Hyperspektrale Bildgebung

Für eine umfassendere Berichterstattung über dieses Thema siehe Spektralbildgebung.
Zweidimensionale Projektion eines hyperspektralen Würfels

Hyperspektrale Bildgebung Sammelt und verarbeitet Informationen aus dem gesamten elektromagnetisches Spektrum.[1] Das Ziel der hyperspektralen Bildgebung ist es, das Spektrum für jedes Pixel im Bild einer Szene zu erhalten, um Objekte zu finden, Materialien zu identifizieren oder Prozesse zu erkennen.[2][3] Es gibt drei allgemeine Zweige von Spektralbildern. Es gibt Push Broom Scanner und die verwandten SCANGER SCANGERS (räumliches Scannen), das Bilder im Laufe der Zeit lesen, Band sequentielle Scanner (Spektral -Scanning), die Bilder eines Bereichs bei verschiedenen Wellenlängen erfassen, und Schnappschusshyperspektralbildgebung, was a verwendet Array anstarren In einem Augenblick ein Bild zu generieren.

Während die menschliches Auge sieht Farbe von sichtbares Licht Meistens Drei Bands (Lange Wellenlängen - als rote, mittlere Wellenlängen wahrgenommen - als grün wahrgenommen, und kurze Wellenlängen - als blau wahrgenommen), unterteilt das Spektrum das Spektrum in viele weitere Banden. Diese Technik, Bilder in Bänder zu teilen, kann über das sichtbare hinaus erweitert werden. Bei der hyperspektralen Bildgebung haben die aufgezeichneten Spektren eine feine Wellenlängenauflösung und bedecken einen weiten Wellenlängenbereich. Hyperspektrale Bildgebung misst kontinuierliche Spektralbänder im Gegensatz zu Multiband -Bildgebung die Spektralbänder mit Abstand misst.[4]

Ingenieure bauen Hyperspektralsensoren und Verarbeitungssysteme für Anwendungen in Astronomie, Landwirtschaft, Molekularbiologie, biomedizinischer Bildgebung, Geowissenschaften, Physik und Überwachung auf. Hyperspektralsensoren betrachten Objekte mit einem riesigen Teil des elektromagnetischen Spektrums. Bestimmte Objekte hinterlassen einzigartige "Fingerabdrücke" im elektromagnetischen Spektrum. Diese „Fingerabdrücke“, die als spektrale Signaturen bekannt sind, ermöglichen die Identifizierung der Materialien, aus denen ein gescanntes Objekt besteht. Zum Beispiel a Spektralsignatur Denn Öl hilft Geologen, neue zu finden Ölfelder.[5]

Sensoren

Im übertragenen Sinne sammeln hyperspektrale Sensoren Informationen als eine Reihe von "Bildern". Jedes Bild stellt einen schmalen Wellenlängenbereich des elektromagnetischen Spektrums dar, auch als Spektralband bezeichnet. Diese "Bilder" werden zu einem dreidimensionalen (bildenx,y,λ) Hyperspektral Datenwürfel zur Verarbeitung und Analyse wo x und y zwei räumliche Dimensionen der Szene darstellen, und λ repräsentiert die spektrale Dimension (bestehend aus einem Wellenlängenbereich).[6]

Technisch gesehen gibt es vier Möglichkeiten für Sensoren, den hyperspektralen Würfel zu probieren: räumliches Scannen, spektrales Scannen, Snapshot -Bildgebung,[5][7] und Spatio-Spektral-Scanning.[8]

Hyperspektrale Würfel werden aus Luftssensoren wie NASAs erzeugt In der Luft befindliche sichtbare/Infrarot -Bildgebungsspektrometer (Aviris) oder von Satelliten wie NASAs EO-1 mit seinem Hyperspektralinstrument Hyperion.[9][10] Für viele Entwicklungs- und Validierungsstudien werden jedoch Handheldsensoren verwendet.[11]

Die Genauigkeit dieser Sensoren wird typischerweise in der spektralen Auflösung gemessen, was die Breite jedes Bandes des erfassten Spektrums ist. Wenn der Scanner eine große Anzahl ziemlich enger Frequenzbänder erkennt, ist es möglich, Objekte zu identifizieren, selbst wenn sie nur in einer Handvoll Pixel erfasst werden. Jedoch, räumliche Auflösung ist zusätzlich zur spektralen Auflösung ein Faktor. Wenn die Pixel zu groß sind, werden mehrere Objekte im selben Pixel erfasst und sind schwer zu identifizieren. Wenn die Pixel zu klein sind, ist die von jeder Sensorzelle erfasste Intensität niedrig und die verringerte sich Signal-Rausch-Verhältnis Reduziert die Zuverlässigkeit gemessener Merkmale.

Die Erfassung und Verarbeitung von hyperspektralen Bildern wird auch als bezeichnet Bildgebungsspektroskopie oder unter Bezugnahme auf den hyperspektralen Würfel als 3D -Spektroskopie.

Scantechniken

Fotos, die einzelne Sensorausgänge für die vier hyperspektralen Bildgebungstechniken veranschaulichen. Von links nach rechts: Schlitzspektrum; monochromatische räumliche Karte; 'Perspektive Projektion' des hyperspektralen Würfels; Wellenlängencodierte räumliche Karte.

Es gibt vier grundlegende Techniken zum Erwerb des dreidimensionalen (x, y, λ) Datensatz eines hyperspektralen Würfels. Die Auswahl der Technik hängt von der spezifischen Anwendung ab, da jede Technik kontextabhängige Vor- und Nachteile hat.

Räumliches Scannen

Erfassungstechniken für die hyperspektrale Bildgebung, die als Abschnitte des hyperspektralen DataCube mit seinen beiden räumlichen Abmessungen (x, y) und einer spektralen Dimension (Lambda) sichtbar gemacht wurde.

