莱森光学：高光谱成像仪的成像技术原理

高光谱成像仪是下一代传感器。1980年代早期正式发展。该设备开发的主要目的是获得大部分像元的连续光谱数据，同时获得大量地物目标狭窄的带宽连续光谱图像，因此被称为高光谱成像仪。影像分光技术是高光谱航空遥感技术发展的主流。高光谱技术还应用于空间遥感。

高光谱成像仪成像技术

高光谱图像技术是基于多个窄带的图像资料。通过技术与光谱技术的结合，实现对目标二维几何空间和一维光谱信息的检测，获得窄波段、高分辨率的连续数据。近年来，高光谱成像技术取得了长足的发展，主要有网格分光、可调音过滤、棱镜分光、薄膜分光等。高光谱成像仪可用于食品安全、医疗诊断、宇宙航空等领域。

高光谱成像图像

该高光谱图像不仅具有黑、白、r、g、b等传统特征，还具有n维通道。例如，400nm-1000nm通道可分为300个通道。因此，从高光谱设备中得到的是数据立方，不仅包括图像信息，还包括光谱维度。实验结果不仅可以获得图像上各点的光谱数据，还可以获得任何光谱的图像信息。

高光谱图像技术是基于多个窄带的图像资料。通过技术与光谱技术的结合，实现对目标二维几何空间和一维光谱信息的检测，获得窄波段、高分辨率的连续数据。近年来，高光谱成像技术取得了长足的发展，主要有网格分光、可调音过滤、棱镜分光、薄膜分光等。

莱森光学是一家提供光机电一体化集成解决方案的高 科技 公司，我们专注于光谱传感和光电应用系统的研发、生产和销售。

高光谱分辨率遥感是用很窄而连续的光谱通道对地物持续遥感成像的技术。在电磁波谱的可见光、近红外、中红外和热红外波段范围内，采用光谱分辨率高达纳米数量级的光谱仪在几十个甚至数百个波段同时对地物进行成像，获取许多非常窄的连续光谱波段信息，实现了地物空间信息、辐射信息、光谱信息的同步获取，实质为光谱分辨率的不断提高。由于高光谱遥感影像数据具有丰富的光谱波段信息，其应用领域涉及比较广，比如在农业遥感监测方面，可利用高光谱遥感数据可以计算归一化植被指数、叶面积指数、叶绿素含量等信息，可对植物的生长变化、病虫害及其对土壤的污染程度等进行分析与评估，从而促进农业的优质、高效的发展。据有关报道，自然资源部利用高光谱卫星影像数据已经在林业资源变更调查、自然资源审计、灾害应急、地理国情监测以及主要生态功能区植被长势监测等方面开展了大规模的应用示范。由此可见，高光谱遥感技术已被广泛应用于实际工作中，且在其他方面诸如海洋水质监测、地质勘探、林业遥感、现代军事等领域也有着广阔的应用前景。

图1 不同光谱分辨率遥感影像的对比图

随着科学技术的不断进步与发展，传统的高光谱影像在地物分类上显现出许多不足，其特征能力表达有限、冗余度高、泛化能力较弱以及分类精度差，已无法满足当下高精度的分类需求。随着深度学习的不断发展，卷积神经网络可以进行监督与非监督的学习，可更深层次处理高光谱遥感影像分类。

卷积神经网络是一种以卷积 *** 作为主的神经网络，常用于提取图像特征，可以用作图像分类、语义分割、图像生成等功能。由于卷积神经网络具有局部区域链接、权值共享、降采样的结构特点，使得卷积神经网络在提取特征能力时减少训练权值个数、减少过度拟合以及较高的泛化能力等特点为高光谱遥感影像分类提供强有力技术支撑，卷积神经网络的输入层可处理多维数据，分别为一维卷积神经网络（1DCNN）、二维卷积神经网络（2DCNN）以及三维卷积神经网络（3DCNN）。在一维卷积神经网络中，内核沿一个方向移动，在二维卷积神经中，内核在二个方向上移动，而三维卷积神经网络中，内核是在三个方向移动。因此，本文通过研究输入不同维度的卷积神经网络方法对高光谱遥感影像地物分类进行对比，验证三维卷积神经网络较其他维度的卷积神经网络在高光谱图像分类上其特征提取、冗余度以及分类种类数量上效果更加显著。

