stringtranslate.com

Гиперспектральная съемка

Двумерная проекция гиперспектрального куба.

Гиперспектральная визуализация собирает и обрабатывает информацию со всего электромагнитного спектра . [1] Целью гиперспектральной визуализации является получение спектра для каждого пикселя на изображении сцены с целью поиска объектов, идентификации материалов или обнаружения процессов. [2] [3] Существует три основных типа спектральных формирователей изображений. Существуют сканеры push broom и связанные с ними сканеры whip broom (пространственное сканирование), которые считывают изображения с течением времени, последовательные сканеры band (спектральное сканирование), которые получают изображения области на разных длинах волн, и моментальные гиперспектральные формирователи изображений , которые используют матрицу для мгновенного создания изображения.

В то время как человеческий глаз видит цвет видимого света в основном в трех диапазонах (длинные волны, воспринимаемые как красный; средние волны, воспринимаемые как зеленый; и короткие волны, воспринимаемые как синий), спектральная визуализация делит спектр на гораздо большее количество диапазонов. Этот метод разделения изображений на диапазоны может быть расширен за пределы видимого диапазона. В гиперспектральной визуализации записанные спектры имеют высокое разрешение по длине волны и охватывают широкий диапазон длин волн. Гиперспектральная визуализация измеряет непрерывные спектральные диапазоны, в отличие от многополосной визуализации , которая измеряет разнесенные спектральные диапазоны. [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. Известные как спектральные сигнатуры, эти «отпечатки пальцев» позволяют идентифицировать материалы, из которых состоит сканируемый объект. Например, спектральная сигнатура для нефти помогает геологам находить новые нефтяные месторождения . [5]

Датчики

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

С технической точки зрения существует четыре способа, с помощью которых датчики могут производить выборку гиперспектрального куба: пространственное сканирование, спектральное сканирование, моментальное сканирование [5] [7] и пространственно-спектральное сканирование [8] .

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

Точность этих датчиков обычно измеряется в спектральном разрешении, которое представляет собой ширину каждой полосы спектра, которая захватывается. Если сканер обнаруживает большое количество довольно узких частотных полос, можно идентифицировать объекты, даже если они захватываются только несколькими пикселями. Однако пространственное разрешение является фактором в дополнение к спектральному разрешению. Если пиксели слишком большие, то несколько объектов захватываются в одном пикселе и их становится трудно идентифицировать. Если пиксели слишком маленькие, то интенсивность, захватываемая каждой ячейкой датчика, низкая, а уменьшенное отношение 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 отдельные выходы датчиков для четырех методов гиперспектральной визуализации. Слева направо: щелевой спектр; монохроматическая пространственная карта; «перспективная проекция» гиперспектрального куба; пространственная карта с кодированием 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 зависящие от контекста преимущества и недостатки.

Пространственное сканирование

Методы получения гиперспектральных изображений, визуализированные в виде секций гиперспектрального куба данных с двумя пространственными измерениями ( x , y ) и одним спектральным измерением ( λ ).

При пространственном сканировании каждый двумерный (2D) выходной сигнал датчика представляет собой полный щелевой спектр ( x , λ ). Устройства гиперспектральной визуализации (HSI) для пространственного сканирования получают щелевые спектры, проецируя полосу сцены на щель и рассеивая щелевое изображение призмой или решеткой. Недостатком этих систем является то, что изображение анализируется по строкам (с помощью сканера Push Broom ), а также некоторые механические части интегрированы в оптический поезд. С помощью этих камер линейного сканирования пространственное измерение собирается посредством перемещения платформы или сканирования. Для этого требуются стабилизированные крепления или точная информация о наведении для «реконструкции» изображения. Тем не менее, системы линейного сканирования особенно распространены в дистанционном зондировании , где разумно использовать мобильные платформы. Системы линейного сканирования также используются для сканирования материалов, перемещающихся по конвейерной ленте. Частным случаем линейного сканирования является точечное сканирование (с помощью сканера с метелкой ), где вместо щели используется точечная апертура, а датчик по сути является одномерным, а не двумерным. [7] [12]

Спектральное сканирование

При спектральном сканировании каждый выходной сигнал 2D-датчика представляет собой монохроматическую (т. е. одну длину волны), пространственную ( x , y )-карту сцены. Устройства HSI для спектрального сканирования обычно основаны на оптических полосовых фильтрах (настраиваемых или фиксированных). Сцена спектрально сканируется путем замены одного фильтра за другим, пока платформа остается неподвижной. В таких «пристальных» системах сканирования длины волны может возникнуть спектральное размывание, если в пределах сцены есть движение, что делает недействительной спектральную корреляцию/обнаружение. Тем не менее, есть преимущество в возможности выбора спектральных полос и наличия прямого представления двух пространственных измерений сцены. [6] [7] [12] Если система визуализации используется на движущейся платформе, такой как самолет, полученные изображения на разных длинах волн соответствуют разным областям сцены. Пространственные особенности на каждом из изображений могут использоваться для перевыравнивания пикселей.