Beim räumlichen Scannen stellt jeder zweidimensionale (2-D) -Sensorausgang ein vollständiges Spaltspektrum dar ((x, λ). HSI -Geräte (Hyperspektrale Bildgebung) für das räumliche Scannen erhalten Schlitzspektren, indem Sie einen Szenenstreifen auf einen Schlitz projizieren und das Schlitzbild mit einem Prisma oder einem Gitter verteilen. Diese Systeme haben den Nachteil, dass das Bild pro Linien analysiert wird (mit a Breomscanner drücken) und auch einige mechanische Teile in den optischen Zug integriert. Mit diesen Linien-Scan-KamerasDie räumliche Dimension wird durch Plattformbewegung oder Scannen gesammelt. Dies erfordert stabilisierte Halterungen oder genaue Zeigeninformationen, um das Bild zu „rekonstruieren“. Dennoch sind Linien-Scan-Systeme besonders häufig in Fernerkundung, wo es sinnvoll ist, mobile Plattformen zu nutzen. Line-Scan-Systeme werden auch verwendet, um Materialien auf einem Förderband zu scannen. Ein Sonderfall des Leitungsscannens ist Punktscanning (mit einer Besenscanner verquirlen), wo eine punktähnliche Apertur anstelle eines Schlitzes verwendet wird und der Sensor im Wesentlichen eindimensional anstelle von 2-D ist.[7][12]

Spectral Scanning

Beim spektralen Scannen stellt jeder 2-D-Sensorausgang eine monochromatische ('einzeln'), räumlich dar (räumlich (x, y) Karte der Szene. HSI-Geräte für das Spektralscanning basieren typischerweise auf optischen Bandpassfiltern (entweder einstellbar oder fest). Die Szene wird spektral gescannt, indem ein Filter nach dem anderen ausgetauscht wird, während die Plattform stationär bleibt. In solchen "Starren", Wellenlängen -Scan -Systemen, kann das Spektralverschmieren auftreten, wenn sich innerhalb der Szene bewegt, was die spektrale Korrelation/Erkennung ungültig macht. Trotzdem besteht der Vorteil, Spektralbänder auszuwählen und eine direkte Darstellung der beiden räumlichen Dimensionen der Szene zu haben.[6][7][12] Wenn das Bildgebungssystem auf einer sich bewegenden Plattform wie einem Flugzeug verwendet wird, entsprechen aufgenommene Bilder in verschiedenen Wellenlängen verschiedenen Bereichen der Szene. Die räumlichen Merkmale auf jedem der Bilder können verwendet werden, um die Pixel neu auszurichten.

Nicht-Scaning

Hauptartikel: Schnappschusshyperspektralbildgebung

Bei Nicht-Scanning enthält ein einzelner 2-D-Sensorausgang alle räumlich (x, y) und spektral (λ) Daten. HSI-Geräte für Nicht-Scaning-Ergibt die vollständige DataCube gleichzeitig ohne Scannen. Im übertragenen Sinne stellt ein einzelner Schnappschuss eine perspektivische Projektion des DataCube dar, aus der seine dreidimensionale Struktur rekonstruiert werden kann.[7][13] Die bekanntesten Vorteile dieser Schnappschusshyperspektralbildgebung Systeme sind die Snapshot -Vorteil (höherer Lichtdurchsatz) und kürzere Erfassungszeit. Es wurden eine Reihe von Systemen entworfen, einschließlich Computertomographische Bildgebungsspektrometrie (CTIS), Faser-Reformating-Bildgebungsspektrometrie (FRIS), Integrale Feldspektroskopie mit Lenslet -Arrays (IFS-L), Multi-Afertur-Integralfeldspektrometer (Hyperpixelarray), Integrale Feldspektroskopie mit Bildschneidspiegeln (IFS-S), Bildreplizierungsbildgebungsspektrometrie (IRIS), Filterstapel-Spektraldekoration (FSSD), codierte Apertur-Snapshot-Spektralbildgebung (CASSI), Bildzuordnungspektrometrie (IMS) und multispektrale Sagnac-Interferometrie (MSI).[14] Rechenaufwand und Herstellungskosten sind jedoch hoch. Um die Rechenanforderungen und möglicherweise die hohen Kosten für nicht besiedelnde hyperspektrale Instrumente zu reduzieren, basieren Prototypengeräte auf Multivariate optisches Computer wurden demonstriert. Diese Geräte basieren auf dem Multivariates optisches Element[15][16] Spektralberechnungsmotor oder der Räumlicher Lichtmodulator[17] Spektralberechnungsmotor. In diesen Plattformen werden chemische Informationen in der optischen Domäne vor der Bildgebung so berechnet, dass das chemische Bild auf herkömmlichen Kamerasystemen ohne weiteres Computer beruht. Als Nachteil dieser Systeme werden nie spektraler Informationen erfasst, d. H. Nur die chemischen Informationen, so dass keine Nachverarbeitung oder Reanalyse möglich ist.

Spatiospectral Scanning

Hauptartikel: Spatiospectral Scanning

Beim Spatiospektral-Scannen stellt jeder 2-D-Sensorausgang eine Wellenlängencodierung dar ("Regenbogenfarbe",, λ = λ(y)), räumlich (x, y) Karte der Szene. Ein Prototyp für diese 2014 eingeführte Technik besteht aus einer Kamera bei einigen ungleich Null Abstand hinter einem grundlegenden Spaltspektroskop (Schlitz + dispersives Element).[8][18] Fortgeschrittene spatiospektrale Scansysteme können erhalten werden, indem ein dispersives Element vor einem räumlichen Scansystem platziert wird. Das Scannen kann erreicht werden, indem das gesamte System relativ zur Szene bewegt, die Kamera allein verschoben oder den Schlitz alleine verschoben wird. Das räumliche Scannen vereint einige Vorteile des räumlichen und spektralen Scannens, wodurch einige ihrer Nachteile verringert werden.[8]

