфилл, Аманда Дж.; Себечи Малташ, Дерья; Зиппер, Майкл А.; Ван, Пин; Бен-Амоц, Дор (1 июля 2011 г.). «Многомерная гиперспектральная рамановская визуализация с использованием компрессионного обнаружения». Аналитическая химия . 83 (13): 5086–5092. дои : 10.1021/ac103259v. ISSN  0003-2700. ПМИД  21604741.
  18. ^ Гиперспектральные изображения с пространственно-спектральными изображениями, полученными с помощью простого спектроскопа. 12 июля 2014 г. Архивировано из оригинала 19 декабря 2021 г. – на YouTube.
  19. ^ Польдер, Геррит; Гоуэн, Аойф (27 февраля 2020 г.). «Ажиотаж вокруг спектральных изображений». Журнал спектральной визуализации . 9 : а4. дои : 10.1255/jsi.2020.a4 . S2CID  213347436 . Проверено 23 июля 2021 г.
  20. ^ СМ Вейс; и другие. (2017). «Сверхдешевое устройство активной многоспектральной диагностики сельскохозяйственных культур» (PDF) . Журнал датчиков IEEE . 113 : 1005–1007.
  21. ^ Смит, Р.Б. (14 июля 2006 г.), Введение в гиперспектральную визуализацию с помощью TMIPS. Архивировано 9 мая 2008 г. на Wayback Machine , веб-сайт учебных пособий MicroImages.
  22. ^ Лакар, FM; и другие. (2001). «Использование гиперспектральных изображений для картирования сортов винограда в долине Баросса, Южная Австралия». IGARSS 2001. Сканирование настоящего и решение будущего. Слушания. Международный симпозиум IEEE 2001 по геонаукам и дистанционному зондированию (кат. № 01CH37217) . Том. 6. С. 2875–2877. doi :10.1109/IGARSS.2001.978191. hdl : 2440/39292. ISBN 0-7803-7031-7. S2CID  61008168.
  23. ^ Ферверда, Дж. Г. (2005), Составление диаграммы качества корма: измерение и картирование изменений химических компонентов в листве с помощью гиперспектрального дистанционного зондирования , Университет Вагенингена , Диссертация ITC 126, 166 стр. ISBN 90-8504-209-7 
  24. ^ Тиллинг, А.К. и др., (2006) Дистанционное зондирование для обнаружения азотного и водного стресса у пшеницы , Австралийское общество агрономии.
  25. ^ Вермюлен, доктор философии; и другие. (2017). «Оценка пестицидного покрытия семян зерновых культур с помощью гиперспектральной визуализации в ближнем инфракрасном диапазоне». Журнал спектральной визуализации . 6 : а1. дои : 10.1255/jsi.2017.a1 .
  26. ^ Фернандес Пьерна, JA и др., «Сочетание машин опорных векторов (SVM) и спектроскопии изображений в ближнем инфракрасном диапазоне (NIR) для обнаружения мяса и костей (MBM) в комбикормах» Journal of Chemometrics 18 (2004) 341 -349
  27. ^ Гарднер, Элизабет К. «Исследование показало, что листовая зелень, загрязненная тяжелыми металлами, становится фиолетовой». Университет Пердью . Проверено 26 января 2022 г.
  28. ^ Зеа, Мария; Соуза, Аугусто; Ян, Ян; Ли, Линда; Немали, Кришна; Хоугланд, Лори (1 января 2022 г.). «Использование технологии высокопроизводительной гиперспектральной визуализации для обнаружения стресса кадмия в двух листовых зеленых культурах и ускорения усилий по восстановлению почвы». Загрязнение окружающей среды . 292 (Pt B): 118405. doi : 10.1016/j.envpol.2021.118405 . ISSN  0269-7491. PMID  34710518. S2CID  239975631.