Несканирующий

При отсутствии сканирования один выходной сигнал 2D-датчика содержит все пространственные ( x , y ) и спектральные ( λ ) данные. Устройства HSI для отсутствия сканирования выдают полный куб данных сразу, без какого-либо сканирования. Образно говоря, один снимок представляет собой перспективную проекцию куба данных, из которой может быть реконструирована его трехмерная структура. [7] [13] Наиболее заметными преимуществами этих систем гиперспектральной визуализации снимка являются преимущество снимка (более высокая светопропускаемость) и более короткое время получения. Было разработано несколько систем, включая спектрометрию компьютерной томографической визуализации (CTIS), спектрометрию визуализации с переформатированием волокон (FRIS), интегральную полевую спектроскопию с линзовыми матрицами (IFS-L), многоапертурный интегральный полевой спектрометр (Hyperpixel Array), интегральную полевую спектроскопию с зеркалами для нарезки изображений (IFS-S), спектрометрию визуализации с репликацией изображений (IRIS), спектральную декомпозицию стека фильтров (FSSD), спектральную визуализацию с кодированной апертурой (CASSI), спектрометрию картирования изображений (IMS) и многоспектральную интерферометрию Саньяка (MSI). [14] Однако вычислительные усилия и производственные затраты высоки. В попытке снизить вычислительные требования и потенциально высокую стоимость несканирующего гиперспектрального оборудования были продемонстрированы прототипы устройств на основе многомерных оптических вычислений . Эти устройства были основаны на спектральном вычислительном движке Multivariate Optical Element [15] [16] или спектральном вычислительном движке Spatial Light Modulator [17] . В этих платформах химическая информация вычисляется в оптической области до получения изображения, так что химическое изображение полагается на обычные системы камер без дополнительных вычислений. Недостатком этих систем является то, что спектральная информация никогда не приобретается, т. е. только химическая информация, поэтому постобработка или повторный анализ невозможны.

Пространственно-спектральное сканирование

При пространственно-спектральном сканировании каждый выходной сигнал 2D-датчика представляет собой кодированную по длине волны («радужно-окрашенную», λ = λ ( y )), пространственную ( x , y )-карту сцены. Прототип для этой техники, представленный в 2014 году, состоит из камеры на некотором ненулевом расстоянии позади базового щелевого спектроскопа (щель + дисперсионный элемент). [8] [18] Усовершенствованные системы пространственно-спектрального сканирования могут быть получены путем размещения дисперсионного элемента перед пространственной сканирующей системой. Сканирование может быть достигнуто путем перемещения всей системы относительно сцены, путем перемещения только камеры или путем перемещения только щели. Пространственно-спектральное сканирование объединяет некоторые преимущества пространственного и спектрального сканирования, тем самым устраняя некоторые из их недостатков. [8]

Отличие гиперспектральной съемки 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 NASA Airborne Imaging Spectrometer (AIS) и AVIRIS в середине 1980-х годов. Хотя NASA предпочитает более ранний термин «визуализирующая спектроскопия» вместо «гиперспектральной визуализации», использование последнего термина стало более распространенным в научном и ненаучном языке. В рецензируемом письме эксперты рекомендуют использовать термины «визуализирующая спектроскопия» или «спектральная визуализация» и избегать преувеличенных префиксов, таких как «гипер-», «супер-» и «ультра-», чтобы предотвратить неправильные термины в обсуждении. [19]

Гиперспектральная визуализация связана с многоспектральной визуализацией . Различие между гипер- и многополосной иногда неправильно основано на произвольном «числе полос» или на типе измерения. Гиперспектральная визуализация (HSI) использует непрерывные и смежные диапазоны длин волн (например, 400 - 1100 нм с шагом 1 нм), тогда как многополосная визуализация (MSI) использует подмножество целевых длин волн в выбранных местах (например, 400 - 1100 нм с шагом 20 нм). [20]

Многополосная съемка имеет дело с несколькими изображениями в дискретных и несколько узких полосах. «Дискретность и несколько узость» — вот что отличает многоспектральную съемку в видимом диапазоне длин волн от цветной фотографии . Многоспектральный датчик может иметь много полос, охватывающих спектр от видимого до длинноволнового инфракрасного. Многоспектральные изображения не создают «спектр» объекта. Landsat — яркий практический пример многоспектральной съемки.