Unterscheidung über hyperspektrale von der multispektralen Bildgebung

Multispektrale und hyperspektrale Unterschiede

Die hyperspektrale Bildgebung ist Teil einer Klasse von Techniken, die üblicherweise als als bezeichnet werden Spektralbildgebung oder Spektralanalyse. Der Begriff „hyperspektrale Bildgebung“ ergibt sich aus der Entwicklung des Luftbilde-Bildgebungsspektrometers (AIS) und AVIRIs der NASA Mitte der 1980er Jahre. Obwohl die NASA den früheren Begriff „Bildgebungsspektroskopie“ gegenüber der „hyperspektralen Bildgebung“ bevorzugt, ist die Verwendung des letzteren Begriffs in wissenschaftlicher und nichtwissenschaftlicher Sprache häufiger geworden. In einem von Peer überprüften Brief empfehlen Experten die Verwendung der Begriffe „Bildgebungsspektroskopie“ oder „Spektralbildgebung“ und vermeiden übertrieben Präfixe wie "hyper-", "super-" und "ultra-", um zu verhindern Fehlbezeichnung in Diskussion.[19]

Hyperspektrale Bildgebung hängt mit Multispektrale Bildgebung. Die Unterscheidung zwischen Hyper- und Multi-Band basiert manchmal falsch auf einer willkürlichen "Anzahl von Bändern" oder auf der Art der Messung. Hyperspektrale Bildgebung (HSI) verwendet kontinuierliche und befriedigende Wellenlängen (z. B. 400 - 1100 nm in Schritten von 1 nm), während die Multiband -Imaging (MSI) eine Untergruppe von gezielten Wellenlängen an ausgewählten Stellen (z. B. 400 - 1100 nm in Schritten von 20 nm verwendet ).[20]

Die Multiband -Bildgebung befasst sich mit mehreren Bildern mit diskreten und etwas engen Bändern. "Diskret und etwas schmal" zu sein, unterscheidet die multispektrale Bildgebung in der sichtbaren Wellenlänge von Farbfotografie. Ein multispektraler Sensor kann viele Bänder haben, die das Spektrum vom sichtbaren bis zum Longwave -Infrarot abdecken. Multispektrale Bilder erzeugen nicht das "Spektrum" eines Objekts. Landsat ist ein hervorragendes Beispiel für die multispektrale Bildgebung.

Hyperspektral befasst sich mit bildgebenden schmalen Spektralbändern über einen kontinuierlichen Spektralbereich und erzeugt die Spektren aller Pixel in der Szene. Ein Sensor mit nur 20 Bändern kann auch hyperspektral sein, wenn er den Bereich von 500 bis 700 nm mit 20 Banden pro 10 nm breit abdeckt. (Während ein Sensor mit 20 diskreten Bändern, die sichtbare, in der Nähe, kurzer Welle, mit mittlerer Welle und langer Welleninfrarot bedecken, als multispektral angesehen werden.)

Flüssig könnte reserviert werden für Interferometer Geben Sie Bildgebungssensoren mit einer sehr feinen spektralen Auflösung ein. Diese Sensoren haben oft (aber nicht unbedingt) einen niedrigen räumliche Auflösung von mehreren Pixel Nur eine durch die hohe Datenrate auferlegte Einschränkung.

Anwendungen

Eine hyperspektrale Fernerkundung wird in einer Vielzahl von Anwendungen verwendet. Obwohl sie ursprünglich für Bergbau und Geologie entwickelt wurde (die Fähigkeit der hyperspektralen Bildgebung, verschiedene Mineralien zu identifizieren, ist es ideal für die Bergbau- und Ölindustrie, wo es verwendet werden kann, um nach Erz und Öl zu suchen).[11][21] Es hat sich nun auf Felder ausgebreitet, die so weit verbreitet sind wie Ökologie und Überwachung sowie historische Manuskriptforschung, wie die Bildgebung der Archimedes Palimpest. Diese Technologie wird der Öffentlichkeit immer mehr zur Verfügung. Organisationen wie NASA und die USGS Haben Sie Kataloge verschiedener Mineralien und ihre spektralen Unterschriften und haben Sie sie online veröffentlicht, um sie für Forscher leicht zur Verfügung zu stellen. In kleinerem Maßstab kann die nir hyperspektrale Bildgebung verwendet werden, um die Anwendung von Pestiziden auf einzelne Samen zur Qualitätskontrolle der optimalen Dosis und der homogenen Abdeckung schnell zu überwachen.

Landwirtschaft

Hyperspektrale Kamera eingebettet in Onyxstar Hydra-12 Uav aus Altigator

Obwohl die Kosten für den Erwerb hyperspektraler Bilder in der Regel für bestimmte Kulturen und in bestimmten Klimazonen hoch sind, nimmt die Verwendung der hyperspektralen Fernerkundung zur Überwachung der Entwicklung und Gesundheit von Pflanzen zu. Im AustralienDie Arbeit ist im Gange, um zu verwenden Bildgebungsspektrometer Um die Traubenvielfalt zu erkennen und ein Frühwarnsystem für Krankheitsausbrüche zu entwickeln.[22] Darüber hinaus sind die Arbeiten zur Verwendung hyperspektraler Daten zum Nachweis der chemischen Zusammensetzung von Pflanzen.[23] Dies kann verwendet werden, um den Nährstoff- und Wasserstatus von Weizen in bewässerten Systemen zu erkennen.[24] In kleinerem Maßstab kann die nir hyperspektrale Bildgebung verwendet werden, um die Anwendung von Pestiziden auf einzelne Samen zur Qualitätskontrolle der optimalen Dosis und der homogenen Abdeckung schnell zu überwachen.[25]

Eine andere Anwendung in der Landwirtschaft ist der Nachweis von tierischen Proteinen in den Verbindungsfutter, um sie zu vermeiden Rinder -Spongiform -Enzephalopathie (BSE), auch als Mad-Cow-Krankheit bekannt. Es wurden verschiedene Studien durchgeführt, um alternative Instrumente für die Referenzmethode der Erkennung vorzuschlagen (klassisch Mikroskopie). Eine der ersten Alternativen ist in der Nähe Infrarotmikroskopie (NIR), das die Vorteile von Mikroskopie und NIR kombiniert. Im Jahr 2004 wurde die erste Studie veröffentlicht, die dieses Problem mit der hyperspektralen Bildgebung in Verbindung bringt.[26] Hyperspektrale Bibliotheken, die repräsentativ für die Vielfalt der Inhaltsstoffe sind, die normalerweise bei der Herstellung von Zinserhalten vorhanden sind, wurden konstruiert. Diese Bibliotheken können zusammen mit chemometrischen Instrumenten verwendet werden, um die Nachweisgrenze, Spezifität und Reproduzierbarkeit der nir hyperspektralen Bildgebungsmethode für die Nachweis und Quantifizierung von tierischen Inhaltsstoffen in Futtermittel zu untersuchen.