本文主要研究不同维度的卷积神经网络对高光谱遥感图像分类的方法。在卷积神经网络中，常以一维卷积神经网络（1DCNN）来获取高光谱遥感图像的光谱特征，以二维卷积神经网络（2DCNN）来获取空间特征，以三维卷积神经网络(3DCNN)或以一维卷积神经网络加上二维卷积神经网络（1DCNN+2DCNN）来获取光谱与空间特征。利用不同维度卷积神经网络进行高光谱遥感图像特征提取的方法，构建了在不同的数据集中包含1DCNN、2DCNN、(1D+2DCNN、3DCNN) 的方法的模型组。

31 基于高光谱遥感的一维卷积神经网络(1DCNN)的方法分析

在一维卷积神经网络中是将卷积神经网络的输入层图像的所有的像素点会让卷积神经网络组合成一个行向量，即为一维的维度，可用这一维的维度向量来表示光谱信息。通过卷积层对这输入层进行两次卷积之后所提取的像素点，这一过程称之为一维特征提取。图2表示基于高光谱遥感一维卷积神经网络的光谱特征提取过程。将高光谱遥感影像每一个像素点进行卷积、降采样、卷积、降采样这一过程后所提取的的像素点的为光谱特征提取。

32 基于高光谱遥感的二维卷积神经网络(2DCNN)的方法分析

二维卷积神经网络有着长和宽的两个空间维度，常用来处理图像空间信息。二维卷积层是通过将输入层和卷积核做相互运算，并加上一个标量差来得到的输出。图3表示基于高光谱遥感的二维卷积神经网络空间特征提取的过程，将高光谱影像数据每个局部区域通过重复使用卷积核做相互运算而输出得到在空间维度（宽和长）上某一级的特征。其也可通过二维卷积神经网络来完成图像分类的过程。

33 基于高光谱遥感的联合卷积神经网络(1D+2D CNN)的方法分析

联合卷积神经网络是通过输入图像，分别提取光谱特征以及空间特征，经过各种卷积合并在一起进行提取的光谱信息，称之为联合空谱特征提取，图4表示基于高光谱遥感影像联合提取空谱特征的过程。即将输入高光谱影像，分别提取其光谱特征与空间特征，然后合并经过卷积层所提取的空谱特征。

34 基于高光谱遥感的三维卷积神经网络(3DCNN)的方法分析

三维卷积神经网络有着高度、宽度以及深度的三个空间维度，在三维卷积神经网络中，内核是沿3（图像的高度、宽度、深度）个方向移动的。由于它移动是个3D空间，所以输出值也是按3D空间分布。图5表示基于高光谱影像直接获取空谱特征的 3D CNN 典型模型的过程。即将输入高光谱影像数据，通过堆叠多个连续的像素而组成的立方体，然后在立方体中运用3D卷积核而提取的特征。

利用A、B以及C三个数据集，针对高光谱图像分类进行了实验，每个数据集影像分类方式都包含一维卷积神经网络(1DCNN)、二维卷积神经网络(2DCNN)、联合卷积神经网络(1D+2DCNN)以及三维卷积神经网络(3DCNN)的方法执行。

A 数据集由AVIRIS 传感器在某地区松林试验区采集得到 ，该数据集覆盖光谱范围为 04-25μm，谱分辨率为10nm,可提供224个谱段，空间分辨率为 20m，数据大小为 145145，通过删除覆盖吸水区域的波段，剩余为200个，它包含16种农作物类别。

B 数据集由 ROSIS 光谱传感器在某地城镇集中区采集得到 ，该数据集由 043-086μm 的 115 个光谱波段构成，每个波段由空间分辨率为 13m 的 610 340 的像素组成，其中它有 9 个地物类别经过处理后，剩该数据集有103 个光谱波段。