  29. ^ Караджа, Али Джан; Эртюрк, Альп; Гуллу, М. Кемаль; Элмас, М.; Эртюрк, Сарп (июнь 2013 г.). «Автоматическая сортировка мусора с использованием коротковолновой инфракрасной гиперспектральной системы визуализации». 2013 5-й семинар по гиперспектральным изображениям и обработке сигналов: эволюция дистанционного зондирования (WHISPERS) . стр. 1–4. дои : 10.1109/WHISPERS.2013.8080744. ISBN 978-1-5090-1119-3. S2CID  37092593.
  30. ↑ Брунн, Майкл (1 сентября 2020 г.). «Гиперспектральная визуализация сокращения текстильных отходов». Журнал ПЕРЕРАБОТКА . Проверено 26 января 2022 г.
  31. ^ «Specim запускает комплексную платформу спектральной визуализации для сортировочной отрасли» . оптика.org . Проверено 26 января 2022 г.
  32. ^ Куреши, Мухаммад Саад; Оасмаа, Аня; Пихкола, Ханна; Девяткин Иван; Тенхунен, Анна; Маннила, Юха; Минккинен, Ханну; Похьякаллио, Майя; Лайне-Юлийоки, Ютта (1 ноября 2020 г.). «Пиролиз пластиковых отходов: возможности и проблемы». Журнал аналитического и прикладного пиролиза . 152 : 104804. doi : 10.1016/j.jaap.2020.104804. ISSN  0165-2370. S2CID  200068035.
  33. ^ «Прорыв в разделении пластиковых отходов: машины теперь могут различать 12 различных типов пластика» . Орхусский университет . Проверено 19 января 2022 г.
  34. ^ Хенриксен, Мартин Л.; Карлсен, Селин Б.; Кларсков, Пернилле; Хиндж, Могенс (1 января 2022 г.). «Пластическая классификация с помощью оперативного анализа гиперспектральной камеры и машинного обучения без учителя». Колебательная спектроскопия . 118 : 103329. doi : 10.1016/j.vibspec.2021.103329 . ISSN  0924-2031. S2CID  244913832.
  35. ^ «Дом». Оптина .
  36. ^ AM Шахиди; и другие. (2013). «Региональные различия в насыщении кислородом сосудов сетчатки человека». Экспериментальное исследование глаз . 113 : 143–147. дои : 10.1016/j.exer.2013.06.001. ПМИД  23791637.
  37. ^ Хиггинс, Кевин. «Пять новых технологий инспекции». Переработка пищевых продуктов . Проверено 6 сентября 2013 г.
  38. ^ «Гиперспектральная визуализация борется с пищевыми отходами». www.photonics.com . Проверено 26 января 2022 г.
  39. ^ Бургсталлер, Маркус; и другие. (февраль 2012 г.). «В центре внимания: спектральная визуализация сортирует «сахарные» дефекты». ПеннНу.
  40. ^ Дакаль-Ньето, Ангел; и другие. (2011). Неразрушающее обнаружение полого сердца у картофеля с использованием гиперспектральной визуализации (PDF) . Спрингер. стр. 180–187. ISBN 978-3-642-23677-8. Архивировано из оригинала (PDF) 10 августа 2014 г.
  41. ^ Дакаль-Ньето, Ангел; и другие. (2011). «Обнаружение парши на картофеле с использованием системы инфракрасной гиперспектральной визуализации». Анализ и обработка изображений – ICIAP 2011 . Конспекты лекций по информатике. Том. 6979. стр. 303–312. дои : 10.1007/978-3-642-24088-1_32. ISBN 978-3-642-24087-4.
  42. ^ abc Holma, H., (май 2011 г.), Thermische Hyperspektralbildgebung im langwelligen Infrarot. Архивировано 26 июля 2011 г., в Wayback Machine , Photonik.
  43. ^ Верфф Х. (2006), Дистанционное зондирование сложных объектов, основанное на знаниях: распознавание спектральных и пространственных структур, возникающих в результате просачивания природных углеводородов , Утрехтский университет , Диссертация ITC 131, 138p. ISBN 90-6164-238-8 
  44. ^ Ноомен, М.Ф. (2007), Гиперспектральная отражательная способность растительности, пострадавшей от подземного просачивания углеводородного газа , Энсхеде, ITC 151p. ISBN 978-90-8504-671-4 . 