HSI-Kameras können auch verwendet werden, um Stress aus Schwermetallen in Pflanzen zu erkennen und eine frühere und schnellere Alternative zu nassenchemischen Methoden nach der Ernte zu werden.[27][28]

Abfallsortierung und Recycling

Hyperspektrale Bildgebung kann Informationen über die chemischen Bestandteile von Materialien liefern, die es nützlich machen Abfallsortierung und Recycling.[29] Es wurde angewendet, um zwischen Substanzen mit unterschiedlichen Stoffen zu unterscheiden und natürliche, tierische und synthetische Fasern zu identifizieren.[30] HSI -Kameras können in integriert werden in Maschinenaufwand Systeme und über vereinfachte Plattformen können Endkunden neue Abfallsortierungsanwendungen und andere Sortier-/Identifikationsanwendungen erstellen.[31] Ein System von maschinelles Lernen und hyperspektrale Kamera kann zwischen 12 verschiedenen Arten von Kunststoffen wie PET und PP zur automatisierten Trennung von Abfall von, ab 2020 hoch unterscheiden nicht standardisiert[32] Kunststoffprodukte und Verpackung.[33][34]

Augenpflege

Forscher am Université de Montréal arbeiten mit Photon usw. und Optina Diagnostics[35] Um die Verwendung von Hyperspektralfotografie bei der Diagnose von zu testen Retinopathie und Makulaödem Bevor Beschädigungen des Auges auftreten. Die metabolische Hyperspektralkamera erkennt einen Abfall des Sauerstoffverbrauchs in der Netzhaut, was auf eine potenzielle Erkrankung hinweist. Ein Augenarzt Kann dann die Netzhaut mit Injektionen behandeln, um potenzielle Schäden zu verhindern.[36]

Lebensmittelverarbeitung

Ein Leitungs-Scan-Push-Broom-System wurde verwendet, um die Käse zu scannen, und die Bilder wurden unter Verwendung eines HG-CD-TE-Arrays (386x288) ausgestatteten Linienkamera mit Halogenlicht als Strahlungsquelle aufgenommen.

In dem Lebensmittelverarbeitung Industrie, hyperspektrale Bildgebung, kombiniert mit intelligenter Software, ermöglicht digitale Sortierer (auch genannt Optische Sortierer) Defekte und Fremdmaterial (FM) zu identifizieren und zu entfernen, die für herkömmliche Kamera- und Laserszener unsichtbar sind.[37][38] Durch die Verbesserung der Genauigkeit des Defekts und der FM -Entfernung ist es das Ziel des Lebensmittelprozessors, die Produktqualität zu verbessern und die Erträge zu erhöhen.

Die Einführung der hyperspektralen Bildgebung bei digitalen Sortierern erreicht bei vollem Produktionsvolumen eine nicht-zerstörerische Inspektion in einer Inspektion von 100 Prozent. Die Software des Sortierers vergleicht die hyperspektralen Bilder, die mit benutzerdefinierten Akzeptanz-/Ablehnungsschwellen gesammelt wurden, und das Ausschlägesystem beseitigt automatisch Mängel und Fremdmaterial.

Hyperspektrales Bild von "Zuckerend" -Kartoffelstreifen zeigt unsichtbare Defekte

Die jüngste kommerzielle Einführung von hyperspektralsensorbasierten Lebensmittelsortierern ist in der Nussindustrie am weitesten fortgeschritten, wo installierte Systeme die Entfernung von Steinen, Muscheln und anderen Fremdkörpern (FM) und Fremdgemüse (EVM) von Walnüssen, Pekannüssen, Mandeln, Pistazien maximieren , Erdnüsse und andere Nüsse. Verbesserte Produktqualität, niedrige falsche Ablehnungsraten und die Fähigkeit, hohe eingehende Defektlasten zu bewältigen, rechtfertigen häufig die Kosten der Technologie.

Die kommerzielle Einführung von Hyperspektralsortierern geht auch in der Kartoffelverarbeitungsbranche schnell voran, in der die Technologie verspricht, eine Reihe ausstehender Produktqualitätsprobleme zu lösen. Es ist gearbeitet, um die hyperspektrale Bildgebung zu verwenden, um „Zuckerenden“ zu erkennen,[39] "hohles Herz"[40] und "gemeinsame Schorf",[41] Bedingungen, die Kartoffelprozessoren plagen.

Mineralogie

Eine Reihe von Steinen wird mit a gescannt Exemplar LWIR-C-Imager im thermischen Infrarotbereich zwischen 7,7 μm bis 12,4 μm. Das Quarz und Feldspat Spektren sind eindeutig erkennbar.[42]

Geologische Proben, wie z. Bohrkerne, kann für fast alle Mineralien von kommerziellem Interesse durch hyperspektrale Bildgebung schnell zugeordnet werden. Die Fusion der SWIR- und LWIR -Spektralbildgebung ist Standard für die Erkennung von Mineralien in der Feldspat, Kieselsäure, Calcit, Granat, und Olivin Gruppen, da diese Mineralien ihre markantesten und stärksten haben Spektralsignatur In den LWIR -Regionen.[42]

