В спектроскопии изображений (также гиперспектральной визуализации или спектральной визуализации ) каждый пиксель изображения получает множество полос данных об интенсивности света из спектра, а не только три полосы цветовой модели RGB . Точнее, это одновременное получение пространственно совмещенных изображений во многих спектрально смежных диапазонах .
Некоторые спектральные изображения содержат только несколько плоскостей изображения куба спектральных данных , в то время как другие лучше рассматривать как полные спектры в каждом месте изображения. Например, физики Солнца используют спектрогелиограф для получения изображений Солнца, полученных путем сканирования щели спектрографа, для изучения поведения поверхностных элементов Солнца; такая спектрогелиограмма может иметь спектральное разрешение более 100 000 ( ) и использоваться для измерения локального движения (посредством доплеровского сдвига ) и даже магнитного поля (посредством расщепления Зеемана или эффекта Ханле ) в каждом месте плоскости изображения. Мультиспектральные изображения , собранные марсоходом Opportunity , напротив, имеют только четыре диапазона длин волн и, следовательно, представляют собой лишь немногим более трехцветных изображений .
Одним из применений является спектральная геофизическая визуализация , которая позволяет количественно и качественно охарактеризовать поверхность и атмосферу с помощью радиометрических измерений. Эти измерения затем можно использовать для однозначной прямой и косвенной идентификации поверхностных материалов и газовых примесей атмосферы, измерения их относительных концентраций, последующего определения пропорционального вклада смешанных сигналов пикселей (например, задача спектрального несмешивания), вывода их пространственное распределение (проблема картирования) и, наконец, их изучение во времени (многовременной анализ). Лунный минералогический картограф на Чандраяане-1 представлял собой спектрометр геофизических изображений . [1]
В 1704 году сэр Исаак Ньютон продемонстрировал, что белый свет можно разделить на составляющие цвета. Последующая история спектроскопии привела к точным измерениям и обеспечила эмпирические основы атомной и молекулярной физики (Борн и Вольф, 1999). Значительные достижения в области визуализационной спектроскопии связаны с авиационными приборами, особенно появившимися в начале 1980-х и 1990-х годов (Goetz et al., 1985; Vane et al., 1984). Однако только в 1999 году в космос был запущен первый спектрометр визуализации ( спектрорадиометр НАСА среднего разрешения или MODIS).
Терминология и определения со временем меняются. Когда-то более 10 спектральных диапазонов было достаточно, чтобы оправдать термин « визуальный спектрометр », но в настоящее время этот термин редко определяется общим минимальным количеством спектральных диапазонов, а скорее последовательным (или избыточным) определением спектральных диапазонов .
Гиперспектральные данные часто используются для определения того, какие материалы присутствуют в сцене. Материалы, представляющие интерес, могут включать дороги, растительность и конкретные объекты (т. е. загрязняющие вещества, опасные материалы и т. д.). Проще говоря, каждый пиксель гиперспектрального изображения можно сравнить с базой данных материалов, чтобы определить тип материала, из которого состоит пиксель. Однако многие платформы гиперспектральной визуализации имеют низкое разрешение (>5 м на пиксель), в результате чего каждый пиксель представляет собой смесь нескольких материалов. Процесс разделения одного из этих «смешанных» пикселей называется разделением гиперспектрального изображения или просто гиперспектральным разделением.
Решение проблемы гиперспектрального несмешивания состоит в том, чтобы обратить процесс смешивания вспять. Обычно предполагаются две модели перемешивания: линейная и нелинейная. Линейное смешивание моделирует землю как плоскую, а падающий на нее солнечный свет заставляет материалы излучать некоторое количество падающей энергии обратно на датчик. Каждый пиксель моделируется как линейная сумма всех кривых излучаемой энергии материалов, составляющих пиксель. Таким образом, каждый материал вносит положительный линейный вклад в наблюдение датчика. Кроме того, часто наблюдается сохранение ограничения по энергии, что приводит к тому, что вес линейной смеси не только положителен, но и равен единице. Математически модель можно описать следующим образом:
где представляет собой пиксель, наблюдаемый датчиком, — матрицу сигнатур отражения материала (каждая сигнатура представляет собой столбец матрицы), а — долю материала, присутствующего в наблюдаемом пикселе. Этот тип модели еще называют симплексом .
При соблюдении двух ограничений: 1. Ограничение неотрицательности изобилия (ANC) — каждый элемент x положителен. 2. Ограничение избыточности суммы к единице (ASC) — сумма элементов x должна равняться единице.
Non-linear mixing results from multiple scattering often due to non-flat surface such as buildings and vegetation.
There are many algorithms to unmix hyperspectral data each with their own strengths and weaknesses. Many algorithms assume that pure pixels (pixels which contain only one materials) are present in a scene. Some algorithms to perform unmixing are listed below:
Non-linear unmixing algorithms also exist: support vector machines or analytical neural network.
Probabilistic methods have also been attempted to unmix pixel through Monte Carlo unmixing algorithm.
Once the fundamental materials of a scene are determined, it is often useful to construct an abundance map of each material which displays the fractional amount of material present at each pixel. Often linear programming is done to observed ANC and ASC.
Planned
Current and Past