C 数据集由 AVIRIS 光谱仪在某地生态片区采集得到 ，该数据集覆盖光谱范围为 04-25μm，谱分辨率为10nm,可提供224个谱段，空间分辨率为 18m，每个波段由512 614 个像素构成，共有 13个类别，去掉吸水率和低SNR频段后，剩余 176 个波段。图6、图7、图8为不同维度的卷积神经网络的方法在 A、B 以及 C 数据集上的分类图。

针对不同维度的卷积神经网络方法在三个基准数据集上的实验结果进行了比较分析，图6、图7、图8为不同维度的卷积神经网络的方法在A、B以及C数据集上的分类图。在三个数据集分类成果图中，与1DCNN、2DCNN以及1D+2DCNN的分类图相比，3DCNN的分类图不仅包含更加清晰的边缘，且包含更少的噪声，更加接近于真实地物图。通过不同维度的卷积神经网络方法在不同数据集下对应的分类图对比，证明了3DCNN用于高光谱图像特征提取效果更加显著。

通过以上分析，可以得出结论，利用不同维度卷积神经网络进行高光谱图像分类的方法相比，三维卷积神经网络（3D CNN）相对其他维度的卷积神经的分类图的冗余度、分类种类、地物特征提取能力都相对较高。因此，利用三维卷积神经网络（3D CNN）的方法进行高光谱遥感图像分类更优。

参考资料：

[1] 张欣 基于三维卷积神经网络的高光谱遥感图像分类技术研究[D]中国科学院大学(中国科学院长春光学精密机械与物理研究所),2021

在莱斯大学TuLIPSS光谱仪中，一束束的 光纤 瞬间将空间和光谱数据传送到探测器上。然后，这些数据可以被处理为快速的环境或生物分析。从太空拍摄的标准快照并不能完全展现地球的壮美，有这么多东西要看。为了揭示肉眼无法观察到的细节，莱斯大学工程师们正在研制一种便携式光谱仪，这种光谱仪可以安装在一颗小卫星上，可以用飞机或无人机飞行，甚至有一天可以拿在手里。

莱斯大学布朗工程学院和威斯自然科学学院的生物工程师托马兹·特卡奇克和同事发表了美国国家航空航天局资助项目的第一个结果。该项目旨在开发一种具有不同寻常通用性的小型精密光谱仪，其研究发表在《光学快报》上。分光计是一种仪器，它从物体或场景中收集光线，分离颜色并对其进行量化，以确定其所见物质的化学成分或其他特征。Rice设备被称为可调谐光波导图像处理快照光谱仪(TuLIPSS)，它将使研究人员能够即时捕获可见光和近红外光谱中的数据。

而不像目前系统那样逐行扫描场景，然后再重新组装。TuLIPSS生成的高光谱图像中的每个像素都包含光谱或空间信息。在这种情况下，“像素”是数千根光纤，它们是一种柔性光波导，将图像组件传输到检测器。因为他们可以重新定位光纤，研究人员可以定制发送到探测器的图像和光谱数据的平衡。例如，这种装置可以通过调整来测量树木的化学成分，看看它是 健康 的还是患病的。它可以对细胞、一片叶子、一个社区、一个农场或一个星球做同样的事情。

在连续捕捉模式下，类似于相机的马达驱动，它可以显示一个固定场景中光谱“指纹”如何随时间变化，或者实时捕捉闪电的光谱特征。TuLIPSS是独一无二的，因为它像任何相机一样工作，瞬间捕捉所有高光谱数据——研究人员称之为数据立方体。这意味着飞机或轨道卫星可以快速拍摄地面图像，以避免运动模糊造成数据失真。机载处理将过滤数据，并只发送回地球所需的，节省时间和资源。在飓风哈维这样的事件中，这将是一个有趣的工具。 当发生 洪水和潜在的污染时