Гиперспектральный метод имеет дело с визуализацией узких спектральных полос в непрерывном спектральном диапазоне, создавая спектры всех пикселей в сцене. Датчик с 20 полосами также может быть гиперспектральным, если он охватывает диапазон от 500 до 700 нм с 20 полосами шириной 10 нм каждая, в то время как датчик с 20 дискретными полосами, 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 имеют (но не обязательно) низкое пространственное разрешение всего в несколько пикселей , ограничение, налагаемое высокой скоростью передачи данных.

Приложения

Гиперспектральное дистанционное зондирование используется в широком спектре приложений. Хотя изначально оно было разработано 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] теперь оно распространилось в таких распространенных областях, как экология и наблюдение, а также исторические исследования рукописей, такие как визуализация палимпсеста Архимеда . Эта технология постоянно становится все более доступной для общественности. Такие организации, как NASA и USGS, имеют каталоги различных минералов и их спектральных сигнатур и разместили их в Интернете, чтобы сделать их легкодоступными для исследователей. В меньшем масштабе гиперспектральную визуализацию NIR 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 определенных культур и в определенных климатических условиях, гиперспектральное дистанционное зондирование используется все чаще для мониторинга развития и здоровья культур. В Австралии ведутся работы по использованию спектрометров изображений для определения сортов винограда и разработки системы раннего оповещения о вспышках заболеваний. [22] Кроме того, ведутся работы по использованию гиперспектральных данных для определения химического состава растений, [23] которые могут быть использованы для определения уровня питательных веществ и воды в пшенице в орошаемых системах. [24] В меньших масштабах гиперспектральное изображение в ближнем инфракрасном диапазоне может использоваться для быстрого мониторинга применения пестицидов к отдельным семенам для контроля качества оптимальной дозы и однородного покрытия. [25]

Другим применением в сельском хозяйстве является обнаружение животных белков в комбикормах для предотвращения губчатой ​​энцефалопатии крупного рогатого скота (ГЭКРС) , также известной как коровье бешенство. Были проведены различные исследования, чтобы предложить альтернативные инструменты для эталонного метода обнаружения (классическая микроскопия ). Одной из первых альтернатив является ближняя инфракрасная микроскопия (БИК), которая сочетает в себе преимущества микроскопии и БИК. В 2004 году было опубликовано первое исследование, связывающее эту проблему с гиперспектральной визуализацией. [26] Были созданы гиперспектральные библиотеки, которые являются репрезентативными для разнообразия ингредиентов, обычно присутствующих при приготовлении комбикормов. Эти библиотеки можно использовать вместе с хемометрическими инструментами для исследования предела обнаружения, специфичности и воспроизводимости метода гиперспектральной визуализации БИК для обнаружения и количественной оценки животных ингредиентов в кормах.

Камеры HSI также могут использоваться для обнаружения стресса, вызванного тяжелыми металлами, в растениях и стать более ранней и быстрой альтернативой методам влажной химической обработки после сбора урожая. [27] [28]

Зоология

Гиперспектральная визуализация также используется в зоологии; она используется для исследования пространственного распределения окраски и ее распространения в ближний инфракрасный и SWIR-диапазон спектра. [29] Некоторые животные, например, некоторые тропические лягушки и некоторые насекомые, сидящие на листьях, обладают высокой отражательной способностью в ближнем инфракрасном диапазоне. [29] [30]

Сортировка и переработка отходов

Гиперспектральная визуализация может предоставить информацию о химических компонентах материалов, что делает ее полезной для сортировки и переработки отходов . [31] Она применялась для различения веществ с различными тканями и для идентификации натуральных, животных и синтетических волокон. [32] Камеры HSI могут быть интегрированы с системами машинного зрения и, посредством упрощения платформ, позволяют конечным потребителям создавать новые приложения для сортировки отходов и другие приложения для сортировки/идентификации. [33] Система машинного обучения и гиперспектральной камеры может различать 12 различных типов пластика, таких как ПЭТ и ПП, для автоматизированного разделения отходов, по состоянию на 2020 год, крайне нестандартизированных [34] [ необходимы дополнительные ссылки ] пластиковых изделий и упаковки . [35] [36]

Уход за глазами

Исследователи из Монреальского университета работают с Photon и др. и Optina Diagnostics [37] для проверки использования гиперспектральной фотографии в диагностике ретинопатии и макулярного отека 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 инъекциями, чтобы предотвратить любое потенциальное повреждение. [38]

Переработка пищевых продуктов

Для сканирования сыров использовалась система линейного сканирования с толкающей меткой, а изображения были получены с помощью камеры линейного сканирования, оснащенной матрицей Hg-Cd-Te (386x288) и галогенной лампой в качестве источника излучения.