  45. ^ «Исследования гиперспектрального распознавания лиц в видимом спектре с выбором диапазона функций - Журналы и журнал IEEE» . CiteSeerX 10.1.1.413.3801 . дои : 10.1109/TSMCA.2010.2052603. S2CID  18058981.  {{cite journal}}: Требуется цитировать журнал |journal=( помощь )
  46. ^ Фрост и Салливан (февраль 2011 г.). Технические знания, аэрокосмическая и оборонная промышленность: первая в мире тепловизионная гиперспектральная камера для беспилотных летательных аппаратов.
  47. ^ Сова Specim видит невидимый объект и определяет его материалы даже в кромешную тьму ночи. Архивировано 21 февраля 2011 г. в Wayback Machine .
  48. ^ «ПЛАМЯ - Многоэлементный оптоволоконный спектрограф с большой матрицей» . ЭСО . Проверено 30 ноября 2012 г.
  49. ^ «SINFONI - Спектрограф для наблюдений интегрального поля в ближнем инфракрасном диапазоне» . ЭСО . Проверено 30 ноября 2012 г.
  50. ^ М. Чемберланд, В. Фарли, А. Вальер, Л. Бельюмер, А. Виллемайр, Ж. Жиру и Дж. Лего, «Высокопроизводительная технология полевого портативного радиометрического спектрометра для получения изображений для приложений гиперспектральной визуализации», Proc. SPIE 5994, 59940N, сентябрь 2005 г.
  51. ^ Фарли В., Чемберленд М., Лаге П. и др., «Обнаружение и идентификация химических агентов с помощью инфракрасного датчика гиперспектральной визуализации». Архивировано 13 июля 2012 г. в archive.today Proceedings of SPIE Vol. 6661, 66610Л (2007).
  52. ^ Гросс, Кевин С.; Брэдли, Кеннет С.; Перрам, Глен П. (2010). «Дистанционная идентификация и количественная оценка выбросов промышленных дымовых труб с помощью визуализационной спектроскопии с преобразованием Фурье». Экологические науки и технологии . 44 (24): 9390–9397. Бибкод : 2010EnST...44.9390G. дои : 10.1021/es101823z. ПМИД  21069951.
  53. ^ аб Абдельлатиф, Мохамед; Пил, Харриет; Кон, Энтони Г.; Фуэнтес, Рауль (2020). «Обнаружение трещин в дорожном покрытии по гиперспектральным изображениям с использованием нового индекса трещин в асфальте». Дистанционное зондирование . 12 (18): 3084. Бибкод : 2020RemS...12.3084A. дои : 10.3390/rs12183084 .
  54. ^ Лу, Гуолань; Фей, Баовэй (2014). «Медицинская гиперспектральная визуализация: обзор». Журнал биомедицинской оптики . 19 (1): 010901. Бибкод : 2014JBO....19a0901L. дои : 10.1117/1.JBO.19.1.010901. ISSN  1083-3668. ПМЦ 3895860 . ПМИД  24441941. 
  55. ^ А. Пикон, О. Гита, П.Ф. Уилан, П. Ириондо (2009), Интеграция спектральных и пространственных характеристик для классификации материалов цветных металлов в гиперспектральных данных , Транзакции IEEE по промышленной информатике, Vol. 5, № 4, ноябрь 2009 г.
  56. ^ Ран, Линьян; Чжан, Яннин; Вэй, Вэй; Чжан, Цилинь (23 октября 2017 г.). «Структура классификации гиперспектральных изображений с функциями пространственных пар пикселей». Датчики . 17 (10): 2421. Бибкод : 2017Senso..17.2421R. дои : 10.3390/s17102421 . ПМЦ 5677443 . ПМИД  29065535. 

Внешние ссылки

Викискладе есть медиафайлы, связанные с гиперспектральными изображениями .