Die hyperspektrale Fernerkundung von Mineralien ist gut entwickelt. Viele Mineralien können aus in der Luft befindlichen Bildern identifiziert werden, und ihre Beziehung zum Vorhandensein wertvoller Mineralien wie Gold und Diamanten ist gut verstanden. Derzeit geht der Fortschritt zum Verständnis der Beziehung zwischen Öl- und Gasleckagen von Pipelines und natürlichen Brunnen sowie deren Auswirkungen auf die Vegetation und die spektralen Signaturen. Jüngste Arbeiten umfassen die Doktoranden von Werff[43] und Noomen.[44]

Überwachung

Hyperspektrales thermisches Infrarot Emission Messung, ein Outdoor -Scan unter Winterbedingungen, Umgebungstemperatur -15 ° C -relative Strahlungsspektren aus verschiedenen Zielen im Bild werden mit Pfeilen gezeigt. Das Infrarotspektren Von den verschiedenen Objekten wie dem Uhrglas haben eindeutig charakteristische Eigenschaften. Der Kontrastniveau zeigt die Temperatur des Objekts an. Dieses Bild wurde mit a produziert Exemplar LWIR Hyperspektralbilder.[42]

Hyperspektrale Überwachung ist die Implementierung der Hyperspektral -Scan -Technologie für Überwachung Zwecke. Die hyperspektrale Bildgebung ist insbesondere bei der militärischen Überwachung aufgrund Gegenmaßnahmen Diese militärischen Einheiten nehmen nun ein, um die Überwachung der Luft zu vermeiden. Die Idee, die eine hyperspektrale Überwachung antreibt Spektralsignatur In mindestens einigen der vielen Bands, die gescannt werden. Das Siegel aus NSWDG Wer tötet Osama Bin Laden Im Mai 2011 verwendete diese Technologie während der Durchführung der Überfall (Operation Neptunes Speer) auf Osama bin Ladens Gelände in Abbottabad, Pakistan.[9][45] Hyperspektrale Bildgebung hat ebenfalls gezeigt, dass in der Verwendung verwendet werden kann Gesichtserkennung Zwecke. Es wurde gezeigt, dass Gesichtserkennungsalgorithmen unter Verwendung einer hyperspektralen Bildgebung besser abschneiden als Algorithmen mit herkömmlicher Bildgebung.[46]

Traditionell haben im Handel erhältliche hyperspektrale Bildgebungssysteme für thermische Infrarot erforderlich Flüssigstickstoff oder Helium Kühlung, was sie für die meisten Überwachungsanwendungen unpraktisch gemacht hat. In 2010, Exemplar führte eine thermische Infrarothyperspektralkamera ein, die zur Überwachung im Freien verwendet werden kann und Uav Anwendungen ohne externe Lichtquelle wie Sonne oder Mond.[47][48]

Astronomie

Bei der Astronomie wird die hyperspektrale Bildgebung verwendet, um ein räumlich aufgelöster spektrales Bild zu bestimmen. Da ein Spektrum eine wichtige Diagnose ist, kann ein Spektrum für jedes Pixel mehr Wissenschaftsfälle angesprochen werden. In der Astronomie wird diese Technik häufig als bezeichnet als Integrale Feldspektroskopieund Beispiele dieser Technik sind Flammen[49] und Sinfoni[50] auf der Sehr großes Teleskop, aber auch die Erweitertes CCD -Bildgebungsspektrometer an Chandra Röntgen-Observatorium Verwendet diese Technik.

Remote chemische Bildgebung einer gleichzeitigen Freisetzung von SF6 und nh3 bei 1,5 km mit dem Telops Hyper-Cam-Bildgebungsspektrometer[51]

Chemische Bildgebung

Hauptartikel: Chemische Bildgebung

Soldaten können einer Vielzahl von chemischen Gefahren ausgesetzt sein. Diese Bedrohungen sind größtenteils unsichtbar, aber durch hyperspektrale Bildgebungstechnologie nachweisbar. Die 2005 eingeführte Telops-Hyper-Cam hat dies in Entfernungen von bis zu 5 km gezeigt.[52]

Umfeld

Oberes Feld: Konturkarte der zeitgemittelten spektralen Strahlung bei 2078 cm–1 entsprechend einem co2 Emissionslinie. Unterer Feld: Konturkarte der Spektralstrahlung bei 2580 cm–1 entsprechend der Kontinuumsemission von Partikeln in der Wolke. Das durchscheinende graue Rechteck zeigt die Position des Stapels an. Die horizontale Linie in Zeile 12 zwischen den Spalten 64-128 zeigt die Pixel an, die zur Schätzung des Hintergrundspektrums verwendet werden. Messungen mit der Telops-Hyper-Cam.[53]

Die meisten Länder erfordern eine kontinuierliche Überwachung der Emissionen, die durch Kohle- und Ölkraftwerke, kommunale und gefährliche Verbrennungsanlagen, Zementanlagen sowie viele andere Arten von Industriequellen erzeugt werden. Diese Überwachung wird normalerweise unter Verwendung von extraktiven Probenahmesystemen in Verbindung mit Infrarotspektroskopie -Techniken durchgeführt. Einige neuere Messungen, die durchgeführt wurden, ermöglichten die Bewertung der Luftqualität, aber nicht viele entfernte unabhängige Methoden ermöglichen eine geringe Unsicherheitsmessungen.

Tiefbau

Jüngste Untersuchungen zeigen, dass die hyperspektrale Bildgebung möglicherweise nützlich sein kann, um die Entwicklung von Rissen in Rissen festzustellen Bürgerstände[54] die schwer aus Bildern zu erkennen sind, die mit sichtbaren Spektrumkameras aufgenommen wurden.[54]

Datenkompression

Im Februar 2019, eine Organisation, die von der weltweit großen Weltraumindustrie, dem Beratungsausschuss für Weltraumdatenstandards, gegründet wurde (Standards für Weltraumdaten () (CCSDs), genehmigte ein Standard für verlustfreie und nahezu verlustfreie Kompression von multispektralen und hyperspektralen Bildern (CCSDS 123). Bezogen auf NASA'S Schnellverlust-Algorithmus erfordert sehr niedrige Speicher- und Rechenressourcen im Vergleich zu Alternativen, wie z. JPEG 2000.