В пищевой промышленности гиперспектральная съемка в сочетании с интеллектуальным программным обеспечением позволяет цифровым сортировщикам (также называемым оптическими сортировщиками ) выявлять и удалять дефекты и посторонние материалы (ПМ), которые невидимы для традиционных камер и лазерных сортировщиков. [39] [40] За счет повышения точности удаления дефектов и ПМ цель предприятия по переработке пищевых продуктов состоит в повышении качества продукции и увеличении выхода продукции.

Использование гиперспектральной визуализации на цифровых сортировщиках позволяет достичь неразрушающего 100-процентного контроля на линии при полных объемах производства. Программное обеспечение сортировщика сравнивает полученные гиперспектральные изображения с заданными пользователем пороговыми значениями приема/отбраковки, а система выброса автоматически удаляет дефекты и посторонние материалы.

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

Недавнее коммерческое внедрение сортировщиков пищевых продуктов на основе гиперспектральных датчиков наиболее продвинуто в ореховой промышленности, где установленные системы максимально удаляют камни, скорлупу и другие инородные материалы (FM) и посторонние растительные вещества (EVM) из грецких орехов, пекана, миндаля, фисташек, арахиса и других орехов. Здесь улучшенное качество продукции, низкий уровень ложных отбраковок и способность обрабатывать большое количество входящих дефектных грузов часто оправдывают стоимость технологии.

Коммерческое внедрение гиперспектральных сортировщиков также продвигается быстрыми темпами в отрасли переработки картофеля, где эта технология обещает решить ряд выдающихся проблем с качеством продукции. Ведутся работы по использованию гиперспектральной визуализации для обнаружения «сахарных концов», [41] «полого сердца» [42] и «парши обыкновенной», [43] состояний, которые досаждают переработчикам 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. [44]

Геологические образцы, такие как керны буровых скважин , могут быть быстро нанесены на карту для почти всех минералов, представляющих коммерческий интерес, с помощью гиперспектральной визуализации. Слияние спектральных изображений SWIR и LWIR является стандартным для обнаружения минералов в группах полевого шпата , кремния , кальцита , граната и оливина , поскольку эти минералы имеют свою наиболее отличительную и сильную спектральную сигнатуру в областях LWIR. [44]

Гиперспектральное дистанционное зондирование минералов хорошо развито. Многие минералы можно идентифицировать по аэрофотоснимкам, и их связь с наличием ценных минералов, таких как золото и алмазы, хорошо изучена. В настоящее время прогресс направлен на понимание связи между утечками нефти и газа из трубопроводов и природных скважин, а также их воздействием на растительность и спектральные сигнатуры. Недавние работы включают докторские диссертации Верффа [45] и Ноомена. [46]

Наблюдение

Измерение гиперспектрального теплового инфракрасного излучения , сканирование на открытом воздухе в зимних условиях, температура окружающей среды -15°C — относительные спектры излучения от различных целей на изображении показаны стрелками. Инфракрасные спектры различных объектов, таких как стекло часов, имеют четко выраженные отличительные характеристики. Уровень контрастности указывает на температуру объекта. Это изображение было получено с помощью гиперспектрального тепловизора Specim LWIR. [44]

Гиперспектральное наблюдение — это реализация технологии гиперспектрального сканирования для целей наблюдения . Гиперспектральное изображение особенно полезно в военном наблюдении из-за контрмер , которые военные организации теперь принимают, чтобы избежать наблюдения с воздуха. Идея, которая движет гиперспектральным наблюдением, заключается в том, что гиперспектральное сканирование извлекает информацию из такой большой части светового спектра, что любой заданный объект должен иметь уникальную спектральную сигнатуру по крайней мере в нескольких из многих сканируемых диапазонов. Гиперспектральное изображение также показало потенциал для использования в целях распознавания лиц . Было показано, что алгоритмы распознавания лиц, использующие гиперспектральное изображение, работают лучше, чем алгоритмы, использующие традиционное изображение. [47]

Традиционно, коммерчески доступные тепловые инфракрасные гиперспектральные системы визуализации требовали охлаждения жидким азотом или гелием , что делало их непрактичными для большинства приложений наблюдения. В 2010 году Specim представила тепловую инфракрасную гиперспектральную камеру, которая может использоваться для наружного наблюдения и приложений БПЛА без внешнего источника света, такого как солнце или луна. [48] [49]

Астрономия

В астрономии гиперспектральная визуализация используется для определения пространственно-разрешенного спектрального изображения. Поскольку спектр является важной диагностикой, наличие спектра для каждого пикселя позволяет решать больше научных задач. В астрономии этот метод обычно называют интегральной полевой спектроскопией , и примерами этого метода являются FLAMES [50] и SINFONI [51] на Очень Большом Телескопе , а также Advanced CCD Imaging Spectrometer на рентгеновской обсерватории Chandra, использующий этот метод.