一种能够飞越水库上空的设备可以告诉人们水是否可以安全饮用。这将比把人送到一个可能很难到达的网站更有效。在普通相机中，镜头将入射光聚焦到传感器芯片上，并将数据转换成图像。在郁金香中，镜头将光线聚焦到一个中间环节：一束光纤。在目前的原型中，这些光纤收集了超过30000个空间样本和450到750纳米范围内的61个光谱通道(本质上是数十万个数据点)，通过棱镜将这些数据分割成各自的成分带，并传递给探测器。然后探测器将这些数据点输入软件，软件将这些数据点重新组合成所需的图像或光谱。

光纤阵列在输入端被紧密地压缩，并在输出端重新排列成单独可寻址的行，它们之间有间隙，以避免重叠。行间距允许研究人员为特定的应用调整空间和光谱采样。第一作者王叶(音译)今年在莱斯大学获得了博士学位，她和同事们煞费苦心地制作了这个模型，手工组装和定位纤维束。他们用水稻内部和周围的场景来测试它，重建建筑物的图像来微调郁金香，并拍摄校园树木的光谱图像来“检测”物种。还成功地利用光谱数据分析了各种植物的 健康 状况。

休斯顿移动交通的连续捕捉图像显示，该系统能够看到哪些频谱在随时间变化(比如移动的车辆和不断变化的交通灯)，哪些是稳定的(其他一切)。该实验是一个有用的概念证明，以显示如何能谱仪过滤运动模糊在动态情况下。研究报告的撰写者之一、莱斯太空研究所所长、物理学和天文学教授大卫·亚历山大说：研究人员已经开始与休斯顿市和莱斯的金德城市研究所讨论在该市的航空研究中测试机器的问题。既然我们无论如何都需要测试，想做一些有用的事情。

一张城市的高光谱地图可以揭示城市景观的变化，将建筑与公园或花粉来源区分开来。理论上，在城市上空的定期航班将允许我们绘制出不断变化的情况，并确定需要关注的地区。未来版本将有助于农业和大气分析，藻类繁殖和其他环境条件下的快速数据采集。真正的挑战是决定首先关注什么，最终，想要取得足够的成功，下一阶段的研发工作将推动更接近于在太空中飞行中使用。

成像光谱仪是20世纪80年代开始在多光谱遥感成像技术的基础上发展起来的，它以高光谱分辨率获取景物或目标的高光谱图像，在航空、航天器上进行陆地、大气、海洋等观测中有广泛的应用，高光谱成像仪可以应用在地物精确分类、地物识别、地物特征信息的提取。建立目标的高光谱遥感信息处理和定量化分析模型后，可提高高光谱数据处理的自动化和智能化水平。由于成像光谱仪高光谱分辨率的巨大优势，在空间对地观测的同时获取众多连续波段的地物光谱图像，达到从空间直接识别地球表面物质的目的，成为遥感领域的一大热点，正在成为当代空间对地观测的主要技术手段。地面上采用光谱成像仪也取得了很大的成果，如科学研究、工农林业环境保护等方面。

本文主要简述高光谱成像仪的基本原理和在农林环境保护等方面的应用。

1 系统工作原理与结构

高光谱成像仪将成像技术和光谱技术结合在一起，在探测物体空间特征的同时并对每个空间像元色散形成几十个到上百个波段带宽为10nm左右的连续光谱覆盖。

11 系统工作原理

地面物体的反射光通过物镜成像在狭缝平面，狭缝作为光栏使穿轨方向地面物体条带的像通过，挡掉其他部分光。地面目标物的辐射能通过指向镜，由物收镜收集并通过狭缝增强准直照射到色散元件上，经色散元件在垂直条带方向按光谱色散，用会聚镜会聚成像在传感器使用的二维CCD面阵列探测元件被分布在光谱仪的焦平面上。焦平面的水平方向平行于狭缝，称空间维，每一行水平光敏元上是地物条带一个光谱波段的像；焦平面的垂直方向是色散方向，称光谱维，每一列光敏元上是地物条带一个空间采样视场(像元)光谱色散的像。这样，面阵探测器每帧图像数据就是一个穿轨方向地物条带的光谱数据，加上航天器的运动，以一定速率连续记录光谱图像，就得到地面二维图像及图形中各像元的光谱数据，即图像立方体。