Kommerzielle Implementierungen von CCSDs 123 umfassen:

Vorteile und Nachteile

Der Hauptvorteil für die hyperspektrale Bildgebung besteht darin, dass der Bediener, da ein ganzes Spektrum an jedem Punkt erworben wird, keine Vorkenntnisse der Stichprobe benötigt und die Nachbearbeitung alle verfügbaren Informationen aus dem Datensatz ermöglicht. Hyperspektrale Bildgebung kann auch die räumlichen Beziehungen zwischen den verschiedenen Spektren in einer Nachbarschaft nutzen und es ermöglichen, aufwändigere spektral-räumliche Modelle für ein genaueres Segmentierung und Klassifizierung des Bildes.[57][58]

Die primären Nachteile sind Kosten und Komplexität. Für die Analyse hyperspektraler Daten sind schnelle Computer, sensible Detektoren und große Datenspeicherkapazitäten erforderlich. Eine signifikante Datenspeicherkapazität ist erforderlich, da unkomprimierte hyperspektrale Würfel große, mehrdimensionale Datensätze sind, die möglicherweise Hunderte von Hunderten von überschreiten Megabyte. Alle diese Faktoren erhöhen die Kosten für die Erwerbs- und Verarbeitung hyperspektraler Daten erheblich. Einer der Hürden, die Forscher konfrontiert haben mussten, um Wege zu finden, um hyperspektrale Satelliten zu programmieren, um Daten selbst zu sortieren und nur die wichtigsten Bilder zu übertragen, da sich sowohl die Übertragung als auch die Speicherung so viel Daten als schwierig und kostspielig erweisen können.[9] Als relativ neue analytische Technik wurde das volle Potenzial der hyperspektralen Bildgebung noch nicht realisiert.