Дистанционная химическая съемка одновременного выброса SF6 и NH3 на расстоянии 1,5 км с использованием спектрометра Telops Hyper-Cam. [52]

Химическая визуализация

Солдаты могут подвергаться воздействию широкого спектра химических опасностей. Эти угрозы в основном невидимы, но их можно обнаружить с помощью технологии гиперспектральной визуализации. Камера Telops Hyper-Cam, представленная в 2005 году, продемонстрировала это на расстоянии до 5 км. [53]

Среда

Верхняя панель: Контурная карта усредненной по времени спектральной яркости на 2078 см −1 , соответствующей линии эмиссии CO2 . Нижняя панель: Контурная карта спектральной яркости на 2580 см −1 , соответствующей непрерывной эмиссии частиц в шлейфе. Полупрозрачный серый прямоугольник указывает положение стека. Горизонтальная линия в строке 12 между столбцами 64–128 указывает пиксели, используемые для оценки фонового спектра. Измерения выполнены с помощью Telops Hyper-Cam. [54]

Большинство стран требуют постоянного мониторинга выбросов, производимых угольными и нефтяными электростанциями, муниципальными и опасными мусоросжигательными заводами, цементными заводами, а также многими другими типами промышленных источников. Этот мониторинг обычно выполняется с использованием систем отбора проб в сочетании с методами инфракрасной спектроскопии. Некоторые недавние измерения с выносом позволили оценить качество воздуха, но не многие дистанционные независимые методы позволяют проводить измерения с низкой неопределенностью.

Гражданское строительство

Недавние исследования показывают, что гиперспектральная съемка может быть полезна для обнаружения развития трещин в тротуарах [55] , которые трудно обнаружить с помощью изображений, полученных с помощью камер видимого спектра. [55]

Биомедицинская визуализация

Гиперспектральная визуализация также использовалась для обнаружения рака, идентификации нервов и анализа синяков. [56]

Преимущества и недостатки

Основное преимущество гиперспектральной визуализации заключается в том, что, поскольку весь спектр получается в каждой точке, оператору не нужны предварительные знания об образце, а постобработка позволяет извлекать всю доступную информацию из набора данных. Гиперспектральная визуализация также может использовать пространственные отношения между различными спектрами в окрестности, что позволяет использовать более сложные спектрально-пространственные модели для более точной сегментации и классификации изображения. [57] [58]

Основными недостатками являются стоимость и сложность. Для анализа гиперспектральных данных необходимы быстрые компьютеры, чувствительные детекторы и большие емкости для хранения данных. Необходима значительная емкость для хранения 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 программирования гиперспектральных спутников для самостоятельной сортировки данных и передачи только самых важных изображений, поскольку как передача, так и хранение такого большого количества данных может оказаться сложным и дорогостоящим. [9] Как относительно новый аналитический метод, полный потенциал гиперспектральной визуализации еще не реализован.

