多光谱成像技术是基于成像学和光谱学发展起来的一门新兴技术,此技术和普通成像技术的最大不同之处在于多光谱成像技术能获得每张图像每个像素点的高分辨率的光谱,不是肉眼所见的红、蓝、绿三色图像^[1]。

随着多光谱成像技术的发展,其在各领域的应用也在逐渐增多。多光谱成像技术可应用于军事、植物病毒监控、水资源跟踪、地质灾害预测、生物医学^{[2, 3]}等方面。然而,多光谱成像技术的各领域的应用过程中,仍然存在着很多问题,例如光谱和图像分辨率的不断提高,庞大的数据量,光谱成像仪的定标^[4],无论是在存储还是在计算过程都是很难克服的问题。为了解决上述问题,在采集以及整理各波段图像所包含信息以及数据之后,需要找出最佳波段。最佳波段就是指那些信息量多、相关性小、地物光谱差异大、可分性好的波段^[5]。通过最佳波段图像信息、数据的采集及整理,提取出物体特征光谱在很大程度上可以避免上述问题。

通常,选择最佳波段原则有以下三点^[6]:(1)所选择波段信息量要大;(2)波段间的相关性要小;(3)波段组合对所研究地物类型的光谱差异要大。常用的最佳波段选择方法有熵和联合熵^[7]、最佳指数法^[8]、波段选择的指数方法^[9]。与其它两种方法相比,波段选择的指数方法的意义更加明确,更能综合地反映通道信息含量和相关性两个因素^[10]。因此,本文采用波段选择的指数方法来处理实验数据。

设R_i为通道i与j之间的相关性系数,成像光谱数据被分为m组,每组的波段数分别为n₁、n₂…n_m,定义波段指数为^[9]:

 式中σ_i为第i个波段的均方差,R_w为第i个波段与所在组内其它各波段相关系数的绝对值之和的平均值,R_a为第i个波段与所在组以外的其它各波段之间的相关系数的绝对值之和。

由于各组内各波段的相关性很强而各组间波段的相关性很弱,一波段的整体相关性强弱主要是由其与所在组内各波段的相关性大小决定,而各组的大小不同,即构成各个组的波段数不同。因此使用组内一个波段与其它波段相关系数的绝对值之和的平均值作为波段指数分母中的一项,能更合理地反映出该波段的整体优劣水平。

波段指数的意义非常明确,均方差越大,表明波段的离散程度越大,所含信息量也越丰富,而如果波段的相关系数绝对值越小,则表明通道数据的独立性越强,信息冗余度也越小^[11]。所以波段指数P_i能综合反映通道信息的含量和相关性两个因素,可作为选择波段的重要参数之一^[12]。

本实验所使用的仪器设备主要由液晶可调谐滤波器^[13](liquid crystal tunable filter,LCTF)、单色CMOS相机和计算机控制软件组成。其中LCTF使用美国CRI公司的VariSpecTM(VIS-07-20),带宽(FWHM)为10 nm,半角可视范围为7.5°,响应时间为50 ms;CMOS相机的型号为SunTime 500B,像元尺寸为2.2 μm×2.2 μm,有效像素为2 592×1 944。其原理如图 1所示,通过LCTF采集的多光谱样本数据,由数据处理模块进行数据提取,最后输出待测样本的特征光谱。计算机控制软件主要用来控制液晶滤波器和单色CMOS相机。

实验采集的样本由云南省农科院提供,采集的环境为温室大棚里面,采集的对象为TN1 #水稻幼苗,实验所采用的波段指数法适用于所有可见地物,进行多光谱成像,然后从众多波段中选取信息量丰富或有代表性的波段。

首先,利用图 1所示的实验设备,设置波长范围从440～720 nm,波长间隔为5 nm对水稻幼苗进行采样,将所得的多光谱图像通过专业软件打开,可以得到一个数据立方体,总共57幅水稻的多光谱图像,图 2是从数据立方体中分别在440～500 nm,500～600 nm,600～700 nm,700～720 nm四个区间选取的4张多光谱图像。

图 1

Fig. 1

图 1 数据采集流程图 Fig. 1 Flow chart of data collection

图 2

Fig. 2

图 2 4幅多光谱图像 Fig. 2 4 multi-spectral images

图中,水稻幼苗中放置了Macbeths 24色卡作为参考背景,在所采集的多光谱图像中随机选取水稻幼苗20个矩形区域,每个矩形区域大小为2 mm×2 mm。将每幅图像每个矩形区域中单个像素灰度值累加后平均,得到该区域的一个平均灰度值,最后组成一个57×20的样本灰度值数组,得到20个样本灰度值曲线,如图 3所示,可以得出,样本的灰度值已经反映出水稻的光谱曲线特征,因此实验直接采用57×20样本灰度值数值,代入式(2)和式(3),得到各个通道的R_i值,再代入式(1),即可得到各通道光谱数据的波段指数值。

图 3

Fig. 3

图 3 20个样本灰度值曲线 Fig. 3 Gray value curves of 20 samples

表 1是最终计算出P_i值后,挑选出P_i值排在前10个通道的R_i和P_i值。

表 1(Table 1">Table 1)

表 1 成像光谱数据波段指数排序 Tab. 1 Sorting of band index for multi-spectral imaging data 通道/nm Ri Pi 通道/nm Ri Pi 545 7.98 1.55 520 9.94 0.94 500 10.17 1.34 560 13.28 0.83 530 6.40 1.33 720 14.53 0.80 550 12.36 1.10 660 26.32 0.77 475 15.47 0.98 630 28.12 0.71

表 1 成像光谱数据波段指数排序 Tab. 1 Sorting of band index for multi-spectral imaging data

波段指数是一个评价波段的重要参数,但并不是唯一的指标。通道选择的目的是为了有效识别物体,因此不能脱离具体的应用目的、应用价值去选择波段、评价波段,应该结合具体的事物,特别是难识别的物体光谱曲线特点,即其吸收、反射峰的特征波长去选择波段。对水稻各通道成像光谱数据做分析对比得到:绿色植物在蓝光波段(380～500 nm)反射率低,在绿光波段550 nm左右,形成一个反射率小峰;在红光波段(660～780 nm),起先反射率很低,在650 nm附近达到一个低谷,随后又上升。本实验中,由于水稻380～500 nm的低反射率特点,其对应的多光谱图像噪声较大,因此只有475 nm作为水稻的特征通道;在绿光波段,由于反射峰的存在,水稻多光谱图像的特征信息也较其它光谱区域丰富;在660～780 nm 的红光波段,由于水分的高反射率,630 nm、660 nm和720 nm具有较好的特征信息。综合考虑各通道的信息特点,通道475 nm、500 nm、530 nm、545 nm、550 nm、520 nm、560 nm、630 nm、660 nm、720 nm能更好地反映出水稻特征光谱信息。

本文以健康水稻幼苗的成像光谱为例,利用波段选择的指数方法计算实验数据并探讨了其光谱特征,得出通道475 nm、500 nm、530 nm、545 nm、550 nm、520 nm、560 nm、630 nm、660 nm、720 nm能更好地反映水稻的特征光谱信息,是水稻的特征通道。本实验所提取的特征通道能为水稻病害监测、生长状态识别等提供参考。实验过程中存在的一些不足之处,如数据量不足、多光谱图像不够清晰等。下一步工作是要增加数据采集量,提高数据立方体的样本多样性,通过分类研究,进一步对特征通道进行验证。