Siehe auch

Verweise

  1. ^ Chilton, Alexander (2013-10-07). "Das Arbeitsprinzip und die wichtigsten Anwendungen von Infrarotsensoren". Azosensoren. Abgerufen 2020-07-11.
  2. ^ Chein-i Chang (31. Juli 2003). Hyperspektrale Bildgebung: Techniken zur Spektralerkennung und Klassifizierung. Springer Science & Business Media. ISBN 978-0-306-47483-5.
  3. ^ Hans Grahn; Paul Geladi (27. September 2007). Techniken und Anwendungen der hyperspektralen Bildanalyse. John Wiley & Sons. ISBN 978-0-470-01087-7.
  4. ^ Hagen, Nathan; Kudenov, Michael W. (2013). "Überprüfung von Snapshot Spectral Imaging Technologies" (PDF). Optische Ingenieurwesen. 52 (9): 090901. Bibcode:2013opten..52i0901h. doi:10.1117/1.oe.52.9.090901. S2CID 215807781.
  5. ^ a b Lu, G; Fei, B (Januar 2014). "Medizinische hyperspektrale Bildgebung: eine Bewertung". Journal of Biomedical Optics. 19 (1): 10901. Bibcode:2014JBO .... 19A0901L. doi:10.1117/1.jbo.19.1.010901. PMC 3895860. PMID 24441941.
  6. ^ a b "Spektrale Bildgebung und lineares Abmischen". Nikons Mikroskopie.
  7. ^ a b c d http://www.bodkindesign.com/wp-content/uploads/2012/09/hyperspectral-1011.pdf[Bare URL PDF]
  8. ^ a b c Grusche, Sascha (2014). "OSA-Basic Slit Specroscope zeigt dreidimensionale Szenen durch diagonale Schnitte von Hyperspektralwürfeln". Angewandte Optik. 53 (20): 4594–5103. Bibcode:2014APOPT..53.4594G. doi:10.1364/ao.53.004594. PMID 25090082.
  9. ^ a b c Schurmer, J. H. (Dezember 2003), Technologiehorizonte für Luftwaffenforschungslabors
  10. ^ "Erde beobachtet 1 (EO-1)". Earthobservatory.nasa.gov. 2000-11-15. Abgerufen 2020-07-17.
  11. ^ a b Ellis, J. (Januar 2001) Auf der Suche nach Ölversickerung und Öl impaktierten Boden mit hyperspektralen Bildern Archiviert 2008-03-05 am Wayback -Maschine, Erdbeobachtungsmagazin.
  12. ^ a b Lu, Guolan; Fei, Baowei (2014). "SPIE - Journal of Biomedical Optics - Medizinische hyperspektrale Bildgebung: eine Rezension". Journal of Biomedical Optics. 19 (1): 010901. Bibcode:2014JBO .... 19A0901L. doi:10.1117/1.jbo.19.1.010901. PMC 3895860. PMID 24441941.
  13. ^ "StackPath". www.laserfocusworld.com.
  14. ^ Hagen, Nathan; Kester, Robert T.; Gao, Liang; Tkaczyk, Tomasz S. (2012). "SPIE-Optical Engineering-Snapshot-Vorteil: Eine Überprüfung der Light Collection-Verbesserung für parallele hochdimensionale Messsysteme". Optische Ingenieurwesen. 51 (11): 111702. Bibcode:2012opten..51K1702H. doi:10.1117/1.oe.51.11.111702. PMC 3393130. PMID 22791926.
  15. ^ Myrick, Michael L.; Soyemi, Olusola O.; Haibach, Fred; Zhang, Lixia; Greer, Ashley; Li, Hongli; Priore, Ryan; Schiza, Maria V.; Farr, J. R. (2002-02-22). Christen, Steven D; Sedlacek III, Arthur J (Hrsg.). "Anwendung des multivariaten optischen Computing auf die Bildgebung der Nahinfrarot". Schwingungsspektroskopie-basierte Sensorsysteme. 4577: 148–158. Bibcode:2002spie.4577..148m. doi:10.1117/12.455732. S2CID 109007082.
  16. ^ J Priore, Ryan; Haibach, Frederick; V Schiza, Maria; E Greer, Ashley; L Perkins, David; Myrick, M.L. (2004-08-01). "Miniatur -Stereo -Spektral -Bildgebungssystem für multivariate optisches Computing". Angewandte Spektroskopie. 58 (7): 870–3. Bibcode:2004apsspe..58..870p. doi:10.1366/0003702041389418. PMID 15282055. S2CID 39015203.
  17. ^ Davis, Brandon M.; Hemphill, Amanda J.; Cebeci Maltaş, Derya; Zipper, Michael A.; Wang, Ping; Ben-Amotz, Dor (2011-07-01). "Multivariate hyperspektrale Raman -Bildgebung mit Druckdetektion". Analytische Chemie. 83 (13): 5086–5092. doi:10.1021/AC103259V. ISSN 0003-2700. PMID 21604741.
  18. ^ Hyperspektrale Bildgebung mit räumlichem Bildern aus einem einfachen Spektroskop. 12. Juli 2014. Archiviert vom Original am 2021-12-19-über YouTube.
  19. ^ Polder, Gerrit; Gowen, Aoife (27. Februar 2020). "Der Hype in der spektralen Bildgebung". Journal of Spectral Imaging. 9: A4. doi:10.1255/jsi.2020.a4. S2CID 213347436. Abgerufen 23. Juli 2021.
  20. ^ Cm veys; et al. (2017). "Ein ultra-kostengünstiger aktiver multispektraler Pflanzendiagnostikgerät" (PDF). IEEE Sensors Journal. 113: 1005–1007.
  21. ^ Smith, R. B. (14. Juli 2006), Einführung in die hyperspektrale Bildgebung mit TMIPS Archiviert 2008-05-09 im Wayback -Maschine, Microimages Tutorial -Website
  22. ^ Lacar, F.M.; et al. (2001). "Verwendung von hyperspektralen Bildern zur Kartierung von Traubensorten im Barossa Valley, Südaustralien". Geowissenschafts- und Fernerkundungssymposium (IGARSS'01) - IEEE 2001 International. 6: 2875–2877. doi:10.1109/igars.2001.978191. HDL:2440/39292. ISBN 0-7803-7031-7. S2CID 61008168.
  23. ^ Ferwerda, J.G. (2005), Diagramm der Qualität des Futters: Messen und Abbildung der Variation chemischer Komponenten im Laub mit hyperspektral, Wageningen Universität, ITC Dissertation 126, 166p. ISBN90-8504-209-7
  24. ^ Tilling, A.K., et al., (2006) Fernerkundung zum Nachweis von Stickstoff und Wasserspannung in Weizen, Die australische Gesellschaft der Agronomie
  25. ^ Vermeulen, Ph.; et al. (2017). "Bewertung der Pestizidbeschichtung an Getreidesamen durch nahezu infrarot hyperspektrale Bildgebung". Journal of Spectral Imaging. 6: a1. doi:10.1255/JSI.2017.A1.
  26. ^ Fernández Pierna, J. A., et al., 'Kombination aus Stützvektormaschinen (SVM) und Nahinfrarot (NIR) Bildgebungsspektroskopie zum Nachweis von Fleisch und Knochenfleisch (MBM) im Verbindungsfutterjournal von Chemometrics 18 (2004) 341- 349
  27. ^ Gardner, Elizabeth K. "Die Studie stellt fest, dass Schwermetall-kontaminierte Blattgemüse lila werden". Purdue Universität. Abgerufen 26. Januar 2022.
  28. ^ Zea, Maria; Souza, Augusto; Yang, Yang; Lee, Linda; Nemali, Krishna; Hoagland, Lori (1. Januar 2022). "Nutzung von Hochdurchsatz-Hyperspektral-Bildgebungstechnologie zur Erkennung von Cadmiumstress in zwei grünen Grünen und Beschleunigung der Bemühungen zur Bodensanierung". Umweltverschmutzung. 292 (Pt B): 118405. doi:10.1016/j.envpol.2021.118405. ISSN 0269-7491. PMID 34710518. S2CID 239975631.