Смотрите также

Ссылки

  1. ^ Чилтон, Александр (2013-10-07). «Принцип работы и основные области применения инфракрасных датчиков». AZoSensors . Получено 2020-07-11 .
  2. ^ Chein-I Chang (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 применение анализа гиперспектральных изображений. John Wiley & Sons. 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. Bibcode :2013OptEn..52i0901H. doi : 10.1117/1.OE.52.9.090901 . S2CID  215807781.
  5. ^ ab Lu, G; Fei, B (январь 2014 г.). "Медицинская гиперспектральная визуализация: обзор". Журнал биомедицинской оптики . 19 (1): 10901. Bibcode : 2014JBO....19a0901L. doi : 10.1117/1.JBO.19.1.010901. PMC 3895860. PMID  24441941 . 
  6. ^ ab "Спектральное изображение и линейное разложение". Микроскопия NikonU .
  7. ^ abcd http://www.bodkindesign.com/wp-content/uploads/2012/09/Hyperspectral-1011.pdf [ пустой URL-адрес PDF ]
  8. ^ abc Grusche, Sascha (2014). "OSA – Базовый щелевой спектроскоп выявляет трехмерные сцены через диагональные срезы гиперспектральных кубов". Applied Optics . 53 (20): 4594–5103. Bibcode :2014ApOpt..53.4594G. doi :10.1364/AO.53.004594. PMID  25090082.
  9. ^ ab Schurmer, JH, (декабрь 2003 г.), Air Force Research Laboratories Technology Horizons
  10. ^ "Earth Observing 1 (EO-1)". earthobservatory.nasa.gov . 2000-11-15 . Получено 2020-07-17 .
  11. ^ ab Ellis, J., (январь 2001 г.) Поиск нефтяных просачиваний и загрязненной нефтью почвы с помощью гиперспектральных изображений. Архивировано 05.03.2008 в Wayback Machine , журнале Earth Observation.
  12. ^ ab Lu, Guolan; Fei, Baowei (2014). "SPIE – Журнал биомедицинской оптики – Медицинская гиперспектральная визуализация: обзор". Журнал биомедицинской оптики . 19 (1): 010901. Bibcode :2014JBO....19a0901L. doi :10.1117/1.JBO.19.1.010901. PMC 3895860 . PMID  24441941. 
  13. ^ "StackPath". www.laserfocusworld.com . Архивировано из оригинала 2019-10-10 . Получено 2021-08-20 .
  14. ^ Хаген, Натан; Кестер, Роберт Т.; Гао, Лян; Ткачик, Томаш С. (2012). "SPIE – Optical Engineering – Snapshot advantage: a review of the light collection improve for parallel high-dimensional measurement systems". Optical Engineering . 51 (11): 111702. Bibcode :2012OptEn..51k1702H. doi :10.1117/1.OE.51.11.111702. PMC 3393130 . PMID  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. ^ J Priore, Ryan; Haibach, Frederick; V Schiza, Maria; E Greer, Ashley; L Perkins, David; Myrick, ML (2004-08-01). "Миниатюрная стереоспектральная система визуализации для многомерных оптических вычислений". Applied Spectroscopy . 58 (7): 870–3. Bibcode :2004ApSpe..58..870P. doi :10.1366/0003702041389418. PMID  15282055. S2CID  39015203.
  17. ^ Дэвис, Брэндон М.; Хемфилл, Аманда Дж.; Себечи Мальташ, Дерья; Зиппер, Майкл А.; Ванг, Пинг; Бен-Амоц, Дор (2011-07-01). «Многомерная гиперспектральная рамановская визуализация с использованием компрессионного обнаружения». Аналитическая химия . 83 (13): 5086–5092. doi :10.1021/ac103259v. ISSN  0003-2700. PMID  21604741.
  18. ^ Гиперспектральная съемка с использованием пространственно-спектральных изображений с помощью простого спектроскопа. 12 июля 2014 г. Архивировано из оригинала 2021-12-19 – через YouTube.
  19. ^ Полдер, Геррит; Гоуэн, Аойфе (27 февраля 2020 г.). «Ажиотаж вокруг спектральной визуализации». Журнал спектральной визуализации . 9 : a4. doi : 10.1255/jsi.2020.a4 (неактивен 1 ноября 2024 г.). S2CID  213347436. Получено 23 июля 2021 г.{{cite journal}}: CS1 maint: DOI неактивен по состоянию на ноябрь 2024 г. ( ссылка )
  20. ^ CM Veys; et al. (2017). «Сверхбюджетное активное многоспектральное устройство диагностики сельскохозяйственных культур» (PDF) . Журнал датчиков IEEE . 113 : 1005–1007.
  21. ^ Смит, РБ (14 июля 2006 г.), Введение в гиперспектральную визуализацию с помощью TMIPS. Архивировано 09.05.2008 на Wayback Machine , веб-сайте MicroImages Tutorial.
  22. ^ Лакар, Ф. М.; и др. (2001). «Использование гиперспектральных изображений для картирования сортов винограда в долине Баросса, Южная Австралия». IGARSS 2001. Scanning the Present and Resolving the Future. Труды. IEEE 2001 International Geoscience and Remote Sensing Symposium (Cat. No.01CH37217) . Том 6. стр. 2875–2877. doi :10.1109/IGARSS.2001.978191. hdl :2440/39292. ISBN 0-7803-7031-7. S2CID  61008168.
