Визуализирующая спектроскопия

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 ( $\lambda /\Delta \lambda$ ) 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 атмосферных примесей газов, 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]

Фон

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 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 .

Размешивание

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 веса линейной смеси не только положительны, но и равны единице. Математически модель можно описать следующим образом:

p=A*x\,

где $p$ представляет пиксель, наблюдаемый датчиком, $A$ представляет собой матрицу сигнатур отражения материала (каждая сигнатура представляет собой столбец матрицы), и $x$ — это доля материала, присутствующего в наблюдаемом пикселе. Этот тип модели еще называют симплексом .

С $x$ удовлетворяющее двум ограничениям:1. Ограничение неотрицательности изобилия (ANC) — каждый элемент x положителен.2. Ограничение избыточности суммы к единице (ASC) — сумма элементов x должна равняться единице.

Нелинейное смешивание возникает в результате многократного рассеяния, часто из-за неровных поверхностей, таких как здания и растительность.

Существует множество алгоритмов разделения гиперспектральных данных, каждый из которых имеет свои сильные и слабые стороны. Многие алгоритмы предполагают, что в сцене присутствуют чистые пиксели (пиксели, содержащие только один материал).Некоторые алгоритмы выполнения несмешивания перечислены ниже:

Индекс чистоты пикселей Работает путем проецирования каждого пикселя на один вектор из набора случайных векторов, охватывающих пространство отражения. Пиксель получает оценку, когда он представляет собой экстремум всех проекций. Пиксели с наивысшими баллами считаются спектрально чистыми.
Н-ФИНДР ^[2]
Алгоритм упаковки подарка
Алгоритм извлечения конечных элементов независимого анализа компонентов — работает, предполагая, что чистые пиксели возникают независимо от смешанных пикселей. Предполагается, что присутствуют чистые пиксели.
Анализ компонентов вершин - работает на том, что аффинное преобразование симплекса - это другой симплекс, который помогает найти скрытые (свернутые) вершины симплекса. Предполагается, что присутствуют чистые пиксели.
Анализ главных компонентов - также может использоваться для определения конечных элементов, проекция на главные оси может позволить выбрать конечные элементы [Smith, Johnson et Adams (1985), Bateson et Curtiss (1996)]
Анализ пространственной смеси нескольких конечных элементов на основе алгоритма SMA
Спектрально-векторный анализ, основанный на преобразовании спектров Фурье и нанесении их на двумерный график.

Также существуют нелинейные алгоритмы разделения: машины опорных векторов или аналитическая нейронная сеть.

вероятностных методов Также были предприняты попытки разделить пиксели с помощью алгоритма разделения Монте-Карло .

После того, как основные материалы сцены определены, часто бывает полезно построить карту содержания каждого материала, которая отображает дробное количество материала, присутствующего в каждом пикселе. Часто линейное программирование выполняется для наблюдаемых ANC и ASC.

Датчики

Планируется

ЭнМАП

Настоящее и прошлое

АВИРИС — воздушно-капельный
MODIS — на борту EOS Terra и Aqua платформ
МЕРИС — на борту Envisat
Гиперион — на борту Earth Observing-1
Несколько коммерческих производителей лабораторных, наземных, воздушных или промышленных спектрографов визуализации.

См. также

Ссылки

^ «На Луне обнаружено большое количество воды» . Телеграф . 24 сентября 2009 г. Архивировано из оригинала 28 сентября 2009 г.
^ Винтер, Майкл Э. (1999). «N-FINDR: алгоритм быстрого автономного определения конечных членов спектра в гиперспектральных данных» . В Дескуре Майкл Р.; Шен, Сильвия С. (ред.). Визуальная спектрометрия V . Том. 3753. стр. 266–275. дои : 10.1117/12.366289 . S2CID 64222754 .

Гетц, А. Ф. Х., Вейн, Г., Соломон, Дж. Э., и Рок, Б. Н. (1985) Спектрометрия изображений для дистанционного зондирования Земли. Наука, 228, 1147.
Шапман, М. (2005) Спектронаправленная визуализация: от пикселей к процессам. Инаугурационная речь, Вагенингенский университет, Вагенинген (Нидерланды).
Вейн Г., Крисп М., Эммарк Х., Маценка С. и Соломон Дж. (1984) Спектрометр для получения изображений в видимом инфракрасном диапазоне ( AVIRIS ): усовершенствованный инструмент для дистанционного зондирования Земли. Европейское космическое агентство, (Специальная публикация) ESA SP, 2, 751.

Внешние ссылки

О спектроскопии изображений (USGS): http://speclab.cr.usgs.gov/aboutimsp.html.
Ссылка на ресурсы (OKSI): http://www.techexpo.com/WWW/opto-knowledge/IS_resources.html
Спектроскопия изображений специальной группы по интересам (EARSeL): https://web.archive.org/web/20051230225147/http://www.op.dlr.de/dais/SIG-IS/SIG-IS.html
Применение спектроскопической и химической визуализации в исследованиях: http://www3.imperial.ac.uk/vibrationalspectrocracyandchemicalimaging/research
Инструмент анализа для спектрального разделения: http://www.spechron.com

[1] «На Луне обнаружено большое количество воды» . Телеграф . 24 сентября 2009 г. Архивировано из оригинала 28 сентября 2009 г.

[2] Винтер, Майкл Э. (1999). «N-FINDR: алгоритм быстрого автономного определения конечных членов спектра в гиперспектральных данных» . В Дескуре Майкл Р.; Шен, Сильвия С. (ред.). Визуальная спектрометрия V . Том. 3753. стр. 266–275. дои : 10.1117/12.366289 . S2CID 64222754 .

[1]

[2]