12 光谱成像仪数据获取系统构成

光谱成像仪由光学系统、信号前端处理盒、数据采集记录系统三部分组成。

数据的回放及预处理通过专用软件在高性能的微机上完成。软件具有如下功能：数据备份；快速回放；数据规整和格式转换；图像分割截取；标准格式的图像数据生成等。

2 成像光谱仪的应用

成像光谱仪的应用范围遍及化学、物理学、生物学、医学等多个领域，对于纯定性到高度定量的化学分析和测定分子结构都有很大应用价值。如在生物化学研究中，可以利用喇曼光谱鉴别一些物质的种类，还可以测定分子的振动转动频率，定量地了解分子间作用力和分子内作用力的情况，并推断分子的对称性，几何形状、分子中原子的排列，计算热力学函数、研究振动一转动拉曼光谱和转动拉曼光谱，可以获得有关分子常数的数据。对非极性分子，因为它们没有吸收或发射的转动和振动光谱，振动转动能量和对称性等许多信息反映在散射谱中。对于极性分子，通过红外光谱固然可以获得不少分子参数的知识，但是为了得到更完备的资料，也往往同时观测红外光谱和拉曼光谱，它们具有不同的选择定则，可以提供互补的数据。现在这两种光谱相互配合已经成为有力的研究工具。

光谱成像仪在土地利用、农作物生长、分类，病虫害检测，海洋水色测量，城市规划、石油勘探、地芯地貌及军事目标识别等方面也有很广泛和深远的应用前景。可见光近红外光谱范围超光谱成像仪最广阔的应用领域为植被和海洋；植被的反射光谱特征主要取决于叶片中的叶绿素含量和成份，正常生长的植物有典型的光谱形状；当生长不良、病虫害、地下金属矿物诱导病变等因素会引起反射强度比例变化和吸收光谱特征(068μm)的微小位移，这种位移的观测要求超光谱成像仪具有优于5nm的光谱分辨率和100以上的信噪比。在光波范围能够观测水下状况的只有可见光，其中穿透性最好的波长范围为045 060μm(蓝光至黄光)，亦被称为“海洋窗口”。可见光超光谱成像仪可以观测海洋中沉积性悬浮物、浮游生物、叶绿素的分布等海况，但是获取海洋表层中悬浮体物质在质量和数量方面的信息时，不仅需要高光谱分辨率，而且要很高的辐射灵敏度(信噪比500以上)。

莱森光学（深圳）有限公司是一家提供光机电一体化集成解决方案的高 科技 公司，我们专注于光谱传感和光电应用系统的研发、生产和销售。

光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像(Hyperspectral

Image)。遥感技术经过20世纪后半叶的发展，无论在理论上、技术上和应用上均发生了重大的变化。其中，高光谱图像技术的出现和快速发展无疑是这种变化中十分zhidao突出的一个方面。通过搭载在不同空间平台上的高光谱传感器，即成像光谱仪，在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像。在获得地表图像信息的同时，也获得其光谱信息，第一次真正做到了专光谱与图像的结合。与多光谱遥感影像相比，高光谱影像不仅在信息丰富程度方面有了极大的提高，在处理技术上，对该类光谱数据进行更为合理、有效的分析处理提供了可能。因而，高光谱图像技术所具有的影响及发展潜力，是以往技术的各个发展阶段所不可比拟的，不仅引起了遥感界的关注，同时也引起了其它领域（如医学、农学等）的属极大兴趣。

以上就是关于莱森光学：高光谱成像仪的成像技术原理全部的内容，包括:莱森光学：高光谱成像仪的成像技术原理、基于高光谱遥感的三维卷积神经网络分析、高光谱相机可以瞬间捕捉到大量数据！等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！