  23. ^ Ферверда, Дж. Г. (2005), Картографирование качества кормов: измерение и картирование изменений химических компонентов в листве с помощью гиперспектрального дистанционного зондирования , Университет Вагенингена , ITC Диссертация 126, 166 стр. ISBN 90-8504-209-7 
  24. ^ Тиллинг, А.К. и др. (2006) Дистанционное зондирование для обнаружения азотного и водного стресса в пшенице , Австралийское общество агрономии
  25. ^ Vermeulen, Ph.; et al. (2017). «Оценка покрытия пестицидами семян зерновых культур с помощью гиперспектральной визуализации в ближнем инфракрасном диапазоне». Журнал спектральной визуализации . 6 : a1. doi : 10.1255/jsi.2017.a1 (неактивен 1 ноября 2024 г.).{{cite journal}}: CS1 maint: DOI неактивен по состоянию на ноябрь 2024 г. ( ссылка )
  26. ^ Фернандес Пьерна, JA, и др., «Комбинация опорных векторных машин (SVM) и спектроскопии изображений в ближнем инфракрасном диапазоне (NIR) для обнаружения мяса и костей (MBM) в комбикормах», Журнал хемометрии 18 (2004) 341-349
  27. ^ Гарднер, Элизабет К. «Исследование показало, что листовая зелень, загрязненная тяжелыми металлами, становится фиолетовой». Университет Пердью . Получено 26 января 2022 г.
  28. ^ Зеа, Мария; Соуза, Аугусто; Янг, Янг; Ли, Линда; Немали, Кришна; Хогланд, Лори (1 января 2022 г.). «Использование технологии высокопроизводительной гиперспектральной визуализации для обнаружения кадмиевого стресса в двух листовых зеленых культурах и ускорения усилий по восстановлению почвы». Загрязнение окружающей среды . 292 (Pt B): 118405. Bibcode : 2022EPoll.29218405Z. doi : 10.1016/j.envpol.2021.118405 . ISSN  0269-7491. PMID  34710518. S2CID  239975631.
  29. ^ ab Francisco Pinto, Michael Mielewczik, Frank Liebisch, Achim Walter, Hartmut Greven, Uwe Rascher (2013), "Неинвазивное измерение отражательной способности кожи лягушки в высоком пространственном разрешении с использованием двойного гиперспектрального подхода.", PLOS ONE , т. 8, № 9, стр. e73234, Bibcode : 2013PLoSO...873234P, doi : 10.1371/journal.pone.0073234 , hdl : 20.500.11850/76533 , PMC 3776832 , PMID  24058464 {{citation}}: CS1 maint: несколько имен: список авторов ( ссылка )
  30. ^ Милевчик, Майкл; Либиш, Франк; Уолтер, Ахим; Гревен, Хартмут. «Отражение в ближнем инфракрасном диапазоне (NIR) у насекомых – фенетические исследования 181 вида». Энтомология Heute . 24 : 183–215.
  31. ^ Караджа, Али Кан; Эртурк, Альп; Гуллу, М. Кемаль; Элмас, М.; Эртурк, Сарп (июнь 2013 г.). «Автоматическая сортировка отходов с использованием системы гиперспектральной визуализации в коротковолновом инфракрасном диапазоне». 5-й семинар 2013 г. по гиперспектральной обработке изображений и сигналов: эволюция дистанционного зондирования (WHISPERS) . стр. 1–4. doi :10.1109/WHISPERS.2013.8080744. ISBN 978-1-5090-1119-3. S2CID  37092593.
  32. ^ Брунн, Майкл (1 сентября 2020 г.). «Гиперспектральная съемка, сокращающая текстильные отходы». Журнал RECYCLING . Получено 26 января 2022 г.
  33. ^ "Specim запускает комплексную платформу спектральной визуализации для сортировочной отрасли". optics.org . Получено 26 января 2022 г. .
  34. ^ 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. Бибкод : 2020JAAP..15204804Q. дои : 10.1016/j.jaap.2020.104804. ISSN  0165-2370. S2CID  200068035.
  35. ^ «Прорыв в разделении пластиковых отходов: машины теперь могут различать 12 различных типов пластика». Университет Орхуса . Получено 19 января 2022 г.
  36. ^ Хенриксен, Мартин Л.; Карлсен, Селин Б.; Кларсков, Пернилле; Хинге, Могенс (1 января 2022 г.). «Классификация пластика с помощью анализа гиперспектральной камеры в линию и неконтролируемого машинного обучения». Вибрационная спектроскопия . 118 : 103329. Bibcode : 2022VibSp.11803329H. doi : 10.1016/j.vibspec.2021.103329 . ISSN  0924-2031. S2CID  244913832.
  37. ^ "Главная". Оптина .
  38. ^ AM Shahidi; et al. (2013). «Региональные вариации насыщения кислородом сосудов сетчатки человека». Experimental Eye Research . 113 : 143–147. doi : 10.1016/j.exer.2013.06.001. PMID  23791637.
  39. ^ Хиггинс, Кевин. «Пять новых технологий для инспекции». Пищевая промышленность. Архивировано из оригинала 15 августа 2013 г. Получено 6 сентября 2013 г.