  29. ^ Karaca, Ali Can; Erturk, ALP; Gullu, M. Kemal; Elmas, M.; Erturk, SARP (Juni 2013). "Automatische Abfallsortierung mit Shortwave Infrarot hyperspektralem Bildgebungssystem". 2013 5. Workshop zur hyperspektralen Bild- und Signalverarbeitung: Entwicklung der Fernerkundung (Flüstern): 1–4. doi:10.1109/flüstern.2013.8080744. ISBN 978-1-5090-1119-3. S2CID 37092593.
  30. ^ Brunn, Michael (1. September 2020). "Hyperspektrale Bildgebung reduzierter Textilabfälle". Recyclingmagazin. Abgerufen 26. Januar 2022.
  31. ^ "Specim startet eine vollständige spektrale Bildgebungsplattform für die Sortierbranche". optics.org. Abgerufen 26. Januar 2022.
  32. ^ Qureshi, Muhammad Saad; Oasmaa, Anja; Pihkola, Hanna; Deviatkin, Ivan; Tenhunen, Anna; Mannila, Juhha; Minkkinen, Hannu; Pohjakallio, Maija; Laine-ylijoki, Jutta (1. November 2020). "Pyrolyse von Plastikmüll: Chancen und Herausforderungen". Journal of Analytical and Applied Pyrolyse. 152: 104804. doi:10.1016/j.jaap.2020.104804. ISSN 0165-2370. S2CID 200068035.
  33. ^ "Durchbruch bei der Trennung von Plastikmüll: Maschinen können jetzt 12 verschiedene Arten von Kunststoff unterscheiden". Aarhus University. Abgerufen 19. Januar 2022.
  34. ^ Henriksen, Martin L.; Karlsen, Celine B.; Klarskov, Pernille; Scharnier, Mogene (1. Januar 2022). "Kunststoffklassifizierung durch Inline-hyperspektrale Kameraanalyse und unbeaufsichtigtes maschinelles Lernen". Schwingungsspektroskopie. 118: 103329. doi:10.1016/j.vibspec.2021.103329. ISSN 0924-2031. S2CID 244913832.
  35. ^ "Heim". Optina.
  36. ^ Bin Shahidi; et al. (2013). "Regionale Variation der menschlichen Netzhautgefäßsauerstoffsättigung". Experimentelle Augenforschung. 113: 143–147. doi:10.1016/j.exer.2013.06.001. PMID 23791637.
  37. ^ Higgins, Kevin. "Fünf neue Technologien zur Inspektion". Lebensmittelverarbeitung. Abgerufen 6. September 2013.
  38. ^ "Hyperspektrale Bildgebung bekämpft Lebensmittelabfälle". www.photonics.com. Abgerufen 26. Januar 2022.
  39. ^ Burgstaller, Markus; et al. "Spotlight: Spectral Imaging Sorts 'Sugar-End' Defekte". Pennwell.
  40. ^ Dacal-Nieto, Angel; et al. (2011). Nicht-zerstörerischer Nachweis von Hohlherz in Kartoffeln unter Verwendung einer hyperspektralen Bildgebung (PDF). S. 180–187. ISBN 978-3-642-23677-8. Archiviert von das Original (PDF) Am 2014-08-10.
  41. ^ Dacal-Nieto, Angel; et al. (2011). "Häufiger Schorferkennung an Kartoffeln unter Verwendung eines Infrarothyperspektral -Bildgebungssystems". Bildanalyse und Verarbeitung - ICIAP 2011. Vorlesungsnotizen in Informatik. Vol. 6979. S. 303–312. doi:10.1007/978-3-642-24088-1_32. ISBN 978-3-642-24087-4.
  42. ^ a b c Holma, H. (Mai 2011), Thermische Hyperspektralbildgebung im Langwelligen Infrarot Archiviert 26. Juli 2011 bei der Wayback -Maschine, Photonik
  43. ^ Werff H. (2006), Wissensbasierte Fernerkundung komplexer Objekte: Erkennung spektraler und räumlicher Muster, die aus natürlichen Kohlenwasserstoffversickerungen resultieren, Utrecht UniversitätITC Dissertation 131, 138p. ISBN90-6164-238-8
  44. ^ Noomen, M.F. (2007), Hyperspektralreflexion der Vegetation, die durch unterirdische Kohlenwasserstoffgasversickerung betroffen ist, Ensschede, ITC 151p. ISBN978-90-8504-671-4.
  45. ^ Marc Ambinder (3. Mai 2011). "Das geheime Team, das Bin Laden getötet hat". Nationales Journal. Archiviert von das Original am 24. Mai 2012. Abgerufen 12. September, 2012.
  46. ^ "Studien zur hyperspektralen Gesichtserkennung im sichtbaren Spektrum mit Feature -Band -Auswahl - IEEE Journals & Magazine". Citeseerx 10.1.1.413.3801. doi:10.1109/tsmca.2010.2052603. S2CID 18058981. {{}}: Journal zitieren erfordert |journal= (Hilfe)
  47. ^ Frost & Sullivan (Februar 2011). Technische Erkenntnisse, Luft- und Raumfahrt & Verteidigung: World First Wärmeleitkamera für unbemannte Luftfahrzeuge.
  48. ^ Die Eule von Execim sieht ein unsichtbares Objekt und identifiziert seine Materialien auch in einer pitchdarken Nacht. Archiviert 2011-02-21 bei der Wayback -Maschine.
  49. ^ "Flammen - Faser Großarray Multi -Element -Spektrograph". Eso. Abgerufen 30. November 2012.
  50. ^ "Sinfoni - Spektrographen für Integralfeldbeobachtungen im Nahkampf in der Infrarot". Eso. Abgerufen 30. November 2012.
  51. ^ M. Chamberland, V. Farley, A. Vallières, L. Belhumeur, A. Villemaire, J. Giroux et J. Legault, "Hochleistungs-feldportable bildgebende radiometrische Spektrometer-Technologie für hyperspektrale Bildgebungsanwendungen," Proc. SPIE 5994, 59940n, September 2005.
  52. ^ Farley, V., Chamberland, M., Lagueux, P., et al.,, "Nachweis und Identifizierung des chemischen Mittel mit einem hyperspektralen Bildgebungs -Infrarotsensor", " Archiviert 2012-07-13 at Archive.Today Proceedings of Spie Vol. 6661, 66610l (2007).
  53. ^ Gross, Kevin C.; Bradley, Kenneth C.; Perram, Glen P. (2010). "Fernidentifizierung und Quantifizierung von industriellen Rauchstackabwässern durch Bildgebungs-Fourier-Transform-Spektroskopie". Umweltwissenschaft und Technologie. 44 (24): 9390–9397. Bibcode:2010enst ... 44.9390g. doi:10.1021/ES101823Z. PMID 21069951.
  54. ^ a b Abdellatif, Mohamed; Peel, Harriet; Cohn, Anthony G.; Fuentes, Raul (2020). "Pflaster Crack -Erkennung von hyperspektralen Bildern unter Verwendung eines neuartigen Asphalt -Crack -Index". Fernerkundung. 12 (18): 3084. Bibcode:2020rems ... 12.3084a. doi:10.3390/RS12183084.
  55. ^ "Datenreduktions- und Komprimierungssitzung" (PDF).
  56. ^ "MetaPectral - Multispektrales und hyperspektrales Datenmanagement". 24. Februar 2021.
  57. ^ A. Picon, O. Ghita, P.F.Whelan, P. Iriondo (2009), Spektral- und räumliche Merkmalsintegration zur Klassifizierung von Nichteisenmaterialien in Hyperspektraldaten, IEEE Transactions on Industrial Informatics, Vol.5, Nr. 4, November 2009.
  58. ^ Rannte Lingyan;Zhang, Janning;Wei, Wei;Zhang, Qilin (2017-10-23). "Ein hyperspektrales Bildklassifizierungsrahmen mit räumlichen Pixelpaarfunktionen". Sensoren. 17 (10): 2421. Bibcode:2017Senso..17.2421r. doi:10.3390/s17102421. PMC 5677443. PMID 29065535.

Externe Links