  40. ^ "Гиперспектральная визуализация борется с пищевыми отходами". www.photonics.com . Получено 26 января 2022 г. .
  41. ^ Бургсталлер, Маркус и др. (февраль 2012 г.). «В центре внимания: спектральная визуализация сортирует дефекты «сахарного конца». PennWell.
  42. ^ Dacal-Nieto, Angel; et al. (2011). Неразрушающее обнаружение полого сердца в картофеле с использованием гиперспектральной визуализации (PDF) . Springer. стр. 180–187. ISBN 978-3-642-23677-8. Архивировано из оригинала (PDF) 2014-08-10.
  43. ^ Dacal-Nieto, Angel; et al. (2011). "Обнаружение парши обыкновенной на картофеле с использованием инфракрасной гиперспектральной системы визуализации". Анализ и обработка изображений – ICIAP 2011. Конспект лекций по информатике. Том 6979. С. 303–312. doi :10.1007/978-3-642-24088-1_32. ISBN 978-3-642-24087-4.
  44. ^ abc Holma, H., (май 2011 г.), Thermische Hyperspektralbildgebung im langwelligen Infrarot. Архивировано 26 июля 2011 г., в Wayback Machine , Photonik.
  45. ^ Верфф Х. (2006), Дистанционное зондирование сложных объектов на основе знаний: распознавание спектральных и пространственных закономерностей, возникающих в результате естественных просачиваний углеводородов , Утрехтский университет , ITC Диссертация 131, 138 стр. ISBN 90-6164-238-8 
  46. ^ Noomen, MF (2007), Гиперспектральное отражение растительности, затронутой подземным просачиванием углеводородного газа , Энсхеде, ITC 151 стр. ISBN 978-90-8504-671-4 . 
  47. ^ "Исследования по гиперспектральному распознаванию лиц в видимом спектре с выбором полосы признаков - Журналы и журнал IEEE". CiteSeerX 10.1.1.413.3801 . doi :10.1109/TSMCA.2010.2052603. S2CID  18058981.  {{cite journal}}: Цитировать журнал требует |journal=( помощь )
  48. ↑ Frost & Sullivan (февраль 2011 г.). Технические соображения, аэрокосмическая промышленность и оборона: первая в мире тепловая гиперспектральная камера для беспилотных летательных аппаратов.
  49. ^ Сова Specim видит невидимый объект и определяет его материалы даже в кромешной тьме. Архивировано 21.02.2011 на Wayback Machine .
  50. ^ "FLAMES – Fibre Large Array Multi Element Spectrograph". ESO . Получено 30 ноября 2012 г. .
  51. ^ "SINFONI – Спектрограф для интегральных полевых наблюдений в ближнем инфракрасном диапазоне". ESO . Получено 30 ноября 2012 г.
  52. ^ М. Чемберланд, В. Фарли, А. Вальер, Л. Бельюмер, А. Вильмер, 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.
  53. ^ Фарли, В., Чемберленд, М., Лагё, П. и др., «Обнаружение и идентификация химических агентов с помощью гиперспектрального инфракрасного датчика», Архивировано 13 июля 2012 г. в archive.today Труды SPIE, том 6661, 66610L (2007).
  54. ^ Гросс, Кевин С.; Брэдли, Кеннет С.; Перрам, Глен П. (2010). «Дистанционная идентификация и количественная оценка промышленных выбросов дымовых труб с помощью спектроскопии с преобразованием Фурье». Environmental Science & Technology . 44 (24): 9390–9397. Bibcode : 2010EnST...44.9390G. doi : 10.1021/es101823z. PMID  21069951.
  55. ^ ab Абделлатиф, Мохамед; Пил, Харриет; Кон, Энтони Г.; Фуэнтес, Рауль (2020). «Обнаружение трещин в дорожном покрытии с помощью гиперспектральных изображений с использованием нового индекса трещин в асфальте». Дистанционное зондирование . 12 (18): 3084. Bibcode : 2020RemS...12.3084A. doi : 10.3390/rs12183084 .
  56. ^ Лу, Гуолань; Фэй, Баовэй (2014). «Медицинская гиперспектральная визуализация: обзор». Журнал биомедицинской оптики . 19 (1): 010901. Bibcode : 2014JBO....19a0901L. doi : 10.1117/1.JBO.19.1.010901. ISSN  1083-3668. PMC 3895860. PMID  24441941 . 
  57. ^ A. Picon, O. Ghita, PF Whelan, P. Iriondo (2009), Интеграция спектральных и пространственных признаков для классификации цветных металлов в гиперспектральных данных , Труды IEEE по промышленной информатике, том 5, № 4, ноябрь 2009 г.
  58. ^ Ран, Линянь; Чжан, Яньнин; Вэй, Вэй; Чжан, Цилинь (2017-10-23). ​​«Структура классификации гиперспектральных изображений с пространственными характеристиками пар пикселей». Датчики . 17 (10): 2421. Bibcode : 2017Senso..17.2421R. doi : 10.3390/s17102421 . PMC 5677443. PMID  29065535 . 

Внешние ссылки

На Викискладе есть медиафайлы по теме «Гиперспектральная съемка» .